期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
无人机非线性状态估计:扩展精确高斯变分推理学习方法 被引量:1
1
作者 刘久富 Elishahidi S.B.Mvungi +3 位作者 汪恒宇 解晖 刘向武 王志胜 《国防科技大学学报》 北大核心 2025年第3期141-150,共10页
针对在对时变非线性系统进行状态估计以及参数学习时估计误差大、抗干扰能力差等问题,提出一种面向非线性系统的精确稀疏高斯变分推理的批量状态估计与参数学习方法。基于高斯变分推理提出损失函数,状态估计问题转化为对真实后验近似问... 针对在对时变非线性系统进行状态估计以及参数学习时估计误差大、抗干扰能力差等问题,提出一种面向非线性系统的精确稀疏高斯变分推理的批量状态估计与参数学习方法。基于高斯变分推理提出损失函数,状态估计问题转化为对真实后验近似问题,并引入需要学习的参数。对状态概率分布的参数使用高斯-牛顿式优化器的方法进行迭代更新,利用Stein引理、协方差矩阵的稀疏性及高斯容积方法得到完整的状态估计迭代方案。使用期望最大化学习测量模型的噪声参数,同时引入逆Wishart先验减少测量噪声和离群值对参数学习以及状态估计结果的影响。通过对无人机仿真模型进行模拟实验,在不加入无人机运动以及测量噪声真实值的情况下,对无人机轨迹能够进行精确的估计,且有效抑制测量噪声和测量离群值对轨迹估计精度带来的影响。 展开更多
关键词 精确稀疏高斯变分推理 非线性系统批量状态估计 参数学习 期望最大化方法 轨迹估计
在线阅读 下载PDF
改进批处理RPEM算法用于说话人识别
2
作者 项要杰 杨俊安 +1 位作者 李晋徽 杨瑞国 《计算机应用研究》 CSCD 北大核心 2013年第12期3579-3582,共4页
针对传统EM算法训练GMM不能充分利用训练数据所属高斯分量信息,从而在一定程度上影响说话人识别性能的缺陷,采用RPEM(竞争惩罚EM)算法训练GMM,并引入批处理RPEM算法解决RPEM算法运算量大、收敛速度慢的问题,同时针对RPEM和批处理RPEM算... 针对传统EM算法训练GMM不能充分利用训练数据所属高斯分量信息,从而在一定程度上影响说话人识别性能的缺陷,采用RPEM(竞争惩罚EM)算法训练GMM,并引入批处理RPEM算法解决RPEM算法运算量大、收敛速度慢的问题,同时针对RPEM和批处理RPEM算法训练时方差优化存在的问题进行了改进,提出了改进的批处理RPEM算法。在Chains说话人识别数据库上的实验表明,改进的批处理RPEM算法取得了相对于传统EM、RPEM以及批处理RPEM算法更好的性能,还极大地提高了训练效率,减小了运算量,说明了提出的改进批处理RPEM算法用于说话人识别时的有效性。 展开更多
关键词 说话人识别 期望最大化算法 竞争惩罚EM算法 批处理竞争惩罚EM算法
在线阅读 下载PDF
基于无监督迁移学习的核范数最大化轴承故障诊断方法 被引量:4
3
作者 黄健豪 郑波 陈国庆 《科学技术与工程》 北大核心 2023年第11期4638-4646,共9页
针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning,TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimize... 针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning,TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks,SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy,MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization,FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明:所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。 展开更多
关键词 无监督迁移学习 卷积神经网络 批量核范数最大化 故障诊断
在线阅读 下载PDF
卫星遥测数据相关性知识发现方法 被引量:4
4
作者 杨甲森 孟新 王春梅 《国防科技大学学报》 EI CAS CSCD 北大核心 2019年第5期71-78,共8页
为快速发现海量遥测数据中的相关关系,提出一种基于改进最大信息系数(Maximal Information Coefficient,MIC)的遥测数据相关性知识发现方法。以Mini Batch K-Means聚类算法为前驱过程对数据进行网格划分;计算该网格划分下的互信息,并以... 为快速发现海量遥测数据中的相关关系,提出一种基于改进最大信息系数(Maximal Information Coefficient,MIC)的遥测数据相关性知识发现方法。以Mini Batch K-Means聚类算法为前驱过程对数据进行网格划分;计算该网格划分下的互信息,并以信息熵代替原有最大熵对互信息进行归一化矫正得到信息系数;选择不同网格划分下MIC作为变量相关性的测度。采用量子卫星遥测数据进行试验,结果表明:与基于动态规划算法的MIC方法相比,所提方法可有效解决MIC测度偏向多值变量的问题,时间复杂度从O(n^2.4)下降为O(n^1.6),是一种适用于大规模遥测数据相关性分析的有效方法。 展开更多
关键词 MINI batch K-MEANS 信息熵 最大信息系数 遥测数据 相关性 量子卫星
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部