贝叶斯网络理论及其在军事系统中的应用PDF电子书下载

第1章 概论 1

1.1 复杂系统的决策理论 1

1.1.1 复杂决策系统概述 1

1.1.2 复杂决策系统的不确定性 3

1.1.3 复杂决策系统的决策方法 4

1.2 贝叶斯网络的产生和发展 6

1.2.1 贝叶斯网络的产生 6

1.2.2 贝叶斯网络的发展 9

1.2.3 贝叶斯网络的应用 11

1.3 面向复杂决策系统的贝叶斯网络建模 12

1.3.1 贝叶斯网络在决策系统中的应用 12

1.3.2 复杂决策系统的贝叶斯网络建模过程 13

1.3.3 基于贝叶斯网络的知识发现与决策过程 14

第2章 贝叶斯网络的理论基础 17

2.1 贝叶斯网络的概率基础 17

2.1.1 概率函数与概率空间 17

2.1.2 随机变量与联合概率分布 18

2.1.3 条件概率与独立性 19

2.1.4 贝叶斯准则 19

2.1.5 马尔科夫性 21

2.2 贝叶斯网络的图论基础 22

2.2.1 图的基本概念 22

2.2.2 无向图模型 23

2.2.3 有向图模型 24

2.2.4 D-分离准则 25

2.3 贝叶斯网络 28

2.3.1 贝叶斯网络的定义 28

2.3.2 贝叶斯网络的语义 31

2.3.3 贝叶斯网络的分类 32

2.3.4 贝叶斯网络的特点 34

2.4 贝叶斯网络模型 36

2.4.1 贝叶斯网络的信息管道模型 36

2.4.2 贝叶斯网络的小球模型 37

2.5 本章小结 38

第3章 贝叶斯网络的结构学习 40

3.1 贝叶斯网络结构的评价函数 40

3.1.1 卡方（x2）度量 40

3.1.2 信息熵度量 41

3.1.3 贝叶斯度量（BDe） 42

3.1.4 最小描述长度度量（MDL） 44

3.2 完整参数的贝叶斯网络结构学习 44

3.2.1 基于统计测试的方法 45

3.2.2 基于搜索记分的方法 46

3.3 缺失数据的贝叶斯网络的结构学习 49

3.3.1 SEM算法 49

3.3.2 MCMC算法 50

3.4 贝叶斯网络结构学习的复杂性 51

3.4.1 结构空间的指数级规模 51

3.4.2 结构空间的不连续性 51

3.4.3 网络结构的无环假设 52

3.4.4 数据的不完备性 52

3.5 本章小结 52

第4章 贝叶斯网络的参数学习 54

4.1 贝叶斯网络模型的参数化表示 54

4.1.1 二项式模型的参数化表示 54

4.1.2 多项式模型的参数化表示 56

4.2 完整参数的贝叶斯网络的参数学习 57

4.2.1 贝叶斯估计方法 58

4.2.2 MLE估计算法 59

4.3 缺失数据的贝叶斯网络参数学习 60

4.3.1 EM估计算法 60

4.3.2 吉布斯抽样算法 62

4.3.3 高斯逼近算法 63

4.4 连续变量的参数学习 64

4.4.1 正态分布变量的参数学习 64

4.4.2 多维正态分布变量的参数学习 68

4.4.3 高斯贝叶斯网络的参数学习 72

4.5 贝叶斯网络学习算法的评价标准 76

4.6 本章小结 76

第5章 贝叶斯网络的推理 78

5.1 概率推理 78

5.2 贝叶斯网络推理 79

5.2.1 贝叶斯网络推理的现状 79

5.2.2 贝叶斯网络推理的模式 80

5.2.3 贝叶斯网络推理的过程 81

5.3 精确推理算法 82

5.3.1 链式网络的推理算法 83

5.3.2 基于消息传播的单连通网络推理算法 85

5.3.3 基于消元的多连通网络推理算法 90

5.3.4 基于聚类的多连通网络推理算法 92

5.3.5 基于连接树的多连通网络推理算法 94

5.4 近似推理算法 97

5.4.1 基于随机模拟的方法 98

5.4.2 基于搜索的方法 102

5.5 贝叶斯网络推理的复杂性分析 102

5.6 本章小结 104

第6章 动态贝叶斯网络技术 105

6.1 动态贝叶斯网络的理论基础 105

6.1.1 状态空间模型 105

6.1.2 隐马尔科夫模型 107

6.1.3 卡尔曼滤波模型 108

6.2 动态贝叶斯网络 110

6.2.1 动态贝叶斯网络的概念 110

6.2.2 动态贝叶斯网络表示HMM 113

6.2.3 动态贝叶斯网络中时间的引入方法 116

6.3 动态贝叶斯网络的学习 122

6.3.1 结构已知数据完整的DBN学习 123

6.3.2 结构已知数据不完整的DBN学习 123

6.3.3 结构未知数据完整的DBN学习 123

6.3.4 结构未知数据不完整的DBN学习 125

6.4 动态贝叶斯网络的推理 125

6.4.1 动态贝叶斯网络的推理 125

6.4.2 动态贝叶斯网络的解码 128

6.4.3 动态贝叶斯网络的学习 129

6.4.4 动态贝叶斯网络的剪枝 130

6.5 本章小结 130

第7章 贝叶斯网络的扩展模型 132

7.1 模糊贝叶斯网络 132

7.1.1 模糊逻辑与贝叶斯网络 132

7.1.2 模糊贝叶斯网络的定义 133

7.1.3 精确量的模糊化与去模糊化方法 134

7.2 面向对象贝叶斯网络 135

7.2.1 复杂决策系统知识的面向对象表达 136

7.2.2 面向对象贝叶斯网络的知识表达方法 136

7.2.3 面向对象贝叶斯网络的推理算法 139

7.3 定性贝叶斯网络 141

