[发明专利]一种基于代表点优化的Bayes融合评估方法

说明书

本发明公开了一种基于代表点优化的Bayes融合评估方法，包括以下步骤：1、构造经典Bayes点估计模型，计算参数(μ、D)的Bayes后验估计值；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类的聚类中心为代表点计算参数后验估计值；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；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。具有合理有效利用先验信息，量化代表点数目对信息损失与融合效率的影响，进而提高试验评估精度的优点。

技术领域

本发明主要涉及到制导系统及定位系统的精度评估领域，尤其涉及一种基于代表点优化的Bayes融合评估方法。

背景技术

对于制导系统或定位系统的精度试验评估而言，每一阶段试验的样本量较少，直接进行评估得到的结果精度较低。文献[1](唐雪梅，张金槐，邵凤昌，等.武器装备小子样试验分析与评估[M].北京：国防工业出版社，2001：1-3)指出在试验评估过程中，为解决子样较少的问题，常采用Bayes方法进行试验评估。其优点是可以充分融合各类异源试验的先验信息，从而提高试验评估的准确度，但是传统的Bayes融合评估方法主要面临两方面的难题：一是先验信息失真；二是先验样本数过大。

当先验信息失真时，直接将先验信息与真实现场试验融合评估会带来较大偏差，目前已经有很多文献对这方面问题进行讨论。文献[2](黄寒砚，段晓君，王正明，考虑先验信息可信度的后验加权Bayes估计[J]，航空学报，2008,29(5)：1245-1251)分析了不同的可信度度量方法，包括基于数据相容性检验的可信度分析，综合物理先验和数据先验的可信度分析等，提出一种可信度融合评估的准则，并依据该准则给出一种考虑先验信息可信度的Bayes估计方法。对于先验样本过大的问题，国军标中有将所有先验信息归一化为一个试验点的做法，可以在一定程度上减轻先验样本数较大时信息将“淹没”现场试验子样的不足，也可以降低验前信息失真时Bayes估计出现较大的偏差的风险。但先验信息归一化为一个试验点，其信息损失与融合效率之间的关系，理论支撑尚显不足。

文献[3](Flury,B.Principal points[J].Biometrika,1990,77(l):33-41)提出了代表点的概念，所谓代表点(Representative Points,RPs)是指在MSE(Mean SquareError)准则下能够最优地表征分布函数的一组点集，也叫主成分点(Principal Points)。文献[4](Hartigan J A,Wong M A.Algorithm AS 136:A K-Means Clustering Algorithm[J].Applied Statistics,1979,28(1):100-108)和文献[5](Tarpey,T.A parametric k-means algorithm[J].2007,Computational Statistics,22:71-89)提出了代表点的选取的一般方法，通常直接使用诸如k-means等聚类算法来寻找代表点。通过代表点选取可以规避国军标中将先验信息归一化为一个试验点所带来的风险，但是当先验数据存在偏差时，采用直接采用聚类算法估计代表点可能会失效，因为当代表点个数过多时，先验偏差对评估结果的影响可能会较大；而选取代表点过少时，信息损失偏大。

发明内容

针对现有技术存在的问题，本发明要解决的问题在于提供一种评估精度较高的基于代表点优化的Bayes融合评估方法。

为解决上述技术问题，本发明采用以下技术方案：