CN110705132B - 一种基于多源异质数据的制导控制***性能融合评估方法 - Google Patents
一种基于多源异质数据的制导控制***性能融合评估方法 Download PDFInfo
- Publication number
- CN110705132B CN110705132B CN201911053564.0A CN201911053564A CN110705132B CN 110705132 B CN110705132 B CN 110705132B CN 201911053564 A CN201911053564 A CN 201911053564A CN 110705132 B CN110705132 B CN 110705132B
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- sample
- expert
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于多源异质数据的制导控制***性能融合评估方法。本发明根据数据的来源和特性不同分别进行融合。根据性能评估指标数据的形式,建立多源异质数据融合框架。首先应该进行数据预处理,即剔除各类数据中的异常值。然后,根据性能评估数据的来源和质量,可以分为三类数据融合方法:采用大样本经典频率数据融合进行处理;采用小样本贝叶斯数据融合方法进行处理;专家数据同样属于小样本数据。另外,由于大样本数据和小样本数据的数据真实性程度的差异,考虑采用贝叶斯更新方法进行处理,最终得到多源异质数据融合结果。
Description
技术领域
本发明涉及多源异质数据融合技术领域,是一种基于多源异质数据的制导控制***性能融合评估方法。
背景技术
制导控制***在飞行器飞行过程中具有极其重要的地位和作用,担负着目标搜索、飞行器制导等重要任务。制导与控制***的性能直接影响精确飞行器武器***的作战效能。没有一个性能优良、满足飞行器武器***战术技术要求的制导精度,精确制导飞行器就不能完成其使命。因此,制导控制***的性能是衡量精确飞行器性能的重要指标。而评估制导***的性能首先要解决的问题即是性能度量的问题。对于制导控制***性能评估来说,由于真实试验过于昂贵,因此不能够完全采用真实试验数据进行评估,需要由其他试验数据进行代替。制导控制***数据主要由不同来源、不同类型方式进行收集,具有多来源、多容量、多类型等特点,属于多源异质数据范畴。
对于多源异质数据来说,如何对不同类型的数据进行数据处理,从而有效的表征制导控制***性能指标特性是目前需要考虑的问题。融合技术一种有效的多源异质数据处理方法。它通过某些既定规则对众多途径获得的目标数据进行自动分析、处理以后遴选出其中的有效信息,最终能够综合有效信息实现所需的决策和评估工作而采用的信息处理技术。数据融合的本质是全面综合诸多不同途径获得的各种各样的数据,用恰当有效合理的方法将人们需要的信息从这些数据中筛选或者提取出来(包括这些数据中各方面的不完善的片面环境信息),排除数据间有可能存在的冲突,获得对融合数据一致的结果。因此,本文考虑制导控制性能评估中的数据具有多源异质的特性,需要采用相应的融合评估方法进行处理,最终得到多源异质数据融合结果。
发明内容
本发明为综合诸多不同途径获得的各种各样的数据,本发明提供了一种基于多源异质数据的制导控制***性能融合评估方法,本发明提供了以下技术方案:
一种基于多源异质数据的制导控制***性能融合评估方法,包括以下步骤:
步骤1:对仿真数据、实测数据和专家数据进行数据预处理,剔除异常值;
步骤2:对仿真数据进行数据融合,采用大样本数据融合方法进行融合处理;
步骤3:对专家数据进行转换,将专家数据转换为概率形式数据;
步骤4:对实测数据和转化为概率形式的专家数据进行数据融合,采用小样本贝叶斯数据融合方法进行融合处理;
步骤5:将数据融合后的仿真数据作为先验信息,将数据融合后的实测数据和专家数据作为观测样本,采用贝叶斯融合方法对所述先验信息和观测样本进行融合,得到多源异质数据融合结果。
优选地,所述步骤1具体为:
步骤1.1:采用拉伊特方法对仿真数据、实测数据和专家数据进行数据预处理,当数据样本集为{x1,x2,...,xn}时,则所述样本集的样本平均值为样本偏差xn为第n个数据样本,xi为第i个测量值,1≤i≤n;
步骤1.2:根据样本偏差和样本集的平均值确定标准差,通过下式表示所述标准差:
其中,s为标准差;
当|Δxi|>3s时,则xi是异常值,并将其剔除,更新得到新的数据样本集。
优选地,所述步骤2具体为:
步骤2.1:对仿真数据进行数据融合,采用大样本数据融合方法进行融合处理,当存在N个仿真数据样本集i=1,2,...,N时,为每个样本集的样本个数,令每个仿真数据样本集的数据均值为θi,对仿真数据样本集进行融合,通过下式表示数据均值:
