發(fā)布時間：2017-08-03 23:18

  本文關鍵詞：序貫蒙特卡羅并行重采樣方法研究

  更多相關文章： 序貫蒙特卡羅 粒子濾波 粒子退化 重采樣 并行重采樣

【摘要】：序貫蒙特卡羅方法是產(chǎn)生隨機樣本的一種方法，在信號傳輸與壓縮、機器感知與導航、機動目標跟蹤、人體輪廓跟蹤與行為異常分析、復雜工業(yè)過程故障診斷、金融等領域有廣泛的應用。但是，序貫蒙特卡羅方法存在一個缺陷，即粒子退化現(xiàn)象，隨著時間的增加，算法經(jīng)過若干步迭代后，重要性權值有可能集中到少數(shù)粒子上，而大量粒子對應的重要性權值趨于零，從而很容易使序貫重要性采樣（SIS）方法出現(xiàn)發(fā)散現(xiàn)象。針對粒子退化問題，對粒子進行重采樣是減輕這一現(xiàn)象影響的重要方法之一，因此，研究并改進重采樣方法對提高序貫蒙特卡羅方法效率具有十分重要的意義。 本文研究序貫蒙特卡羅并行重采樣方法及其在動態(tài)Tobit模型中的應用，主要工作概述如下。 第一，提出任意狀態(tài)空間模型產(chǎn)生隨機樣本的序貫蒙特卡羅并行重采樣方法。在此方法中，首先將所有樣本的權重按升序排列，其次把樣本空間分為兩個獨立子集，最后，根據(jù)隨機搜索方法從兩個子集中并行重采樣樣本。通過與標準序貫蒙特卡羅方法以及與多項式重采樣、殘差重采樣、系統(tǒng)重采樣等常用的重采樣方法對比分析發(fā)現(xiàn)，此方法可以減少重采樣的搜索空間，并縮短搜索時間，從而提高執(zhí)行的效率。更重要的是，此方法能夠克服重采樣的盲目性，更好地體現(xiàn)重采樣的基本思想，因此它具有更好的估計性能。 第二，將序貫蒙特卡羅并行重采樣方法應用于動態(tài)Tobit模型的隨機模擬。Tobit模型是一種刪失模型，其因變量的值不能得到完全觀測，在某些數(shù)據(jù)點，，其因變量的值是缺失的。通過模擬研究發(fā)現(xiàn)，此方法對狀態(tài)估計的性能優(yōu)于標準序貫蒙特卡羅方法。 綜上所述，本文對序貫蒙特卡羅方法中的重采樣提出了一種改進的方法——并行重采樣，并通過模擬研究和實例分析，驗證了方法的可行性。
【關鍵詞】：序貫蒙特卡羅 粒子濾波 粒子退化 重采樣 并行重采樣
【學位授予單位】：貴州財經(jīng)大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：C81
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-11
• 1.1 研究背景9
• 1.2 研究現(xiàn)狀9-10
• 1.3 本文的工作10-11
• 第2章 序貫蒙特卡羅方法基本理論及重采樣方法11-32
• 2.1 序貫蒙特卡羅方法基本理論11-22
• 2.1.1 狀態(tài)空間模型11-12
• 2.1.2 貝葉斯估計理論12-14
• 2.1.3 蒙特卡羅積分14-15
• 2.1.4 重要性抽樣15-17
• 2.1.5 序貫重要性抽樣17-19
• 2.1.6 標準序貫蒙特卡羅方法19-22
• 2.2 粒子退化問題與重采樣方法22-31
• 2.2.1 粒子退化22-23
• 2.2.2 重要性密度函數(shù)的選擇23-26
• 2.2.3 重采樣26-29
• 2.2.4 常用重采樣方法29-31
• 2.3 本章小結31-32
• 第3章 并行重采樣方法32-37
• 3.1 方法描述32-34
• 3.1.1 初始化32
• 3.1.2 序貫重要性抽樣（SIS）32
• 3.1.3 并行重采樣32-34
• 3.1.4 狀態(tài)估計34
• 3.2 方法分析34
• 3.3 模擬34-36
• 3.3.1 模擬一：線性高斯模型34-35
• 3.3.2 模擬二：非線性模型35-36
• 3.4 本章小結36-37
• 第4章 并行重采樣方法在動態(tài) Tobit 模型的應用37-41
• 4.1 動態(tài) Tobit 模型37-38
• 4.2 動態(tài) Tobit 模型狀態(tài)估計38-40
• 4.3 本章小結40-41
• 結論41-42
• 參考文獻42-45
• 致謝45

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李濤,薛祖瑞,胡小平;一種使用非等權值粒子的確定性粒子濾波算法[J];國防科技大學學報;2004年01期

2 李培華,張?zhí)镂?一種新的B樣條主動輪廓線模型[J];計算機學報;2002年12期

3 楊小軍;潘泉;王睿;張洪才;;粒子濾波進展與展望[J];控制理論與應用;2006年02期

4 胡士強,敬忠良;粒子濾波算法綜述[J];控制與決策;2005年04期

5 張琪;胡昌華;喬玉坤;;基于權值選擇的粒子濾波算法研究[J];控制與決策;2008年01期

6 李偉華,徐宗本,范金城;單變量Bayes正態(tài)動態(tài)線性模型及其預測[J];統(tǒng)計與信息論壇;2004年03期

7 朱志宇;戴曉強;;基于改進邊緣化粒子濾波器的機動目標跟蹤[J];武漢理工大學學報;2008年06期

8 朱志宇;楊官校;;基于Stiefel流形的粒子濾波器研究[J];物理學報;2010年12期

9 雷明,韓崇昭,肖梅;擴展卡爾曼粒子濾波算法的一種修正方法[J];西安交通大學學報;2005年08期

10 張詩桂;朱立新;趙義正;;粒子濾波算法研究進展與展望[J];自動化技術與應用;2010年06期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 陳學華;狀態(tài)空間模型理論與算法及其在金融計量中的應用[D];暨南大學;2007年

2 江艷霞;視頻人臉跟蹤識別算法研究[D];上海交通大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 馮熳;序列蒙特卡羅方法及其在通信中的應用[D];西安電子科技大學;2004年

2 徐林忠;基于粒子濾波和卡爾曼濾波的復雜場景下視覺跟蹤[D];浙江大學;2008年

3 付何偉;粒子濾波重采樣算法及其在盲均衡中的應用[D];大連理工大學;2009年

4 張敬海;基于遺傳算法的粒子濾波算法研究[D];天津大學;2009年

本文編號：616777