7.3.1 定性贝叶斯网络的概念 141

7.3.2 定性贝叶斯网络的推理 142

7.4 影响图 143

7.4.1 决策树与最大期望效用原则 144

7.4.2 影响图的定义与表示方法 146

7.4.3 影响图的求解与推理算法 149

7.5 本章小结 151

第8章 基于贝叶斯网络的优化技术 152

8.1 基于概率模型的进化计算 152

8.1.1 进化计算概论 152

8.1.2 遗传算法分析 153

8.1.3 基于概率模型的分布估计算法 154

8.2 贝叶斯优化算法 157

8.2.1 贝叶斯优化算法流程 157

8.2.2 贝叶斯网络的评价与搜索 157

8.2.3 对贝叶斯网络的采样 159

8.3 决策图贝叶斯优化算法 161

8.3.1 决策图的基本理论 161

8.3.2 决策图贝叶斯优化算法 163

8.3.3 DBOA算法性能分析 165

8.4 本章小结 170

第9章 贝叶斯网络在目标融合识别中的应用 171

9.1 多传感器目标融合识别 171

9.1.1 目标融合识别的复杂性分析 171

9.1.2 空中目标的类型划分 173

9.1.3 空中目标的战术特征和物理特征分析 174

9.2 基于贝叶斯网络的目标融合识别方法 176

9.2.1 目标识别的贝叶斯网络结构 176

9.2.2 目标识别的贝叶斯参数设置 177

9.2.3 仿真与结果分析 178

9.3 基于动态贝叶斯网络的目标识别方法 179

9.3.1 目标识别的动态贝叶斯网络模型 179

9.3.2 基于动态贝叶斯网络的目标识别推理 180

9.3.3 仿真与结果分析 181

9.4 本章小结 182

第10章 贝叶斯网络在态势／威胁融合估计中的应用 183

10.1 多传感器数据融合中的态势估计技术 183

10.1.1 态势估计的定义与研究现状 183

10.1.2 态势估计模型的数学描述 184

10.1.3 态势估计的数据处理流程 185

10.2 基于贝叶斯网络的机载光电传感器态势估计技术 186

10.2.1 机载光电传感器态势估计模型 186

10.2.2 基于模糊聚类的目标点迹数据关联对准 186

10.2.3 基于最大似然估计的目标状态融合估计 188

10.2.4 基于贝叶斯网络推理技术的态势估计 189

10.2.5 仿真与结果分析 190

10.3 基于模糊贝叶斯网络的机载光电传感器威胁估计技术 193

10.3.1 机载光电系统目标威胁估计分析 193

10.3.2 基于贝叶斯网络的目标威胁估计流程 193

10.3.3 目标威胁估计的模糊贝叶斯网络模型 194

10.3.4 仿真与结果分析 196

10.4 本章小结 198

第11章 贝叶斯优化算法在无人机对地攻击任务分配中的应用 199

11.1 无人机编队对地攻击的任务分配 199

11.2 无人机编队对地攻击协同任务分配基本模型 201

11.2.1 单无人机自主优势函数 201

11.2.2 无人机编队的协同优势函数 202

11.2.3 协同任务分配的数学模型 203

11.2.4 仿真与结果分析 203

11.3 无人机编队对地攻击协同任务分配扩展模型 206

11.3.1 协同任务分配模型分析 206

11.3.2 结合距离折扣因子的协同任务分配模型 208

11.3.3 基于DBOA的无人机协同任务分配优化方法 208

11.3.4 仿真与结果分析 209

11.4 本章小结 216

第12章 贝叶斯网络在无人机对地攻击战术决策中的应用 217

12.1 无人机编队对地攻击战术决策系统 217

12.1.1 无人机编队对地攻击战术决策的任务分析 217

12.1.2 无人机编队对地攻击战术决策的系统结构 218

12.1.3 无人机编队对地攻击战术决策的数学描述 220

12.2 基于贝叶斯网络的无人机对地攻击战术决策模型 221

12.2.1 确定贝叶斯网络节点 221

12.2.2 确定贝叶斯网络节点状态 221

12.2.3 建立贝叶斯网络模型 222

12.2.4 仿真与结果分析 223

12.3 基于OOBN的无人机编队对地决策建模 224

12.3.1 无人机编队对地决策分析 224

12.3.2 基于OOBN的无人机编队对地决策建模 225

12.3.3 仿真实例 226

12.4 基于影响图的无人机对地攻击战术决策模型 227

12.4.1 无人机编队对地攻击战术任务决策因素分析 227

12.4.2 无人机编队对地攻击战术任务决策的影响图模型 229

12.4.3 无人机编队对地攻击战术任务决策影响图的概率分析 230

12.4.4 仿真与结果分析 231

12.5 本章小结 233

第13章 贝叶斯网络在无人机对地攻击损伤评估中的应用 234

13.1 无人机对地攻击战斗损伤评估 234

13.1.1 损伤评估的历史与发展 234

13.1.2 损伤评估的定义 235

13.1.3 损伤评估的模型 237

13.2 无人机对地攻击战斗损伤评估贝叶斯网络模型 239

13.2.1 无人机对地攻击BDA分析 239

13.2.2 无人机对地攻击BDA的知识表示 240

13.2.3 无人机对地攻击BDA贝叶斯网络模型的建立 241

13.3 仿真结果与分析 243

13.4 本章小结 246

附录A 常用术语及其缩写 247

附录B 常用BN软件及其应用平台 250

参考文献 255