其中,θ为融合后仿真数据样本集的数据均值,wi是第i个仿真数据集的加权系数
确定样本集的方差,通过下式表示样本集的方差:
步骤2.2:依据总的总方差最小化的原则,根据多源函数极值理论确定wi,通过下式表示wi:
优选地,所述步骤3具体为:
步骤3.1:采用非概率形式的区间数对专家数据进行描述,通过下式表示专家数据集:
x=[x-,x+]={θ|x-≤θ≤x+,x-,x+∈R}
其中,x为专家数据集,R为实数集,x+为x的上限值,x-x的下限值,θ为;
当x-=x+时,则x退化成一个普通的实数或精确数;
步骤3.2:区间数是用于不确定性参数建模时建模信息,仅确定变量取值范围的情况,记某区间变量为[a,b],a为不确定性区间数的上界,b为不确定性区间数的下界,确定转换为均匀分布后的分布函数,通过下式表示转换为均匀分布后的分布函数:
其中,F(x)为转换为均匀分布后的分布函数;
步骤3.3:从区间[a,b]中可以抽样得到ne个样本数据;当ne=5时,专家数据转换到概率形式的数据集合通过下式表示:
其中,H为实测数据和专家数据的融合结果。
优选地,所述步骤5具体为:
步骤5.1:将数据融合后的仿真数据作为先验信息,将数据融合后的实测数据和专家数据作为观测样本;
步骤5.2:采用贝叶斯融合方法对所述先验信息和观测样本进行融合,得到多源异质数据融合结果,所述融合结果是均值ψ,令均值ψ~N(μ,σ2),即分布均值μ和方差σ2的均值、方差相同,那么根据贝叶斯数据进行融合,通过下式表示贝叶斯数据融合:
p(ψ|x)∝p(x|ψ)p(ψ)
其中,p(·)表示概率密度,计算不同ψ值条件下的概率密度,得到均值ψ的概率分布,多源异质数据融合结果通过ψ的期望值表示,通过下式表示ψ的期望值:
E[ψ]=∫p(ψ|x)ψdψ
其中,E[ψ]表示ψ的期望值。
本发明具有以下有益效果:
本发明可收集在制导控制***中由不同来源、不同类型方式的数据,具有多来源、多容量、多类型等特点。
本发明不需要采用昂贵的真实试验贵,避免采用真实试验数据进行评估,需要由其他试验数据进行代替,成本低。
附图说明
图1是多源异质数据融合框架图;
图2是多源异质数据融合流程图;
图3是自适应加权融合结构图;
图4是区间变量概率密度函数图;
图5是大样本数据概率分布曲线图;
图6是小样本数据概率分布曲线图;
图7是贝叶斯更新数据融合结果图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
按照图1和图2所示,本发明提供一种基于多源异质数据的制导控制***性能融合评估方法,包括以下步骤:
步骤1:对仿真数据、实测数据和专家数据进行数据预处理,剔除异常值;
数据预处理的基本思想是做出相应于某一数据的统计量,当该统计量超出一定范围,则认为相应的观测数据不服从正常分布而属异常数据。这里采用拉伊特方法进行数据预处理。
一般认为,如果某测量值xi,1≤i≤n的偏差:
|Δxi|>3s
则认为xi是异常值,应该剔除。这样,通过剔除相应的异常数据,可以得到新的数据样本集。
步骤2:对仿真数据进行数据融合,采用大样本数据融合方法进行融合处理;
于仿真数据一般样本量大,需要采用大样本数据融合方法进行处理。假设存在多个仿真数据样本集即存在N个数据样本集合,每个样本集的样本个数为ni个。由于各个样本数据集的精度不可能完全一致,即每个样本数据集的可信度难以完全一致,为了使融合结果更优,可根据各个样本数据集的数据地寻找对应的权重系数已达到最优的融合结果。自适应加权数据融合方法如图3所示。
假设每个仿真数据样本集Si的数据均值为θi,融合后数据样本集S的数据均值为θ,由图3可得数据融合结果为
步骤3:对专家数据进行转换,将专家数据转换为概率形式数据;
在飞行器制导控制***性能评估过程中,性能的计算往往需要使用一定量的数据。然而,在实际中由于制导控制***运行代价太大,无法获取充足的实测数据。因此,在真实数据稀疏时,需要专家根据自身的实际经验给出一定的参考数据,用于制导控制***的性能评估计算。一般情况下,专家主观判断具有一定的不确定性,很难给出某个变量的准确取值,只能给出取值的可能区间范围。由于专家数据的此种特征,一般采用非概率形式的区间数形式进行描述。多源异质数据融合中无法直接使用区间形式的数据进行计算,因此需要研究相应的转换方法,将专家数据转换到概率框架,进而实现数据的融合。下面将从区间数进行数据的转换研究。
定义x=[x-,x+]={θ|x-≤θ≤x+,x-,x+∈R},其中R为实数集,x-为x的下限值,x+为x的上限值,则称x是一个区间数,即x为实数轴上的一个闭区间。容易看出,当x-=x+时,区间数x退化成一个普通的实数或称精确数。
