版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、參數學習是貝葉斯網絡(BN)的主要組成部分,也是提高推理模型對復雜環(huán)境適應能力的重要環(huán)節(jié)。由于UAV決策環(huán)境常伴隨小樣本觀測和數據缺失等情況,采用傳統的參數學習方法難以獲得準確的模型參數,因此信息不完備條件下模型參數學習是BN應用于UAV自主決策的難題之一。本文重點研究信息不完備條件下BN參數學習方法,克服了BN在應用過程中模型參數主觀設定的局限性,并將創(chuàng)建的參數學習方法應用于無人機(UAV)自主決策當中,為開發(fā)具有自主評估和決策能力的
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)針對小樣本觀測信息的不完備性,提出了一種離散動態(tài)貝葉斯網絡(DBN)約束遞歸學習算法(CRLA)。通過仿真結果證明:與期望最大(EM)算法相比,CRLA在信息不完備的小樣本觀測信息下(<40組觀測數據)具有參數學習精度高和運算時間快的特點;CRLA能夠在先驗參數不精確、先驗參數無認知的情況下為決策推理環(huán)節(jié)提供準確的模型參數,具有參數學習和推理“互動”的特點
3、,即在參數學習完成的同時獲得決策推理結果。
(2)針對數據缺失造成的不完備性,提出了一種基于支持向量機(SVM)的靜態(tài)BN和離散DBN參數學習算法。通過數據缺失條件下UAV空中目標識別的仿真結果證明:與期望最大(EM)算法相比,在小樣本且伴隨數據缺失的條件下提出基于SVM的靜態(tài)/離散動態(tài)網絡參數學習算法具有較高的學習精度。
(3)針對觀測信息缺失的隨機性,即樣本集合中的任意一組數據可以出現缺失數據,在靜態(tài)BN下提出了
4、一種噪聲數據平滑參數學習算法。通過仿真結果證明:在缺失比例?20%的條件下噪聲數據平滑參數學習算法具有與EM算法相當的參數學習精度和速度,在數據缺失比例較大(缺失比例>20%)的情況下噪聲數據平滑算法運算時間高于EM算法,但參數學習精度優(yōu)于EM算法。
(4)針對不確定環(huán)境中突發(fā)威脅出現的時間和空間的隨機性,提出了一種變結構離散動態(tài)貝葉斯網絡(SVDDBN)和模型預測控制(MPC)相結合的UAV動態(tài)路徑規(guī)劃算法。通過仿真結果證明
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 不完備不協調決策信息規(guī)則挖掘.pdf
- 不完備信息系統決策【畢業(yè)論文】
- 基于知識粒度的不完備信息決策系統的屬性約簡及其應用.pdf
- 不完備信息系統在農業(yè)生物災害預測中的應用.pdf
- 不完備混合決策系統中的屬性約簡算法研究與應用.pdf
- 不完備信息系統處理技術及其在文本分類中的應用.pdf
- 基于權重聯系度的粗集模型及其在不完備決策表中的應用.pdf
- 粗糙集在不完備信息系統數據挖掘中的應用研究.pdf
- 混合值不完備決策信息系統的粗糙分類方法研究.pdf
- Q-學習在非完備信息機器博弈中的應用.pdf
- 不完備信息系統知識約簡方法及應用研究.pdf
- 測試信息不完備下結構物理參數識別方法研究.pdf
- 不完備信息系統中的優(yōu)勢關系研究.pdf
- 不完備決策信息系統的修正粗糙集模型及約簡算法研究.pdf
- 時序差分學習在非完備信息機器博弈中的應用.pdf
- 不完備決策信息系統中粗糙集模型拓展的研究.pdf
- 不完備信息系統中的知識獲取方法研究.pdf
- 不完備多粒度序決策系統的知識獲取.pdf
- 面向混合不完備決策信息系統的粗糙集模型及約簡算法研究.pdf
- 不完備信息系統中數據挖掘方法研究.pdf
評論
0/150
提交評論