贝叶斯网路起源于20世纪80年代中期对人工智慧中的不确定性问题的研究，已成为人工智慧的一个重要领域，对统计学、系统工程、资讯理论、模式识别等学科产生了重要的影响。被广泛套用于医疗诊断、工业套用、金融分析、计算机系统、军事套用、生物信息等领域。
《离散动态贝叶斯网路推理及其套用》以无人机的智慧型决策为背景，系统论述了离散动态贝叶斯网路的基本理论、算法及其套用的中文专着。《离散动态贝叶斯网路推理及其套用》共分7章，内容涵盖了贝叶斯网路的基础知识、离散动态贝叶斯网路的精确推理、离散动态贝叶斯网路的近似推理、变结构动态贝叶斯网路的推理、离散动态贝叶斯网路缺失数据的修补及离散动态贝叶斯网路在无人机自主智慧型决策中的套用。《离散动态贝叶斯网路推理及其套用》从实例出发，由浅入深，直观与严谨相结合，并提供详尽的参考文献。
《离散动态贝叶斯网路推理及其套用》适用于相关专业的高年级本科生、研究生和科研人员。

高晓光，辽宁鞍山人，1957年生，博士。西北工业大学教授、博士生导师，国家示範型国际科技合作基地“飞行器综合体效能分析国际科技合作基地”主任、教育部重点实验室“空天电子信息感知与光电控制”实验室主任。中国指挥与控制学会常务理事。长期从事贝叶斯网路、飞行器智慧型决策系统和效能评估技术研究，主持并完成国家自然科学基金、装备预研等项目20余项。获省部级科技进步奖6项。出版学术专着3部，在国内外重要期刊和学术会议上发表论文150余篇，SCI/EI检索100余篇。

陈海洋，陕西户县人，1967年生，博士。西安工程大学讲师、硕士生导师，长期从事人工智慧、贝叶斯网路的理论与套用研究，参与三项有关贝叶斯网路智慧型决策方面的国家自然科学基金研究，在动态贝叶斯网路推理算法的研究上取得了一些原创性的研究成果。先后主持和参与各类研究项目10项。出版教材2部、学术专着1部，发表论文20余篇，SCI/EI检索10余篇。

第1章 无人机自主决策与贝叶斯网路1
1.1 无人机自主决策1
1.2 无人机自主决策中的几种人工智慧方法对比4
1.3 贝叶斯网路的研究现状7
1.3.1 贝叶斯网路信息表达9
1.3.2 贝叶斯网路推理方法10
1.3.3 动态贝叶斯网路研究现状15
1.3.4 变结构动态贝叶斯网路研究现状17
第2章 贝叶斯网路及其推理18
2.1 贝叶斯网路基础18

2.1.1 节点及其取值19
2.1.2 结构20
2.1.3 参数20
2.2 贝叶斯网路的特性21
2.2.1 条件独立性21
2.2.2 有向分隔24
2.3 贝叶斯网路推理的基本类型25
2.4 单连通网路的精确推理26
2.4.1 单连通网路和多连通网路27
2.4.2 讯息传播算法27
2.4.3 算例29
2.5 多连通网路的精确推理34
2.5.1 联接树算法基本流程35
2.5.2 算例37
2.5.3 算法分析39
2.6 不确定证据的推理40
2.6.1 证据类型40
2.6.2 虚拟节点40
2.6.3 讯息传播算法中不确定证据的推理42
2.6.4 联接树算法中不确定证据的推理43
第3章 离散动态贝叶斯网路及其精确推理44
3.1 动态贝叶斯网路44
3.1.1 动态贝叶斯网路的定义及表示44
3.1.2 动态贝叶斯网路推理的基本任务46
3.2 前向后向算法47
3.2.1 算法描述47
3.2.2 算例49

