基于模糊动态贝叶斯网空战敌方作战企图识别_余振翔

第３６卷第１０期　２０１３年１０月合肥工业大学学报（自然科学版）ＪＯＵＲＮＡＬ　ＯＦ　ＨＥＦＥＩ　ＵＮＩＶＥＲＳＩＴＹ　ＯＦ　ＴＥＣＨＮＯＬＯＧＹＶｏｌ．３６Ｎｏ．１０　Ｏｃｔ．２０１３　收稿日期：２０１３－０１－２５；修回日期：２０１３－０３－１５基金项目：中航工业产学研合作创新工程专项资助项目ＣＸＹ２０１１ＨＦＧＤ２０）；中央高校基本科研业务费专项资金资助项目（２０１２ＨＧＺＹ０００９）作者简介：余振翔（１９８５－），男，安徽岳西人，合肥工业大学硕士生；胡笑旋（１９７８－），男，安徽桐城人，博士，合肥工业大学副教授，硕士生导师．Ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－５０６０．２０１３．１０．０１３基于模糊动态贝叶斯网空战敌方作战企图识别余振翔１，２，　胡笑旋１，２，　夏　维１，２（１．合肥工业大学管理学院，安徽合肥　２３０００９；２．合肥工业大学飞行器网络系统研究所，安徽合肥　２３０００９）摘　要：文章对空战中敌方目标作战企图的各个因素进行了分析，建立了敌方目标作战企图识别的动态贝叶斯网模型，根据连续变量的不同特点，通过构造和设置不同的隶属函数和参数，对连续变量的观测值进行模糊分类，通过引入可能性概率转换理论转换为贝叶斯网能够利用的证据信息用于推理，使对敌方目标作战企图的推理过程具有前后连续性，更加符合客观实际，有效地减少了主观判断带来的误差。

仿真实验表明，该方法的推理结果与理论分析一致，为识别敌方目标作战企图提供了一种可行且有效的方法。

关键词：空战；作战企图识别；动态贝叶斯网络；模糊集合；推理中图分类号：ＴＰ３９１．９ 文献标志码：Ａ 文章编号：１００３－５０６０（２０１３）１０－１２１０－０８Ｆｏｅ　ｉｎｔｅｎｔｉｏｎ　ｉｎｆｅｒｅｎｃｅ　ｉｎ　ａｉｒ　ｃｏｍｂａｔｂａｓｅｄ　ｏｎ　ｆｕｚｚｙ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋＹＵ　Ｚｈｅｎ－ｘｉａｎｇ１，２，　ＨＵ　Ｘｉａｏ－ｘｕａｎ１，２，　ＸＩＡ　Ｗｅｉ　１，２（１．Ｓｃｈｏｏｌ　ｏｆ　Ｍａｎａｇｅｍｅｎｔ，Ｈｅｆｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ　２３０００９，Ｃｈｉｎａ；２．Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ａｅｒｉａｌ　Ｖｅｈｉｃｌｅ　Ｎｅｔｗｏｒｋ　Ｓｙｓｔｅｍｓ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ　２３０００９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｆｏｒ　ｆｏｅ　ｉｎｔｅｎｔｉｏｎ　ｉｎｆｅｒｅｎｃｅ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｃｏｎｃｅｒｎｉｎｇ　ｅｎｅｍｙ　ｔａｒｇｅｔ　ｃｏｍｂａｔ　ｉｎｔｅｎｔｉｏｎ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｄｉｆｆｅｒｅｎｔ　ｃｈａｒ－ａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｃｏｎｔｉｎｕｏｕｓ　ｖａｒｉａｂｌｅ，ｄｉｆｆｅｒｅｎｔ　ｍｅｍｂｅｒｓｈｉｐ　ｆｕｎｃｔｉｏｎｓ　ａｎｄ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｃｏｎｓｔｒｕｃｔｅｄ　ａｎｄｓｅｔ　ｔｏ　ｃｌａｓｓｉｆｙ　ｃｏｎｔｉｎｕｏｕｓ　ｖａｒｉａｂｌｅｓ，ａｎｄ　ｔｈｅｎ　ｔｈｅ　ｍｅｍｂｅｒｓｈｉｐ　ｄｅｇｒｅｅ　ｉｓ　ｃｏｎｖｅｒｔｅｄ　ｉｎｔｏ　ｔｈｅ　ｅｖｉｄｅｎｃｅｗｈｉｃｈ　ｃａｎ　ｂｅ　ｕｓｅｄ　ｔｏ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ｉｎｆｅｒｅｎｃｅ　ｂｙ　ｐｒｏｂａｂｉｌｉｔｙ－ｐｏｓｓｉｂｉｌｉｔｙ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｔｈｅｏｒｙ．Ｏｎｔｈｅ　ｏｎｅ　ｈａｎｄ，ｔｈｉｓ　ｉｎｆｅｒｅｎｃｅ　ｍｅｔｈｏｄ　ｈａｓ　ｃｏｎｔｉｎｕｉｔｙ　ｗｈｉｃｈ　ｉｓ　ｍｏｒｅ　ｓｕｉｔａｂｌｅ　ｔｏ　ｒｅａｌ　ｓｉｔｕａｔｉｏｎ．Ｏｎ　ｔｈｅｏｔｈｅｒ　ｈａｎｄ，ｔｈｉｓ　ｍｅｔｈｏｄ　ｒｅｄｕｃｅｓ　ｅｒｒｏｒｓ　ｃａｕｓｅｄ　ｂｙ　ｓｕｂｊｅｃｔｉｖｅ　ｊｕｄｇｍｅｎｔ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗｔｈａｔ　ｔｈｅ　ｉｎｆｅｒｅｎｃｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｔｈｉｓ　ｍｅｔｈｏｄ　ａｒｅ　ｃｏｎｓｉｓｔｅｎｔ　ｗｉｔｈ　ｔｈｏｓｅ　ｏｆ　ｔｈｅ　ｔｈｅｏｒｅｔｉｃａｌ　ａｎａｌｙｓｉｓ，ｗｈｉｃｈｐｒｏｖｅｓ　ｔｈａｔ　ｉｔ　ｉｓ　ａ　ｆｅａｓｉｂｌｅ　ａｎｄ　ｅｆｆｅｃｔｉｖｅ　ｍｅｔｈｏｄ　ｆｏｒ　ｆｏｅ　ｉｎｔｅｎｔｉｏｎ　ｉｎｆｅｒｅｎｃｅ．Ｋｅｙ　ｗｏｒｄｓ：ａｉｒ　ｃｏｍｂａｔ；ｃｏｍｂａｔ　ｉｎｔｅｎｔｉｏｎ　ｉｎｆｅｒｅｎｃｅ；ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ；ｆｕｚｚｙ　ｓｅｔ；ｉｎｆｅｒｅｎｃｅ 随着武器装备信息化技术的发展，空战中的战场环境瞬息万变，战场信息存在着多样性和不确定性，及时把握空战战场的变化，并对敌方目标的作战企图进行准确评估具有重要意义。

