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。

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。

态势评估的变结构区间概率动态贝叶斯网络方法

针对以往利用贝叶斯网络进行势评估时,贝叶斯网络结构和参数都是固定不变的不足,为提高态势评估准确性,提出一种变结构区间概率动态贝叶斯网络(variable structure interval probability dynamic Bayesian network,VSIP-DBN)进行态势评估的方法。给出了VSIP-DBN的定义,推导了其推理的算法,网络结构能够根据态势变化情况进行改变,并给出了结构变化的判断依据,将参数推广为区间概率的形式,同时提出了区间概率参数的学习方法。将VSIP-DBN应用于态势评估,在典型作战条件下进行仿真分析,不需要精确给出网络参数,即使出现偶然观测误差,也能够准确地评估出当前空战态势,提高了评估的灵活性。

基于变结构离散动态贝叶斯IP网络拥塞链路推理

针对CLINK算法在路由改变时拥塞链路推理性能下降的问题,建立一种变结构离散动态贝叶斯网模型,通过引入马尔可夫性及时齐性假设简化该模型,并基于简化模型提出一种IP网络拥塞链路推理算法(VSDDB)。利用逐次超松弛迭代算法求解链路拥塞先验概率唯一解,基于贝叶斯最大后验准则,借助加权启发式贪心搜索算法推理拥塞链路集合。实验验证了VSDDB算法具有更好的推理性能。

基于DBNs的反导态势评估模型研究

为了实现多导弹攻击下的反导战场态势评估,首先建立了用于单枚导弹态势评估的贝叶斯网络(BN)模块,其次以该模块为基础提出了一种用于反导战场全局态势评估的动态贝叶斯网络(DBNs)模型,并给出变结构DBNs推理算法。仿真结果表明,该模型对来袭导弹的数目以及拦截成功与否等事件描述准确且迅速,可以满足多导弹攻击下的态势评估要求,并能够为反导指挥作战提供决策支持。

一步预测的SVDDBN缺失数据插补算法

变结构离散动态贝叶斯网络(SVDDBN)处理不确定性问题更具有一般性,为了克服SVDDBN缺失数据会导致推理结果精度变差的问题,提出了一步预测的SVDDBN缺失数据插补算法。根据信息可以沿着网络的时间轴方向向下一个时间片传播的规律,利用"混合"信息在线进行信度更新,可得到滤波值,再通过进一步预测得到下一个时间片缺失数据节点的后验概率作为插补值。仿真结果表明:提出的算法能有效插补缺失数据,提高SVDDBN推理的精确度及可靠性。

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法 .不同于静态神经网络自适应控制 ,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系统 ,而不是动态系统中的非线性分量 .系统的控制律由神经网络系统的动态逆、自适应补偿项和神经变结构鲁棒控制项组成 .神经变结构控制用于保证系统的全局稳定性 ,并加速动态神经网络系统的逼近速度 .证明了动态神经网络自适应控制系统的稳定性 ,并得到了动态神经网络系统的学习算法 .仿真研究表明 。

单元化单隐变量变结构DDBN推理算法

变结构动态贝叶斯网络(DBN)描述的是一个非稳态随机过程,是一种更灵活、更有效的动态网络。为了克服现有变结构DBN的推理算法不能实现在线推理的缺陷,提出了一种近似在线推理算法——单元化单隐变量变结构离散DBN(DDBN)推理算法。在定义了单隐变量变结构离散动态贝叶斯模型和单元的基础上,提出了算法的基本思想,并从理论上对算法进行了推导。仿真实验验证了该算法的正确性和有效性。

威胁联网环境下的无人机突防路径决策

为了实现威胁联网环境下的无人机(UAV)突防路径决策,提出一种基于变结构离散动态贝叶斯网络(SVDDBN)的突防路径决策模型。根据无人机穿越探测威胁的方式和火力威胁的响应方式建立决策模型,运用基于自适应参数的变结构离散动态贝叶斯网络推理算法得到路径决策结果。仿真结果表明,该方法可以满足在威胁联网条件下的路径决策需求,为无人机突防提供了一种新思路。

基于时间窗的SVDBN近似推理算法研究

变结构动态贝叶斯网络(SVDBN)在处理非稳态过程的不确定问题具有其独特的优越性。为克服SVDBN推理算法不能实现在线推理的缺陷,在引入SVDBN的时间窗和时间窗宽度概念基础上,阐述了基于时间窗的SVDBN在线近似推理机制,提出了2种在线近似推理算法,即基于时间窗的变结构离散动态贝叶斯网络(SVDDBN)递推推理算法和基于时间窗的SVDDBN快速推理算法。通过仿真实验验证了这2种算法的有效性,并从复杂度、适用范围及更新时间等方面进行了比较。

具有传递变量的动态贝叶斯网络结构学习

针对现有学习方法对完全时间不对称数据的动态贝叶斯网络学习不具有实用性,提出一种借助传递变量进行完全时间不对称数据的动态贝叶斯网络结构学习方法.首先进行相邻时间片间的传递变量序列学习;然后,基于节点排序和局部打分-搜索,进行动态贝叶斯网络局部结构学习;最后通过时序扩展得到整个动态贝叶斯网络结构.

配电网运行风险的动态评估组合模型

现有配电网风险评价中普遍存在专家评价主观性强和无效数据处理不严谨2个现实难点,据此提出一种基于BP神经网络—动态贝叶斯网络的配电网运行风险预警模型。首先运用BP神经网络集进行评价属性的训练和测试,避免了模糊综合评价中指标权重设置和指标专家评价值主观性强的问题;其次将多组BP神经网络的输出进行融合处理,剔除差异性较大的观测数据,最后将部分数据缺失的时间片观测值矩阵作为变结构动态贝叶斯网络的输入,对指标隶属度在时间序列上的动态演化进行分析,达到对配电网运行风险动态评估预警的目标。在实例分析中,通过该模型与模糊综合评价方法的评价结果进行对比,证明了该模型有效可行。