貝葉斯網(wǎng)絡參數(shù)學習及對無人機的決策支持

第1章 貝葉斯網(wǎng)絡與無人機自主決策
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)絡參數(shù)學習
1.4.2 數(shù)據(jù)缺失條件下網(wǎng)絡參數(shù)學習及UAV路徑規(guī)劃
1.4.3 基于參數(shù)學習的UAV攻擊任務決策
第2章 貝葉斯網(wǎng)絡理論基礎
2.1 靜態(tài)貝葉斯網(wǎng)絡理論
2.1.1 靜態(tài)貝葉斯網(wǎng)絡概念
2.1.2 貝葉斯網(wǎng)絡證據(jù)類型
2.2離散動態(tài)貝葉斯網(wǎng)絡理論
2.3 離散動態(tài)貝葉斯網(wǎng)絡結(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)絡推理
2.5離散動態(tài)貝葉斯網(wǎng)絡參數(shù)學習
2.6時變動態(tài)貝葉斯網(wǎng)絡
第3章 信息不完備小樣本條件下網(wǎng)絡參數(shù)學習
3.1靜態(tài)貝葉斯網(wǎng)絡參數(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 算法應用分析
第4章 數(shù)據(jù)缺失條件下網(wǎng)絡參數(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)絡參數(shù)學習
4.1.3 數(shù)據(jù)缺失條件下靜態(tài)網(wǎng)絡參數(shù)學習
4.1.4 數(shù)據(jù)缺失條件下動態(tài)網(wǎng)絡參數(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 算法應用分析
第5章 基于參數(shù)學習的UAV自主攻擊任務決策
5.1戰(zhàn)場環(huán)境中無人機自主攻擊任務決策想定
5.1.1 研究背景
5.1.2 任務想定
5.2基于SVDDBN的自主攻擊任務決策模型
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)絡推理算法
5.4戰(zhàn)場環(huán)境下UAV自主攻擊任務決策
5.4.1 經(jīng)驗參數(shù)下自主攻擊任務決策仿真
5.4.2 基于離散DBN參數(shù)學習的自主攻擊任務決策仿真
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任務想定
6.2連續(xù)動態(tài)貝葉斯網(wǎng)絡目標狀態(tài)估計
6.3 UAV路徑重規(guī)劃決策模型
6.4應用與分析
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 任務描述
6.6基于SVDDBN的威脅概率預測模型
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應用與分析
參考文獻