信息不完備BN參數學習及在UAV決策中的應用.pdf

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