貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持

定　價：￥42.00

作　者：	任佳，高曉光著
出版社：	國防工業(yè)出版社
叢編項：
標　簽：	工業(yè)技術(shù) 武器工業(yè)

購買這本書可以去

ISBN：	9787118083941	出版時間：	2012-11-01	包裝：	平裝
開本：	32開	頁數(shù)：	152	字數(shù)：

內(nèi)容簡介

　　《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》共分3個部分。第一部分是BN理論基礎(chǔ)，包括第1章和第2章。第1章介紹了UAV自主決策方法的國內(nèi)外研究現(xiàn)狀，重點對BN理論研究進展情況進行了分析，提出解決不確定環(huán)境下UAV自主決策問題涉及的關(guān)鍵問題，并以此為基礎(chǔ)引申出《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》相關(guān)內(nèi)容。第2章介紹了靜態(tài)BN的概念，在此基礎(chǔ)上對DBN的概念、結(jié)構(gòu)學習方法、推理方法、參數(shù)學習方法和時變DBN發(fā)展狀況進行描述。第二部分主要介紹信息不完備小樣本離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習方法，包括第3章和第4章。第3章以小樣本觀測條件下參數(shù)學習為重點，介紹了靜態(tài)BN參數(shù)學習算法、約束條件下靜態(tài)網(wǎng)絡(luò)參數(shù)學習算法、前向遞歸參數(shù)學習機制和約束條件下動態(tài)網(wǎng)絡(luò)參數(shù)學習算法。第4章以數(shù)據(jù)缺失條件下參數(shù)學習為重點，介紹了基于支持向量機的靜態(tài)BN和離散DBN參數(shù)學習算法。第三部分是貝葉斯網(wǎng)絡(luò)及參數(shù)學習方法在UAV自主決策中的應(yīng)用，包括第5章和第6章。第5章主要以戰(zhàn)場環(huán)境下UAV攻擊任務(wù)決策為主線，借鑒多模型建模機理完成時變環(huán)境感知模型構(gòu)建，總結(jié)出變結(jié)構(gòu)離散DBN推理模型的變化規(guī)律，在復雜戰(zhàn)場環(huán)境的背景下對第3章介紹的參數(shù)學習算法進行應(yīng)用。第6章在突發(fā)移動威脅的背景下，首先介紹了突發(fā)威脅狀態(tài)信息丟失時基于目標狀態(tài)估計的路徑重規(guī)劃決策模型。其次針對UAV在線路徑規(guī)劃問題，介紹了變結(jié)構(gòu)離散DBN與模型預(yù)測控制算法相結(jié)合的路徑規(guī)劃方法，并對該方法進行了仿真實驗。

