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。

贝叶斯网络与模糊理论的移动机器人避障

针对未知环境下的移动机器人避障问题,提出了贝叶斯网络模型和模糊理论相结合的避障方法。首先根据机器人避障的基本情况分类,建立了避障贝叶斯网络模型;在避障过程中,机器人行进的前方[10°, 170°]范围划分为5个区域,依据传感器数据提取不同区域的障碍物目标要素;分别建立障碍物目标的距离和角度属性的模糊隶属函数,将障碍物目标要素的距离和角度信息映射到避障贝叶斯网络模型征兆节点的取值状态上,以获得推理的输入证据;采用贝叶斯网络消息传播的推理方法,计算结果节点的后验概率值,选择后验概率值最大的取值状态,作为移动机器人避障的动作处理结果。通过对避障贝叶斯网络模型的实验测试,及在4种典型仿真场景下的避障测试,结果表明:避障贝叶斯网络模型的推理结果与预期相符,机器人能够安全通过障碍区。