貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持

內(nèi)容概要

《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》共分3個部分。第一部分是BN理論基礎(chǔ)，包括第]章和第2章。第！章介紹了UAV自主決策方法的國內(nèi)外研究現(xiàn)狀，重點對BN理論研究進展情況進行了分析，提出解決不確定環(huán)境下UAV自主決策問題涉及的關(guān)鍵問題，并以此為基礎(chǔ)引申出《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》相關(guān)內(nèi)容。第2章介紹了靜態(tài)BN的概念，在此基礎(chǔ)上對DBN的概念、結(jié)構(gòu)學習方法、推理方法、參數(shù)學習方法和時變DBN發(fā)展狀況進行描述。第二部分主要介紹信息不完備小樣本離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習方法，包括第3章和第4章。第3章以小樣本觀測條件下參數(shù)學習為重點，介紹了靜態(tài)BN參數(shù)學習算法、約束條件下靜態(tài)網(wǎng)絡(luò)參數(shù)學習算法、前向遞歸參數(shù)學習機制和約束條件下動態(tài)網(wǎng)絡(luò)參數(shù)學習算法。第4章以數(shù)據(jù)缺失條件下參數(shù)學習為重點，介紹了基于支持向量機的靜態(tài)BN和離散DBN參數(shù)學習算法。第三部分是貝葉斯網(wǎng)絡(luò)及參數(shù)學習方法在UAV自主決策中的應(yīng)用，包括第5章和第6章。第5章主要以戰(zhàn)場環(huán)境下UAV攻擊任務(wù)決策為主線，借鑒多模型建模機理完成時變環(huán)境感知模型構(gòu)建，總結(jié)出變結(jié)構(gòu)離散DBN推理模型的變化規(guī)律，在復(fù)雜戰(zhàn)場環(huán)境的背景下對第3章介紹的參數(shù)學習算法進行應(yīng)用。第6章在突發(fā)移動威脅的背景下，首先介紹了突發(fā)威脅狀態(tài)信息丟失時基于目標狀態(tài)估計的路徑重規(guī)劃決策模型。其次針對UAV在線路徑規(guī)劃問題，介紹了變結(jié)構(gòu)離散DBN與模型預(yù)測控制算法相結(jié)合的路徑規(guī)劃方法，并對該方法進行了仿真實驗。

