[发明专利]一种基于代表点优化的Bayes融合评估方法

权利要求书

1.一种基于代表点优化的Bayes融合评估方法，其特征在于：包括以下步骤：

步骤1：构造经典Bayes点估计模型，计算参数(μ、D)的Bayes后验估计值；

步骤2：使用聚类算法将先验样本数据分成分n_r类，n_r≥4,以该n_r类的n_r个聚类中心为代表点计算参数后验估计值；

步骤3：构造优化函数，计算优化函数值，所述优化函数包括偏差函数和信息损失函数；

步骤4：根据优化函数值筛选最佳代表点，得到基于代表点的Bayes后验估计值；

所述步骤1的具体过程为：

步骤1.1：获取制导系统第一阶段的先验子样计算第一阶段先验子样X⁽¹⁾的正态－逆Gamma分布的分布参数的估计值；

其中第一阶段先验子样X⁽¹⁾的样本均值和样本方差为

n₁为第一阶段先验子样的数量，

步骤1.2：获取制导系统第二阶段试验后的样本计算第二阶段样本X⁽²⁾的正态－逆Gamma分布的分布参数的估计值；

其中第二阶段试验后的样本X⁽²⁾的样本均值和样本方差

n₂为第二阶段试验后的样本数量，

步骤1.3：Bayes后验估计值为：

为样本落点的均值参数μ经Bayes方法估计后的估计值，为样本落点的方差参数D经Bayes方法估计后的估计值。

2.根据权利要求1所述的一种基于代表点优化的Bayes融合评估方法，其特征在于：步骤4中筛选最佳代表点的方法为：使n_r加1，重复步骤2和3，当n_r的取值大于第二阶段样本数的两倍时，停止循环，选取使优化函数值最小的分类数n_r值，该n_r值所对应的n_r个聚类中心即为选取的最佳代表点。

3.根据权利要求2所述的一种基于代表点优化的Bayes融合评估方法，其特征在于：所述步骤2的具体过程为：

步骤2.1：采用K-means聚类算法，将先验样本分为n_r类，第i类样本记作n_i为第i类样本的数量，取该n_r类的n_r个聚类中心为预先假定的代表点，记作计算每一类的样本方差如式(7)所示：

步骤2.2：计算代表点的样本均值和样本方差如式(8)所示

得到基于代表点的第一阶段正态－逆Gamma分布的参数的估计值分别为：

步骤2.3：结合步骤1.2中计算的第二阶段样本X⁽²⁾的样本均值和样本方差计算出基于代表点的第二阶段样本X⁽²⁾的正态－逆Gamma分布的分布参数估计值为：

得到基于代表点的Bayes后验估计值：

4.根据权利要求3所述的一种基于代表点优化的Bayes融合评估方法，其特征在于：步骤3所述优化函数如式(1)所示：

其中：为该代表点数目为n_r时的偏差函数，为相应的信息损失函数；

所述偏差函数为：

所述信息损失函数为：

其中表示样本落点的均值参数经基于代表点的Bayes方法估计后的估计值。