初始保障期内装备维修器材保障决策方法

为解决新服役装备在初始保障期内维修器材保障方案决策问题,分析了两级装备保障体制下维修器材的流动情况。利用贝叶斯估计理论,根据固定时间间隔期内最小顺序统计量与失效数的预测下限来确定服从威布尔分布的装备单元故障时间和故障数量。最后通过实例表明,与支持向量机、灰色神经网络和ARMA等预测模型相比,所建方法能够获得更佳的预测结果。     

飞行器突发威胁下的智能自主航路规划技术

为了解决突发威胁情况下无人作战飞行器的智能自主航路规划问题,应用变结构自适应参数离散动态贝叶斯网络进行突发威胁时飞行器的突防方向进行选择,给出了模型的建立方法和参数的自适应产生方法,并将类爬山快速搜索算法应用于飞行器改变飞行路径的情况下的实时航路规划,并进行了仿真。仿真结果表明,该方法能够满足飞行器突发威胁下的实时规避威胁和实时航路重规划的要求。     

基于混合贝叶斯网络的非协作式敌我识别系统

混合贝叶斯网络就是允许连续节点和离散节点同时存在的贝叶斯网络。将混合贝叶斯网络应用到非协作式敌我识别系统中,建立了敌我识别的混合贝叶斯网络模型,通过混合贝叶斯网络实现多传感器敌我融合识别及识别可信度分析。仿真结果证明了混合贝叶斯网络可以很好地实现非协作式敌我识别系统的功能,并且该方法直观、准确度高,提高了敌我识别的可靠性。     

基于信号博弈的网络主动防御研究

针对现有被动防御方式难以有效确保军事信息网络安全的问题,从信号伪装的角度对军事信息网络的主动防御进行研究,提出了一种最优伪装信号选取方法。在分析军事信息网络攻防对抗的基础上,基于信号博弈理论对网络攻防过程进行建模;提出了网络攻防收益量化方法;在精炼贝叶斯纳什均衡分析的基础上,设计了最优伪装信号的选取算法。通过实验验证了方法的合理性和可行性,为军事信息网络安全防御提供了一种新的思路。     

神经网络指导贝叶斯决策准则用于运动目标分类

本文利用目标的动态特性开发了神经网络指导的贝叶斯决策准则进行目标分类。系统由特征提取器、指导条件概率生成器的神经网络、新颖的序贯分类器组成。所应用的主要特征是从每个航迹中提取的速度和曲率序列。类似于隐式马尔可夫模型(HMM),用隐含状态训练神经网络,网络的输出则是给定观测下出现隐含状态发生的条件概率。然后用这些条件概率作序贯贝叶斯分类器的输入进行分类。一旦接收到新的扫描数据,分类结果递推更新。为了说明所述方法的有效性,介绍了关于高杂波率的多扫描图象的模拟结果。     

基于模糊随机贝叶斯网络的意图估计方法

意图估计是数据融合五级模型中态势评估的重要研究内容。意图估计结果的稳定性对于辅助战场决策具有重要意义,在分析了影响意图识别结果稳健性的基础上,将模糊随机贝叶斯网络应用于战场目标的意图分析。在研究了战场环境下网络结点构造及推理方法的基础上,结合具体场景给出示例并进行了仿真验证。     

基于Map/Reduce的朴素贝叶斯数据分类算法研究

针对目前机器学习研究领域中的数据分类问题,选择朴素贝叶斯算法作为研究对象。首先,通过对样本数据特征属性的权重进行加权调整,提高算法处理的准确率;然后,改进朴素贝叶斯算法分类器模型,使其能够利用Map/Reduce并行编程模型,采用多计算资源节点并行处理,进一步提高处理速度。最后,对UCI dataset数据库进行实验验证,结果表明:改进后的算法在海量数据分类处理中具有更好的性能表现。     

贝叶斯在装备技术实验结果信息解释决策中的应用

针对目前不能对装备技术实验结果信息进行有效解释,将贝叶斯决策方法引入到装备技术实验的结果信息分析当中,克服由于实验本身性质及主观因素造成的实验结果信息具有“欺骗”性的弊端.基于贝叶斯基本理论及相关研究成果.分析贝叶斯决策在装备技术实验中的应用目的和应用步骤并给出了应用实例,为提高相关人员正确决策提供了科学方法.     

贝叶斯网络推理在信息系统安全风险评估中的应用

提出了一种基于贝叶斯网络推理的安全风险评估方法。从实际出发建立信息系统的贝叶斯网络模型,根据专家给出的先验信息,结合获得的证据信息,运用Pearl方法完成对模型的评估,给出在特定条件下模型的计算——线性推理算法。最后,以实例分析信息系统安全评估的实现过程,结果表明,该方法可行、有效。     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。