《貝葉斯網路理論及其在軍事系統中的套用》系統地介紹了貝葉斯網路推理學習的理論、模型與算法及其在軍事系統中的套用。全書共13章，包括貝葉斯網路的基本理論、貝葉斯網路的結構學習、貝葉斯網路的參數學習、貝葉斯網路的推理、動態貝葉斯網路技術、貝葉斯網路的擴展模型、貝葉斯最佳化算法及貝葉斯網路在軍事系統中的套用。
基本介紹
- 書名：貝葉斯網路理論及其在軍事系統中的套用
- 類型：人文社科
- 出版日期：2012年5月1日
- 語種：簡體中文
- ISBN：9787118079470, 7118079472
- 品牌：國防工業出版社
- 作者：史志富 張安
- 出版社：國防工業出版社
- 頁數：261頁
- 開本：16
- 定價：58.00
內容簡介,圖書目錄,
內容簡介
《貝葉斯網路理論及其在軍事系統中的套用》取材廣泛，覆蓋面廣，內容翔實，實用性強。它緊密結合複雜智慧型決策系統發展的需要，吸收國內外有關貝葉斯網路方法的內容和成果，還引入了大量科研成果中的技術資料和實例。《貝葉斯網路理論及其在軍事系統中的套用》可為從事人工智慧、推理決策以及軍事套用等領域的工程技術人員提供參考，還可作為人工智慧、運籌學和系統工程等專業的研究生教材或參考書。
圖書目錄
第1章 概論
1.1 複雜系統的決策理論
1.1.1 複雜決策系統概述
1.1.2 複雜決策系統的不確定性
1.1.3 複雜決策系統的決策方法
1.2 貝葉斯網路的產生和發展
1.2.1 貝葉斯網路的產生
1.2.2 貝葉斯網路的發展
1.2.3 貝葉斯網路的套用
1.3 面向複雜決策系統的貝葉斯網路建模
1.3.1 貝葉斯網路在決策系統中的套用
1.3.2 複雜決策系統的貝葉斯網路建模過程
1.3.3 基於貝葉斯網路的知識發現與決策過程
第2章 貝葉斯網路的理論基礎
2.1 貝葉斯網路的機率基礎
2.1.1 機率函式與機率空間
2.1.2 隨機變數與聯合機率分布
2.1.3 條件機率與獨立性
2.1.4 貝葉斯準則
2.1.5 馬爾科夫性
2.2 貝葉斯網路的圖論基礎
2.2.1 圖的基本概念
2.2.2 無向圖模型
2.2.3 有向圖模型
2.2.4 D—分離準則
2.3 貝葉斯網路
2.3.1 貝葉斯網路的定義
2.3.2 貝葉斯網路的語義
2.3.3 貝葉斯網路的分類
2.3.4 貝葉斯網路的特點
2.4 貝葉斯網路模型
2.4.1 貝葉斯網路的信息管道模型
2.4.2 貝葉斯網路的小球模型
2.5 本章小結
第3章 貝葉斯網路的結構學習
3.1 貝葉斯網路結構的評價函式
3.1.1 卡方（X2）度量
3.1.2 信息熵度量
3.1.3 貝葉斯度量（BDe）
3.1.4 最小描述長度度量（MDL）
3.2 完整參數的貝葉斯網路結構學習
3.2.1 基於統計測試的方法
3.2.2 基於搜尋記分的方法
3.3 缺失數據的貝葉斯網路的結構學習
3.3.1 SEM算法
3.3.2 MCMC算法
3.4 貝葉斯網路結構學習的複雜性
3.4.1 結構空間的指數級規模
3.4.2 結構空間的不連續性
3.4.3 網路結構的無環假設
3.4.4 數據的不完備性
3.5 本章小結
第4章 貝葉斯網路的參數學習
4.1 貝葉斯網路模型的參數化表示
4.1.1 二項式模型的參數化表示
4.1.2 多項式模型的參數化表示
4.2 完整參數的貝葉斯網路的參數學習
4.2.1 貝葉斯估計方法
4.2.2 MLE估計算法
4.3 缺失數據的貝葉斯網路參數學習
4.3.1 EM估計算法
4.3.2 吉布斯抽樣算法
4.3.3 高斯逼近算法
4.4 連續變數的參數學習
4.4.1 常態分配變數的參數學習
4.4.2 多維常態分配變數的參數學習
4.4.3 高斯貝葉斯網路的參數學習
4.5 貝葉斯網路學習算法的評價標準
4.6 本章小結
