基于动态贝叶斯网络的动态故障树分析

针对传统的动态故障树Markov链分析方法的不足,研究了优先或门、顺序相关门、功能相关门、存在公共备件的备件门和层叠功能相关门向动态贝叶斯网络的转化方法以及基于动态贝叶斯网络的顶事件概率、重要度等计算方法.用该方法对心脏辅助装置进行了分析,通过与Markov链、离散时间贝叶斯网络分析的结果比较表明,基于动态贝叶斯网络的建模分析方法可以有效地避免组合爆炸,而且能够保证较高的求解精度.     

基于贝叶斯网络的概率安全评估方法研究

针对传统的事件树/故障树分析方法的局限性,提出了基于贝叶斯网络的系统概率安全评估方法.该方法采用了一体化的建模思想,将故障树和事件树转化为贝叶斯网络进行分析,不仅可以得到常用的安全性分析结果,还可以得到其他有用的信息,非常便于推理和诊断.而且该方法还可以处理多态、相依、非单调和非确定性逻辑关系,有很强的适用性.通过1个油井平台瓦斯泄漏实例说明了该方法的有效性,并与传统的故障树/事件树分析方法和基于二元决策图的分析方法进行了比较.     

贝叶斯网络在可靠性分析中的应用

针对故障树分析方法在可靠性分析中的局限性,研究了贝叶斯网络在可靠性分析中的应用,给出了故障树向贝叶斯网络转化的方法,以及基于贝叶斯网络求解顶事件发生概率、最小路集、最小割集和底事件重要度的算法.最后对大亚湾核电站紧急停堆失效进行了分析,并与故障树分析的结果进行了比较,结果表明,基于贝叶斯网络的建模分析方法可以得到更丰富的信息.     

基于贝叶斯网络的路网脆弱路段识别模型

界定了路网脆弱性的内涵,提出了基于贝叶斯网络的路网理论分析框架,应用贝叶斯网络的双向推理技术定量地分析B每个路段对路网系统整体故障影响的大小,并在此基础上,分别基于故障树和最小路集构建了路网脆弱环节识别的贝叶斯网络模型;最后,通过实例说明利用贝叶斯网络方法识别路网脆弱环节的具体步骤。研究结果表明,该方法可以快速、有效地识别路网的脆弱环节,为路网问题的解决提供决策支持。     

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络，提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布，形式化各种各样的信息，结合贝叶斯方法，执行贝叶斯网络的持续学习过程；采用指数寿命型的连接权值改进径向基神经网络，优化输入数据，提高计算速度；采用改进的遗传算法，实现神经网络的动态自适应。基于上述方法，实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。     

证据理论与贝叶斯网络相结合的可靠性分析方法

针对可靠性分析中存在的认知不确定性问题,将证据理论引入到贝叶斯网络。给出了存在认知不确定性时故障树向贝叶斯网络的转换方法,以及基于信任测度和似然测度求解顶事件发生概率的方法。研究了三种重要度的求解方法,同时提出了一个重要概念--认知重要度,给出了其实际意义和计算方法。最后,运用所提出方法对某导弹发动机进行了可靠性分析,结果表明,该方法增强了贝叶斯网络处理不确定性信息的能力,简单有效且可以得到更丰富的信息。     

无陀螺捷联惯导系统中加速度计动态误差分析及补偿

无陀螺捷联惯导系统中,加速度计直接固定在载体上,所以其动态误差对系统精度有显著影响.首先,建立了加速度计动态误差数学模型,给出了动态误差对于九加速度计系统角速度解算的影响,然后,结合三轴转台模型及测试原理,通过网络结构简单、收敛速度快而不存在局部极小值问题的线性神经网络一次性标定了加速度计所有动态误差系数,最后对动态误差标定及补偿结果进行了仿真.仿真结果表明,标定系数的精度随着三轴转台转速的提高而提高,误差标定并补偿后角速度解算精度得到了明显改善.     

离散动态贝叶斯网络的直接计算推理算法

离散动态贝叶斯网络是对动态过程进行建模和定性推理的有力工具。但是目前所用的各种推理算法都需要进行复杂的图形变换,不易于计算机编程实现而且计算时间长。为此,基于概率论和贝叶斯网络的基本性质,提出了离散动态贝叶斯网络的直接计算推理算法,从理论上对算法进行了推导并进行了实例验证。该算法的最大优点就是不需要复杂的图形变换,非常适合于计算机编程实现,而且在某些情况下推理速度快于其它算法。     

基于故障树分析的鱼雷可靠性评定方法

针对鱼雷系统特点,建立了基于故障树分析的系统可靠性评定模型,该模型除了可克服常规金字塔式可靠性评定方法所存在的缺陷外,还可更直观、直接地反映系统功能结构及故障状态,适用于含重复单元、非串联或非并联的各种复杂系统。重点研究了故障树分析的贝叶斯近似评定方法,并对鱼雷系统进行了可靠性评定实例分析,结果表面所提出的基于故障树可靠性评定方法较传统可靠性评定方法更方便、更直观。     

基于IFTBN的不确定性时间推理方法

针对模糊贝叶斯网络模型对复杂不确定性时间信息描述和推理方面的局限性,给出了直觉模糊贝叶斯网络的定义,并将直觉模糊时序逻辑理论与贝叶斯网络推理相融合,构建了直觉模糊时间贝叶斯网络(intuitionistic fuzzy time Bayesian network, IFTBN)模型,提出了基于IFTBN的不确定性时间推理算法,较好地解决了态势估计中不确定性时间推理精度不高的问题,提高了军事态势评估系统形成正确战场感知的作战效能。最后通过典型实例验证了该时间推理方法的有效性和优越性。     

基于RS-DBN的电子对抗目标清单生成方法

由于电子对抗作战目标类型和工作方式多样, 变化速度快, 有效信息难以充分获得, 且在不同作战阶段呈现出不同特点, 使用传统评估方法难以对其等级排序实施精确评估。对此, 提出一种基于随机集的动态贝叶斯网络电子对抗目标等级评估方法。首先，对电子对抗作战目标清单生成方式进行梳理, 确定了评价指标体系, 并根据作战阶段的变化特点，结合动态贝叶斯网络完善了评价体系。然后, 充分考虑作战过程中数据获取不完整的特点, 通过引入随机集方法将传统贝叶斯网络的节点参数求解方法进行拓展, 使用区间数学的思想得到了较为准确的动态贝叶斯网络节点参数。最后，进行了案例仿真计算和结果分析, 并对节点概率确定方法进行算法复杂度讨论。结果表明，所提方法更加适合样本不完整的军事评估问题, 评估结果与实际作战基本一致, 使用的算法具有高效性、适用性和推广性。     

基于改进四元数阻尼误差模型的SINS初始对准算法

针对传统捷联惯导系统(strapdown inertial navigation system, SINS)四元数非线性误差模型存在坐标系不一致的问题, 对姿态误差模型和速度误差模型进行改进, 将误差矢量统一投影至计算导航坐标系下。此外, 引入全球定位系统阻尼信息, 在阻尼SINS解算基础上, 结合四元数无迹估计器提出了一种改进四元数阻尼误差模型对准算法, 可应用于系泊状态下的SINS初始对准。仿真和车载试验结果表明, 在不同的大失准角下, 该改进算法相比传统四元数阻尼误差模型对准算法和欧拉角阻尼误差模型对准算法, 具有更好的对准精度、收敛速度以及稳定性。     

基于广义近似消息传递的快速DOA估计方法

针对稀疏恢复类波达方向(direction of arrival, DOA)估计算法中计算复杂度高的问题, 提出了一种基于广义近似消息传递(generalized approximate message passing, GAMP)方法的稀疏贝叶斯学习算法。该算法在现有双基地无源雷达系统模型基础上, 构建了多快拍下的GAMP信号统计模型, 将高维联合后验概率密度的计算简化为标量运算, 提高了算法的计算效率。对于离网目标, 利用梯度下降方法推导了角度空间网格更新策略, 进一步提高了角度估计的精度。仿真结果表明, 该算法在有限快拍、低信噪比情况下, 估计精度较高, 计算复杂度较低, 适用于实时性要求高的应用场景。     

基于深度神经网络的航班保障时间预测研究

航班地面保障时间预测是提高机场运行保障效率和决策能力的关键问题之一。考虑到服务流程的复杂性和特殊性,建立了航班地面保障资源到位时间的高斯概率模型,提出了一种基于深度神经网络的航班地面保障时间预测模型,并根据保障数据规律性变化调节模型参数,减小不确定性因素产生的泛化误差。研究结果表明,单航班预测结果的平均绝对误差比多航班小4.479 min,模型评价分数达到了94.608,且预测精度比传统BP神经网络和贝叶斯网络方法高3%~5%。     

飞行器动力学信息辅助MEMS惯导系统

使用微机械电子(micro electro mechanical systems, MEMS)惯导系统(inertial navigation system,INS)的飞行器由于其MEMS惯性器件测量精度低,致使导航误差快速发散。针对该问题,提出了一种利用飞行器动力学(aircraft dynamics, AD)信息辅助MEMS惯导解算的方法。〖JP2〗它基于AD建立的飞行器运动模型和运动误差模型,利用实时解算的飞行器运动状态构建卡尔曼滤波器对MEMS惯导误差进行估计和修正。在此基础上,进一步考虑了INS/全球定位系统(global positioning system,GPS)组合导航时该方法的改进算法,提出了一种利用GPS定位信息和预测滤波器对飞行器动力学模型误差估计的方法。最后的半实物仿真实验结果表明,飞行器动力学信息辅助滤波器可以有效地减小系统误差,提高 MEMS惯导系统输出精度。     

装备体系多阶段任务可靠性高效解析算法

体系作战任务可靠性的实时评估是未来作战的必然要求。为了实时计算装备体系多阶段任务可靠性,基于k/n(G)表决模型,设计了一种考虑冗余的可靠度高效解析算法。在体系结构分析及任务概述基础上,建立了冗余故障树以及由冗余故障树转化的二元决策图(binary decision diagram,BDD)模型。针对传统可靠性解析计算算法复杂度高的问题,本文利用递归算法改进了k/n(G)表决模型的计算过程,提高了计算效率。以航空装备体系远程目标打击任务为例,数值计算表明,本文的改进解析算法有效得出了体系多阶段任务可靠度计算结果,且相比传统算法运算效率得到显著提高,有利于应用到体系作战任务可靠度实时计算评估,指导任务统筹和规划。     

基于非监督贝叶斯学习雷达性能指标动态评估

针对传统雷达性能指标评估方法相对“机械”、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型。考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立分层贝叶斯模型,从而保证雷达性能指标后验概率密度函数的可解性。此外,为了保证后验概率密度函数的闭合解析解,应用变分贝叶斯期望最大化(variational Bayesian expectation maximization, VB-EM)方法,基于高斯-赛德尔迭代策略分别计算性能指标及其超参数的后验概率密度函数。最终,利用后验概率密度函数计算结果,可获得相应性能指标解析估计值及其置信区间和置信度,从而实现对指标动态变化的解析指示。相比传统蒙特卡罗评估方法,所提方法仅需一次实验数据便可获得定量的、解析的指标评估结果,可以大大缩减评估成本,提升评估效率,同时可对指标动态变化给出定量指示。应用仿真数据对雷达定位、测高精度以及目标检测概率指标进行了验证,相比传统方法,评估处理增益获得了有效提升。     

基于多参数稳定分布的GBAS垂直保护级计算

针对全球导航卫星系统(global navigation satellite system, GNSS)的地基增强系统(ground based augmentation system, GBAS)的完好性评估过程中, 使用误差包络理论计算保护级(protection level, PL)时, 误差模型存在的“厚尾”“不对称”“非零均值”等问题, 提出了基于稳定分布的误差包络理论。首先给出了高斯包络理论计算PL的模型; 其次推导了两参数与四参数稳定分布误差包络算法; 最后使用仿真数据和通过实验测得的数据, 对多参数稳定包络模型的算法进行评估。结果表明多参数稳定包络法在相似的计算复杂度下, 解决了高斯包络法建模时过于保守的问题, 显著提高了保护级计算的精确性。     

Research on the self-defence electronic jamming decision-making based on the discrete dynamic Bayesian network

The manner and conditions of running the decision-making system with self-defense electronic jamming are given.After proposing the scenario of applying discrete dynamic Bayesian network to the decision making with self-defense electronic jamming,a decision-making model with self-defense electronic jamming based on the discrete dynamic Bayesian network is established.Then jamming decision inferences by the aid of the algorithm of discrete dynamic Bayesian network are carried on.The simulating result shows that this method is able to synthesize different targets which are not predominant.In this way,various features at the same time,as well as the same feature appearing at different time complement mutually;in addition,the accuracy and reliability of electronic jamming decision making are enhanced significantly.