作战企图（或意图）［１］指为完成一定作战任务的基本设想和打算。

对敌作战意图识别是指对战场各种信息源得到的信息进行分析，从而对敌方的作战设想、打算、计划进行的判断和解释。

在复杂多变的空战信息条件下，对敌方作战企图进行识别，能够为防空指挥人员的决策提供重要依据和有力支持，方便指挥员在高度不确定情况下迅速做出决策。

文献［２］建立了基于区间数灰色关联分析的不确定空情信息条件下的意图识别模型，通过模糊聚类分析计算意图识别中基准特征值。

文献［３］提出了基于贝叶斯网络的作战企图识别方法，通过专家知识建立网络模型结构，并运用案例库分析训练网络模型的边缘概率和条件概率参数，利用示例推理验证该模型的有效性。

文献［４］构建了战场作战意图评估的贝叶斯网络模型，并用联合树推理算法进行推理计算。

文献［５］将证据支持二元形式表示为证据支持最简形式的正交和，用以表示敌方作战意图及其特征信息之间的相关性，从而通过建立识别体系完成对敌作战意图的最终判定。

在实际空战战场环境下，战场环境瞬息万变，使时间因素成为对敌作战企图识别中一个重要因素。

上一时刻敌方目标的作战企图会直接影响到下一时刻敌方目标的多种变化，包括自身的航行速度及机载雷达的参数改变等。

除此以外，空战环境下利用传感器所侦察到的各类情报信息对敌方目标的作战企图进行识别的时候，往往会涉及连续变量的观测值。

因此，本文基于复杂空战环境下，采取模糊集合理论与动态贝叶斯网相结合的方法，利用动态贝叶斯网络在不确定性知识表示和推理上的强大性能，将敌方空中目标作战企图相关信息的各种特征进行综合，从而正确识别敌方作战企图。

１　模糊动态贝叶斯网络１．１　动态贝叶斯网络贝叶斯网络又称为信度网络，是基于概率推理的数学模型，最早由文献［６］提出，是一种有向无环图，图中的节点表示随机变量，有向边表示变量之间的相关关系，并用条件概率分布表达相关的程度。

动态贝叶斯网络［７］（ｄｙｎａｍｉｃ　ｂａｙｅｓｉａｎｎｅｔｗｒｏｋ，简称ＤＢＮ）是以贝叶斯网络为基础，在时序上加以扩展，用以表示复杂随机过程的有向图模型。

设变量集Ｘ＝（Ｘ１，…，Ｘｎ），用Ｘ（ｔ）１，…，Ｘ（ｔ）ｎ表示变量在ｔ时刻的状态，并且设：（１）随机过程满足马尔可夫特性，即ｔ时刻的状态只受到ｔ－１时刻的影响，Ｐ（Ｘ（ｔ）｜Ｘ（０），…，Ｘ（ｔ－１））＝Ｐ（Ｘ（ｔ）｜Ｘ（ｔ－１））。

