贝叶斯网络理论及其在军事系统中的应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

贝叶斯网络理论及其在军事系统中的应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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HMM113

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