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。     

基于融合先验方法的贝叶斯网络结构学习

从数据中学习贝叶斯网络结构是一个非确定性多项式困难(non deterministic polynomial hard,NP-hard)问题,当数据样本不充分时难以获得准确的模型,此时利用先验信息是一种有效的途径。但是利用先验信息的过程中如何适应不正确的先验信息,是一个待解决的问题。针对此问题,提出一种融合先验的方法进行贝叶斯网络结构学习,在评分搜索法的两个环节中解决这个问题:第一,提出了新的融合不确定先验信息的评分函数,考虑了先验信息与数据集的权衡。第二,提出了融合不确定先验信息的搜索策略,增强先验信息利用的鲁棒性。所提方法适用于任何启发式搜索。仿真结果表明了所提方法能有效地利用正确的先验信息,而且对错误的先验信息有较强的适应能力。     

基于小样本数据的BP神经网络建模

针对小样本条件下BP(back propogation)神经网络存在预测精度不高的问题,将专家知识融入BP神经网络训练过程中解决此问题.首先BP神经网络通过遗传算法获得最优初始权值和阈值;其次对专家知识进行数学表达;最后通过增广拉格朗日乘子法将专家知识融入BP神经网络训练过程中.利用实际中的结晶动力学问题对所提方法进行...     

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。     

基于改进BIC评分的贝叶斯网络结构学习

引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。     

结合二阶注意力机制的多尺度人体姿态估计

为解决人体姿态估计任务中存在的不同视角下人体实例尺度变化、遮挡问题导致的人体关键点定位不准确问题,提出融入二阶注意力机制的多尺度人体姿态估计网络模型GOS-HRNet。首先,在特征提取阶段为了获得高质量的特征图,通过在多分辨率网络结构中使用Octave卷积,保留更多的图像空间特征信息以提高关键点定位准确率;然后,为有效的利用图像上下文信息,融入二阶注意力模块使网络能更好地学习各分辨率表征的空间信息;最后,为了应对尺度变换对关键点定位的影响采用尺度增强训练方法,提高模型对尺度变化的鲁棒性。所提模型在MS COCO 2017数据集上进行实验,结果表明：所提出的GOS-HRNet模型平均检测精度比HRNet模型提升了2.2%,能够更加准确地利用上下文信息、丰富空间特征信息以提高对关键点定位的准确性。     

基于限制型粒子群优化的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘与知识发现领域的主要研究技术之一,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

针对多空中威胁目标的联合火力协同分配打击策略

威胁评估及火力分配打击是打击决策中的重要环节,战场环境因素的复杂性、不确定性,使得现有的威胁评估算法在进行威胁度计算时考虑的因素不够全面,难以有效支撑火力打击决策环节。因此,本文提出一种考虑、飞行高度、空中运行姿态、行进速度、携弹数量的多空中威胁因素问题模型,基于此模型获取火力协同打击策略。利用本文方法解算出在某一任意环境下,火力系统的最优协同打击策略。通过仿真对比经典粒子群优化算法,本文算法能够更快收敛,验证了本方法的有效性和可靠性。