贝叶斯网络在战术态势评估中的应用

文章编号:10012506X(2004)1121620204

系统工程与电子技术

SystemsEngineeringandElectronicsNov.2004Vol126 No111

贝叶斯网络在战术态势评估中的应用

王三民,王宝树

1

2

(11南昌大学计算机科学与工程系,江西南昌330029;21西安电子科技大学计算机学院,陕西西安710071)

摘 要:首先提出了一种新的战术态势评估的定义,即战术态势评估是对特定战场环境中敌方、我方、中立方所具有的各种战斗力要素的当前状态的描述和未来发展趋势的预测。接着介绍了空-地战中红方飞机与蓝方导弹阵地的对抗场景,在此基础上建立了红方飞行员通过机载电子装备的状态判断蓝方高射武器的型号和状态的贝叶斯网络,然后运用所建立的网络动态演示了在空-地战中态势评估的内容和结果,最后讨论了在战术态势评估中运用贝叶斯网络的若干问题。

关键词:数据融合;态势评估;贝叶斯网络;空-地战

中图分类号:E917 文献标识码:A

ApplicationofBayesiannetworksintacticalSituationassessment

WANGSan2min,WANGBao2shu

1

2

(1.DepartmentofComputerScience&Engineering,NanchangUniversity,Nanchang330029,China;

2.SchoolofComputerScienceandTechnology,XidianUniversity,Xi.an710071,China)

Abstract:Firstly,anewdefinitionoftacticalsituationassessmentispresented,i.e.,thetacticalsituationas2sessmentisthedescriptionofcurrentstatesofenemyforces,ourforcesandfriendforces.battleeffectivenessfactorsin

acertainbattleenvironmentandtheprojectionoftheirstatusinthenearfuture.Afterthatabriefdescriptionofanan2tagonisticscenariooftheredarmy.splanesandthebluearmy.smissilepositionsinair2groundbattleisgiven.Basedonthiscommonsenseknowledgeabeliefnetworkissetupfortheredarmy.spilotstojudgethebluearmy.santiaircraftweapon.sidentificationandstatesbytheiron2boardelectronicequipment.Thenthecontentsandresultsoftacticalsitu2ationassessmentinair2groundbattlearepresenteddynamicallywiththisnetwork.Finally,severalproblemsonhowtouseBayesiannetworksintacticalsituationassessmentarediscussed.

Keywords:datafusion;situationassessment;Bayesiannetworks;air2groundbattle

1 引 言

在美国国防部JDL数据融合小组所提出的数据融合处理模型中,战术态势评估属于较高层次的二级融合的内容。虽然关于目标位置和身份的一级融合已经相当成熟,然而关于战术态势评估至今都没有个统一的定义。目前,用于战术态势评估的方法有模板匹配方法、计划识别方法、品质因素方法以及一般的专家系统方法。这些方法各有其优缺点,至今尚未出现大家一致认可的用于战术态势评估的方法和工具[3~6]。

当前,我国已经开展了对战术态势评估的研究,研究人员都面临着以下一些问题:什么是战术态势?什么是战术态势评估?战术态势评估系统应该采用什么方法和技术?或者,/理想的0战术态势评估系统应该具有什么功能?这些问题大家并没有取得一致的意见。一种观点是基本上沿着JDL关于战术态势评估所做的界定:首先战术态势评估是数

收稿日期:2003-05-02;修回日期:2003-09-11。基金项目:国家部委预研基金资助项目(00J6.6.1DZ0103)

据融合系统的一个模块;其次战术态势评估基于一级融合进行,换言之,一级融合的输出结果成为战术态势评估模块的主要输入内容。另一种观点认为态势是一种状态,一种趋势。我们更倾向于后一种观点。

在此,给出基于后一观点的战术态势和战术态势评估的定义。战术态势是指在特定战场环境中,敌方、我方、中立方所具有的各种战斗力要素的当前状态和发展趋势;战术态势评估是指对特定战场环境中敌方、我方、中立方所具有的各种战斗力要素的当前状态的描述和发展趋势预测。战斗力要素包括物质要素和精神要素:物质要素主要指按科学方法编组的、有一定数量和质量的人和能反映时代特定科技水平的具有一定战术技术性能及数量的武器装备;精神要素主要指指挥员、士兵的军事、政治素质和战斗意志。物质要素可以简单地概括为和装备。的组织方式是多样的,装备有多种多样,所以在具体的战场环境中和装备的状态表示是非常复杂的。这一定义可以简

作者简介:王三民(1969-),男,博士研究生,主要研究方向为态势评估与模糊逻辑。 第26卷 第11期贝叶斯网络在战术态势评估中的应用

#1621 #

单的表示为:战术态势评估=状态描述+趋势预测。值得指出

的是,趋势预测是基于状态描述的。

目前许多人认为/理想的0战术态势评估系统只能做到/状态描述0,给指挥员提供一张完整的战场态势图就足够了,至于/趋势预测0,则由指挥员亲自完成。让系统进行/趋势预测0似乎是多余的:因为机器所预测的结果是否可信是最主要的问题,如果人无法相信机器的预测结果,那还需要机器进行预测吗?

