利用先验正态分布的贝叶斯网络参数学习

针对贝叶斯网络参数的近似等式约束,提出采用正态分布构建该类约束的数学模型;然后用Dirichlet分布逼近正态分布,并通过目标优化计算Dirichlet分布的超参数;最后采用贝叶斯最大后验概率(maximum a posterior,MAP)估计方法计算网络参数值。在不同样本量的数据集下进行实验测试,将本文方法与其他4种主要方法进行比较,结果表明:该方法的参数学习精度都好于其他4种方法,尤其是在样本量较小的情况下。该方法的运行时间高于其他4种方法,但相同样本量的数据集下,学习精度的提高倍数要高于时间增加的倍数。     

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。     

基于深度学习的空中目标威胁评估方法

针对空中目标威胁评估因素多、现有评估方法缺乏自学习能力的问题，采用深度学习理论建立了空中目标威胁评估的深层神经网络模型。为了提升模型训练的拟合效果，提出采用对称式的预训练方法，逐层地对模型中的隐含层进行预训练，最后对模型进行整体训练。分别通过样本测试集和空空仿真场景进行验证测试，结果表明：采用对称预训练方法，模型的威胁评估准确率高于其他三种预初始化方法；模型具有较好的鲁棒性，在无噪声下准确率大于90%，10%的正态噪声下，准确率大于70%。