基于贝叶斯网络的火力威胁等级评估算法

简单介绍贝叶斯网络及其在建模过程中的核心内容.研究以贝叶斯网络及其推理机制为基础的威胁等级评估算法,建立基于该算法的元人机火力威胁叠加情况下的威胁等级评估模型.最后通过实验仿真验证算法的有效性,能对无人机火力威胁等级做出较准确的评估.     

战术辅助决策系统中的态势评估问题研究

从感知、评价、决策的认知过程研究了现代军机战术辅助决策系统结构、组成和功能，并对态势评估和任务规划两个关键子系统进行了研究，提出了基于黑板知识库系统的态势评估实现结构。重点研究了基于贝叶斯网络和模糊逻辑技术的战场威胁评估算法，首先采用贝叶斯网络对威胁源的威胁级别进行评估，在此基础上，采用模糊逻辑对各威胁源的相对重要性程度进行综合评估。仿真结果表明了该评估算法的有效性，提高了决策的自动化和智能化程度。     

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。     

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Stacking策略的集成BN网络目标威胁评估

现有基于贝叶斯网络的威胁评估采用专家经验确定的朴素结构,其推理评估结果精度欠佳。为此,提出一种融合专家经验与数据观测的基于Stacking策略的集成贝叶斯网络(ensemble Bayesian network, EBN)。首先使用不同搜索空间内的评分优化算法获得数据观测模型集并进行模型平均;然后使用专家经验朴素模型对平均网络进行修剪,形成威胁约束集合;最后以动态规划为基础,通过该集合限制节点序图扩展,以求取全局最优威胁评估网络。在作战想定中,EBN模型单目标威胁概率推理精度比朴素贝叶斯模型高出10%,在多目标威胁排序任务中,其Spearman系数分布亦优于朴素模型。     

自主飞行器扩展态势评估方法研究

自主飞行器在高度不确定环境下执行复杂作战任务,必须同时兼顾任务完成、战略生存和飞行安全进行自主决策。行为能力等级定量反应了平台健康状态和生存、作战能力,是自主决策的前提和依据,战场威胁级别则反应了外部环境的影响。给出了扩展态势评估的定义,研究了基于贝叶斯网络与模糊逻辑的评估算法,建立了评估模型,构建了自主决策算法,依据扩展态势评估结果进行自主决策,仿真并分析了评估和决策结果,表明方法的有效性。     

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。     

基于离散模糊动态贝叶斯网络的空战态势评估及仿真

自动准确地进行空战态势评估是无人作战飞行器（UCAV）自主作战，或有人作战飞行器（MCAV）的辅助作战决策系统必须解决的技术，也是进行威胁评估和战斗决策的基础。为了解决空战态势评估的建模和实现问题，提出了用模糊动态贝叶斯网络实现空战自动态势评估的方法，推导了离散模糊动态贝叶斯网络的推理算法，建立了空战白动态势评估的离散模糊动态贝叶斯网络模型，并进行了仿真验证。仿真结果表明，依据离散模糊动态贝叶斯网络所建立的空战态势评估模型，能够准确地跟踪战场态势的变化，及时发现态势的转换边界，而且在观测值出现偶然误差或者错误时，仍然可以给出正确的评估结果。     

基于混合贝叶斯网的空域目标威胁评估方法

针对空域目标威胁评估既需要综合考虑离散型变量和连续型变量影响,又需要具有不确定性推理能力的特点,建立了一种基于混合贝叶斯网的空域目标威胁评估模型。提出了结合主观经验和客观历史数据进行连续型网络参数学习的方法,提高了决策模型定量描述问题域中变量间依赖关系的准确性。运用团树传播算法进行空域目标威胁评估模型推理,仿真结果验证了该方法的有效性。     

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。     

模糊情形下基于贝叶斯网络的可靠性分析方法

确定性的可靠性分析方法在描述模糊情形下的逻辑门与事件时表现出了局限性.为能在模糊情形下进行可靠性分析,利用贝叶斯网络对不确定性问题具有良好描述能力和推理能力的特点,提出一种基于贝叶斯网络的可靠性分析方法.该方法在采用贝叶斯网络进行系统可靠性建模基础上,提出了一个重要的概念:置信割集;并给出了计算强割集的算法.这种基于贝叶斯网络的可靠性分析方法能较好地刻画系统中存在的模糊性,丰富了割集理论,使可靠性分析更加接近实际.最后,举例说明了算法的有效性.     

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。     

基于多尺度贝叶斯网络的SAR图像分割

提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达（synthetic aperture radar, SAR）图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播（belief propagation, BP）算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率（maximum a posteriori probability, MAP）,实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。     

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。     

贝叶斯网络增强型多模型AUV组合导航算法

针对复杂环境下自主水下航行器(autonomous underwater vehicle,AUV)组合导航系统中存在噪声不确定或者易发生变化的情况,提出一种贝叶斯网络增强型交互式多模型(interactive multiple model filter based on Bayesian network,BN-IMM)滤波算法。该算法在多模型估计基础上,引入特征变量,并根据变量与系统模型之间存在的因果关系建立贝叶斯网络;利用贝叶斯网络参数修正多模型估计中的模型切换概率,能够降低多模型算法中真实模式识别对先验知识的依赖性。该算法能够解决交互式多模型(interactive multiple model,IMM)算法中模型转换存在滞后、模型概率易发生跳变等问题,增强多模型算法的自适应能力。以陀螺和加速度计的输出作为特征变量建立贝叶斯网络,对AUV组合导航系统进行仿真,结果表明所提出的BN-IMM算法相比于传统的IMM算法能够显著提高机动状态时模型转换速度和估计精度。     

基于单调性约束的离散贝叶斯网络参数学习

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。     

Clustering routing algorithm of wireless sensor networks based on Bayesian game

To avoid uneven energy consuming in wireless sensor networks, a clustering routing model is proposed based on a Bayesian game. In the model, Harsanyi transformation is introduced to convert a static game of incomplete information to the static game of complete but imperfect information. In addition, the existence of Bayesian nash equilibrium is proved. A clustering routing algorithm is also designed according to the proposed model, both cluster head distribution and residual energy are considered in the design of the algorithm. Simulation results show that the algorithm can balance network load, save energy and prolong network lifetime effectively.     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于分层贝叶斯模型的稳健参数设计

针对双响应曲面模型的参数不确定性、参数之间的层次结构以及模型的异方差问题,结合分层贝叶斯建模方法提出一种新的均值-方差双响应曲面模型,并在此基础上运用所提方法实现了产品/过程的稳健参数设计。首先,建立分层贝叶斯模型,并获得参数的后验分布;其次利用Gibbs采样获得参数估计值,在此基础上构建质量损失函数,并采用遗传算法对质量损失函数进行优化求得可控因子的最佳设计水平;最后,从模型具有同方差和异方差两种情形出发,结合具体实例分别采用普通最小二乘、加权最小二乘及分层贝叶斯建立双响应曲面模型进行了比较分析,验证了所提方法的有效性。