作者簡介

暫缺《貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持》作者簡介

圖書目錄

第1章貝葉斯網(wǎng)絡(luò)與無人機自主決策
1.1無人機技術(shù)發(fā)展背景
1.2 自主決策方法國內(nèi)外研究發(fā)展現(xiàn)狀
1.2.1 無人機自主決策研究現(xiàn)狀
1.2.2 人工智能決策方法研究現(xiàn)狀
1.2.3 貝葉斯網(wǎng)絡(luò)研究現(xiàn)狀
1.3無人機自主決策關(guān)鍵問題
1.4主要內(nèi)容研究背景與介紹
1.4.1 信息不完備小樣本離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習
1.4.2 數(shù)據(jù)缺失條件下網(wǎng)絡(luò)參數(shù)學習及UAV路徑規(guī)劃
1.4.3 基于參數(shù)學習的UAV攻擊任務(wù)決策
第2章貝葉斯網(wǎng)絡(luò)理論基礎(chǔ)
2.1 靜態(tài)貝葉斯網(wǎng)絡(luò)理論
2.1.1 靜態(tài)貝葉斯網(wǎng)絡(luò)概念
2.1.2 貝葉斯網(wǎng)絡(luò)證據(jù)類型
2.2離散動態(tài)貝葉斯網(wǎng)絡(luò)理論
2.3 離散動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習
2.3.1 完備樣本數(shù)據(jù)集下的結(jié)構(gòu)學習
2.3.2 觀測數(shù)據(jù)缺失下的結(jié)構(gòu)學習
2.4離散動態(tài)貝葉斯網(wǎng)絡(luò)推理
2.5離散動態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習
2.6時變動態(tài)貝葉斯網(wǎng)絡(luò)
第3章信息不完備小樣本條件下網(wǎng)絡(luò)參數(shù)學習
3.1靜態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學習算法
3.1.1 最大似然估計參數(shù)學習
3.1.2 貝葉斯估計參數(shù)學習
3.1.3 EM參數(shù)學習
3.2約束條件下小樣本靜態(tài)網(wǎng)絡(luò)參數(shù)學習
3.2.1 先驗參數(shù)分布模型
3.2.2 約束條件下先驗參數(shù)的確定方法
3.2.3 先驗約束下靜態(tài)網(wǎng)絡(luò)參數(shù)學習算法
3.2.4 算法性能分析
3.3離散DBN前向遞歸參數(shù)學習機制
3.4約束條件下小樣本離散DBN參數(shù)學習
3.4.1 約束遞歸學習算法
3.4.2 算法應(yīng)用分析
第4章數(shù)據(jù)缺失條件下網(wǎng)絡(luò)參數(shù)學習
4.1數(shù)據(jù)缺失下基于支持向量機的參數(shù)學習
4.1.1 基于支持向量機回歸的缺失數(shù)據(jù)估計原理
4.1.2 基于支持向量機回歸的網(wǎng)絡(luò)參數(shù)學習
4.1.3 數(shù)據(jù)缺失條件下靜態(tài)網(wǎng)絡(luò)參數(shù)學習
4.1.4 數(shù)據(jù)缺失條件下動態(tài)網(wǎng)絡(luò)參數(shù)學習
4.2數(shù)據(jù)缺失下基于噪聲數(shù)據(jù)平滑的參數(shù)學習
4.2.1 算法思路
4.2.2 算法過程描述
4.2.3 算法應(yīng)用分析
第5章基于參數(shù)學習的UAV自主攻擊任務(wù)決策
5.1戰(zhàn)場環(huán)境中無人機自主攻擊任務(wù)決策想定
5.1.1 研究背景
5.1.2 任務(wù)想定
5.2基于SVDDBN的自主攻擊任務(wù)決策模型
5.2.1 基于多模型的SVDDBN建模
5.2.2 無人機自主攻擊任務(wù)決策模型構(gòu)建
5.3變結(jié)構(gòu)離散動態(tài)貝葉斯網(wǎng)絡(luò)推理算法
5.4戰(zhàn)場環(huán)境下UAV自主攻擊任務(wù)決策
5.4.1 經(jīng)驗參數(shù)下自主攻擊任務(wù)決策仿真
5.4.2 基于離散DBN參數(shù)學習的自主攻擊任務(wù)決策仿真
第6章數(shù)據(jù)缺失下基于參數(shù)學習的UAV路徑規(guī)劃
6.1任務(wù)想定
6.2連續(xù)動態(tài)貝葉斯網(wǎng)絡(luò)目標狀態(tài)估計
6.3 UAV路徑重規(guī)劃決策模型
6.4應(yīng)用與分析
6.5無人機動態(tài)路徑規(guī)劃描述
6.5.1 問題來源
6.5.2 任務(wù)描述
6.6基于SVDDBN的威脅概率預(yù)測模型
6.7基于轉(zhuǎn)換量測卡爾曼濾波的狀態(tài)估計模型
6.7.1 機載雷達觀測數(shù)據(jù)坐標轉(zhuǎn)換誤差分析
6.7.2 機載雷達測量值坐標轉(zhuǎn)換誤差協(xié)方差
6.7.3 轉(zhuǎn)換量測卡爾曼濾波缺失數(shù)據(jù)估計
6.8無人機飛行控制模型
6.9無人機路徑優(yōu)化
6.10應(yīng)用與分析
參考文獻