对上述观点我们是不赞同的,我们认为主要问题应该是寻找合适的态势预测的方法。这种态势预测的方法应该能对每一预测结果的可信程度进行评判,给出个评判结果,比如这样的一个结果)))美军在15日凌晨对巴格达市中心的电信大楼实施空袭的概率为80%。这一例句本身就隐含着运用概率方法进行趋势预测。这正是本文的中心内容:运用概率理论对态势评估问题进行建模,并在此基础上进行态势评估中的状态描述和趋势预测。由于战场环境中诸因素所固有的不确定性,所以运用概率方法是很自然的。

在具体运用概率方法时,采用了贝叶斯网络中的知识表示方法和推理技术[1]。主要目的是演示态势评估的内容和方法,所以没有设计和开发贝叶斯网络推理工具,而是使用了加拿大Norsys软件公司的商用贝叶斯网络开发工具Neti2ca[2]。再者,我们也没有进行抽象的理论研究,而是始终围绕一个具体的例子展开态势评估问题的建模和推理。希望这个可以模仿的样例为致力于态势评估系统开发的人员提供建模的思想、方法以及实现的途径。

行员发出警告。通常有视觉和听觉两方面的告警装置:视觉

系统,通过红绿灯和显示仪来实现;听觉告警,通过与耳机相连的蜂鸣器实现。对于这些装备,在系统中只考虑两种状态:活动或不活动,其中活动用A表示,不活动用IA表示。导弹发射指示器处于活动状态就意味着该装备已经检测到敌方高射兵器已经发射导弹,雷达告警机处于活动状态就意味着当前有敌方的雷达在跟踪该战斗机,光电传感器处于活动状态就意味着对战斗机构成威胁的对象(导弹或炮弹)已经爆炸。

在地对空作战中,作战条例一般都会明确规定目标和高射兵器之间的距离与和装备的状态的关系。的状态包括日常状态、二级战备状态、一级战备状态、交战状态、休整状态等等。在本文中暂时不考虑的状态。高射兵器的状态包括不活动(IA)、运用警戒雷达监视目标(Surv)、运用目标指示雷达截取目标(Acq)、运用火控雷达(或炮瞄雷达)跟踪目标(TTr)、向目标发射导弹/炮弹(ML)、对导弹进行制导控制(MG)、导弹/炮弹爆炸(Fire)。如果能够知道高射兵器的类型和该兵器处于上述作战过程中的那个阶段,或者说高射兵器处于什么状态,对于战斗机的飞行员来说至关重要,这是飞行员判断当前态势的重要因素,对于飞行员正确决策飞行动作至关重要。

3 空-地战中用于目标身份推理和

威胁模式推理的贝叶斯网络

现在,来建立一个贝叶斯网络来判断威胁目标的身份和状态,对于飞行员来讲,称威胁目标的状态为威胁模式Threat-Mode(TM)。当然要判断威胁模式,威胁目标与战斗机之间的距离Range(R)也是一个重要因素,我们把距离划分为距离区间,共划分了7种情形,例如,其中用R425k表示Range(R)在4~5km(注意这里的数据是演示性的)。我们在网络中也考虑能见度Visibility(V)以及威胁有效性两个因素。能见度是有关当前气象的因素,有三种情形:能见度高(Hi)、能见度中等(Me)、能见度低(Lo)。威胁有效性是个布尔变量,分有效和无效两种情形,它与制导方式和能见度直接相关。这样应该在系统中考虑下列状态变量Threat-ID(T)、ThreatMode(TM)、Guidance(G)、Emitter(E)、Range(R)、Visibility(V)、RadarWarningReceiver(RWR)、Electro2OpticalSensor(EO)、Mis2sileLaunchdetectors(ML)、ThreatEffectiveness(TE)。

