【认知雷达贝叶斯非参数学习：依赖狄利克雷过程驱动的感知-行动循环深化】第二章 贝叶斯非参数学习与依赖狄利克雷过程

目录

第二章 贝叶斯非参数学习与依赖狄利克雷过程

2.1 Dirichlet Process (DP) 基础与非参数贝叶斯范式

2.1.1 从有限 Dirichlet 分布到无限维随机测度

2.1.2 中国餐馆过程与 Pólya Urn 模型

2.2 Dependent Dirichlet Process (DDP) 与感知依赖建模

2.2.1 传统 DP 的独立同分布局限与 DDP 动机

2.2.2 感知依赖策略的 DDP 表征

2.3 逆滤波问题与 IPFDDP 算法框架

2.3.1 对抗性认知雷达的逆学习场景

2.3.2 IPFDDP 算法架构

2.4 DDP 与深度学习的对比优势

2.4.1 非参数方法与神经网络策略学习的范式差异

2.4.2 可解释性与不确定性校准

---

第二章 贝叶斯非参数学习与依赖狄利克雷过程

传统参数化方法在表征认知雷达的感知-行动策略时面临模型复杂度受限与不确定性量化不足的困境。贝叶斯非参数学习通过引入随机过程先验，实现了模型复杂度的数据驱动自适应增长，为认知雷达的对抗性逆学习提供了灵活且可解释的概率框架。本章从狄利克雷过程的基础构造出发，逐步演进至依赖狄利克雷过程对连续信念空间上策略依赖性的建模，最终构建面向联合感知-策略推断的逆粒子滤波算法框架。