基于小数据集的BN建模方法研究及其应用

发布时间：2021-08-20 00:43

　　无人机多次在现代战场中展现了其突出的军事优势,受到了国内外广泛关注。威胁评估是无人机任务规划系统的核心部分,但在实际战场上,可以获取的数据量是有限的,严重影响了无人机威胁评估的建模质量。因此,本文采用贝叶斯网络（Bayesian Network,简称BN）对小数据集条件下建模方法进行了研究。本文的主要研究内容如下:（1）针对经典鸟群算法易于陷入局部最优的问题,提出了改进的鸟群算法。首先,引入自适应惯性权重,自适应调整搜索空间,使算法易跳出局部最优;其次,根据适应度值将鸟群划分为生产者和跟随者,加快了算法的收敛速度。最后,通过对典型测试函数的数值实验,证明了改进鸟群算法的有效性。（2）本文将改进鸟群算法与专家约束结合用于小数据集条件下的BN结构学习,提出了小数据集条件下基于改进鸟群算法的BN结构学习算法。小数据集蕴含的信息不全面,专家约束可以弥补信息的不足,改善改进鸟群算法的初始网络和搜索过程。本文在小数据集条件下,利用Chest Clinic网络、Animal Characteristics网络和Car Diagnosis网络对本文算法、基于经典鸟群算法和粒子群算法的BN结构学习算法得... 

【文章来源】：西安工程大学陕西省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

涉及六个变量的BN图

N ]之间的随机整数，且 k i；N 是种群大小；1a 和2a 是常数，间；第i只鸟的适应度值用ipFit 表示；全部鸟的适应度之和用sumFit 表机中最小的常数；鸟群的平均位置用jmean 表示。鸟的适应度值越小表。飞行行为群会因为逃避猎人追捕而定期的向别的区域移动。设鸟群的迁移周期为其他的区域后，它们会继续觅食。觅食过程中，一部分鸟作为生产者领食物。生产者和跟随者可以根据规则 4 从种群中划分，它们的行为分别3-5)和式(3-6)描述。(0,1),,1,xxxrandntijtijtij ()(0,1),,,1,xxxxFLrandtijtkjtijtij randn(0,1)表示产生一个服从期望值为 0，标准差为 1 的高斯分布的随N]，且 k i；FL( FL [0,1])为跟随者跟着生产者觅食的概率。图 3-1 给出了经典鸟群算法的流程图。

条件下基于改进鸟群算法的 BN 结绍了一种基于经典鸟群算法的 BN 结构学习算法。然法应用于 BN 结构学习中，并通过专家经验约束构建数据集条件下的 BN 结构学习，最终通过实验仿真验的表示形式一个有向无环图，对应于鸟群算法我们可以将一个有一个有向无环图可以用一个 N 阶矩阵G 来表示， N义如下： 01节点和节点之间没有边节点和节点之间有一条的有向边ijijij

【参考文献】：
期刊论文
[1]几何分布的参数估计及EM算法[J]. 张梦琇,周菊玲.  数学的实践与认识. 2018(20)
[2]军用无人机技术智能化发展及应用[J]. 尹欣繁,章贵川,彭先敏,李雷,田斌.  国防科技. 2018(05)
[3]蝙蝠算法理论研究[J]. 赵萍,许德刚.  电子质量. 2018(09)
[4]基于混合粒子群优化的贝叶斯网络结构学习方法[J]. 尉永清,陈小雪,伊静,孟媛媛.  小型微型计算机系统. 2018(09)
[5]基于DDBN-Cloud的舰艇编队防空目标威胁评估方法[J]. 孙海文,谢晓方,孙涛,张龙杰.  系统工程与电子技术. 2018(11)
[6]美国防部发布《2017—2042年无人系统综合路线图》[J].   飞航导弹. 2018(08)
[7]基于爬山算法的自适应遗传算法[J]. 任芳,沈文辉,范迪.  工业控制计算机. 2018(07)
[8]基于拓扑排序的贝叶斯网络结构学习方法[J]. 苏树伟,范科峰,莫玮.  电视技术. 2018(05)
[9]基于AHP与熵权法的空中目标威胁评估方法[J]. 孔尚萍,张海瑞,廖选平,洪东跑.  战术导弹技术. 2018(01)
[10]基于蚁群节点寻优的贝叶斯网络结构算法研究[J]. 刘浩然,孙美婷,李雷,刘永记,刘彬.  仪器仪表学报. 2017(01)

博士论文
[1]贝叶斯网络结构学习与推理研究[D]. 朱明敏.西安电子科技大学 2013

硕士论文
[1]基于超结构的贝叶斯网络结构学习[D]. 胡慧君.西安电子科技大学 2016
[2]基于贝叶斯网络的电机故障诊断研究[D]. 赵月南.浙江大学 2016
[3]基于小样本数据的贝叶斯网络结构学习研究[D]. 高梅.西安电子科技大学 2015



本文编号：3352463