《贝叶斯网络参数学习及对无人机的决策支持》共分3个部分。第一部分是BN理论基础，包括第1章和第2章。第1章介绍了UAV自主决策方法的国内外研究现状，重点对BN理论研究进展情况进行了分析，提出解决不确定环境下UAV自主决策问题涉及的关键问题，并以此为基础引申出《贝叶斯网络参数学习及对无人机的决策支持》相关内容。第2章介绍了静态BN的概念，在此基础上对DBN的概念、结构学习方法、推理方法、参数学习方法和时变DBN发展状况进行描述。第二部分主要介绍信息不完备小样本离散动态贝叶斯网络参数学习方法，包括第3章和第4章。第3章以小样本观测条件下参数学习为重点，介绍了静态BN参数学习算法、约束条件下静态网络参数学习算法、前向递归参数学习机制和约束条件下动态网络参数学习算法。第4章以数据缺失条件下参数学习为重点，介绍了基于支持向量机的静态BN和离散DBN参数学习算法。第三部分是贝叶斯网络及参数学习方法在UAV自主决策中的应用，包括第5章和第6章。第5章主要以战场环境下UAV攻击任务决策为主线，借鉴多模型建模机理完成时变环境感知模型构建，总结出变结构离散DBN推理模型的变化规律，在复杂战场环境的背景下对第3章介绍的参数学习算法进行应用。第6章在突发移动威胁的背景下，首先介绍了突发威胁状态信息丢失时基于目标状态估计的路径重规划决策模型。其次针对UAV在线路径规划问题，介绍了变结构离散DBN与模型预测控制算法相结合的路径规划方法，并对该方法进行了仿真实验。
第1章 贝叶斯网络与无人机自主决策
1.1无人机技术发展背景
1.2 自主决策方法国内外研究发展现状
1.2.1 无人机自主决策研究现状
1.2.2 人工智能决策方法研究现状
1.2.3 贝叶斯网络研究现状
1.3无人机自主决策关键问题
1.4主要内容研究背景与介绍
1.4.1 信息不完备小样本离散动态贝叶斯网络参数学习
1.4.2 数据缺失条件下网络参数学习及UAV路径规划
1.4.3 基于参数学习的UAV攻击任务决策
第2章 贝叶斯网络理论基础
2.1 静态贝叶斯网络理论
2.1.1 静态贝叶斯网络概念
2.1.2 贝叶斯网络证据类型
2.2离散动态贝叶斯网络理论
2.3 离散动态贝叶斯网络结构学习
2.3.1 完备样本数据集下的结构学习
2.3.2 观测数据缺失下的结构学习
2.4离散动态贝叶斯网络推理
2.5离散动态贝叶斯网络参数学习
2.6时变动态贝叶斯网络
第3章 信息不完备小样本条件下网络参数学习
3.1静态贝叶斯网络参数学习算法
3.1.1 最大似然估计参数学习
3.1.2 贝叶斯估计参数学习
3.1.3 EM参数学习
3.2约束条件下小样本静态网络参数学习
3.2.1 先验参数分布模型
3.2.2 约束条件下先验参数的确定方法
3.2.3 先验约束下静态网络参数学习算法
3.2.4 算法性能分析
3.3离散DBN前向递归参数学习机制
3.4约束条件下小样本离散DBN参数学习
3.4.1 约束递归学习算法
3.4.2 算法应用分析
第4章 数据缺失条件下网络参数学习
4.1数据缺失下基于支持向量机的参数学习
4.1.1 基于支持向量机回归的缺失数据估计原理
4.1.2 基于支持向量机回归的网络参数学习
4.1.3 数据缺失条件下静态网络参数学习
4.1.4 数据缺失条件下动态网络参数学习
4.2数据缺失下基于噪声数据平滑的参数学习
4.2.1 算法思路
4.2.2 算法过程描述
4.2.3 算法应用分析
第5章 基于参数学习的UAV自主攻击任务决策
5.1战场环境中无人机自主攻击任务决策想定
5.1.1 研究背景
5.1.2 任务想定
5.2基于SVDDBN的自主攻击任务决策模型
5.2.1 基于多模型的SVDDBN建模
5.2.2 无人机自主攻击任务决策模型构建
5.3变结构离散动态贝叶斯网络推理算法
5.4战场环境下UAV自主攻击任务决策
5.4.1 经验参数下自主攻击任务决策仿真
5.4.2 基于离散DBN参数学习的自主攻击任务决策仿真
第6章 数据缺失下基于参数学习的UAV路径规划
6.1任务想定
6.2连续动态贝叶斯网络目标状态估计
6.3 UAV路径重规划决策模型
6.4应用与分析
6.5无人机动态路径规划描述
6.5.1 问题来源
6.5.2 任务描述
6.6基于SVDDBN的威胁概率预测模型
6.7基于转换量测卡尔曼滤波的状态估计模型
6.7.1 机载雷达观测数据坐标转换误差分析
6.7.2 机载雷达测量值坐标转换误差协方差
6.7.3 转换量测卡尔曼滤波缺失数据估计
6.8无人机飞行控制模型
6.9无人机路径优化
6.10应用与分析
参考文献
书单推荐