第5章 貝葉斯網路的推理
5.1 機率推理
5.2 貝葉斯網路推理
5.2.1 貝葉斯網路推理的現狀
5.2.2 貝葉斯網路推理的模式
5.2.3 貝葉斯網路推理的過程
5.3 精確推理算法
5.3.1 鏈式網路的推理算法
5.3.2 基於訊息傳播的單連通網路推理算法
5.3.3 基於消元的多連通網路推理算法
5.3.4 基於聚類的多連通網路推理算法
5.3.5 基於連線樹的多連通網路推理算法
5.4 近似推理算法
5.4.1 基於隨機模擬的方法
5.4.2 基於搜尋的方法
5.5 貝葉斯網路推理的複雜性分析
5.6 本章小結
第6章 動態貝葉斯網路技術
6.1 動態貝葉斯網路的理論基礎
6.1.1 狀態空間模型
6.1.2 隱馬爾科夫模型
6.1.3 卡爾曼濾波模型
6.2 動態貝葉斯網路
6.2.1 動態貝葉斯網路的概念
6.2.2 動態貝葉斯網路表示HMM
6.2.3 動態貝葉斯網路中時間的引入方法
6.3 動態貝葉斯網路的學習
6.3.1 結構已知數據完整的DBN學習
6.3.2 結構已知數據不完整的DBN學習
6.3.3 結構未知數據完整的DBN學習
6.3.4 結構未知數據不完整的DBN學習
6.4 動態貝葉斯網路的推理
6.4.1 動態貝葉斯網路的推理
6.4.2 動態貝葉斯網路的解碼
6.4.3 動態貝葉斯網路的學習
6.4.4 動態貝葉斯網路的剪枝
6.5 本章小結
第7章 貝葉斯網路的擴展模型
7.1 模糊貝葉斯網路
7.1.1 模糊邏輯與貝葉斯網路
7.1.2 模糊貝葉斯網路的定義
7.1.3 精確量的模糊化與去模糊化方法
7.2 面向對象貝葉斯網路
7.2.1 複雜決策系統知識的面向對象表達
7.2.2 面向對象貝葉斯網路的知識表達方法
7.2.3 面向對象貝葉斯網路的推理算法
7.3 定性貝葉斯網路
7.3.1 定性貝葉斯網路的概念
7.3.2 定性貝葉斯網路的推理
7.4 影響圖
7.4.1 決策樹與最大期望效用原則
7.4.2 影響圖的定義與表示方法
7.4.3 影響圖的求解與推理算法
7.5 本章小結
……
第8章 基於貝葉斯網路的最佳化技術
第9章 貝葉斯網路在目標融合識別中的套用
第10章 貝葉斯網路在態勢/威脅融合估計中的套用
第11章 貝葉斯最佳化算法在無人機對地攻擊任務分配中的套用
第12章 貝葉斯網路在無人機對地攻擊戰術決策中的套用
第13章 貝葉斯網路在無人機對地攻擊損傷評估中的套用
附錄A 常用術語及其縮寫
附錄B 常用BN軟體及其套用平台
參考文獻
1.1 複雜系統的決策理論
1.1.1 複雜決策系統概述
1.1.2 複雜決策系統的不確定性
1.1.3 複雜決策系統的決策方法
1.2 貝葉斯網路的產生和發展
1.2.1 貝葉斯網路的產生
1.2.2 貝葉斯網路的發展
1.2.3 貝葉斯網路的套用
1.3 面向複雜決策系統的貝葉斯網路建模
1.3.1 貝葉斯網路在決策系統中的套用
1.3.2 複雜決策系統的貝葉斯網路建模過程
1.3.3 基於貝葉斯網路的知識發現與決策過程
第2章 貝葉斯網路的理論基礎
2.1 貝葉斯網路的機率基礎
2.1.1 機率函式與機率空間
2.1.2 隨機變數與聯合機率分布
2.1.3 條件機率與獨立性
2.1.4 貝葉斯準則
2.1.5 馬爾科夫性
2.2 貝葉斯網路的圖論基礎
2.2.1 圖的基本概念
2.2.2 無向圖模型
2.2.3 有向圖模型
2.2.4 D—分離準則
2.3 貝葉斯網路
2.3.1 貝葉斯網路的定義
2.3.2 貝葉斯網路的語義
2.3.3 貝葉斯網路的分類
2.3.4 貝葉斯網路的特點
2.4 貝葉斯網路模型
2.4.1 貝葉斯網路的信息管道模型
2.4.2 貝葉斯網路的小球模型
2.5 本章小結
第3章 貝葉斯網路的結構學習
