本發(fā)明屬于態(tài)勢估計技術領域，特別涉及一種基于動態(tài)貝葉斯網(wǎng)絡的威脅估計方法，可用于態(tài)勢估計、指揮控制系統(tǒng)。

背景技術：

當今地區(qū)沖突呈現(xiàn)出對象多元化和環(huán)境復雜化的特點，面對觀測數(shù)據(jù)量急劇上升的情況，如果仍然依靠人工處理，則時效性和一致性均難以滿足實際需求。因此，需要利用計算機的存儲和計算優(yōu)勢來處理大量重復出現(xiàn)的有規(guī)律態(tài)勢，從而減輕指揮員的工作負擔，使其能夠更為快速有效地掌握實時動態(tài)。其中，威脅分析是在提取的態(tài)勢要素基礎之上，對環(huán)境中存在的藍方威脅程度進行推理分析，從而為行動方案制定和路徑規(guī)劃提供參考依據(jù)。

目前，典型的威脅估計方法主要基于以下理論：直覺模糊邏輯、貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡、證據(jù)網(wǎng)絡等?，F(xiàn)有方法存在的缺陷主要有：(a)只考慮各因素與威脅的靜態(tài)關系，未能體現(xiàn)威脅在時間上連續(xù)變化特性；(b)針對單個目標間的威脅估計，而實際中目標通常是以編隊群目標的形式執(zhí)行任務，單個目標間的威脅，未考慮目標數(shù)量，難以有效反映真實的威脅情況；(c)傳統(tǒng)的威脅等級估計，通常是當某一等級的概率大于閾值時，將其作為最終結果。而當各等級的概率較為接近時，這種方法難以設置合理閾值，導致輸出不穩(wěn)定。

技術實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術中的不足，采用動態(tài)貝葉斯網(wǎng)絡，綜合多種態(tài)勢要素實現(xiàn)對藍方群目標威脅的動態(tài)評估，提出了一種基于動態(tài)貝葉斯網(wǎng)絡的威脅估計方法，有效提高威脅估計的可靠性和穩(wěn)定性。

實現(xiàn)本發(fā)明的技術關鍵是：在威脅估計過程中，首先綜合多種態(tài)勢要素構建動態(tài)貝葉斯網(wǎng)絡，經(jīng)訓練學習得到網(wǎng)絡參數(shù)，其次根據(jù)馬爾可夫性實現(xiàn)快速近似推理，進而將各威脅等級概率融合為連續(xù)的威脅指數(shù)及離散的威脅等級。其實現(xiàn)步驟包括如下：

(1)初始設置為訓練模式；

(2)數(shù)據(jù)匯集整理，具體包括以下步驟：

(2a)初始化性能參數(shù)，包括：藍方目標攻擊范圍和藍方目標速度上限；

(2b)讀入當前時刻觀測數(shù)據(jù)，包括：氣象、地形、時間、藍方目標數(shù)、紅方目標數(shù)、藍方目標實力量化數(shù)據(jù)、紅方目標實力量化數(shù)據(jù)、紅藍雙方實際距離和藍方目標徑向速度；

(2c)結合性能參數(shù)和觀測數(shù)據(jù)，得到相對實力連續(xù)值、相對距離連續(xù)值和相對速度連續(xù)值；

(2d)對相對實力連續(xù)值、相對距離連續(xù)值和相對速度連續(xù)值進行離散化，得到相對實力、相對距離和相對速度；

(3)建立動態(tài)貝葉斯網(wǎng)絡拓撲，具體包括以下步驟：

(3a)建立威脅估計動態(tài)貝葉斯網(wǎng)絡拓撲，網(wǎng)絡節(jié)點包括：可觀測節(jié)點和隱藏節(jié)點；所述的可觀測節(jié)點包括：氣象、地形、時間、相對實力、相對距離和相對速度，所述的隱藏節(jié)點包括：外部因素和威脅；所述的動態(tài)貝葉斯網(wǎng)絡包含兩層推理結構：將氣象、地形和時間融合為外部因素；將外部因素、相對實力、相對距離和相對速度融合為威脅；

(3b)設置各網(wǎng)絡節(jié)點概率分布，包括氣象概率分布、地形概率分布、時間概率分布、相對實力概率分布、相對距離概率分布、相對速度概率分布、外部因素先驗概率分布和威脅先驗概率分布；

(4)訓練模式下對動態(tài)貝葉斯網(wǎng)絡參數(shù)進行學習與設置，具體包括以下步驟：

(4a)判斷當前模式是否為訓練模式，若是，則執(zhí)行步驟(4b)，否則，執(zhí)行步驟(5)；

(4b)判斷是否達到設定的學習次數(shù)，若是，則通過對觀測數(shù)據(jù)學習，得到各網(wǎng)絡節(jié)點間的條件概率分布；否則返回步驟(1)；所述的各網(wǎng)絡節(jié)點間的條件概率分布包括：當前時刻氣象和外部因素的條件概率分布、當前時刻地形和外部因素的條件概率分布、當前時刻時間和外部因素的條件概率分布、當前時刻外部因素和威脅的條件概率分布、當前時刻相對實力和威脅的條件概率分布、當前時刻相對距離和威脅的條件概率分布、當前時刻相對速度和威脅的條件概率分布、上一時刻威脅和當前時刻威脅的條件概率分布；

