态势估计中一种基于贝叶斯估计的统计时间推理方法

统计时间推理是态势估计中的一个重要组成部分。Ｋｉｒｉｌｏｖ的基于极大似然估计（Ｍａｘｉ－ｍｕｍＬｉｋｅｌｉｈｏｏｄＥｓｔｉｍａｔｉｏｎ，ＭＬＥ）的推理方法将未知时间变量看作常数，估计方差较大。文中建立的已知时间信息和未知时间变量之间的关系模型，将未知时间变量扩展为随机变量，将贝叶斯估计（ＢａｙｅｓＥｓｔｉｍａｔｉｏｎ，ＢＥ）引入时间推理。经过对两种推理算法的性能进行分析和比较，发现在一定范围内，基于ＢＥ的方法性能优于基于ＭＬＥ的方法。

态势估计中基于假设检验的统计时间推理方法

在战场态势估计中，常常需要判断事件发生的时间顺序，而对事件发生时间的观测往往含有统计不确定性。这里将假设检验理论引入时间推理，建立了一种判别两个事件发生顺序的新方法，同时研究了在统计不确定性下时间顺序的传递性。

态势估计中的统计时间区间推理方法

在战场态势估计中 ,许多事件有一个持续过程 ,因此需要引入时间区间来表示这些事件发生的时间。态势估计中常常需要判断这些事件发生的时间顺序 ,而对事件发生的时间区间的推测或观测往往含有统计不确定性。利用似然比检验理论 ,建立了一种判别两个事件发生的不确定时间区间的顺序的新方法 ,并讨论了利用检验结果进行限制传播的方法 。

态势估计中一种基于最大后验概率估计的时间推理方法

态势估计中统计时间推理在许多应用中非常重要。Ｋｉｒｉｌｏｖ的基于极大似然估计（ＭａｘｉｍｕｍＬｉｋｅｌｉｈｏｏｄＥｓｔｉｍａｔｉｏｎ，ＭＬＥ）的推理方法将未知时间变量看作常数，忽略了它的先验信息，估计方差较大。针对这一问题，本文首先建立了已知时间信息和未知时间变量之间的关系模型，这一模型可用来解释Ｋｉｒｉｌｏｖ的方法；然后在这一模型下，将未知时间变量扩展为随机变量，采用基于最大后验概率估计（ＭａｘｉｍｕｍａＰｏｓ－ｔｅｒｉｏｒｉＥｓｔｉｍａｔｉｏｎ，ＭＡＰ）的方法进行统计时间推理。对两种推理算法的性能进行了分析和比较，发现在较宽的范围内，基于ＭＡＰ的方法性能优于基于ＭＬＥ的方法。