基于贝叶斯信息更新的无人机目标搜索策略研究

发布时间：2022-01-25 08:00

　　基于贝叶斯信息更新方法,提出了一个无人机目标搜索的动态策略模型,并给出了相应算法。该模型是在一般贝叶斯先验假设下给出的,不需要现有相关文献中均匀分布的假设。在无人机搜索行动中,可以实施贝叶斯干预,利用新获取的目标搜索区域的额外信息,实时地改进搜索策略。数值实验中,假设目标处于搜索区域的分布为正态分布,实验结果表明,相比较均匀分布假设,在正态分布假设下发现概率更大,而且贝叶斯干预后的累计发现概率不会降低。 

【文章来源】：山东科技大学学报(自然科学版). 2020,39(06)北大核心

【文章页数】：6 页

【部分图文】：

均匀分布下每阶段发现概率

图2 均匀分布下每阶段发现概率从表2和表3中可以看出，加入贝叶斯干预后，第一阶段的发现概率是相同的，说明贝叶斯干预对干预前一阶段的发现概率没有影响；而第二阶段与第三阶段的发现概率均有增加，这是由于加入贝叶斯干预后，概率分布重新调整，干预后新加入的区域比原区域目标存在的概率大，因此发现概率也增大，累计发现概率也会增大。图3给出了有贝叶斯干预和无贝叶斯干预情况下的累计发现概率对比。

在3.1节实验中加入贝叶斯干预，即在完成第一阶段搜索之后，加入一个新的信息NF(-6,13;8,8;0),pF=0.52>pA，则更新F区域为第二阶段搜索区域，A区域为第三阶段搜索区域，此时每个阶段的发现概率如表3。图2 均匀分布下每阶段发现概率

【参考文献】：
期刊论文
[1]多无人机协同运动目标搜索问题研究[J]. 王勋,姚佩阳,梅权.  电光与控制. 2016(08)
[2]基于贝叶斯信息更新的失事飞机发现概率模型[J]. 周长银,赵玉堂,孙亚星.  数学建模及其应用. 2015(02)
[3]海上搜救中发现概率的研究[J]. 吴翔,周江华.  中国安全生产科学技术. 2015(01)
[4]多无人机协同搜索随机目标决策[J]. 轩永波,黄长强,吴文超,王勇,翁兴伟,李望西.  控制与决策. 2013(05)
[5]基于蒙特卡洛方法的海上搜寻区域确定模型[J]. 姜华林,孙昭晨,李黎,刘波,吴俊萍.  水道港口. 2011(04)
[6]海上搜寻区域确定的计算机辅助方法[J]. 胡志武,毕曙光,耿鹤军.  上海海事大学学报. 2008(02)
[7]海上搜救中搜寻区域确定方法研究[J]. 于卫红,贾传荧.  中国航海. 2006(02)

硕士论文
[1]海上搜寻最佳区域研究[D]. 王博研.大连海事大学 2016
[2]海上搜寻中目标发现概率的研究[D]. 周涛.大连海事大学 2011



本文编号：3608177