(4c)將訓練所得的各網(wǎng)絡節(jié)點間的條件概率分布設置為動態(tài)貝葉斯網(wǎng)絡參數(shù)；

(4d)將當前模式設置為應用模式，返回步驟(2)；

(5)根據(jù)各網(wǎng)絡節(jié)點概率分布和各網(wǎng)絡節(jié)點間的條件概率分布，經(jīng)貝葉斯推理得到當前時刻威脅的后驗概率分布，具體包括以下步驟：

(5a)結合當前時刻的氣象、地形、時間和當前時刻的外部因素先驗概率分布經(jīng)貝葉斯推理得到當前時刻外部因素的后驗概率分布；

(5b)結合當前時刻的外部因素、相對實力、相對距離、相對速度、上一時刻威脅和當前時刻的威脅先驗概率分布經(jīng)貝葉斯推理得到當前時刻威脅的后驗概率分布；

(5c)根據(jù)馬爾可夫性，更新得到下一時刻的外部因素先驗概率分布和下一時刻的威脅先驗概率分布；

(6)將當前時刻威脅的后驗概率分布融合為連續(xù)的威脅指數(shù)及離散的威脅等級，具體包括以下步驟：

(6a)從當前時刻威脅的后驗概率分布中提取各威脅等級概率；

(6b)將各威脅等級概率融合為當前時刻威脅指數(shù)；

(6c)根據(jù)威脅指數(shù)和閾值，得到當前時刻威脅等級；

(7)輸出當前時刻威脅指數(shù)和威脅等級，檢查下一時刻的觀測數(shù)據(jù)是否到達，若是，將下一時刻更新為當前時刻，跳轉到步驟(2)；否則，結束本流程；

其中，步驟(2c)所述的結合性能參數(shù)和觀測數(shù)據(jù)，得到相對實力連續(xù)值、相對距離連續(xù)值和相對速度連續(xù)值，具體為：

計算相對實力連續(xù)值

其中，oi表示紅方第i個目標實力量化值，i為紅方目標標號，取值為1,2,···,nk，nk為紅方目標數(shù)，ej表示藍方第j個目標實力量化值，j為藍方目標標號，取值為1,2,···,mk，mk為藍方目標數(shù)；

計算相對距離連續(xù)值

其中，dk為紅藍雙方實際距離，r為藍方目標攻擊范圍；

計算相對速度連續(xù)值

其中，vk為藍方目標徑向速度，vsup為藍方目標速度上限。

其中，步驟(2d)所述的對相對實力連續(xù)值、相對距離連續(xù)值和相對速度連續(xù)值進行離散化，得到相對實力、相對距離和相對速度，具體為：

離散化相對實力

離散化相對距離

離散化相對速度

其中，步驟(5a)所述的結合當前時刻的氣象、地形、時間和當前時刻外部因素先驗概率分布經(jīng)貝葉斯推理得到當前時刻外部因素的后驗概率分布，具體為：

其中，pu(ek)為k時刻外部因素的后驗概率分布，p(wk)為k時刻氣象概率分布，p(gk)為k時刻地形概率分布，p(tk)為k時刻時間概率分布，pf(ek)為k時刻外部因素先驗概率分布，p(wk|ek)為k時刻氣象和外部因素的條件概率分布，p(gk|ek)為k時刻地形和外部因素的條件概率分布，p(tk|ek)為k時刻時間和外部因素的條件概率分布。

其中，步驟(5b)所述的結合當前時刻的外部因素、相對實力、相對距離、相對速度、上一時刻威脅和當前時刻威脅先驗概率分布經(jīng)貝葉斯推理得到當前時刻威脅的后驗概率分布，具體為：

其中，pu(thk)為k時刻威脅的后驗概率分布，p(sk)為k時刻相對實力概率分布，p(dk)為k時刻相對距離概率分布，p(vk)為k時刻相對速度概率分布，pu(thk-1)為k-1時刻威脅后驗概率分布，pf(thk)為k時刻威脅先驗概率分布，p(ek|thk)為k時刻外部因素和威脅的條件概率分布，p(sk|thk)為k時刻相對實力和威脅的條件概率分布，p(dk|thk)為k時刻相對距離和威脅的條件概率分布，p(vk|thk)為k時刻相對速度和威脅的條件概率分布，p(thk-1|thk)為k-1時刻威脅和k時刻威脅的條件概率分布。

