连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。

考虑共因失效的新型连续时间动态贝叶斯网络可靠性分析方法

现代系统失效行为复杂,动态性与相关性并存。首先为直观准确地刻画分析系统中的动态失效行为,提出新型连续时间动态贝叶斯网络分析方法,利用节点时序条件概率表刻画事件关系,进而提出基于节点时序条件概率表规则执行度与冲激函数抽样性质的子节点故障概率、根节点后验概率及重要度的计算方法;进一步,针对共因失效引起的系统相关性失效行为,提出考虑共因失效的新型连续时间动态贝叶斯网络分析方法,解决系统失效逻辑动态性和相关性的重叠问题。通过与贝叶斯网络、离散时间动态贝叶斯网络分析方法、Markov链、Monte Carlo法对比,验证所提方法的可行性与优越性。最后,对动态失效相关系统进行可靠性分析,结果表明,本文方法能够直观有效地刻画动态性与相关性失效行为,得到准确的系统可靠性指标,考虑共因失效相比于忽略共因失效,在任务时间为5×10~6 h时能够提高系统29%的可靠性分析精度,更加符合实际。