（２）随机过程满足平稳性，即对网络中任意时刻ｔ，Ｐ（Ｘ（ｔ）｜Ｘ（ｔ－１））是相同的。

满足了这２个特性后，一个动态贝叶斯网模型可表示为一个二元组（Ｂ０，Ｂ→），如图１所示。

其中，Ｂ０为以Ｘ（０）为节点的初始贝叶斯网，如图１ａ所示；Ｂ→为转移网络，如图１ｂ所示。

对任意时刻ｔ，Ｘ（０），…，Ｘ（ｔ）联合概率分布［８］为：Ｐ（Ｘ（０），…，Ｘ（ｔ））＝Ｐ（Ｘ（０））∏ｔｉ＝１Ｐ（Ｘ（ｉ）｜Ｘ（ｉ－１））。

给定窗口长度，可以通过叠加Ｂ０和Ｂ→，形成一个完整的贝叶斯网，如图１ｃ所示。

图１　动态贝叶斯网络１．２　模糊贝叶斯网络贝叶斯网络以概率理论为数学基础，在不确定性知识表示和推理方面具有强大性能。

但是，传统的贝叶斯网络模型只能描述离散的随机变量，变量状态是有限的，各状态出现的可能性用概率值度量。

然而，在某些情况下，还会遇到连续变量的推理问题。

因此，需要对传统的模型进行改进，使其不仅能够描述离散变量，还可以描述连续变量，并且能在这２种类型变量混合的情况下进行推理。

模糊集合是表达模糊性概念的集合，又称模糊集、模糊子集，指具有某个模糊概念所描述属性对象的全体。

由于概念本身不是清晰、界限分明的，因而对象对集合的隶属关系也不明确［９］。

模糊逻辑可以把数字数据分成具有离散变量的模糊集，是一种较好的离散化方法。

贝叶斯网络使用概率论处理不同知识之间的条件相关而产生的不确定性，能够进行双向推理［１０］，它在推理能力上又优于模糊逻辑，可以集合两者各自在知识表示和推理上的优点加以利用。

文献［３］涉及贝叶斯网络中含有连续变量的问题。

对于连续变量的处理往往根据变量取值范围划分不同的区间，例如，将速度划分为慢（当０≤ｖ＜１．５　Ｍａ）、快（当１．５　Ｍａ≤ｖ≤２．５　Ｍａ）２种情况。

其实，这种方法很大程度上依赖于人的主观判断，人为地对变量的各种状态进行区分。

为１１２１　第１０期余振翔，等：基于模糊动态贝叶斯网空战敌方作战企图识别减少这类由于主观判断所带来的偏差，人们开始研究对一些事件状态的具体值利用隶属度函数模糊化，从而对事件状态进行量化［１１－１２］。

常用的隶属度函数包括高斯型、三角型及梯形３类。

目前对于隶属度函数的选取并没有确定的方法，在实际运用中往往根据具体问题的特点进行选取。

利用模糊集合中的隶属度函数对连续变量模糊分类后，获得的只是某一数值隶属于模糊子集的程度。

为将这种可能性运用到贝叶斯网络推理所需要的概率知识，需引入可能性概率转换公式［１３－１４］。

设Ｕ＝｛ｕ１，ｕ２，…，ｕ｝ｎ是一个离散有限集合，Ｘ是取自Ｕ中的一个变量，ｐ（ｕｉ）表示Ｘ＝ｕｉ时的概率，π（ｕｉ）表示Ｘ＝ｕｉ时的可能性，μＡ（ｕ）是模糊集合Ａ上的隶属度函数。

文献［９］认为，可能性理论是模糊集理论的扩展，因此，可能性理论中可能性分配π可以由模糊集上的隶属函数决定。

于是有：πｘ（ｕ）＝μＡ（ｕ）（１） 有研究者在可能性概率转换过程中提出“信息转换保护”，即信息中的不确定性在２种理论的相互转换过程中应保持不变［１１］。

其转换公式为：ｐ（ｕｉ）＝π（ｕｉ）１／α／∑ｎｋ＝１π（ｕｋ）１／α（２）其中，α表示可能性概率转换一致性条件满足的程度，０＜α＜１。

α趋向０，则转换的概率ｐ（ｕｉ）间差异较大；α趋向１，ｐ（ｕｉ）间差异较小。

（１）式、（２）式合并，得到：ｐ（ｕｉ）＝μ（ｕｉ）１／α／∑ｎｋ＝１μ（ｕｋ）１／α（３） 因此，对贝叶斯网络中的连续变量节点，通过对连续变量构造隶属函数进行模糊分类。