基于DBN威胁评估的MPC无人机三维动态路径规划

模型预测控制(model predictive control, MPC)路径规划算法适用于三维动态环境下的无人机(unmanned aerial vehicle, UAV)路径规划;动态贝叶斯网络(dynamic Bayesian network, DBN)能够有效推理战场态势,对无人机进行威胁评估。针对威胁尾随无人机时的路径规划问题,构建DBN威胁评估模型,将UAV在战场环境中的威胁态势用威胁等级概率表示,与MPC路径规划算法相结合,得到基于DBN威胁评估的MPC UAV路径规划算法。通过多组仿真分析表明,在三维动态环境下,特别是威胁尾随无人机时,基于DBN威胁评估的MPC无人机路径规划算法可以得到有效的无人机路径。     

基于图模型自主优化的多无人机多目标攻击

为在多无人作战飞机(unmanned combat aerial vehicle, UCAV)执行多目标攻击中适时确立决策优化的方向、改变任务优化所需的基本条件,采用图模型中的动态贝叶斯网络(dynamic Bayesian network, DBN)构建了空天威胁体感知模型,提出了基于图模型自主优化系统的分层架构和多UCAV自主协同规划方法。该方法利用数据融合形成的DBN状态转移网络及观测转移网络参数的变化表现复杂空天环境的变化,并充分利用DBN的学习和推理算法,实现了对威胁体的在线动态感知,达到了按照确定原则完成UCAV攻击目标重新分配与航迹协同等任务的目的。仿真结果表明了这种自主优化规划方法的正确性和可行性。     

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。     

基于广义连续时间贝叶斯网络的指挥控制网络系统可靠性分析

指挥控制网络作为典型的复杂网络系统，其可靠性通常可以利用动态贝叶斯网络(dynamic Bayesian network, DBN)来分析。由于DBN并不能很好地解决包含时间和非时间事件的指挥控制网络系统可靠性问题，因此提出一种具有二态条件概率表的广义连续时间贝叶斯网络(generalized continuous time Bayesian network, GCTBN)的建模方法。在此模型的基础上，得到了不同逻辑门的可靠度算法求解，进而针对指挥控制网络系统提出了无线电传播、通信设备以及网络的可靠性分析方法，从而综合地考虑到指挥控制网络执行不同任务的可靠性问题。通过对指挥控制网络可靠性问题的实际案例分析，验证了所提方法的有效性。     

小样本数据缺失状态下DBN舰艇编队防空目标威胁评估方法

针对海上编队防空目标威胁评估过程中样本数据量较少且易缺失、已有评估方法过多依赖专家经验以及难以进行时间序列上动态评估的问题,提出了基于约束参数学习的动态贝叶斯网络(dynamic Bayesian networks, DBN)威胁评估方法。采用AR(p)模型预测时间序列上的缺失数据,从而获得完备的小数据集样本;在此基础上,根据专家经验构建合理的参数约束模型;进一步利用贝叶斯估计进行参数学习;将学习得到的参数代入DBN中,推理求出威胁评估结果;引入效用理论对威胁评估结果进行排序。仿真实验表明该评估方法在小样本数据缺失状态下目标威胁评估的结果合理,准确性高。     

分段平稳变结构DBN模型区域内的结构学习

为解决在有限的样本数据和缺乏先验知识条件下对非平稳随机过程进行建模的问题,提出分段平稳变结构动态贝叶斯网络(dynamic Bayesian network,DBN)的概念。在每一个平稳模型区域内,将模型近似表征为一阶条件独立DBN,稀疏的结构加快了DBN的学习过程。改进了基于标准马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)的DBN结构学习算法,利用自适应增加的马尔可夫链个数,有效防止标准MCMC算法在寻优迭代计算中出现过早收敛。与标准MCMC算法、结构期望最大化算法等进行对比实验,验证了所提算法的有效性。     

态势评估的变结构区间概率动态贝叶斯网络方法

针对以往利用贝叶斯网络进行势评估时,贝叶斯网络结构和参数都是固定不变的不足,为提高态势评估准确性,提出一种变结构区间概率动态贝叶斯网络（variable structure interval probability dynamic Bayesian network, VSIP DBN）进行态势评估的方法。给出了VSIP DBN的定义,推导了其推理的算法,网络结构能够根据态势变化情况进行改变,并给出了结构变化的判断依据,将参数推广为区间概率的形式,同时提出了区间概率参数的学习方法。将VSIP DBN应用于态势评估,在典型作战条件下进行仿真分析,不需要精确给出网络参数,即使出现偶然观测误差,也能够准确地评估出当前空战态势,提高了评估的灵活性。     

