目标数据缺失下离散动态贝叶斯网络的参数学习

离散动态贝叶斯网络参数学习的难点在于:隐藏节点的片间转移概率获得及观测数据发生不同程度缺失。针对上述问题,提出基于目标缺失数据估计的前向递归参数学习算法。该算法利用离散动态贝叶斯网络中各观测变量与隐藏变量之间的对应关系,采用支持向量机建立观测变量间的非线性函数关系完成缺失数据估计,此基础上利用完整数据集和前向递归算法完成片内和片间参数更新。以空中目标识别为仿真背景,通过与期望最大算法对比,验证了该算法的学习效率和精度两个方面的优势。

基于动态贝叶斯网络的空战决策方法

针对无人机高强度空战对抗问题,开展智能决策方法研究。分析了目前无人机空战决策方法的研究进展,总结了影响空战决策方法适用性的主要原因。针对空战决策的实时性和不依赖飞机运动学模型的需求,提出了基于DBN的无人机空战决策模型。综合分析无人机可以获得的机载传感器和情报信息,从中提取出影响无人机机动决策结果的态势因素,依据各因素间的因果关系,建立了无人机空战决策模型的网络拓扑结构。阐述了网络模型有向弧条件概率表、决策节点状态转移概率的设计思路。设计了网络决策模型的前向递归推理算法,并进行了算法复杂度分析,分析表明算法时间复杂度在可接受的范围内,能够满足工程应用的要求。最后,开展典型战场态势下的单机对抗仿真实验。仿真结果验证了决策网络的适用性以及推理算法的收敛性和实时性,表明动态贝叶斯网络空战决策模型提高了无人机机动决策的有效性和灵活性。