各个状态变量的状态空间如下所示。

8T={SA4,SA6,SA8,SA9,ZSU23/4,

A3F23/2,A3F35/2},8RWR={A,IA},

8TM={IA,Surv,Acq,TTr,ML,MG,Fire},8EO={EO1,EO2,IA},8ML={A,IA},8G={R,EO},

8V={Hi,Me,Lo},8TE={Y,N},8R={0~1km,1~2km,3~4km,4~5km,

5~10km,>10km},

8E={PATHAND,STRAIGHTFLUSH,LANDROLL,

GUNDISH,ZSU2FC,A232FC,A352FC}2 空-地作战背景描述[7]

空对地作战,就是攻击机突破敌空对空、地对空的层层拦截对敌地面目标实施突击的过程。地对空作战,包括地对空导弹和高射炮(统称高射兵器)对来袭的空中目标进行射击,

它的基本任务是毁伤空中敌机,以保护己方军事设施的对空安全。在实际的作战过程中,这两种作战方式是直接对抗的,即进攻方一般进行空对地作战方式,而防御方一般进行地对空作战,用地-空作战表示包含这两种作战方式的战场环境。

考虑一个简单的地-空作战场景:我方的战斗机与敌方高射兵器之间的战斗。假设敌方高射兵器型号包括SA4,SA6,SA8,SA9,ZSU23/4,A3F23/2,A3F35/2;这些高射兵器的雷达型号包括PATHAND,STRAIGHTFLUSH,LANDROLL,GUNDISH,ZSUFC,A23FC,A35FC;对于这些高射兵器,它们的制导方式有两种,无线电指令制导和光电制导,分别用R与EO表示。

我方战斗机上的电子装备由用来检测是否有导弹(或炮弹)发射的导弹/炮弹发射指示器(Missilelaunchdetectors,ML)、用来检测是否有导弹/炮弹爆炸的两台光电传感器(electro2opticalsensor,EO1、EO2)、用来侦察是否有雷达跟踪飞机的雷达告警机(radarwarningreceiver,RWR)组成。这些电子装备接受有关敌方高射兵器状态的信息,比如,只要飞机被导弹的制导雷达天线照射,雷达告警机就能接收并分析这些照射波束,接着与雷达告警机相连的告警装置就会向飞

#1622 #

系统工程与电子技术2004年

现在来分析各个状态变量之间的依赖关系:(1)高射兵器与飞机之间的距离影响高射兵器的状态;(2)高射兵器的型号决定它采用的雷达型号以及制导方式,并且影响高射兵器的状态,,。根据这些依存关系可以建立如图1所示的贝叶斯网络。

图1 状态变量间的依存关系图

下面给出各个节点上的先验概率分布。

(1)节点TM:P(TM=IA|T=SA4,R=>10K)=1,P(Surv|SA4,5~10km)=1,P(Acq|SA4,4~5km)=1,P(TTr|SA4,3~4km)=1,P(ML|SA4,2~3km)=1,P(MG|SA4,1~2km)=1,P(Fire|SA4,0~1km)=1;P(IA|ZSU,>10km)=1,P(IA|ZSU,5~10km)=1,P(IA|ZSU,4~5km)=1,P(IA|ZSU,3~4km)=1,P(Surv|ZSU,2~3km)=1,P(Acq|ZSU,1~2km)=1,P(TTr|ZSU,0~1km)=0.25,P(ML|ZSU,0~1km)=0.25,P(MG|ZSU,0~1km)=0.25,P(Fire|ZSU,0~1km)=0.25(SA6、SA8、SA9同SA4,A3F同ZSU);

(2)节点T:P(SA4)=P(SA6)=P(SA8)=P(SA9)=P(ZSU234)=P(A3F232)=P(A3F352)=1/7;

(3)节点EO:P(EO=IA|TM=IA,G=R)=1,P(IA|IA,EO)=1,P(IA|SURV,R)=1,P(EO1|SURV,EO)=1,P(IA|ACQ,R)=1,P(EO1|ACQ,EO)=1,P(IA|TTR,R)=1,P(EO1|TTR,EO)=1,P(IA|ML,R)=1,P(EO2|ML,EO)=1,P(IA|MG,R)=1,P(EO2|MG,EO)=1,P(IA|FIRE,R)=1,P(EO2|FIRE,EO)=1;

(4)节点E:P(E=PATHAND|T=SA4)=1,P(STRAIGH2TFLUSH|SA6)=1,P(LANDROLL|SA8)=1,P(LANDROLL|SA9)=1,P(GUNDISH|ZSU234)=0.5,P(ZSUFC|ZSU234)=0.5,P(A23-FC|A3F232)=1,P(A35FC|A3F352)=1;

