基于动态贝叶斯网络的态势估计模型.docxVIP

基于动态贝叶斯网络的态势估计模型 态势预测是智能军事决策的重要组成部分。态势估计属于信息/数据融合中的二级融合,它接收一级融合结果,从中提取出态势元素,经过基于军事领域知识估计模型的推理和评判,得到敌方兵力结构的部署情况、作战行动计划和模式,推断出其作战意图,从而形成当前战场综合态势图。目前,态势评估研究的主要方法有模板匹配、模糊推理、贝叶斯网络、本体论等。 动态贝叶斯网络在贝叶斯网络的基础上作了延伸,该网络模型考虑了时间因素,成为一种知识的表示方法和进行概率推理的框架。近年来,动态贝叶斯网络在具有动态不确定性的推理问题中得到了广泛应用,如语音识别、生物信息分析、目标状态分析等,并取得了较好的效果。态势估计是一种动态的判断过程,需要考虑诸多因素,其中包括时间因素。本文根据态势估计的特点,在贝叶斯网络模型的基础上,提出使用动态贝叶斯网络模型来对战场态势进行分析、推理。 1 条件概率集合 贝叶斯网络是根据变量间依赖关系建立的一种概率图模型。一个贝叶斯网络可以用二元组来表示:B=〈G,P〉。其中: a)G为贝叶斯网络结构,G=〈V,A〉是一个有向无环图(DAG),其中节点V代表了随机变量,A是弧的集合,表示了节点(变量)之间的因果关系。 b)P为网络参数,代表了网络中的条件概率集合。G中的每一个节点Vi都有一个条件概率表,用来表示Vi同其父节点Pa(Vi)的相互关系:P(Vi/Pa(Vi))。 贝叶斯网络中的节点Vi和其非直接父节点Vj条件独立于该节点的父节点Pa(Vi),即P(Vi/Vj,Pa(Vi))=P(Vi/Pa(Vi))。利用条件独立性,可将贝叶斯网络中的n个变量的联合概率分解为:P(V1,V2,?,Vn)=∏i=1nP(Vi/Pa(Vi))Ρ(V1,V2,?,Vn)=∏i=1nΡ(Vi/Ρa(Vi))。 因此,贝叶斯网络中的弧刻画变量间的直接影响关系,而没有直接影响关系的变量是相互独立的。但是,贝叶斯网络模型只能对某一时刻的变量集进行表示和推理,不能表示前后时刻变量间的关系。动态贝叶斯网络在贝叶斯网络的基础上作了延伸,具备了一定的时序处理能力。 2 网络推理的复杂度 本文主要讨论由离散变量集所构成的动态贝叶斯网络。假设X=(X1,X2,…,Xn)为一贝叶斯网络的变量集,该变量集X按网络拓扑结构作了排序。X[t]为变量集X在t时刻的值,Xi[t]为变量Xi在t时刻的值。动态贝叶斯网络可以用过程X→X→…→X[n]来对时序问题进行表示。显然,采取这样一个动态贝叶斯网络需要所有变量集X∪X∪…∪X[n]的条件概率集合。事实上,得到这样的条件概率是很困难的,且网络推理的复杂度也很高。为了降低网络的复杂度,本文规定采用的动态贝叶斯网络满足以下两个特性:a)Markovian特性——这一特性是指P(X|X,…,X[t])=P(X|X[t]),可以得出,动态贝叶斯网络中t+1时刻节点的状态只与t时刻节点的状态有关;b)平稳性(stationary)——若满足平稳性,对于网络中任一时刻t,P(X|X[t])是相同的,即在动态贝叶网络中,P(X|X[t])为一独立于时间t的常量。 满足了这两个特性后,一个动态贝叶斯网络可由两个部分组成:a)包含初始状态变量集X的贝叶斯网络B0,如图1(a)所示;b)过渡网络B→,由变量集X和X构成,并给出过渡条件概率分布PB→(X/X[t]),如图1(b)所示。 因此,一个动态贝叶斯网络可由二元组表示:DB=〈B0,B→〉。在B→中,过渡条件概率可写为 PB→(X/X[t])=∏0nPB→(Xi[t+1]/Pa(Xi[t+1]))=∏0nΡB→(Xi[t+1]/Ρa(Xi[t+1])) 其整个变量集的联合概率为 P(X,X,…,X[T])=P(X)∏t=0T?1PB→(X[t+1]/X∏t=0Τ-1ΡB→(X[t+1]/X [t]) 3 基于网络攻击的子态势 应用动态贝叶斯网络求解态势估计问题,分为两步:a)建立表示态势估计的贝叶斯网络模型;b)在此基础上建立动态贝叶斯网络。 考虑一个简单的空—空作战场景:假设我方有若干架战斗机在空中,敌方雷达发现我方后派出战斗机进行拦截,双方将要在一定的空中情况下展开作战。这时,敌方战斗机会采用攻击、相持、规避的方式与我方进行空中较量。为了获得最大的主动权,我方需要根据当前的态势因素来推断敌方可能采用的战术,以此快速而准确地采用相应的对策。 在该作战场景中,考虑了三个态势因素:a)距离(range),表示敌我的相对距离,分别为长(long)、中(medium)、短(short);b)可见度(visibility),当前周围环境的可见程度,分别为可见度高(Hi)和可见度低(Lo);c)作战状态(geometry),针对敌方而言,为敌方相对于我方的作战状态,分别为优势(g