基于DBN的飞行保障力量配置辅助决策方法

为弥补机场飞行保障活动中全员出动和比例配置决策方法的不足，构建了基于动态贝叶斯网络(dynamic Bayesian network, DBN)的机场飞行保障力量配置辅助决策模型。在量化保障力量强度的基础上引入隐马尔可夫模型和Hausdorff距离算法，对不同条件下的飞行保障活动进行辅助决策，并定义相关决策评估指标作为模型验证依据。分别对两种情况的机场飞行保障活动进行仿真试验,结果表明，通过决策模型可以生成指标优于传统比例配置的方案，并且可对保障力量缺口补充提供决策支持依据。     

基于MEBN的战术意图识别

战术意图识别是不确定性战场环境中理解战场态势、预测敌军将来行动过程的关键。意图识别模型的构建是作战仿真系统中实体行为建模的难点之一,如何表示不确定的意图元素及其不确定性关系并进行有效推理是意图识别的核心问题。分析了影响敌人战术意图的因素及各因素之间不确定性表示途径,提出了采用多实体贝叶斯网（multi-entity Bayesian network, MEBN）来描述敌人的战术意图,采用一阶谓词来表示意图影响因素,大大扩展了贝叶斯网表示不确定性问题的能力。MEBN采用实体片断集描述敌人的作战知识,方便重用。基于描述的敌人意图知识库,给出了基于知识的模型构建算法来动态构建战术意图识别模型。最后,通过仿真实验,对基于MEBN的战术意图识别方法进行了实验验证,结果表明该方法是有效可行的。     

基于DDBN-Cloud的舰艇编队防空目标威胁评估方法

海上编队防空作战中,针对来袭目标威胁评估过程中不确定性因素较多、观测数据易缺失以及已有评估方法难以考虑动态威胁态势的问题,提出了基于离散动态贝叶斯网络云模型(discrete dynamic Bayesian networks cloud, DDBN-Cloud)的威胁评估方法。通过分析来袭目标特征,构建了目标威胁评估体系;为避免节点威胁属性值在小范围内连续变化所引起的重复计算,采用模糊逻辑理论将体系中的连续型变量转化为离散型变量;针对评估过程中指标数据缺失问题,采用前向信息修补算法进行信息预测修补;采用证据可信度对不确定性节点的先验概率进行赋值,使得贝叶斯网络(Bayesian network,BN)参数更贴合实际;最后,利用云模型将得到的威胁评估概率转化为确定的威胁度,实现由定性概念到定量数值的转化,进行威胁排序;仿真实验表明,该方法适用于目标数据缺失时的动态威胁评估,与静态贝叶斯网络云模型(Bayesian networks cloud, BN-Cloud)法和相对熵排序法相比,其结果更合理,具有一定的实用价值。     

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。     

动态贝叶斯网络与黑板机制结合的协同决策方法

针对信息化战争中重大复杂决策问题,提出动态贝叶斯网络与黑板机制相结合的协同决策方法。以协同防空预警雷达目标识别问题为背景,针对复杂问题协同决策的特点,将动态贝叶斯网络的定量推理能力与黑板机制灵活集成多领域决策者智慧定性推理的能力相结合,提出动态贝叶斯黑板协同决策机制。在概率意义下证明了该方法的有效性,并用仿真试验验证该方法可以较显著地提高协同决策的正确性。     

多域作战下的群目标意图识别与预测

多域作战具有实体多类、队形多变、意图多样等诸多挑战，难以综合利用多元知识，因而主要依靠人工判决，以至于自动化水平不高。为了实现计算机自动推演态势，需要解决知识的图形化建模和意图推理综合两大难题。对此，在空海域管控知识图谱的基础上，搭建了多域作战战术规则库、编队队形与场景态势的映射关系，提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先，运用群内目标实体的状态和事件信息，构建目标作战实体行为推理层。其次，利用综合作战实体的时序规则、双方相对距离及航向等信息，构建同类目标元意图推理层。最后，利用实体序列协作关系及编队队形信息，构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例，验证了所提算法能够获得较为可靠的意图推理结果。     

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。