(5)节点G:P(G=R|T=SA4)=1,P(R|SA6)=1,P(R|SA8)=0.5,P(EO|SA8)=0.5,P(R|SA9)=0.5,P(EO|SA9)=0.5,P(R|ZSU234)=1,P(R|A3F232)=1,P(R|A3F352)=1;(6)节点ML:P(ML=IA|TM=IA)=1,P(IA|SURV)=1,P(IA|ACQ)=1,P(IA|TTR)=1,P(A|ML)=1,P(A|MG)=1,P(A|FIRE)=1;

(7)节点TE:P(TE=Y|G=R,V=Hi)=1,P(Y|R,Me)=1,P(Y|R,Lo)=1,P(Y|EO,Hi)=1,P(Y|EO,Me)=0.7,P(N|EO,Me)=0.3,P(N|EO,lo)=1;

(8)节点RWR:P(RWR=IA|TM=IA,G=R)=1,P(IA|IA,EO)=1,P(A|SURV,R)=1,P(IA|SURV,EO)=1,P(A|ACQ,R)=1,P(IA|ACQ,EO)=1,P(A|TTR,R)=1,P(IA|TTR,EO)=1,P(A|ML,R)=1,P(IA|ML,EO)=1,P(A|MG,R)=1,P(IA|MG,EO)=1,P(A|FIRE,R)=1,P(IA|FIRE,EO)=1;

(9)节点R:P(R=>10km)=P(5~10km)=P(4~5km)=P(3~4km)=P(2~3km)=P(1~2km)=P(0~1km)=1/7;

(10)节点V:P(V=Hi)=P(Me)=P(Lo)=1/3。作为例子,P(TM=IA|T=SA4,R=>10km)=1说明当目标与萨姆-4的距离大于10km时,萨姆-4处于不活动状态的概率为1。根据上述先验概率,可得如图2所示的先验概率分布网络。

图2 没有新证据到来时,各变量取其诸可能值的信度 第26卷 第11期贝叶斯网络在战术态势评估中的应用

表1 态势1中目标身份的几率表示

目标身份几率

SA43

SA63

SA82

SA92

ZSU23/43

#1623 #

4 基于贝叶斯网络的空-地作战态势推演

现在运用上节建立的空-地作战的贝叶斯网络来进行

一些演示性的作战态势推演。

态势1 假如(1)飞行员肯定当前有威胁目标存在,即TE=Y;(2)地面指挥所向飞行员报告,威胁目标身份为SA4,SA6,ZSU23/4,A3F23/2,A3F35/2和SA8,SA9的几率为3:2,见表1所示。(3)当前气象条件为晴间多云,这一气象条件的能见度用几率见表2所示。

把这些信息输入网络,网络就会进行推理,推理结果如图3所示。

A3F23/23A3F35/23

表2 态势1中的能见度的几率表示能见度几率

Hi1

Me2

Lo0

态势评估结果 威胁目标(即高射兵器)的火控雷达为LANDROLL的信度为0.193,制导方式为无线制导的信度为0.914,该威胁单元当前尚处于不活动状态的信度为0.35。

图3 态势1各变量取其诸可能值的信度

态势2 (1)战斗机上的雷达预警接收机的蜂鸣器发出响声,即RWR=A;(2)威胁目标的距离在4~5km之间的可能性与其它可能性的几率为10:1,即R=4~5km。这一信息输入网络后得到的结果如图4所示。

图4 态势2下各变量取其诸可能值的信度

(下转第1679页)

第26卷 第11期星图识别的剖分算法

#1679 #

参考文献:

[1]李力宏,林涛,宁永臣,等1一种改进的全天自主三角形星图识别

算法[J]1光学技术,2000,26(4):372-3741

[2]林涛,周建林,张钧萍,等1四边形全天自主星图识别算法[J]1宇

航学报,2000,21(2):82-851

[3]vanBezooijenRWH.Automatedstarpatternrecognition[D].

StanfordUnivisity,Stanford,CA,19,3(2):12-18.

