信息不完備BN參數(shù)學(xué)習(xí)及在UAV決策中的應(yīng)用.pdf

1、參數(shù)學(xué)習(xí)是貝葉斯網(wǎng)絡(luò)(BN)的主要組成部分,也是提高推理模型對(duì)復(fù)雜環(huán)境適應(yīng)能力的重要環(huán)節(jié)。由于UAV決策環(huán)境常伴隨小樣本觀測(cè)和數(shù)據(jù)缺失等情況,采用傳統(tǒng)的參數(shù)學(xué)習(xí)方法難以獲得準(zhǔn)確的模型參數(shù),因此信息不完備條件下模型參數(shù)學(xué)習(xí)是BN應(yīng)用于UAV自主決策的難題之一。本文重點(diǎn)研究信息不完備條件下BN參數(shù)學(xué)習(xí)方法,克服了BN在應(yīng)用過(guò)程中模型參數(shù)主觀設(shè)定的局限性,并將創(chuàng)建的參數(shù)學(xué)習(xí)方法應(yīng)用于無(wú)人機(jī)(UAV)自主決策當(dāng)中,為開(kāi)發(fā)具有自主評(píng)估和決策能力的

2、高智能推理工具提供有益地借鑒。
　　論文的創(chuàng)新性成果如下:
　　(1)針對(duì)小樣本觀測(cè)信息的不完備性,提出了一種離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(DBN)約束遞歸學(xué)習(xí)算法(CRLA)。通過(guò)仿真結(jié)果證明:與期望最大(EM)算法相比,CRLA在信息不完備的小樣本觀測(cè)信息下(<40組觀測(cè)數(shù)據(jù))具有參數(shù)學(xué)習(xí)精度高和運(yùn)算時(shí)間快的特點(diǎn);CRLA能夠在先驗(yàn)參數(shù)不精確、先驗(yàn)參數(shù)無(wú)認(rèn)知的情況下為決策推理環(huán)節(jié)提供準(zhǔn)確的模型參數(shù),具有參數(shù)學(xué)習(xí)和推理“互動(dòng)”的特點(diǎn)

3、,即在參數(shù)學(xué)習(xí)完成的同時(shí)獲得決策推理結(jié)果。
　　(2)針對(duì)數(shù)據(jù)缺失造成的不完備性,提出了一種基于支持向量機(jī)(SVM)的靜態(tài)BN和離散DBN參數(shù)學(xué)習(xí)算法。通過(guò)數(shù)據(jù)缺失條件下UAV空中目標(biāo)識(shí)別的仿真結(jié)果證明:與期望最大(EM)算法相比,在小樣本且伴隨數(shù)據(jù)缺失的條件下提出基于SVM的靜態(tài)/離散動(dòng)態(tài)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)算法具有較高的學(xué)習(xí)精度。
　　(3)針對(duì)觀測(cè)信息缺失的隨機(jī)性,即樣本集合中的任意一組數(shù)據(jù)可以出現(xiàn)缺失數(shù)據(jù),在靜態(tài)BN下提出了

4、一種噪聲數(shù)據(jù)平滑參數(shù)學(xué)習(xí)算法。通過(guò)仿真結(jié)果證明:在缺失比例?20％的條件下噪聲數(shù)據(jù)平滑參數(shù)學(xué)習(xí)算法具有與EM算法相當(dāng)?shù)膮?shù)學(xué)習(xí)精度和速度,在數(shù)據(jù)缺失比例較大(缺失比例>20%)的情況下噪聲數(shù)據(jù)平滑算法運(yùn)算時(shí)間高于EM算法,但參數(shù)學(xué)習(xí)精度優(yōu)于EM算法。
　　(4)針對(duì)不確定環(huán)境中突發(fā)威脅出現(xiàn)的時(shí)間和空間的隨機(jī)性,提出了一種變結(jié)構(gòu)離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(SVDDBN)和模型預(yù)測(cè)控制(MPC)相結(jié)合的UAV動(dòng)態(tài)路徑規(guī)劃算法。通過(guò)仿真結(jié)果證明