基于分层贝叶斯网络的计划识别方法

分析了态势估计中计划识别问题。采用分层贝叶斯网络对计划进行分级表示,依据发生的战场事件和目标行为,动态构建分层贝叶斯网络结构,并将其作为证据进行推理。为了解决动态构建贝叶斯网络的推理问题,提出构建虚拟节点的方法,将底层贝叶斯网络的推理结果作为不确定证据,输入到对应的上层网络节点中,以代替该底层贝叶斯网络。最后,文中通过仿真实验,对基于分层贝叶斯网络的计划识别方法进行了实验验证,结果表明该方法是有效可行的。     

基于离散动态贝叶斯网络的辐射源目标识别研究

提出基于离散动态贝叶斯网络模型,对若干可观测的目标特征参数进行综合推理.推导了离散动态贝叶斯网络的推理算法.建立了目标识别的离散动态贝叶斯网络模型.应用图形模式,使得计算量大大简化,降低了实用的复杂性.仿真结果表明,该方法能够将各种目标特征进行综合,使得各种特征及不同时刻的同一特征互相修正补充,克服了依靠单一特征进行目标识别的局限.     

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。     

用于战术意图识别的动态序列贝叶斯网络

针对意图规划过程的层次性和序列性,提出了序列贝叶斯网络(series Bayesian network, SBN)模型,并将动态贝叶斯网络(dynamic Bayesian network, DBN)模型和SBN模型结合起来,构建了动态SBN(dynamic SBN, DSBN)模型进行规划识别,模型的DBN部分用于由特征序列推理元意图,SBN部分用于由序列意图逐层推理父意图。推导了模型的算法,分析了模型在规划识别问题中的表达和推理能力。实验表明,DSBN模型能够有效根据特征序列识别战术意图。     

基于贝叶斯混合概率分布融合的系统可靠性分析与预测方法

针对一般系统可靠性分析与预测方法在处理多层次信息分布不均衡(multi-level & information imbalanced, MLII)系统时的一些局限性,提出了基于贝叶斯推理与信息提取融合的系统可靠性分析方法。该方法通过引入直接先验分布、间接先验分布与融合先验分布的方式,重构了经典贝叶斯推理算法。主要创新性包括提出了基于自更新权重系数的贝叶斯混合算法,该算法可充分利用底层单元的完备数据,自下而上地补偿顶层匮乏的信息,获得较为准确的系统可靠性分析与预测结果。将该方法应用于具有MLII特点的复杂机电系统,分析结果较传统方法有更高的准确性。     

基于时间Dirichlet过程混合模型的在线目标跟踪

针对目标跟踪过程中,可变目标表观的特征数据会发生“分布漂移”的问题,提出一种基于非参贝叶斯多模表观模型的目标跟踪方法.首先,以时间Dirichlet过程为先验分布,把先前估计的目标样本划分为不同的聚集,使得每个聚集表示一类表观,同时,每个表现类被建模为判别式分类器;然后,基于贝叶斯后验推断,权衡先前表观模型的分类误差和拆分聚集的代价,从数据中自主学习表现模型;最后,基于Noisy-OR模型,以贪心(Greedy)策略协同各表观分类器判别出目标.仿真结果表明该方法能较好的跟踪可变目标表观,改善了目标跟踪性能.     

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。     

基于预分类的全极化HRRP模型匹配目标识别方法

全极化三维散射中心模型可准确描述目标的空间几何以及极化特征,已成为目标识别的有效手段之一。针对传统高分辨距离像的匹配算法计算量大、耗时长的不足,提出一种基于预分类的模型匹配目标识别方法,通过目标散射机理分析,对目标进行预分类,减小匹配模型数,然后利用全极化高分辨距离像的散射中心位置与极化信息构造模型匹配函数,实现了目标类别的判定。基于电磁仿真计算数据的识别实验表明,该方法具有良好的目标识别能力,相比于传统方法具有更高的识别正确率以及更低的存储量和计算量。     

双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征，易使得成像结果过稀疏而容易丢失部分弱散射的结构特征，进而影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像精度提升。为实现高精度ISAR超分辨成像，本文采用伯努利-拉普拉斯混合稀疏先验对目标统计特性进行概率建模，利用双层稀疏对目标先验进行统计约束，从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下，通过引入隐变量建模的方式对先验进行分层构建，在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断，降低模型复杂度。为避免繁琐的手动参数调整，实现超参数的自调节，本文对各随机变量建立条件概率依赖模型，并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题，实现相关超参数的统计估计，提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。     

基于D-S证据融合和直觉模糊贝叶斯网络双向推理的景区游客拥挤踩踏故障诊断分析

针对不确定条件下景区游客拥挤踩踏故障诊断问题,本文提出一种新的直觉模糊贝叶斯网络双向推理模型.首先,利用直觉模糊集表示专家对贝叶斯网络节点先验概率信息的模糊语言判断,并基于模糊可能性-概率变换公式,得到不同专家给出的节点先验概率值.其次,运用D-S证据合成规则进行信息融合,得到节点先验概率值.最后,结合贝叶斯网络模型,实现贝叶斯双向推理和重要度分析,并以华山景区为例进行实证分析.研究结果表明,本文方法可有效克服“去模糊化”方法导致的信息损失,为解决不确定环境下故障诊断和贝叶斯推理提供崭新途径.     

