信息不完备BN参数学习及在UAV决策中的应用.pdf

《信息不完备BN参数学习及在UAV决策中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、学校代码10699分类号TP18密级学号2007100257题目信息不完备BN参数学习及在UAV决策中的应用作者任佳学科、专业系统工程指导教师高晓光申请学位日期2011年5月西北工业大学博士学位论文（学位研究生）题目：信息不完备BN参数学习及在UAV决策中的应用作者：任佳学科专业：系统工程指导教师：高晓光2011年5月NorthwesternPolytechnicalUniversityDissertationfortheDoctoralDegreeinSystemEngineeringBayesianNetw

2、orkParameterLearninginIncompleteInformationandtheApplicationtoUAVDecisionbyRenJiaSupervisor:Prof.GaoXiaoguang摘要摘要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

3、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

4、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

5、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

6、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。I摘要关键词：贝叶斯网络；无人机；参数学习；自主决策；路径规划IIABSTRACTABSTRACTParameterlearningplaysanimportantroleinBayesianNetworks(BN),andit’salsoanessentialstepwhenimprovingtheadaptationablityofthereasoningmodeltocomp

7、lexenvironment.TraditonalparameterlearningmethodsseempowerlesstogetaccuratemodelparametersundertheconditionofsmallsampleandincompleteinformationwhenUAVscompletedecision-makingtask.Asaresult,adifficultywhenBNisappliedtoUAVsdecision-makingisparameterlearningun

8、dertheconditionofincompleteinformation.Focusedonthisproblem,researchinthisthesisovercomesthelimitationsofsettingmodelparameterssubjectively,andtheproposedparameterlearningmethodsarethenappliedto