论文部分内容阅读
参数学习是贝叶斯网络(BN)的主要组成部分,也是提高推理模型对复杂环境适应能力的重要环节。由于UAV决策环境常伴随小样本观测和数据缺失等情况,采用传统的参数学习方法难以获得准确的模型参数,因此信息不完备条件下模型参数学习是BN应用于UAV自主决策的难题之一。本文重点研究信息不完备条件下BN参数学习方法,克服了BN在应用过程中模型参数主观设定的局限性,并将创建的参数学习方法应用于无人机(UAV)自主决策当中,为开发具有自主评估和决策能力的高智能推理工具提供有益地借鉴。 论文的创新性成果如下: (1)针对小样本观测信息的不完备性,提出了一种离散动态贝叶斯网络(DBN)约束递归学习算法(CRLA)。通过仿真结果证明:与期望最大(EM)算法相比,CRLA在信息不完备的小样本观测信息下(<40组观测数据)具有参数学习精度高和运算时间快的特点;CRLA能够在先验参数不精确、先验参数无认知的情况下为决策推理环节提供准确的模型参数,具有参数学习和推理“互动”的特点,即在参数学习完成的同时获得决策推理结果。 (2)针对数据缺失造成的不完备性,提出了一种基于支持向量机(SVM)的静态BN和离散DBN参数学习算法。通过数据缺失条件下UAV空中目标识别的仿真结果证明:与期望最大(EM)算法相比,在小样本且伴随数据缺失的条件下提出基于SVM的静态/离散动态网络参数学习算法具有较高的学习精度。 (3)针对观测信息缺失的随机性,即样本集合中的任意一组数据可以出现缺失数据,在静态BN下提出了一种噪声数据平滑参数学习算法。通过仿真结果证明:在缺失比例?20％的条件下噪声数据平滑参数学习算法具有与EM算法相当的参数学习精度和速度,在数据缺失比例较大(缺失比例>20%)的情况下噪声数据平滑算法运算时间高于EM算法,但参数学习精度优于EM算法。 (4)针对不确定环境中突发威胁出现的时间和空间的随机性,提出了一种变结构离散动态贝叶斯网络(SVDDBN)和模型预测控制(MPC)相结合的UAV动态路径规划算法。通过仿真结果证明:在基于SVDDBN的威胁代价评估模型中使用CRLA实现了对移动目标威胁等级的准确评估;通过SVDDBN与MPC两种算法结合实现了UAV对移动威胁的规避,且算法运算时间满足在线规划要求;将卡尔曼滤波算法引入该动态路径规划算法,实现了信息缺失情况下UAV对移动威胁的规避。