[发明专利]一种基于模糊动态贝叶斯网络-自适应粒子滤波态势评估方法

权利要求书

1.一种基于模糊动态贝叶斯网络-自适应粒子滤波态势评估方法，其特征在于，包括以下步骤：

第一步、数据抗干扰及模糊化处理：

从采集的数据中提取所需要处理的数据，采用基于线性回归的填充方法建立关于缺失值变量X_i(i＝1,2,...,m)的填充值变量Y的回归模型：

其中，a₀和a₁时不依赖X_i的权重参数。

其中，和分别为缺失值变量和填充值变量的估计值

对填充后的数据通过面向对象的模糊化方法，采用属性删除法将不可被模糊化的属性删除，并结合概念树提升技术对数据进行模糊化到指定层次。最后获得数据所处各模糊集合的隶属度，即数据的各状态概率。

第二步、构建贝叶斯网络：

依据贝叶斯公式构建动态贝叶斯网络：

其数学推理本质是：

其中：x_i表示X_i的一个取值状态，y_i表示观测变量Y_i的取值。pa(Y_i)表示y_i的双亲点集合，pa(X_i)表示x_i的双亲点集合。

第三步、建立模糊动态贝叶斯网络：

上述静态贝叶斯网路随时间发展得到T时间动态贝叶斯网络，此观测值下隐藏变量的分布为：

其中，x_ij表示X_ij的一个取值状态，第一个下标表示第i时间片，第二个下标表示该时间片内的第j个隐藏节点。y_ij表示观测变量Y_ij的取值。pa(Y_ij)表示y_ij的双亲点集合，pa(X_ij)表示x_ij的双亲点集合。

观测值经模糊分类后，使变量的组合状态y₁₁,y₁₂,...,y_1m,...y_T1,y_T2,...,y_Tm为多个，且每一种的组合状态的概率都不是1，计算隐藏变量x₁₁,x₁₂,...,x_1n,x_T1,x_T2,...,x_Tn的后验分布，得到模糊动态贝叶斯网络的推理公式如下：

其中，Y_ijo表示第i个时间片内第j个观测节点Y_ij的观测状态。p(Y_ij＝y_ijo)是Y_ij处于对应状态的概率。

第四步、分割模糊动态贝叶斯网络：

选取合适的团个数和大小，利用策略相关性和局部模型的弱交互性对模糊动态贝叶斯网络进行分割，以降低抽样模型规模和抽样的状态空间：

C＝{C₁,C₂,...,C_K}，对每个团C_i节点集为{N₁,N₂,...,N_m}，对应一个因式粒子集合其中粒子数目。

第五步、结合自适应粒子滤波：

对不同内部相关性的局部模型用自适应粒子滤波算法来进行近似推理,随着状态空间的变化动态地改变粒子数目来提高效率，从重要性采样密度函数中抽取N个粒子：

得到新的粒子集合：

更新粒子权重：

其中：为似然函数，为概率转移密度函数，为重要性采样密度，表示粒子权重。

权重归一化处理：

其中：表示粒子权重

得到近似推理：

其中：g(x_0:k)表示局部模型函数，表示归一化后权重。