書籍目錄

第1章 貝葉斯網(wǎng)絡(luò)與無人機自主決策 1.1無人機技術(shù)發(fā)展背景 1.2 自主決策方法國內(nèi)外研究發(fā)展現(xiàn)狀 1.2.1 無人機自主決策研究現(xiàn)狀 1.2.2 人工智能決策方法研究現(xiàn)狀 1.2.3 貝葉斯網(wǎng)絡(luò)研究現(xiàn)狀 1.3無人機自主決策關(guān)鍵問題 1.4主要內(nèi)容研究背景與介紹 1.4.1 信息不完備小樣本離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習 1.4.2 數(shù)據(jù)缺失條件下網(wǎng)絡(luò)參數(shù)學習及UAV路徑規(guī)劃 1.4.3 基于參數(shù)學習的UAV攻擊任務(wù)決策 第2章 貝葉斯網(wǎng)絡(luò)理論基礎(chǔ) 2.1 靜態(tài)貝葉斯網(wǎng)絡(luò)理論 2.1.1 靜態(tài)貝葉斯網(wǎng)絡(luò)概念 2.1.2 貝葉斯網(wǎng)絡(luò)證據(jù)類型 2.2離散動態(tài)貝葉斯網(wǎng)絡(luò)理論 2.3 離散動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習 2.3.1 完備樣本數(shù)據(jù)集下的結(jié)構(gòu)學習 2.3.2 觀測數(shù)據(jù)缺失下的結(jié)構(gòu)學習 2.4離散動態(tài)貝葉斯網(wǎng)絡(luò)推理 2.5離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習 2.6時變動態(tài)貝葉斯網(wǎng)絡(luò) 第3章 信息不完備小樣本條件下網(wǎng)絡(luò)參數(shù)學習 3.1靜態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習算法 3.1.1 最大似然估計參數(shù)學習 3.1.2 貝葉斯估計參數(shù)學習 3.1.3 EM參數(shù)學習 3.2約束條件下小樣本靜態(tài)網(wǎng)絡(luò)參數(shù)學習 3.2.1 先驗參數(shù)分布模型 3.2.2 約束條件下先驗參數(shù)的確定方法 3.2.3 先驗約束下靜態(tài)網(wǎng)絡(luò)參數(shù)學習算法 3.2.4 算法性能分析 3.3離散DBN前向遞歸參數(shù)學習機制 3.4約束條件下小樣本離散DBN參數(shù)學習 3.4.1 約束遞歸學習算法 3.4.2 算法應(yīng)用分析 第4章 數(shù)據(jù)缺失條件下網(wǎng)絡(luò)參數(shù)學習 4.1數(shù)據(jù)缺失下基于支持向量機的參數(shù)學習 4.1.1 基于支持向量機回歸的缺失數(shù)據(jù)估計原理 4.1.2 基于支持向量機回歸的網(wǎng)絡(luò)參數(shù)學習 4.1.3 數(shù)據(jù)缺失條件下靜態(tài)網(wǎng)絡(luò)參數(shù)學習 4.1.4 數(shù)據(jù)缺失條件下動態(tài)網(wǎng)絡(luò)參數(shù)學習 4.2數(shù)據(jù)缺失下基于噪聲數(shù)據(jù)平滑的參數(shù)學習 4.2.1 算法思路 4.2.2 算法過程描述 4.2.3 算法應(yīng)用分析 第5章 基于參數(shù)學習的UAV自主攻擊任務(wù)決策 5.1戰(zhàn)場環(huán)境中無人機自主攻擊任務(wù)決策想定 5.1.1 研究背景 5.1.2 任務(wù)想定 5.2基于SVDDBN的自主攻擊任務(wù)決策模型 5.2.1 基于多模型的SVDDBN建模 5.2.2 無人機自主攻擊任務(wù)決策模型構(gòu)建 5.3變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)推理算法 5.4戰(zhàn)場環(huán)境下UAV自主攻擊任務(wù)決策 5.4.1 經(jīng)驗參數(shù)下自主攻擊任務(wù)決策仿真 5.4.2 基于離散DBN參數(shù)學習的自主攻擊任務(wù)決策仿真 第6章 數(shù)據(jù)缺失下基于參數(shù)學習的UAV路徑規(guī)劃 6.1任務(wù)想定 6.2連續(xù)動態(tài)貝葉斯網(wǎng)絡(luò)目標狀態(tài)估計 6.3 UAV路徑重規(guī)劃決策模型 6.4應(yīng)用與分析 6.5無人機動態(tài)路徑規(guī)劃描述 6.5.1 問題來源 6.5.2 任務(wù)描述 6.6基于SVDDBN的威脅概率預(yù)測模型 6.7基于轉(zhuǎn)換量測卡爾曼濾波的狀態(tài)估計模型 6.7.1 機載雷達觀測數(shù)據(jù)坐標轉(zhuǎn)換誤差分析 6.7.2 機載雷達測量值坐標轉(zhuǎn)換誤差協(xié)方差 6.7.3 轉(zhuǎn)換量測卡爾曼濾波缺失數(shù)據(jù)估計 6.8無人機飛行控制模型 6.9無人機路徑優(yōu)化 6.10應(yīng)用與分析 參考文獻

