摘要：根据飞行器集群中各节点的惯性测量以及节点间数据链给出的相对距离测量,利用集中式卡尔曼滤波可以实现集群节点间的相对定位,包括相对位置和相对姿态的估计。集中式算法将集群内全部数据汇聚到中心节点集中处理,系统的可扩展性和可靠性受到制约。以信念传播为代表的分布式相对定位算法,通过集群各节点对局部信息的处理以及相邻结点间的信息交互,可实现节点间相对位置和相对姿态的全局估计。然而,在集群相对定位问题中,数据链拓扑包含大量环状结构,此时信念传播算法存在收敛性问题。本文提出一种集群相对定位分布式精确推理方法,可适用于任意集群拓扑结构。分别在高斯标准型和规范型描述下,设计集群各节点误差状态的分布式时间更新和量测更新算法,基于路径和原理给出标准型和规范型参数的分布式转换算法。在线性高斯模型假设下,本文方法等价于集中式卡尔曼滤波,可实现相对定位的最优估计。设计基于集群分解的分布式近似推理算法,进一步提升算法运行速度。在六自由度长航时仿真数据上的计算结果表明,基于路径和的分布式近似推理的相对定位精度与集中式卡尔曼滤波接近,明显优于现有的分布式高斯信念传播算法。

摘要：在实际应用中,单传感器的视距、计算资源通常是有限的,多传感器网络的发展和应用为解决具有挑战性的目标跟踪问题提供了更多的可能性。相比于多目标跟踪,集群目标跟踪由于群内目标距离近、协同运动、数目多以及集群分裂合并等因素,会面临更具挑战性的数据关联和计算上的问题,而这些问题在多传感器融合系统中会进一步复杂化。针对有限视距情形下的多传感器集群目标跟踪问题,该文提出了一种可扩展的多传感器集群目标信念传播跟踪方法。该方法在贝叶斯框架下考虑集群结构的不确定性,构建多传感器集群目标联合后验概率密度分解和相应的因子图,以及通过在设计的因子图上运行信念传播算法高效求解数据关联问题。此外,该方法具有计算处理可扩展性,其计算复杂度与传感器数目、集群划分数目和观测数目呈线性关系,与目标数目呈二次关系。最后,仿真实验对比了不同方法关于GOSPA和OSPA(2)的性能,结果表明所提方法能够无缝跟踪集群目标和非群目标、充分利用多传感器信息互补优势、提升跟踪精度。

摘要：社团发现是非常重要的网络数据分析任务.统计模型类社团发现方法由于具有坚实的理论基础和优越的性能,因此越来越被人们关注.然而,已有社团发现模型一般都基于有向概率图模型,作为无向概率图模型的马尔可夫随机场极少被用于社团发现领域.2018年我们提出了一个网络导向的马尔可夫随机场模型NetMRF,该模型虽具有良好的性能,但仍存在如下问题:(1)NetMRF的能量函数不够完整,缺少往往在MRF中起主导作用的单点势函数,仅采用了常被视为起辅助作用的成对势函数对社团进行描述;(2)也正因为如此,为了使成对势函数能有效建模网络中不规则的拓扑信息,NetMRF采用了复杂的三层全连接马尔可夫随机场结构,这虽会增强其描述能力,却给推断算法带来了O(n3)级时间复杂度,n为网络节点数.本文针对上述问题对NetMRF进行改进.首先基于网络嵌入方法,结合吉布斯分布设计有效的单点势函数,解决了NetMRF能量函数不完整的缺陷;进而通过对成对势函数结构的有效稀疏化,缓解了其效率不高的问题;从而构建了一个高精度、近线性的马尔可夫随机场新模型iMRF.本文采用"最大化-加和"版本的信念传播算法对iMRF进行推断,通过最大化联合后验概率获得最优的社团配置.在两组人工网络和20个真实网络上,我们将iMRF与6个统计模型类社团发现方法(包含NetMRF)进行比较,结果显示iMRF的平均精度高于对比算法2.6%~12.9%;iMRF的平均运行速度在对比算法中也名列前茅,尤其是对于大规模网络具有更强的处理能力.

摘要：研究了利用贝叶斯网络不确定推理技术实现端到端服务故障诊断的方法,详细描述了贝叶斯网络故障诊断模型的建立方法,设计了基于Pearl信念传播机制的故障诊断算法,并对其进行了改进,以提高诊断效果.最后,通过仿真验证了该方法的有效性,并提出了下一步的研究方向.