3.1 貝葉斯網路結構的評價函式
3.1.1 卡方（X2）度量
3.1.2 信息熵度量
3.1.3 貝葉斯度量（BDe）
3.1.4 最小描述長度度量（MDL）
3.2 完整參數的貝葉斯網路結構學習
3.2.1 基於統計測試的方法
3.2.2 基於搜尋記分的方法
3.3 缺失數據的貝葉斯網路的結構學習
3.3.1 SEM算法
3.3.2 MCMC算法
3.4 貝葉斯網路結構學習的複雜性
3.4.1 結構空間的指數級規模
3.4.2 結構空間的不連續性
3.4.3 網路結構的無環假設
3.4.4 數據的不完備性
3.5 本章小結
第4章 貝葉斯網路的參數學習
4.1 貝葉斯網路模型的參數化表示
4.1.1 二項式模型的參數化表示
4.1.2 多項式模型的參數化表示
4.2 完整參數的貝葉斯網路的參數學習
4.2.1 貝葉斯估計方法
4.2.2 MLE估計算法
4.3 缺失數據的貝葉斯網路參數學習
4.3.1 EM估計算法
4.3.2 吉布斯抽樣算法
4.3.3 高斯逼近算法
4.4 連續變數的參數學習
4.4.1 常態分配變數的參數學習
4.4.2 多維常態分配變數的參數學習
4.4.3 高斯貝葉斯網路的參數學習
4.5 貝葉斯網路學習算法的評價標準
4.6 本章小結
第5章 貝葉斯網路的推理
5.1 機率推理
5.2 貝葉斯網路推理
5.2.1 貝葉斯網路推理的現狀
5.2.2 貝葉斯網路推理的模式
5.2.3 貝葉斯網路推理的過程
5.3 精確推理算法
5.3.1 鏈式網路的推理算法
5.3.2 基於訊息傳播的單連通網路推理算法
5.3.3 基於消元的多連通網路推理算法
5.3.4 基於聚類的多連通網路推理算法
5.3.5 基於連線樹的多連通網路推理算法
5.4 近似推理算法
5.4.1 基於隨機模擬的方法
5.4.2 基於搜尋的方法
5.5 貝葉斯網路推理的複雜性分析
5.6 本章小結
第6章 動態貝葉斯網路技術
6.1 動態貝葉斯網路的理論基礎
6.1.1 狀態空間模型
6.1.2 隱馬爾科夫模型
6.1.3 卡爾曼濾波模型
6.2 動態貝葉斯網路
6.2.1 動態貝葉斯網路的概念
6.2.2 動態貝葉斯網路表示HMM
6.2.3 動態貝葉斯網路中時間的引入方法
6.3 動態貝葉斯網路的學習
6.3.1 結構已知數據完整的DBN學習
6.3.2 結構已知數據不完整的DBN學習
6.3.3 結構未知數據完整的DBN學習
6.3.4 結構未知數據不完整的DBN學習
6.4 動態貝葉斯網路的推理
6.4.1 動態貝葉斯網路的推理
6.4.2 動態貝葉斯網路的解碼
6.4.3 動態貝葉斯網路的學習
6.4.4 動態貝葉斯網路的剪枝
6.5 本章小結
第7章 貝葉斯網路的擴展模型
7.1 模糊貝葉斯網路
7.1.1 模糊邏輯與貝葉斯網路
7.1.2 模糊貝葉斯網路的定義
7.1.3 精確量的模糊化與去模糊化方法
7.2 面向對象貝葉斯網路
7.2.1 複雜決策系統知識的面向對象表達
7.2.2 面向對象貝葉斯網路的知識表達方法
7.2.3 面向對象貝葉斯網路的推理算法
7.3 定性貝葉斯網路
7.3.1 定性貝葉斯網路的概念
7.3.2 定性貝葉斯網路的推理
7.4 影響圖
7.4.1 決策樹與最大期望效用原則
7.4.2 影響圖的定義與表示方法
7.4.3 影響圖的求解與推理算法
7.5 本章小結
……
第8章 基於貝葉斯網路的最佳化技術
第9章 貝葉斯網路在目標融合識別中的套用
第10章 貝葉斯網路在態勢/威脅融合估計中的套用
第11章 貝葉斯最佳化算法在無人機對地攻擊任務分配中的套用
第12章 貝葉斯網路在無人機對地攻擊戰術決策中的套用
第13章 貝葉斯網路在無人機對地攻擊損傷評估中的套用
附錄A 常用術語及其縮寫
附錄B 常用BN軟體及其套用平台
參考文獻