区间数是一种常用的非概率形式的数据描述方法,适用于不确定性参数建模时建模信息较少,仅能确定变量取值范围的情况。记某区间变量为[a,b],则转换为均匀分布后的分布函数为
概率密度函数如图4所示,那么,根据均匀分布数据的特点,从区间[a,b]中可以抽样得到ne个样本数据。一般情况下,ne=5。这样,专家数据转换到概率形式的数据集合即可表示为a代表不确定性区间数的上界,b代表不确定性区间数的下界。
步骤4:对实测数据和转化为概率形式的专家数据进行数据融合,采用小样本贝叶斯数据融合方法进行融合处理;
步骤5:将数据融合后的仿真数据作为先验信息,将数据融合后的实测数据和专家数据作为观测样本,采用贝叶斯融合方法对所述先验信息和观测样本进行融合,得到多源异质数据融合结果。
多源异质数据融合是将不同来源、性质的数据进行融合,并得到融合后数据结果。一般情况下,多源异质数据x融合后的结果是数据的均值所述融合结果是均值ψ,令均值ψ~N(μ,σ2),即分布均值μ和方差σ2的均值、方差相同,那么根据贝叶斯数据进行融合,通过下式表示贝叶斯数据融合:
p(ψ|x)∝p(x|ψ)p(ψ)
其中,p(·)表示概率密度,计算不同ψ值条件下的概率密度,得到均值ψ的概率分布,多源异质数据融合结果通过ψ的期望值表示,通过下式表示ψ的期望值:
E[ψ]=∫p(ψ|x)ψdψ
其中,E[ψ]表示ψ的期望值。
由于多源异质数据具有多源、异质特性,因此需要首先根据数据的特点进行分类,即将制导控制***性能评估中的多源异质数据分为仿真数据、实测数据以及专家数据三类,根据数据的来源和特性不同分别进行融合。根据性能评估指标数据的形式,建立如图1的多源异质数据融合框架。在进行多源异质数据融合之前,首先应该进行数据预处理,即剔除各类数据中的异常值。然后,根据性能评估数据的来源和质量,可以分为三类数据融合方法:1)仿真数据具有容量大、信息全的特点,采用大样本经典频率数据融合进行处理;2)由于实测数据代价昂贵、数据量少,因此采用小样本贝叶斯数据融合方法进行处理;3)专家数据是由专家根据实际经验给出的数据,同样属于小样本数据。另外,专家数据最大的特点在于数据描述形式呈现非概率形式,常用的描述方式是区间数形式。考虑将区间形式的专家数据转化为概率形式数据,并与实测数据一同采用小样本数据融合方法处理。4)由于大样本数据和小样本数据的数据真实性程度的差异,考虑采用贝叶斯更新方法进行处理,最终得到多源异质数据融合结果。根据多源异质数据融合框架,建立如图2所示的多源异质数据融合流程。
具体实施例二:
以某飞行器制导控制***的性能指标视线角速率误差为例,该指标主要包含三类数据,即仿真数据、实测数据以及专家数据。下面将从数据准备、大样本数据融合、专家数据转换、小样本数据融合以及贝叶斯数据融合5个方面进行多源异质数据融合的阐述。
1)数据准备
对于数据准备阶段,表1-3分别列出了视线角速率误差的试验数据,其中仿真数据分为组别1和组别2两组,实测数据具有稀疏特性,仅包含3个数据,而专家数据则描述为[0.16,0.18]的区间数。
表1组别1仿真数据
编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
数据 | 0.159 | 0.183 | 0.179 | 0.171 | 0.159 | 0.181 | 0.178 | 0.188 |
编号 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
数据 | 0.190 | 0.166 | 0.176 | 0.158 | 0.180 | 0.163 | 0.183 | 0.184 |
编号 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
数据 | 0.161 | 0.196 | 0.158 | 0.191 | 0.177 | 0.200 | 0.154 | 0.172 |
编号 | 25 | 26 | 27 | 28 | 29 | 30 | ||
数据 | 0.165 | 0.192 | 0.173 | 0.154 | 0.155 | 0.198 |
表2组别2仿真数据
编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
数据 | 0.201 | 0.188 | 0.200 | 0.178 | 0.207 | 0.188 | 0.200 | 0.179 |
编号 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
数据 | 0.196 | 0.159 | 0.163 | 0.157 | 0.157 | 0.193 | 0.179 | 0.177 |