[4]林涛,刘瑞宽,贾晓光,等1一种基于主星的导航星座构造方法

[J].中国空间科学技术,2000,20(1):48-521

[5]孟小红,王卫民,姚长利,等1地质模型计算机辅助设计原理与应

用[M]1北京:地质出版社,20011

[6]徐明海,张俨彬,陶文铨1一种改进的Delaunay三角形化剖分方(上接第1623页)

法[J]1石油大学学报(自然科学版),2001,25(2):100-1051[7]孔德慧,陈其明,汪叔淳1有界曲面剖分的边界递归法[J]1计算

机辅助设计与图像学学报,1996,8(5):345-3511

[8]李立宏,徐洪泽,张福恩1一种改进全天自主栅格星图识别算法

[J]1光电技术,2000,26(3):204-2101

[9]李立宏,曹泉,张福恩,等1基于CCD星的飞行器姿态估计

算法研究[J]1光电工程,2000,27(1):20-241

[10]KinHye2Young,JunkinsJohnL.Self2organizingguidestarselection

algorithmforstartrackers:thinningmethod[J].IEEEACPaper#52,UpdatedDecember3,2001,5-2275-2283.

[11]海峰,袁家虎,毛羽国.快速星图匹配算法的研究[J].光电工程,

1998,25(6):70-741

态势评估结果 威胁目标的型号为萨姆4和萨姆6的信度均为0.306,威胁目标(即高射兵器)的火控雷达为

PATHAND和STRAIGHTFLUSH的信度均为0.306,制导方式为无线制导的信度为1,该威胁单元当前正处于截获目标状态的信度为0.606。

络进行建模的方法:首先确定问题所涉及的因素,并将其对应有关的随机变量;确定每个变量的状态,对连续变量要离散化,如本例中的距离;确定各个变量之间的依存关系,并由这些关系建立贝叶斯网络;给出网络中每个节点的先验概率;进行有关的推理或通过实例运用网络的学习功能修正先验概率。

(4)给出的态势评估的定义与电子信息部28所的林华主任、严以君主任的定义是非常接近的。另外,在讨论中,文献[4]认为态势评估的结果应该给出一种有利或不利的判断性结果。这在本文提出的贝叶斯网络框架中也是容易实现的:在网络中可以设置一个随即变量,让该随机变量的状态值为不利或有利,然后根据有关军事知识确定和它有关的变量,并给出其先验概率就可进行有关这种结果的推理。

5 讨 论

(1)根据关于态势评估的定义,态势评估模型需要合理的表示和装备的状态。所谓合理,是指关于状态的表示方法必须有利于进行态势预测所需的推理。想到概率推理是很自然地,然而如果运用联合概率分布函数表示先验知识的话,在第3节所构造的网络中变量的状态空间有74@24@32=345744种状态,要确定分布函数,就必须为每种状态确定概率值,这在现实中几乎是不可能的。而用贝叶斯网络知识

3

表示方法,只需对7+7+7@2@3+72+2@7+2@7+2@2@3+7@2@2+3+7=519种状态确定其概率值,从而使问题缩减到可控范围内。另外,贝叶斯网络中有一种似然率推理方法,这种方法特别适应于证据不确定的推理,这是传统的贝叶斯推断方法所没有的,例如第4节中态势1的证据(2)和(3),就用了其中的似然率推理方法。所以,贝叶斯网络所包含的推理方法扩展了传统的贝叶斯推理方法。(2)许多人可能认为在战术态势评估中运用贝叶斯网络的最大问题是:没有丰富得实例,如何确定先验概率呢?在医疗诊断中运用贝叶斯网络是因为有丰富的大量可用的病例来确定先验概率,然而在战术环境中如何确定先验概率呢?答案是先由军事专家凭主观给出先验概率值,再由贝叶斯网络所具有的学习功能根据现有的实例来修正这个先验概率值。如何看待概率是个哲学问题,在此不予考虑,然而在建模初期把先验概率看成主观概率是合理的。

(3)从本文给出的实例可以得出一般的运用贝叶斯网

参考文献:

[1]Pearl,JudeaProbabilisticreasoninginintelligentsystems:networks

ofplausibleinference[J].MorganKaufmann,SanMateo,CA.2ndedition1991.

[2]NeticaTutorial.http://www.norsys.com/tutorials/netica/nt_toc_D.

htm,2003.

[3]何友,王国宏,等1多传感器信息融合及其应用[M]1北京:电子

工业出版社,20001

[4]赵宗贵1数据融合方法概论[M]1北京:电子工业部第二十八研

究所,19981

[5]康耀红1数据融合理论与应用[M]1西安电子科技大学出版社,

19971

[6]刘同明,夏祖勋,解洪成1数据融合技术及其应用[M]1北京:国

防工业出版社,19981

[7]董福,许创杰,焦茂寅1指挥自动化与作战模拟[M]1北京兵器工

业出版社,19971