提出一新的非参数贝叶斯推理算法来辨识任意复杂的多模噪声分布,采用无穷维推理技术,能够较为精确地逼近噪声的后验分布。算法主要引入一随机度量分布满足一预设的先验过程——混合Dirichlet过程(Dirichlet Process Mixture,简称DPM),由于DPM具有形似于Polya urn的采样特性,能够很方便地对噪声数据进行聚类,并导出噪声的后验分布。仿真结果显示,噪声数据似然的Metropolis-Hastings(M-H)的采样算法比点估计的系统分析算法精度高。
针对线性动态系统在复杂噪声环境中的不确定性的传递问题,提出了用块采样推理方法逼近状态和噪声的后验分布.该方法在时序采样中,样本在基于条件独立性准则下可一次性更新,这通常比单独更新来得简单和有效.通过引入Dirichlet过程混合模型(Dirichlet Process Mixture,DPM),能够较方便地获得马尔科夫链式样本.结合卡尔曼平滑技术,使块采样算法能够在分布空间逼近基础上取得较高的精度.仿真结果显示,块采样平滑算法具有较好的效果.