编号 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
数据 | 0.181 | 0.168 | 0.176 | 0.170 | 0.154 | 0.162 | 0.156 | 0.159 |
编号 | 25 | 26 | 27 | 28 | 29 | 30 | ||
数据 | 0.179 | 0.185 | 0.157 | 0.193 | 0.162 | 0.171 |
表3实测数据
编号 | 1 | 2 | 3 |
数据 | 0.15 | 0.17 | 0.15 |
2)数据预处理
对于上述仿真数据和实测数据,分别采用拉伊特方法进行数据预处理。处理结果显示这两类无异常数据。
3)大样本仿真数据融合
由于大样本仿真数据分为S1和S2两个样本集,采用图的大样本数据融合方法进行计算。这样,S1和S2两个样本集的均值分别为θ1=0.1744,θ2=0.1765,对应的权重分别为w1=0.5787,w2=0.4213。这样,融合后的大样本数据集的均值为0.1738。具体概率分布如图5所示。
4)专家数据转换
由于专家数据为[0.16,0.18]形式的区间数据,在进行小样本数据融合之前,需要将专家数据转化为概率形式的数据。根据可知,在区间[0.16,0.18]产生5个均匀分布的数据,这样即可获得专家数据集E={0.16,0.165,0.17,0.175,0.180}。
5)小样本数据融合
由于视线角转率的小样本数据包括实测数据和专家,因此需要融合实测数据和专家数据两类数据。实测数据集可以表示为R={0.15,0.17,0.15},而专家数据集E={0.16,0.165,0.17,0.175,0.180},这样小样本数据集可以表示为H={0.15,0.17,0.15,0.16,0.165,0.17,0.175,0.180}。
6)贝叶斯更新数据融合
由于视线角速率误差的小样本数据集和大样本数据集分别表示为H和S,采用贝叶斯更新方法进行数据融合,得到如图5和图6所示的概率分布曲线,其中,大样本仿真数据的均值和标准差分别为0.1738和0.0110,小样本数据的期望和标准差分别为0.1650和0.0150。这样,贝叶斯更新数据融合方法的融合结果如图7所示。从图中可以看出,视线角速率误差均值的期望为0.1694,标准差为0.0027。
以上所述仅是一种基于多源异质数据的制导控制***性能融合评估方法的优选实施方式,一种基于多源异质数据的制导控制***性能融合评估方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (4)
1.一种基于多源异质数据的制导控制***性能融合评估方法,其特征是:包括以下步骤:
步骤1:对仿真数据、实测数据和专家数据进行数据预处理,剔除异常值;
步骤2:对仿真数据进行数据融合,采用大样本数据融合方法进行融合处理;
所述步骤2具体为:
步骤2.1:对仿真数据进行数据融合,采用大样本数据融合方法进行融合处理,当存在N个仿真数据样本集时,为每个样本集的样本个数,令每个仿真数据样本集的数据均值为θi,对仿真数据样本集进行融合,通过下式表示数据均值:
其中,θ为融合后仿真数据样本集的数据均值,wi是第i个仿真数据集的加权系数
确定样本集的方差,通过下式表示样本集的方差:
步骤2.2:依据总的总方差最小化的原则,根据多源函数极值理论确定wi,通过下式表示wi:
步骤3:对专家数据进行转换,将专家数据转换为概率形式数据;
所述步骤3具体为:
步骤3.1:采用非概率形式的区间数对专家数据进行描述,通过下式表示专家数据集:
x=[x-,x+]={θ|x-≤θ≤x+,x-,x+∈R}
其中,x为专家数据集,R为实数集,x+为x的上限值,x-x的下限值,θ为;
当x-=x+时,则x退化成一个普通的实数或精确数;
步骤3.2:区间数是用于不确定性参数建模时建模信息,仅确定变量取值范围的情况,记某区间变量为[a,b],a代表不确定性区间数的上界,b代表不确定性区间数的下界,确定转换为均匀分布后的分布函数,通过下式表示转换为均匀分布后的分布函数:
其中,F(x)为转换为均匀分布后的分布函数;
步骤3.3:从区间[a,b]中可以抽样得到ne个样本数据;当ne=5时,专家数据转换到概率形式的数据集合通过下式表示:
步骤4:对实测数据和转化为概率形式的专家数据进行数据融合,采用小样本贝叶斯数据融合方法进行融合处理;
步骤5:将数据融合后的仿真数据作为先验信息,将数据融合后的实测数据和专家数据作为观测样本,采用贝叶斯融合方法对所述先验信息和观测样本进行融合,得到多源异质数据融合结果。
4.根据权利要求1所述的一种基于多源异质数据的制导控制***性能融合评估方法,其特征是:所述步骤5具体为:
步骤5.1:将数据融合后的仿真数据作为先验信息,将数据融合后的实测数据和专家数据作为观测样本;
