基于Bayesian统计推断的粒子滤波技术及应用

本书针对大数据决策理 论中涉及的安全可靠风险问 题，以及可靠性与精确性的 制约折中优化的问题，将研 究的重点主要集中于基于 Bayesian统计推断的粒子滤 波算法的研究和应用，在论 述粒子滤波算法的同时，主 要融入了作者新的研究思想 ，即点估计观测值+先验概 率，同时将多尺度的概念融 入粒子滤波中，形成了具有 多尺度粒子滤波的算法，利 用不同粗细尺度对动态系统 状态空间中的一条马尔可夫 链进行交替耦合采样，借助 于传递和更新状态信息及参 数信息来搜索状态和参数的 最大联合后验分布似然函数 。细尺度的重要采样能保持 精度，粗尺度的重要采样能 提高运算效率，粗细尺度交 替耦合采样则能有效抑制粒 子的退化现象。本书为深度 学习人工智能并深入研究奠 定坚实的理论基础。 本书适合对大数据、统 计信号处理、数字孪生系统 故障传播根因诊断以及人工 智能研究领域感兴趣的高年 级本科生、硕士研究生、博 士研究生及从事相关领域研 究的科研人员参考阅读。

任勇，博士，教授、博士生导师。1999年创建清华大学电子系复杂工程系统实验室（CESL），并担任主任。主要从事复杂系统理论与方法及其在通信网络与电子系统中的应用的研究工作。承担多项国家自然科学基金研究项目。发表学术论文百余篇，申请发明专利多项。获省部级科技进步奖二等奖2项、三等奖1项，清华大学优秀教学成果奖一等奖1项、二等奖1项，清华大学科技成果转化效益显著奖2项。

第1章 绪论 1.1 粒子滤波定义与扩展概述 1.2 粒子滤波算法性能描述 1.3 粒子滤波及其应用的分类概述 1.4 粒子滤波算法及其应用 1.5 粒子滤波与强化学习结合在数字孪生可靠性估计中的应用 1.6 本章小结 第2章 粒子滤波的基本原理 2.1 概念的介绍 2.2 粒子滤波的引入 2.3 粒子滤波的基本类型 2.4 本章小结 第3章 多尺度粒子滤波算法 3.1 MCMC重要采样方法 3.2 多尺度粒子滤波算法的引入 3.3 多尺度粒子滤波算法的原理 3.4 多尺度粒子滤波目标识别与跟踪算法实现 3.5 多尺度粒子滤波算法的深入讨论 3.6 多尺度粒子滤波对目标跟踪与声源定位仿真 3.7 多尺度粒子滤波算法的总结和性能分析 3.8 本章小结 第4章 多尺度粒子滤波的扩展算法 4.1 扩展算法的前提条件 4.2 多尺度粒子滤波的统计算法 4.3 多尺度粒子滤波的概率矩形区域模型 4.4 粒子滤波在受野值破坏非线性时间序列中的应用仿真 4.5 多尺度粒子滤波的均值漂移算法 4.6 本章小结 第5章 扩展算法在WSN中的应用(Ⅰ) 5.1 WSN概述 5.2 WSN中机动目标状态的估计 5.3 无线传感器网络信道建模分析 5.4 多尺度粒子滤波的EM算法对信道状态的估计 5.5 多尺度粒子滤波的EM算法对记忆信道参数的估计 5.6 多尺度粒子滤波在信道盲估计中的应用 5.7 仿真测试 5.8 本章小结 第6章 扩展算法在WSN中的应用(Ⅱ) 6.1 非高斯噪声无线多径衰落信道的描述 6.2 多尺度粒子滤波对混合高斯噪声系统的特征参数估计 6.3 仿真测试 6.4 本章小结 第7章 粒子滤波复杂应用 7.1 基于Stiefel流形和权值优化粒子滤波在CS中的应用 7.2 基于粒子滤波EM算法应用的典型案例 7.3 时空状态演绎模型 7.4 粒子滤波算法与机器学习结合关键技术 7.5 粒子滤波在强化学习中的应用 7.6 基于粒子滤波联邦学习方法框架的构建 7.7 本章小结 参考文献 附录与难点解析说明 附录1 WSN机动目标跟踪模拟流程图 附录2 SIR滤波算法仿真程序 附录3 多尺度粒子滤波算法及其扩展算法可行性的理论证明与说明 附录4 不完全β函数的定义 附录5 智慧农业感知系统数据分析 附录6 仿真程序与性能进一步分析 附录7 专业术语缩略词表 附录8 部分彩图