原创丨利用动态贝叶斯网络模型进行炮兵战场态势估计

Posted 2021-04-07 全民强军梦

第四届北京军民融合技术装备博览会

就要开始啦！！！

点击下方 “我要参观”

获取 免费门票

PS:活动现场将邀请 2000名业内专家和 众多业内大佬哦！

↓↓↓

1炮兵战场态势估计的方法

态势估计是在一级融合处理的基础上对战场上敌、我、友军及战场环境的综合情况和事件进行定量或定性的分析，对未来战场情况或事件的态势预测形成态势分析报告、情况判断和战场综合态势图，为指挥员作战指挥提供辅助决策信息。

实现战场态势估计的方法很多，主要的实现技术有：基于知识的系统、模板技术、品质因数方法、计划识别方法、Bayes网络、模糊逻辑技术、遗传算法等。它们将军事领域知识与不确定性处理技术结合起来，用于解决态势估计中的问题。常用的不确定性推理方法主要有模糊理论、D-S证据理论、Bayes推理及可信度推理等。在炮兵多传感器情报融合中，由于D-S证据理论和Bayes推理优点显著，在决策级融合上得到了更为广泛的应用。

2利用动态贝叶斯网络进行炮兵战场态势估计的定性分析

炮兵战场信息融合中的多传感器信息采集和融合，在态势分析层次上，是对态势指标向量的直接或间接的量测。态势指标的测量具有高度的非线性，它是基于经验（知识）的。对于态势指标向量，要求必须是能观测的，否则，我们不能获取关于态势的准确和全面信息。

我炮兵战场多传感器融合采用分布式情报融合结构，其中大部分侦察平台可以独立地在目标检测、目标位置及目标识别级直接为与其相联系的基本作战单位（火力单元）提供火控情报服务的。而态势级和威胁估计级的融合是建立在基本作战单位的多传感器系统信息之上，并辅以其它传感器的情报支援，在上级指挥机构内实现的。

基于以上态势估计问题和我炮兵战场多传感器情报融合的特点，结合各种态势估计方法的优缺点，我们利用贝叶斯网络在决策级融合方面特殊的优势进行炮兵战场的态势问题估计。因为贝叶斯网络具有别的方法不可比拟的优势：

（1）贝叶斯网络能够充分描述人类的推理模式，网络的图形方式还便于模型开发人员的理解和开发；

（2）贝叶斯网络的特点使网络模型能够反映威胁源评估的连续性和累积性这两个重要特征。模型中，综合最新的事件线索和从先验信息得到的后验信息，得到的评估结果不仅反映了当前的信息，而且综合了历史和先验知识。这种时间一致性特征在采用基于规则和基于神经网络等无记忆方法时是无法实现的；

（3）贝叶斯逻辑在数学上的可靠性使该模型成为一种描述人类思维推理过程的标准模型。标准化意味着通用性，开发者之间的协同和交流成为可能。而传统的专家系统是完全面向任务的，不同的任务采用的模型千差万别，通用性较差。

我们结合传统贝叶斯网络不能反映时间因素对态势估计问题的影响等缺点，提出了将具有良好的随机变量随时间演化的表示能力的动态贝叶斯网络应用于炮兵战场态势估计。

3实例分析

我部炮兵分队正在给即将通过某作战地域的我军主力提供火力掩护，根据各侦察平台的情报显示，在目标区域可能有敌指挥所、炮阵地、敌步兵分队会威胁到我主力部队。随着时间的推移，多传感器网络获取的有关威胁源的信息越来越多，结合先验知识和现有的证据信息库，对各个威胁源的可能性和威胁程度进行评估，并对先前的评估进行校正和完善，使态势威胁评估的过程具有知识的时间累计功能，最终使得对威胁源进行更有效的评估，给我炮兵分队指挥员决策提供更直接、有效的情报。

3.1变量的提取

对我主力部队产生威胁的实体有指挥所、炮阵地、步兵分队，因此威胁因素中可以提取出的变量有：威胁目标类型ID、威胁目标位置Wez、威胁目标的可对抗能力Atc、威胁目标数量Num等。各个威胁因素的权重是不同的，需要把各个威胁因素进行融合处理，才能降低单个或某些因素造成的威胁评估的不确定性。

3.2拓扑结构的确定

态势威胁评估是对所有属性信息的一个综合评判，实际是一个决策层的融合过程，通过分析处理，建立威胁列表，最终形成准确的战场态势估计。下图为本例建立的动态贝叶斯网络模型。

图1 态势估计的动态贝叶斯网络模型

模型中变量的状态集合如下：

TL={高，中，低}

ID={指挥所，炮阵地，步兵分队}

Atc={好，中，差}

Wez={范围内，边缘，范围外，只存在方位关系}

Num={高，中，低}

3.3网络条件概率矩阵

条件概率矩阵反映的是领域专家对于网络中关联节点之间因果关系的看法，是一种专家知识。根据专家经验，由ID，Atc，Wez，Num推理TL的规则采用概率方式描述如下：

