一類動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型及其應(yīng)用研究.pdf

1、在現(xiàn)實(shí)生活和科技領(lǐng)域中，有越來(lái)越多的數(shù)據(jù)出現(xiàn)在人類的面前。其中有一種稱為時(shí)間序列的數(shù)據(jù)應(yīng)用日益廣泛。這種數(shù)據(jù)既在天文、地理、生物、物理、化學(xué)等自然科學(xué)領(lǐng)域，又在圖像處理、語(yǔ)音通訊、聲納技術(shù)、遙感技術(shù)、核工程、環(huán)境工程、醫(yī)學(xué)工程、海洋工程、冶金工程、機(jī)械工程等工程技術(shù)領(lǐng)域，還在人口、經(jīng)濟(jì)、管理等社會(huì)經(jīng)濟(jì)領(lǐng)域中廣泛存在。
　　 前人為了分析時(shí)間序列數(shù)據(jù)，提出了許多模型，其中動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型引起了越來(lái)越多的學(xué)者的關(guān)注。本文主要研究了

2、一類動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型，這一類動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型具有隱含狀態(tài)和觀測(cè)向量?jī)蓚€(gè)隨機(jī)過(guò)程。隱馬爾可夫模型(Hidden Markov Model，HMM)和狀態(tài)空間模型(State Space Model，SSM)就是這一類動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型的典型代表，并且其在參數(shù)估計(jì)等方面存在一些問(wèn)題，故本論文以HMM和SSM為研究對(duì)象，主要對(duì)HMM的隱含狀態(tài)個(gè)數(shù)的確定和SSM在非高斯觀測(cè)噪聲下的狀態(tài)估計(jì)等問(wèn)題構(gòu)建了新的解決方法，并提出了相應(yīng)的求解算法。然

3、后對(duì)于SSM在多傳感器融合跟蹤的應(yīng)用進(jìn)行了深入的研究。
　　 本論文的主要貢獻(xiàn)包括以下幾個(gè)方面：
　　 ①本文構(gòu)建了HMM的模型選擇和特征選擇的聯(lián)合求解方法，并提出了相應(yīng)的求解算法。
　　 首先對(duì)HMM的主要研究問(wèn)題進(jìn)行了論述，著重是HMM的模型選擇問(wèn)題。HMM的模型選擇就是HMM的隱含狀態(tài)個(gè)數(shù)的確定。通過(guò)重點(diǎn)分析HMM的模型選擇與HMM的特征選擇之間的相互關(guān)系，發(fā)現(xiàn)了HMM的模型選擇與HMM的特征選擇這兩個(gè)問(wèn)題

4、相互影響、互相關(guān)聯(lián)，故本文提出了HMM的模型選擇和特征選擇的聯(lián)合求解方法，并給出了相應(yīng)的求解算法。通過(guò)實(shí)驗(yàn)表明了本文提出的HMM的模型選擇和特征選擇的聯(lián)合求解算法比現(xiàn)有的主流算法能更好的刻畫(huà)數(shù)據(jù)。
　　 ②本文提出了SSM在非高斯觀測(cè)噪聲下的新的狀態(tài)估計(jì)算法。
　　 首先對(duì)SSM的狀態(tài)估計(jì)問(wèn)題，特別是在非高斯觀測(cè)噪聲下的狀態(tài)估計(jì)算法進(jìn)行了詳細(xì)的論述。當(dāng)前解決SSM在非高斯觀測(cè)噪聲下的狀態(tài)估計(jì)的主流方法是用混合高斯模型進(jìn)行

5、非高斯噪聲的模擬，然后用最大期望算法進(jìn)行狀態(tài)的估計(jì)。但最大期望算法很難估計(jì)混合高斯模型中的混合個(gè)數(shù)，這必將影響狀態(tài)估計(jì)的效果。故本文提出了用變分貝葉斯算法對(duì)SSM在非高斯觀測(cè)噪聲下的狀態(tài)進(jìn)行估計(jì)，并給出了相應(yīng)的狀態(tài)估計(jì)算法。通過(guò)大量的實(shí)驗(yàn)表明了本文提出的算法比當(dāng)前的主流算法有較好的狀態(tài)估計(jì)效果和較小的時(shí)間復(fù)雜度。
　　 ③本文提出了將Student-t分布應(yīng)用到非高斯噪聲下的多傳感器單目標(biāo)融合跟蹤問(wèn)題中，進(jìn)而提出了離線和在線的兩

6、種融合跟蹤算法。
　　 通過(guò)分析非高斯噪聲情況下的多傳感器單目標(biāo)融合跟蹤問(wèn)題，發(fā)現(xiàn)用傳統(tǒng)的混合高斯進(jìn)行非高斯噪聲建模，會(huì)導(dǎo)致融合后的模型過(guò)多，進(jìn)而引起跟蹤效果較差和算法時(shí)間復(fù)雜度較高等缺點(diǎn)。故本文提出了用Student-t分布進(jìn)行非高斯噪聲的模擬，并給出了離線和在線的兩種融合跟蹤算法。通過(guò)實(shí)驗(yàn)表明了本文提出的離線和在線的這兩種融合跟蹤算法比現(xiàn)有的融合跟蹤算法有較好的跟蹤效果和較低的時(shí)間復(fù)雜度。
　　 ④本文構(gòu)建了多傳感器

7、的相對(duì)配準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)融合的聯(lián)合求解方法，進(jìn)而提出了相應(yīng)的求解算法，從而實(shí)現(xiàn)了多傳感器多目標(biāo)融合跟蹤。
　　 針對(duì)多傳感器多目標(biāo)融合跟蹤問(wèn)題進(jìn)行了詳細(xì)地論述，分別闡述了多傳感器的相對(duì)配準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)融合這三個(gè)問(wèn)題，發(fā)現(xiàn)這三個(gè)問(wèn)題相互影響、互相關(guān)聯(lián)。故本文構(gòu)建了多傳感器的相對(duì)配準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)融合的聯(lián)合求解方法，將這三個(gè)問(wèn)題轉(zhuǎn)化成為參數(shù)估計(jì)的問(wèn)題，進(jìn)而提出了相應(yīng)的求解算法。通過(guò)實(shí)驗(yàn)表明了本文提出的多傳感器的相對(duì)配準(zhǔn)、數(shù)據(jù)