[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

说明书

本发明公开了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，步骤是：1数据抗干扰及模糊化处理，2构建贝叶斯网络，3建立模糊动态贝叶斯网络,4分割模糊动态贝叶斯网络，5结合自适应粒子滤波。本发明与传统的态势评估方法相比，其优点为：采用线性回归模型对数据进行填充，结合属性删除和概念树提升技术实现数据模糊化以克服采集数据的不完备性，提高算法的准确性。相比较于静态推理算法，本发明介入时间特性提高了推理的实时性。将模糊动态贝叶斯网络分割后的每团结合自适应粒子滤波做预测处理，提高算法的速率和实时性。

技术领域

本发明涉及计算机软件工程和态势评估领域，具体地说，主要是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。

背景技术

目前的态势评估存在以下不足：一是数据来源单一，数据来源不完备及数据微小变化均 会对分析结果产生重大影响；二是不同数据源获得态势分析结果单一；三是动态态势的错误 判断，仅对单个时刻的信息进行态势评估，没有考虑前后时刻信息的关联和信息的相互互补； 四是实时性不高，当参数信息维度过高时，推理速度慢。因此，亟需一种针对动态不完备数 据的实时性更高的态势评估方法。

发明内容

为了解决上述问题，本发明提供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，主要解决的问题是提供一种针对动态不完备数据的实时性的态势分析方法。其具体流 程图如图1所示。

技术方案实施步骤如下：

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。yi_j表示观测变量Y_ij的取值。pa(Y_ij)表示yi_j的双亲点集合，pa(X_ij)表 示x_ij的双亲点集合。