排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
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。 相似文献
4.
5.
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。 相似文献
1