基于DBN的电子战指挥决策辅助方法研究

现代战争中的电子战指挥相较于传统作战方式需要考虑的因素更多、更复杂.借助动态贝叶斯网络(DBN)的动态可推理性建立了一种电子战指挥决策定量辅助决策模型,将传统作战决策中的一维定量分析转化为动态多维定量推理分析.利用影响电子战作战效果的各类因素进行每个作战时刻的贝叶斯网络(BN)构建,结合节点之间的条件概率矩阵,使用隐马尔可夫(HMM)模型推理算法实现了电子战辅助决策的动态推理.对实际演习算例进行模型仿真和分析,得出对电子战指挥员切实有效的指挥决策建议,表明了模型的有效性.     

采用贝叶斯网络的应召反潜目标态势评估

反潜目标态势评估是反潜指挥决策的重要依据,针对反潜作战中目标信息不充分、不确定程度高的问题,通过对直升机编队反潜的敌我对抗过程进行分析,提出基于贝叶斯网络的态势评估算法。算法通过构建敌我对抗过程的敌我关联网络、建立因果概率表、基于贝叶斯网络进行推理,实现目标类型和目标意图的识别。实验结果表明了网络推理的有效性。算法可以有效利用侦察到的目标信息,结合经验模型进行推理和识别,对指挥员的作战决策具有很好的参考价值。     

基于贝叶斯网络的态势估计方法

结合态势估计的特点,介绍了黑板结构和贝叶斯网络2种用于态势估计的方法,分析了各自的优缺点,并选取贝叶斯网络来进行态势估计。详细讨论了战场态势在贝叶斯网络中的知识表示和信息传播。针对静态贝叶斯网络难以捕捉动态战场信息的缺点,采用了动态搜索最佳网络的方法进行推理,为战场态势估计提供了新的思路。     

用于态势评估的贝叶斯网络研究综述

介绍了态势评估的发展现状,指出了贝叶斯网络用于态势评估的优点,对基于贝叶斯网络的态势评估技术研究的几个主要方面进行了总结和分析,着重探讨了现有态势评估贝叶斯网络中网络构建方法和时间推理技术,指出能充分编码军事领域知识、结合时间语义、能够实现模块化推理的贝叶斯网络是态势评估贝叶斯网络发展的趋势。作为参考,给出了几种贝叶斯网络的常用仿真工具。最后,分析了贝叶斯网络应用于态势评估面临的各种问题并试图给出一个有益的研究思路。     

基于Netica 的机载雷达侦察效能评估

将动态贝叶斯网络应用于机载雷达侦察效能评估中,从而实现了一段时间内机载雷达侦察效能的动态评估。选取随战场环境、操作员水平等变化的因素作为影响机载雷达侦察效能评估的指标,并采用模糊分类方法形成各指标的状态集合;构建基于Netica 的动态贝叶斯网络模型,运用德尔菲法确定模型参数及隶属度函数,利用贝叶斯网络的推理模型以及相应的推理算法,对机载雷达侦察效能进行动态评估。仿真结果表明:该方法能够科学、有效地评估机载雷达侦察效能。     

基于贝叶斯网络的战场目标威胁评估

准确地对战场目标的威胁等级进行评估,是战场辅助决策系统的一个重要环节.贝叶斯网是一种进行不确定分析和推理的有效方法.介绍了联合树贝叶斯网络推理算法,分析了战场目标的威胁等级评估涉及的主要因素,建立了相应的贝叶斯网络模型,并进行了实例推理分析,其结果比较准确地反映了目标的威胁程度.     

基于动态贝叶斯网络的战斗目标综合推理识别

针对空战战场环境下的目标可靠识别,提出了基于动态贝叶斯网络的战斗目标综合推理识别方法.分析了目标属性的多层次及状态变量关系,提出了层次化的战斗识别动态贝叶斯网络拓扑结构及其参数设定方法,并运用时间片联合树算法进行不确定性动态推理,实现动态的目标属性判断与识别.仿真结果给出了目标的多层次属性信息,验证了模型的有效性.     

贝叶斯网络在大规模医疗数据上的应用研究

针对医院信息系统中积累的大量数据,探讨了采用粗糙集、规则推理、贝叶斯网络相结合的方法基于这类数据进行学习建模.该方法在粗糙集属性约简的基础上,考虑了规则推理的影响,对信息表中的属性列进行压缩,获取最少属性列.基于最少属性的贝叶斯网络模型可以有效降低网络结构的复杂性;同时利用贝叶斯网络实现概率推理.最后进行了实验分析,结果证明该方法快速有效.     

