| 【中文题名】 | 动态贝叶斯网络在战场目标态势威胁评估中的应用 |
| 【英文题名】 | Information Fusion Based on Dynamic Bayesian Network in the Threat Assessment of the Battlefield |
| 【学科专业】 | 计算机仿真 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-9 |
| 【中关键词】 | 贝叶斯网络,动态贝叶斯网络,信息融合,态势威胁评估,, |
| 【英关键词】 | bayesian network,dynamic bayesian network,information fusion,posture threat assessment, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
战场态势威胁评估是信息融合领域比较新的方向。在战场环境下，信息源众多且具有不确定性，因此在不确定性信息下对战场态势威胁评估进行有效推理的方法，成为信息融合领域研究的热点。
本文主要是研究动态贝叶斯网络在战场态势威胁评估中的应用。贝叶斯网络被认为是数学基础最强的不确定性处理理论。动态贝叶斯网络(DBN)是由贝叶斯网络发展来的，具有良好的随时间演化的能力。通过动态贝叶斯网络能将人类的先验知识和后验的数据无缝地结合的特点，利用闭环的动态贝叶斯网络拓扑结构进行不断的学习，来降低信息融合过程中的不确定性。并通过无人作战飞机对地攻击态势威胁评估的仿真实验，验证动态贝叶斯网络在战场目标态势威胁评估中的有效性。
该方法应用于实践之中，将有效提高作战决策过程的自动化和智能化程度。 |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-10 |
|
第一章 绪论 |
10-14 |
|
1.1 引言 |
10 |
|
1.2 国内外研究现状 |
10-12 |
|
1.3 本文主要内容及安排 |
12-14 |
|
第二章 战场态势威胁评估的相关知识 |
14-32 |
|
2.1 态势威胁评估的概念和系统框架 |
14-20 |
|
2.1.1 态势威胁评估的概念 |
14-16 |
|
2.1.2 态势威胁评估功能模块 |
16-20 |
|
2.2 信息融合概述 |
20-30 |
|
2.2.1 信息融合的功能模型 |
23-25 |
|
2.2.2 信息融合的体系结构 |
25-28 |
|
2.2.3 信息融合的层次结构 |
28-29 |
|
2.2.4 信息融合的不确定性推理方法 |
29-30 |
|
2.2.5 信息融合的应用 |
30 |
|
2.3 小结 |
30-32 |
|
第三章 贝叶斯网络研究 |
32-44 |
|
3.1 概率网络 |
32-37 |
|
3.1.1 一般结构 |
33-34 |
|
3.1.2 主要用途 |
34-35 |
|
3.1.3 定性和定量分析 |
35-37 |
|
3.2 贝叶斯网络 |
37-39 |
|
3.2.1 贝叶斯公式 |
38 |
|
3.2.2 贝叶斯网络的建立 |
38-39 |
|
3.2.3 贝叶斯网络的优点 |
39 |
|
3.3 动态贝叶斯网络(DBN) |
39-42 |
|
3.3.1 动态贝叶斯网络的学习 |
41-42 |
|
3.3.2 动态贝叶斯网络的特点 |
42 |
|
3.4 小结 |
42-44 |
|
第四章 动态贝叶斯网络在战场态势威胁评估中的应用 |
44-66 |
|
4.1 概述 |
44-46 |
|
4.2 动态贝叶斯网络在战场态势威胁评估中的模型研究 |
46-53 |
|
4.2.1 场景描述 |
46-47 |
|
4.2.2 系统组成模块 |
47-48 |
|
4.2.3 变量提取 |
48-49 |
|
4.2.4 拓扑结构的确定 |
49-51 |
|
4.2.5 网络模型的学习 |
51-53 |
|
4.3 实验系统的设计与仿真 |
53-65 |
|
4.3.1 推理模型 |
53-54 |
|
4.3.2 评估模型 |
54-55 |
|
4.3.3 网络条件概率矩阵 |
55-56 |
|
4.3.4 对比与分析 |
56-65 |
|
4.4 小结 |
65-66 |
|
第五章 结论与展望 |
66-67 |
|
参考文献 |
67-68 |
|
致谢 |
68 |
|
| 【DOI】 | LunWen.ID:2.2008.389016 |