步骤5.2:采用贝叶斯融合方法对所述先验信息和观测样本进行融合,得到多源异质数据融合结果,所述融合结果是均值ψ,令均值ψ~N(μ,σ2),即分布均值μ和方差σ2的均值、方差相同,那么根据贝叶斯数据进行融合,通过下式表示贝叶斯数据融合:
p(ψ|x)∝p(x|ψ)p(ψ)
其中,p(·)表示概率密度,计算不同ψ值条件下的概率密度,得到均值ψ的概率分布,多源异质数据融合结果通过ψ的期望值表示,通过下式表示ψ的期望值:
E[ψ]=∫p(ψ|x)ψdψ
其中,E[ψ]表示ψ的期望值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053564.0A CN110705132B (zh) | 2019-10-31 | 2019-10-31 | 一种基于多源异质数据的制导控制***性能融合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053564.0A CN110705132B (zh) | 2019-10-31 | 2019-10-31 | 一种基于多源异质数据的制导控制***性能融合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705132A CN110705132A (zh) | 2020-01-17 |
CN110705132B true CN110705132B (zh) | 2023-04-28 |
Family
ID=69203236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053564.0A Active CN110705132B (zh) | 2019-10-31 | 2019-10-31 | 一种基于多源异质数据的制导控制***性能融合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705132B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925958A (zh) * | 2021-02-05 | 2021-06-08 | 深圳力维智联技术有限公司 | 多源异构数据适配方法、装置、设备及可读存储介质 |
CN112948974B (zh) * | 2021-03-09 | 2023-09-01 | 北京机电工程研究所 | 一种基于证据理论的飞行器性能评估方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
CA2960505A1 (en) * | 2016-03-10 | 2017-09-10 | Tata Consultancy Services Limited | System and method for visual bayesian data fusion |
CN107679566A (zh) * | 2017-09-22 | 2018-02-09 | 西安电子科技大学 | 一种融合专家先验知识的贝叶斯网络参数学习方法 |
CN108664700A (zh) * | 2018-04-04 | 2018-10-16 | 北京航空航天大学 | 基于不确定数据包络分析的加速退化信息融合建模方法 |
CN110388315A (zh) * | 2019-07-05 | 2019-10-29 | 中国石油大学(北京) | 基于多源信息融合的输油泵故障识别方法、装置及*** |
-
2019
- 2019-10-31 CN CN201911053564.0A patent/CN110705132B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
CA2960505A1 (en) * | 2016-03-10 | 2017-09-10 | Tata Consultancy Services Limited | System and method for visual bayesian data fusion |
CN107679566A (zh) * | 2017-09-22 | 2018-02-09 | 西安电子科技大学 | 一种融合专家先验知识的贝叶斯网络参数学习方法 |
CN108664700A (zh) * | 2018-04-04 | 2018-10-16 | 北京航空航天大学 | 基于不确定数据包络分析的加速退化信息融合建模方法 |
CN110388315A (zh) * | 2019-07-05 | 2019-10-29 | 中国石油大学(北京) | 基于多源信息融合的输油泵故障识别方法、装置及*** |