如果威胁程度TL为高，那么ID为指挥所、炮阵地和步兵分队的可能性分别为10%、50%和40%；如果威胁程度为中，那么ID为指挥所、炮阵地和步兵分队的可能性分别为40%、30%和30%；如果威胁程度为低，那么ID为指挥所、炮阵地和步兵分队的可能性分别为60%、20%和20%。

如果威胁程度TL为高，那么Atc为好、中、差的可能性分别为10%、30%和60%；如果威胁程度TL为中，那么Atc为好、中、差的可能性分别为40%、40%和20%；如果威胁程度TL为低，那么Atc为好、中、差的可能性分别为60%、30%和10%。

如果威胁程度为高，那么我主力部队在威胁源范围内的可能性为80%，在威胁源边缘的可能性为10%，在威胁源范围外的可能性为10%，两者只存在方位关系的可能性为0；如果威胁程度为中，那么主力部队在威胁源范围内的可能性为60%，在威胁源边缘的可能性为20%，在威胁源范围外的可能性为10%，两者只存在方位关系的可能性为10%；如果威胁程度为低，那么主力部队在威胁源范围内的可能性为0，在威胁源边缘的可能性为10%，在威胁源范围外的可能性为45%，两者只存在方位关系的可能性为45%。

如果威胁程度为高，那么Num为高、中、低可能性分别为70%、20%和10%；如果威胁程度为中，那么Num为高、中、低的可能性分别为20%、50%和30%；如果威胁程度为低，那么Num为高、中、低的可能性分别为10%、20%和70%。根据以上的推理规则，得条件概率矩阵如表1所示。

表1 推理规则条件概率矩阵

威 胁
	[好    中   差]			[指挥所 炮阵地 步兵分队]			[内    外   边   方向]				[高    中   低]
高	0.1	0.3	0.6	0.1	0.5	0.4	0.8	0.1	0.1	0.0	0.7	0.2	0.1
中	0.4	0.4	0.2	0.4	0.3	0.3	0.6	0.2	0.1	0.1	0.2	0.5	0.3
低	0.6	0.3	0.1	0.6	0.2	0.2	0.0	0.1	0.45	0.45	0.1	0.2	0.7

需要指出的是，条件概率矩阵是一种专家知识，难免存在一定的主观性，可以采用样本数据反复调试的方法，对矩阵数据进行适度调整，以提高评估结果的可信度。

3.4结果分析

如果采用静态贝叶斯网络。假设预先没有任何情报信息，设定威胁源的威胁级别的先验信息为，这反映了由于信息匮乏导致对可能性评估不充分，认为各种情况的可能性均相近。当得到新的情报信息，即网络的节点信息更新，则触发网络推理，更新整个网络节点状态的概率分布，最终获取根节点状态的概率分布情况，完成对威胁等级的一次评估，得到的结果为根据ID、Num、Atc和Wez状态在该时间段内变化得到的威胁等级。

由先验信息，和条件概率 ，可以得到Wez分别为内、外、边、方向的概率。得到Atc分别为好、中、差的概率。同理可以得到ID分别为指挥所、炮阵地、步兵分队的概率，Num分别为数量多、数量一般、数量少的概率。

在时刻T，传感器检测到威胁目标的位置在威胁范围“内”，然后根据贝叶斯网络的推理，得到时刻T的威胁程度分别为高、中、低的概率。在下一时刻T+1，传感器检测到同一威胁源为炮阵地，得到时刻T+1的威胁程度分别为高、中、低的概率。

静态的贝叶斯网推理没有进行经验的有效积累和不断的学习，只是独立的进行推理。如果采用动态贝叶斯网，可以根据不同时间片段上的态势信息，得出不同时刻或者同一时刻不同战场信息要素之间的因果关系，并随着时间的变化，根据历史的和新获取的态势信息进行推理，动态的修改、丰富和完善情报系统中的威胁评估知识库以及模型库。

假设在时刻T，传感器检测到威胁目标的位置在威胁范围“内”，然后根据贝叶斯网络的推理，得到时刻T的威胁程度分别为高、中、低的概率。然后假设在下一时刻T+1，传感器检测到同一威胁源为炮阵地，得到时刻T+1的威胁程度分别为高、中、低的概率。

可以看出，采用静态贝叶斯网络，在时刻T和T+1，推理的过程是彼此独立的，没有有效的对先验信息进行更新；采用动态贝叶斯网络，在时刻T与采用静态贝叶斯网时的评估结果是一样的，因为他们的先验信息完全相同，而在时刻T+1，它的先验信息更新为T时刻推理获得的信息，威胁程度为高的概率进一步提高，而另两种概率值则进一步降低。显然，历史的评估结果对于当前的评估结果具有非常明显的影响，或者说当前结果不仅综合了最新的输入信息，而且还考虑了历史信息，具有信息累积能力。说明采用动态贝叶斯网络对战场态势的估计结果与人类专家的估计结果是相当吻合的。

阅读推荐

目前国内军民融合领域最具规模，技术装备信息全方位覆盖的北京军民融合技术装备博览会，由中国指挥与控制学会、中国国防工业企业协会、中关村科技园区海淀园管理委员会共同主办。

展览时间：2018年7月2日-4日

展览地点：北京国家会议中心

---

---