雷达特定辐射源识别的直观系统模型

利用Yoyos系统与随机微分几何,对特定辐射源识别问题进行系统建模及数学分析,建立了一种有意义的几何学描述。通过上述模型及分析,指出辐射源个体所辐射信号的瞬时参数中包含具有内蕴性质的指纹特征信息,且由产生信号的辐射源个体的系统低维状态流形决定。提出了一种雷达辐射源指纹特征信息的有效性判据和信号内蕴指纹特征参数。最后通过外场实验数据验证了本文所提出模型及特征的正确性和有效性。     

基于Contourlet域树状系数的自组织神经网络图像分割

为避免小波域隐马树模型分割算法中模型假设的不足,提出用SOM网络作为非参数概率密度函数估计器。用图像轮廓波变换域中的树状数据作为网络输入,以利用图像的几何特征来提高分割效果。由训练好的网络组可以得到待分割图像各个尺度下的条件概率密度函数值,应用最大似然分类准则得到相应尺度下的粗分割。通过多尺度粗分割结果的融合,得到像素级的分割结果。用合成纹理图像、航拍图像和SAR图像进行实验,并与小波域隐马树模型分割方法和基于SOM网络的多尺度贝叶斯分割方法进行比较。对合成纹理图像给出错分概率作为评价参数,实验结果表明所提算法分割效果更优。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

基于搜索策略的通用态势评估方法的研究

在态势状态转换图表示的基础上，提出了一种通用的态势评估搜索策略。该策略将态势评估的整个过程看作为对当前态势路径的识别和搜索过程。在算法中以Bayes分类器识别当前态势发展可能的目标状态，以parzen窗算法对态势各类别的类条件概率密度进行修正，以改进的深度优先算法实现态势图的搜索。在实验中，将其应用于丰满水电仿真系统水轮发电机组的状态评估系统中，经数据对比分析，该算法优于传统的发电机诊断分析方法。     

基于AdaBoost的神经元形态分类的研究

根据神经元形态的几何特征,使用AdaBoost算法对其进行分类,采用决策树、贝叶斯和关联规则分类模型作为基分类器。算法首先采用直接面向纽舍分类器分类精度提升的集成学刁算法选取基分类器,其次利用分类过程中生成样本的孱升权值来调整前K次（K〉1）被错误分类样本的权重,并提留双重阎值法对样本的最终投票表决结果进行判定。对20个测试样本进行分类,得出高可信度分类数为18个。     

基于监督核熵成分分析的发动机磨损故障诊断

针对发动机受工作环境影响,导致油液光谱数据存在大量冗余信息且具有非线性结构,从而影响发动机故障诊断结果的问题,提出监督核熵成分分析(supervised kernel entropy component analysis, SKECA)的特征提取方法;该方法在核熵成分分析基础上引入监督学习算法,提取油液光谱数据的内在几何特征,使提取后的故障特征中包含判别信息,并利用遗传算法(genetic algorithm, GA)寻找参数来优化特征提取的结果,采用支持向量机对故障特征进行分类。结果表明：采用SKECA进行特征提取能够有效提高发动机故障诊断精度。     

基于决策树和BN的自动驾驶车辆行为决策方法

交通环境中存在着众多影响自动驾驶车辆行为决策安全的不确定性因素, 准确并及时地处理不确定性因素对自动驾驶车辆安全至关重要。因此, 建立了以人工驾驶行为分类为基础的贝叶斯网络(Bayesian network, BN)行为决策模型。利用决策树分类算法对人工驾驶行为进行分类, 利用BN建模驾驶环境并生成最优驾驶动作, 此方法既可以及时地分析人类驾驶员行为类别, 又能够充分考虑驾驶场景中的不确定性因素。利用仿真工具PreScan设计仿真实验, 仿真结果表明行为决策模型能够给出安全、合理的自动驾驶车辆行为。     

基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

基于体积分布特征匹配的三维实体网格模型检索

在分析三维网格数据结构的基础上,提出一种基于特定轴向上体积分布特征的三维网格模型检索方法。该方法首先运用主元分析法确定模型的主轴方向,并将模型旋转至特定势态,再以一组等距的平行平面从三个主轴方向对模型进行剖分处理,并计算相应截面多边形的面积,进而得到模型沿不同轴向的体积分布数据,该数据描述了三维模型的几何特征。通过对模型体积分布特征数据进行建库和匹配,可计算出任意两个模型的相似性度量,从而实现了三维网格模型的数据库检索。实验表明,该方法程序运行稳定、快速,可以处理具有任意几何和拓扑复杂性的实体模型。     

人机环耦合效应下卫星天线装配概率风险分析

卫星天线展开机构装配工序复杂，主要依赖人工装调，装配过程中可靠性安全性风险因素众多且相互耦合，直接影响天线装配质量和效率。为此，提出一种基于贝叶斯网络的概率风险评价方法。首先，在全面识别装配过程风险因素的基础上，构建事件树模型，并采用贝叶斯网络建立考虑人机环风险耦合的中间事件可靠性模型。然后，采用人因可靠性等方法进行模型量化与不确定性分析，并开展敏感性分析与风险重要度排序。最后，以某型星载合成孔径雷达(synthetic aperture radar, SAR)天线展开机构为例，说明了所提方法的工程适用性。该方法可为飞船、运载火箭等人机耦合系统的风险分析与量化提供一定的参考。