Non-Patent Citations (5)
Title |
---|
Lechang Yang 等.Bayesian-based information extraction and aggregation approach for multilevel systems with multi-source data.《Journal of Systems Engineering and Electronics》.2017,全文. * |
伍友利 等.《知网科技成果》.2017,全文. * |
翟健宏 等.基于聚类与贝叶斯分类器的网络节点分组算法及评价模型.《电信科学》.2013,全文. * |
陈璇.复合制导武器***战技指标的融合评估方法研究.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2012,全文. * |
陈飞 等.《航天电子对抗》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110705132A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Campbell et al. | Assessing colour-dependent occupation statistics inferred from galaxy group catalogues | |
Oñorbe et al. | How to zoom: bias, contamination and Lagrange volumes in multimass cosmological simulations | |
CN110347668B (zh) | Ads-b航迹清洗与校准装置 | |
CN108629494B (zh) | 干旱等级评估方法及*** | |
CN110705132B (zh) | 一种基于多源异质数据的制导控制***性能融合评估方法 | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN111028893A (zh) | 一种晶体生长预测方法及装置 | |
US10379999B2 (en) | Duplicate bug report detection using machine learning algorithms and automated feedback incorporation | |
CN110990756B (zh) | 基于可拓型逐层分析的空中目标航迹质量评估方法 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN109918718B (zh) | 无人机飞行质量评估方法、装置、存储介质及电子设备 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN109684713B (zh) | 基于贝叶斯的复杂***可靠性分析方法 | |
CN116129679A (zh) | 一种航路规划裁剪参数获取方法、装置、设备及存储介质 | |
CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
CN109191408A (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Wu et al. | Comparative Analysis of TRGBs (CATs) from Unsupervised, Multi-halo-field Measurements: Contrast is Key | |
CN115952426B (zh) | 基于随机采样的分布式噪音数据聚类方法及用户分类方法 | |
Hatfield et al. | Comparing galaxy clustering in Horizon-AGN simulated light-cone mocks and VIDEO observations | |
CN107808241B (zh) | 一种不锈钢表面检测结果综合分析*** | |
CN117745096A (zh) | 一种控制网布测方案评价方法及*** | |
CN107291767B (zh) | 任务执行时间的优化处理方法和装置 | |
CN111967168A (zh) | 一种加速退化试验方案优化设计方法 | |
CN111177644A (zh) | 模型参数的优化方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |