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。     

基于数据修补DDBNs的空中目标识别方法研究

简要分析了离散动态贝叶斯网络用于目标识别时对缺失数据处理方法的研究现状,提出了把数据修补技术用于变结构离散动态贝叶斯网络。首先在对空中目标识别模型分析的基础上,构建了一种基于数据修补的离散动态贝叶斯网络模型。进而构建了修补算法的数学模型,并给出了修补过程。待缺失数据修补完整后,再运用修正后的直接推理算法计算目标类型。通过仿真结果对比,表明该方法可以有效地提高识别系统的准确性、可靠性和鲁棒性。     

突防任务中的单机对多目标干扰决策

针对单机多目标的突防任务,提出了包括干扰时机选择、干扰样式选择以及干扰功率分配的干扰决策策略。在给出干扰时机和干扰样式的模型后,重点分析了干扰功率分配的方法,采用贝叶斯推理算法,构建空战威胁等级评估模型,计算出多个目标的不同威胁权值,最终给出基于威胁等级评估的干扰功率分配方法。仿真结果表明,该方法能充分利用有限的干扰资源,有效地降低敌方威胁,提高载机的突防概率。     

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。