动态贝叶斯网络用于雷达遮盖干扰效果评估

依据电子战实际作战环境,以可代表性和可观测性为标准,选取压制干扰效果评估指标;提出基于动态贝叶斯网络的效果评估模型,对若干可观测的目标特征参数进行综合推理;推导了动态贝叶斯网络的推理算法。分析结果表明,动态贝叶斯网络能够综合目标雷达不同的毁伤效果信息进行较为合理的评估;与静态贝叶斯网络相比,动态贝叶斯网络无论在准确性上,还是在滤波平滑能力上都要优于静态贝叶斯网络。     

基于贝叶斯网络模型的遥感图像数据处理技术

贝叶斯网络是一种不确定性知识的推理和描述技术,针对遥感数据的复杂性和不确定性,该文提出了一种基于贝叶斯网络模型的遥感数据推理和描述技术。文中利用 2002年春季中-日亚洲沙尘暴项目的土地利用数据(LU),沙尘监测数据(TSP),卫星 AVHRR时间序列 LST/Albedo数据,采用贝叶斯网络模型进行了知识描述和信息推理预测实验,取得了较好的效果。     

基于贝叶斯网络的无线传感网高效数据传输方法

无线环境复杂经常导致高误码率的出现,该文结合无线传感网对传输能耗有较高要求的特点,针对分组协议字段错误修复问题提出基于贝叶斯网络的最大后验修复方法MAP-BN。该方法使得传感网节点在无需任何编码的情况下可以得到向前纠错的能力。MAP-BN算法利用贝叶斯网络对分组协议字段的先验信息进行建模,并在此基础上利用动态规划算法进行最大后验概率推理,成功降低了最大后验修复的计算复杂度。仿真和分析结果表明,MAP-BN算法具有良好的数据差错控制能力,并可以很大程度上提升网络节点传输数据的能效性。     

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

Entropy methods for joint distributions in decision analysis

A fundamental step in decision analysis is the elicitation of the decision maker's information about the uncertainties of the decision situation in the form of a joint probability distribution. This paper presents a method based on the maximum entropy principle to obtain a joint probability distribution using lower order joint probability assessments. The approach reduces the number of assessments significantly and also reduces the number of conditioning variables in these assessments. We discuss the order of the approximation provided by the maximum entropy distribution with each lower order assessment using a Monte Carlo simulation and discuss the implications of using the maximum entropy distribution in Bayesian inference. We present an application to a practical decision situation faced by a semiconductor testing company in the Silicon Valley.     

Uncertainty Quantification for parameter estimation of an industrial electric motor using hierarchical Bayesian inversion

In this work, we employ hierarchical Bayesian inference to estimate aleatory parameter uncertainty of a “black-box” simulation model of an industrial electric motor using noisy measurements obtained from a real test bench. Standard sampling-based approaches, like Metropolis–Hastings (MH), require a huge amount of expensive simulation model evaluations in order to compute the likelihood. This is prohibitive from a computational point of view. Instead, Hamiltonian Monte Carlo (HMC) can be used to reduce the number of samples significantly. One key ingredient in HMC, however, is the availability of a function evaluating the gradient of the simulation model with respect to its parameters. In our problem setting, the simulation model is a “black-box” model — a situation which is common in many industrial engineering problems. There is no function available for evaluating the gradients, which therefore must be either approximated numerically or evaluated from a suitable analytical approximation of the simulation model using a surrogate. In this work, we introduce a new approach to enable HMC for complex black box simulations based on B-splines surrogates trained on spatially adaptive sparse grids. The B-spline surrogates are able to accurately represent the simulation model and in addition its gradients. We show how they can be used within HMC in order to infer the probability distribution of all five electric motor parameters accurately and efficiently, and we demonstrate its superiority in convergence compared to MH.     

基于面向对象概率关系模型的威胁级别评估

针对传统贝叶斯网络对复杂对象建模存在的问题,分析了面向对象的概率关系模型。建立基于面向对象概率关系模型知识库的贝叶斯网络生成算法,建立战场威胁级别评估模型,并实现对威胁级别的评估。仿真结果证明了该方法的有效性,并且具有比贝叶斯网络模型更强的建模能力。     

组合字典下超宽带穿墙雷达自适应稀疏成像方法

针对现有超宽带穿墙雷达稀疏成像算法大多只采用点目标稀疏基表示模型和稀疏优化的正则化参数不能被自适应调整以及目标位置不在划分网格上带来虚假像的问题,该文提出一种基于贝叶斯证据框架的自适应稀疏成像方法。该方法首先利用组合字典独立稀疏表示场景中的点目标和扩展目标,然后在建立的偏离网格稀疏表示模型的基础上分层最大化各参数的似然函数,用第1层推理结合共轭梯度算法估计组合字典的各稀疏表示系数,用第2层推理估计正则化参数和目标的偏离网格量,最终通过迭代优化参数的设置得到问题的求解。仿真和实验结果表明,该方法不仅同时自适应增强穿墙场景中的点目标和扩展目标,还消除了偏离网格目标引起的虚假像。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

Bayesian网中概率参数学习方法

Bayesian网已经成为AI领域的研究热点,并在现代专家系统、诊断系统及决策支持系统中发挥着至关重要的作用.Bayesian网的研究主要集中在三个方面:知识表示、学习与推理.概率知识是Bayesian网坚实的数学基础,从数据中学习分布参数使得Bayesian网逐步走向现实应用.本文介绍和比较了概率参数学习的各种常用方法,并探求了它们在不同应用背景下的优缺点.基于经典统计学的方法理论成熟,计算简单,但它只利用了实例数据集合所提供的信息,无法加入专家知识,对实例数据的依赖性大;基于Bayesian有机结合了两类信息,对实例数据的依赖性降低,学习结果更加准确.参数学习是Bayesian网学习的基础,是Bayesian网结构学习必不可少的部分.