3.3 改进的前向后向算法及複杂度分析50
3.3.1 算法描述51
3.3.2 複杂度分析53
3.3.3 算例53
3.4 快速前向后向算法57
3.4.1 算法描述57
3.4.2 複杂度分析59
3.5 基于双向计算因子的前向后向算法59
3.5.1 双向计算因子的定义59
3.5.2 算法描述59
3.5.3 複杂度分析60
3.5.4 算例61
3.6 接口算法63
3.6.1 接口算法描述63
3.6.2 複杂度分析67
3.7 离散动态贝叶斯网路的直接计算推理算法67
3.7.1 直接计算推理算法基础67
3.7.2 传统离散动态贝叶斯网路的数据结构68
3.7.3 算法描述70
3.7.4 複杂度分析71
3.7.5 算例71
3.8 离散模糊动态贝叶斯网路及其推理74
3.8.1 模糊分类75
3.8.2 算法描述76
3.8.3 複杂度分析77
3.8.4 算例77
第4章 离散动态贝叶斯网路的近似推理81
4.1 时间窗和时间窗宽度的基本概念81
4.2 基于时间窗的直接计算推理算法83
4.2.1 算法的基本思想83
4.2.2 算法描述83
4.2.3 複杂度分析87
4.3 基于时间窗的前向后向算法87
4.3.1 算法的基本思想87
4.3.2 算法描述88
4.3.3 複杂度分析91
4.4 基于时间窗的接口算法91
4.4.1 算法描述91
4.4.2 複杂度分析93
4.5 算例94
第5章 变结构动态贝叶斯网路的推理96
5.1 概述96
5.2 变结构动态贝叶斯网路的定义及其性质97

5.2.1 变结构动态贝叶斯网路的定义97
5.2.2 变结构动态贝叶斯网路的性质98
5.3 变结构离散动态贝叶斯网路推理算法98
5.3.1 算法描述98
5.3.2 複杂度分析100
5.4 变结构离散动态贝叶斯网路的快速推理算法100
5.4.1 算法描述100
5.4.2 複杂度分析101
5.5 变结构离散动态贝叶斯网路的递推推理算法101
5.5.1 算法的基本思想101
5.5.2 算法描述101
5.5.3 複杂度分析105
5.6 基于时间窗的变结构离散动态贝叶斯网路递推推理算法105
5.6.1 算法的基本思想105
5.6.2 算法描述106
5.6.3 複杂度分析108
5.7 数据缺失动态贝叶斯网路模型108
5.8 变结构离散动态贝叶斯网路参数的自适应产生算法109
5.9 基于模组化离散动态贝叶斯网路的空中飞机编队识别 111
5.9.1 空中飞机编队的分类识别问题112
5.9.2 空中目标识别子网模型的引入113
5.9.3 识别飞机编队的变结构离散动态贝叶斯网路结构模型114
5.9.4 模型参数的设定115
5.9.5 仿真实验116
第6章 离散动态贝叶斯网路缺失数据的修补120
6.1 基于数据修补的离散动态贝叶斯网路结构模型120
6.2 前向信息修补算法122
6.2.1 算法的基本思想122
6.2.2 算法描述122
6.3 改进的前向信息修补算法125
6.3.1 离散动态贝叶斯网路缺失数据的两种形式126
6.3.2 算法描述126
6.4 前向后向信息修补算法127
6.4.1 算法的基本思想127

6.4.2 算法描述128
6.5 混合信息修补算法131
6.5.1 算法的基本思想131
6.5.2 算法描述132
第7章 基于离散动态贝叶斯网路的无人机智慧型决策135
7.1 无人机自主智慧型决策概述135
7.2 无人机自主威胁源分类识别135
7.2.1 问题描述135
7.2.2 威胁源分类识别问题中贝叶斯网路分类器的引入138
7.2.3 雷达侦察条件下的贝叶斯网路分类器139
7.2.4 基于离散动态贝叶斯网路的威胁源类型识别141
7.3 无人机自主作战下的威胁等级评估和编队内任务决策147
7.3.1 问题的提出147
7.3.2 威胁等级评估的离散动态贝叶斯网路148
7.3.3 编队内任务决策的离散动态贝叶斯网路149
7.3.4 仿真算例155
7.4 无人机自主作战条件下的目标选择决策160
7.4.1 基于变结构离散动态贝叶斯网路的目标选择决策160
7.4.2 基于变结构贝叶斯网路的目标选择决策仿真实例162
参考文献 165
后记 174"