复杂环境下的无人机任务决策模型

为实现不确定环境下无人机(unmanned aerial vehicle, UAV)自主动态任务决策,提出一种基于变结构离散动态贝叶斯网络(structure-varied discrete dynamic Bayesian network, SVDDBN)的任务决策模型。该模型由威胁等级评估、目标价值评估和态势优势评估三部分组成,在此基础上可完成突变过程建模。根据以上三部分的评估结果,运用变结构离散动态贝叶斯网络推理算法得到当前时刻的任务决策。仿真结果表明,给出的决策模型满足突发威胁下的任务决策需求。     

变结构离散动态贝叶斯网络及其推理算法

目前的动态贝叶斯网络的研究,是定义在每一个时间片的静态贝叶斯网络结构和参数都一致的基础上,对于过程突变,参数变化等情况就难以适应.为了解决这个问题,提出变结构离散动态贝叶斯网络的概念,并根据概率和动态贝叶斯网络的理论,推导出变结构离散动态贝叶斯网络的推理方法,对算法进行了验证并结合环境变化时的路径选择问题,进行了计算仿真.计算和仿真结果证明了文章提出的变结构离散动态贝叶斯网络的概念和推理算法的正确性.     

变结构离散动态贝叶斯网络参数的自适应产生

变结构离散动态贝叶斯网络及其推理算法解决了对突变过程的建模和定性推理问题,但是环境突变是随时发生而且无法预计,由此网络结构发生变化后,网络参数必须自适应产生.针对此问题,依据贝叶斯网络的原理,定义了相关节点和最偏好状态的概念,提出了变结构离散动态贝叶斯网络参数的自适应产生算法,并将此算法应用于解决飞行器突发威胁情况下的航路选择问题,取得了满意的结果,验证了所提出的变结构离散动态呗叶斯网络参数的自适应产生算法是可行的,有望解决变结构离散动态贝叶斯网络参数的自适应产生问题.     

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。     

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。     

基于贝叶斯优化构建DBN结构优化算法

针对动态贝叶斯网络(DBN)结构学习问题,提出了一种基于贝叶斯优化(BOA)的DBN结构寻优算法。首先,从传统进化优化机制的基本理论和基本操作入手,刻划了基于概率模型进化算法的基本思想。其次,通过描述基于概率模型进化算法的构图基础,引出了DBN结构学习机制,即基于BOA的DBN结构寻优算法。BOA算法的关键是根据优良解集学习得到DBN,以及根据DBN推理生成新个体,前者更为重要,依据基于贪婪机理的遗传算法解决动态网络学习,再应用DBN前向模拟完成后一步。仿真结果表明了该算法的可行性。     

基于贝叶斯网络自适应推理的无人机任务决策

针对不确定环境下无人机任务决策问题, 提出一种基于变结构离散动态贝叶斯网络的自适应推理算法. 该算法能够利用软/硬证据和先验信息动态地调整任务决策模型参数, 通过推理和参数学习互动的方式使任务决策模型具备适应动态环境的能力. 仿真证明, 提出的自适应推理算法能够在突发威胁信息不完备、先验参数不精确和先验参数无认知的情况下为无人机任务决策提供保障.     

贝叶斯网络推理的一种仿真算法

贝叶斯网络是一种强有力的不确定性知识表达和推理工具。网络的推理是贝叶斯网络的重要内容之一。该文提出了一种近似仿真算法。由随机数发生器产生随机数，并按节点的先验概率，由赌轮对网络各个节点状态赋值，得到一个采样样本序列。当样本序列的数量足够大时，边缘统计量和条件统计量与节点的边缘概率和条件概率接近，从而得到网络的近似推理结果。仿真结果表明，该算法与精确解接近，有较好的适应性。基于该算法构造的贝叶斯诊断网络系统已成功应用于天津石化炼油厂。     

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。     

贝叶斯网络推理算法综述

贝叶斯网络是一种有效的不确定性知识表达和推理工具,概率推理是其重要研究内容之一。经过二十年的发展,贝叶斯网络已经有一些比较有效的精确和近似推理算法。对迄今为止的贝叶斯网络推理算法研究进行综述,从复杂度、适用性、精度等方面对它们进行比较分析,指出每种算法的关键环节,为实际应用中算法选择和研究提供参考。     

广义隐马尔可夫模型的快速前向后向算法

动态贝叶斯网络是解决非线性动态系统不确定性推理问题的一个重要工具。通过对改进前向后向算法计算方式的改变,提出了一种快速前向后向算法。不仅从理论上推导了快速前向算法、快速后向算法,并且将这两种算法结合推导出快速前向后向算法。由复杂度分析可知,提出算法的复杂度较低,仿真实验验证了快速推理算法的正确性和推理的高效性。     

基于贝叶斯网络的编队对地攻击损伤评估研究

随着武器的高科技化、战场环境的复杂化、战斗节奏的加快,战斗损伤评估系统在现代战争中占有越来越重要的地位。针对战场战斗损伤评估信息的多样性、不确定性和模糊性,基于贝叶斯网络易于进行不确定性推理的优点,提出应用贝叶斯网络对对地攻击效果进行分析评价,建立了编队对地攻击损伤评估的贝叶斯网络模型,给出了基于贝叶斯网络的损伤评估的推理决策方法,并且对该方法进行了仿真分析。仿真实例表明,基于贝叶斯网络的损伤评估模型能够提高损伤评估的准确度,而且推理简单,易于实现。     

DBN结构学习度量分解性能分析

针对动态贝叶斯网络(DBN)结构学习中涉及的度量分解问题,提出了DBN度量分解后的相关性能。首先,细化了DBN的贝叶斯信息度量(BIC)及贝叶斯-狄里克莱(BD)度量公式,通过表达式的分析,讨论了分解后的相关性质,进而提出了由分解公式提供给DBN结构学习的相关性能。其次,通过设计的性能分析仿真实验,验证了提出的若干设想,即将BN结构学习算法移植到DBN结构学习的可行性及分解降低算法复杂度等问题,并提出了寻找DBN快速结构学习算法的有效思路。     

基于PA的卫星网络动态带宽分配在线算法及仿真

为解决卫星网络带宽分配问题,基于离散事件动态系统理论中的PA方法,提出了一种在线算法.该算法把动态带宽分配问题描述为约束优化问题,以一次计算机仿真的数据为基础,通过PA方法求出网络平均延时相对于分配带宽的梯度,以优化网络平均延时为目标,构造带宽约束条件下的迭代公式,在线地分配带宽,有效解决了一般计算机仿真中需要进行多次重复仿真而导致的大量机时问题,克服了一般算法须假定信息流的统计特性的限制.仿真结果表明,该算法能明显改善网络的平均延时性能.