章節(jié)摘錄

版權(quán)頁：   插圖：   1.小樣本數(shù)據(jù)集下的參數(shù)字習 在理想情況下，如果模型變量完全可觀測，同時擁有足夠多的樣本數(shù)據(jù)，那么就能夠直接應(yīng)用經(jīng)典估計算法宋學習參數(shù)。然而，在實際工程中數(shù)據(jù)往往不充足，可能會出現(xiàn)信息不完備的情況，因此采用最大似然（Maximum Likelihood，ML）估計等經(jīng)典方法獲得的模型參數(shù)精度不高、可靠性差。而采用約束的方式降低估計過程對樣本數(shù)據(jù)的依賴已成為解決樣本不完備問題的一條有效途徑。 約束條件下推理模型的參數(shù)學習主要通過兩條途徑完成：先驗知識的軟約束和估計過程的硬約束。軟約束是指先驗信息獲取受不精確的分布模型驅(qū)動，即先驗信息的置信度通過分布模型獲得。硬約束是指在參數(shù)估計過程中將數(shù)據(jù)和帶有約束的優(yōu)化算法聯(lián)合完成單個參數(shù)估計。硬約束屬于不可靠約束，其約束條件必須正確，否則會在優(yōu)化過程中產(chǎn)生錯誤估計。而軟約束條件只施加于先驗信息，如果約束條件不精確可以通過估計過程對實測數(shù)據(jù)的適應(yīng)性加以更正。目前使用約束條件學習靜態(tài)BN參數(shù)的方法有懲罰函數(shù)、等分回歸、非凸面優(yōu)化等。 將靜態(tài)BN參數(shù)學習算法向離散DBN擴展的最簡單方法為：將T個時間片的離散DBN等價為靜態(tài)網(wǎng)絡(luò)，然后利用統(tǒng)計方法對模型參數(shù)進行訓練。這種方式適用于變量完全可觀測、片間耦合程度較低的情況，對于包含隱藏變量以及隱藏變量間存在關(guān)聯(lián)關(guān)系的動態(tài)網(wǎng)絡(luò)并不適用。針對這一情況，首先需要對隱藏變量“顯性化”處理，即獲得隱藏變量真實狀態(tài)，這里可以借助DBN在線推理的方法對隱藏變量進行估計；其次，為了在較短的時間內(nèi)盡快獲得模型參數(shù)（小樣本下參數(shù)學習），可以考慮利用軟約束的方式減少片內(nèi)／片間參數(shù)估計過程對樣本數(shù)據(jù)的依賴。通過上述方法不但可以解決包含隱藏變量的離散DBN在線參數(shù)學習問題，而且能夠向時變DBN參數(shù)學習擴展。 2.缺矢數(shù)據(jù)集下的網(wǎng)絡(luò)參數(shù)學習 實際工程應(yīng)用中經(jīng)常出現(xiàn)數(shù)據(jù)缺失的情況。目前主要有3種方法來解決缺失數(shù)據(jù)下模型參數(shù)學習問題。第1種是重新學習模型結(jié)構(gòu)，拋棄數(shù)據(jù)缺失項，這樣會出現(xiàn)兩種結(jié)果，一是會引起數(shù)據(jù)集變小，可能造成不完備數(shù)據(jù)集。二是直接拋棄這些數(shù)據(jù)項，會使得模型無法正確反映實際情況。第2種方法是給缺失項賦一個特定值，如“無”，但這樣可能改變底層的統(tǒng)計關(guān)系。第3種方法是對缺失項進行估計，獲得近似值。在已知離散DBN結(jié)構(gòu)和參數(shù)情況下第3種方式容易實現(xiàn)。原因是在獲得網(wǎng)絡(luò)參數(shù)（片內(nèi)條件概率和片間轉(zhuǎn)移概率）的前提下利用推理公式即可完成缺失數(shù)據(jù)估計。但是在網(wǎng)絡(luò)參數(shù)未知的情況下完成該項工作具有很大難度。

編輯推薦

《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》是編者在多年從事BN和UAV自主決策研究基礎(chǔ)上整理而成，其撰寫和出版得到國家自然科學基金、海南省自然科學基金（612130）、海南大學青年基金（qnjj1243）、海南大學科研啟動基金（kyqd1209）的資助。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持 PDF格式下載

---