其中，步驟(5c)所述的更新得到下一時刻的外部因素先驗概率分布和威脅先驗概率分布，具體為：

pf(ek+1)＝pu(ek)；

pf(thk+1)＝pu(thk)；

其中，pf(ek+1)為k+1時刻外部因素先驗概率分布，pf(thk+1)為k+1時刻威脅先驗概率分布。

其中，步驟(6a)所述的從當前時刻威脅的后驗概率分布中提取各威脅等級概率，具體為：

pu(thk)＝{w1,w2,w3}；

其中，pu(thk)為k時刻威脅的后驗概率分布，w1為k時刻威脅為“高”的概率，w2為k時刻威脅為“中”的概率，w3為k時刻威脅為“低”的概率。

其中，步驟(6b)所述的將各威脅等級概率融合為當前時刻威脅指數(shù)，具體為：

其中，ik為k時刻威脅指數(shù)，取值范圍為ik∈[1,100]，bc為第c個威脅等級的基準威脅度，c為威脅等級序號，取值為1,2,3，即b1為威脅等級為“高”的基準威脅度，b1＝100，b2為威脅等級為“中”的基準威脅度，b2＝10，b3為威脅等級為“低”的基準威脅度，b3＝1。

其中，步驟(6c)所述的根據(jù)威脅指數(shù)和閾值，得到當前時刻威脅等級，具體為：

其中，lk為k時刻威脅等級。

本發(fā)明相比現(xiàn)有技術具有以下優(yōu)點：

1)本發(fā)明采用動態(tài)貝葉斯網(wǎng)絡實現(xiàn)威脅估計，能夠反映各態(tài)勢要素與威脅的動態(tài)關系，體現(xiàn)威脅在時間上連續(xù)變化特性；

2)本發(fā)明考慮了群目標的相對實力，能夠有效反映編隊間的威脅情況；

3)本發(fā)明通過設置各威脅等級的基準威脅度，結合各威脅等級概率，融合成為連續(xù)的威脅指數(shù)及離散的威脅等級，能夠同時得到對威脅的定量和定性估計，可以為后續(xù)決策提供更為豐富、精確的參考信息，并且該威脅等級估計方法，相較傳統(tǒng)方法，更為平滑，穩(wěn)定。

附圖說明

圖1是本發(fā)明的整體流程圖；

圖2是用本發(fā)明進行威脅估計的動態(tài)貝葉斯網(wǎng)絡拓撲；

圖3是用本發(fā)明進行威脅估計的實驗場景；

圖4是用本發(fā)明進行威脅估計的各可觀測節(jié)點隨時間變化曲線；

圖5是用本發(fā)明進行威脅估計的各威脅等級概率、威脅指數(shù)和威脅等級結果。

具體實施方式

下面結合附圖及實施例對本發(fā)明做進一步詳細的說明。

參照圖1，本發(fā)明的基于動態(tài)貝葉斯網(wǎng)絡的威脅估計方法，具體包括以下步驟：

步驟1.初始設置為訓練模式；

步驟2.數(shù)據(jù)匯集整理，具體包括以下步驟：

2.1)初始化性能參數(shù)，包括：藍方目標攻擊范圍r，藍方目標速度上限vsup；

2.2)令初始時刻k＝1，讀入k時刻的觀測數(shù)據(jù)，包括：氣象wk，取值為“有利”或“不利”，地形gk，取值為“有利”或“不利”，時間tk，取值為“白天”或“夜晚”，藍方目標數(shù)mk，紅方目標數(shù)nk，藍方目標實力量化數(shù)據(jù)ej表示藍方第j個目標實力量化值，j為藍方目標標號，取值為1,2,···,mk，紅方目標實力量化數(shù)據(jù)oi表示紅方第i個目標實力量化值，i為紅方目標標號，取值為1,2,···,nk，紅藍雙方實際距離dk，藍方目標徑向速度vk；

2.3)結合性能參數(shù)和觀測數(shù)據(jù)，得到相對實力連續(xù)值相對距離連續(xù)值相對速度連續(xù)值

計算相對實力連續(xù)值

計算相對距離連續(xù)值

計算相對速度連續(xù)值

2.4)對相對實力連續(xù)值、相對距離連續(xù)值和相對速度連續(xù)值進行離散化，得到相對實力sk、相對距離dk、相對速度vk；

離散化相對實力

離散化相對距離

離散化相對速度

步驟3.建立動態(tài)貝葉斯網(wǎng)絡拓撲。

3.1)利用專家知識和經(jīng)驗建立威脅估計動態(tài)貝葉斯網(wǎng)絡拓撲，如圖2所示，網(wǎng)絡節(jié)點包括：可觀測節(jié)點和隱藏節(jié)點，所述的可觀測節(jié)點包括：氣象wk、地形gk、時間tk、相對實力sk、相對距離dk、相對速度vk，所述的隱藏節(jié)點包括：外部因素ek、威脅thk，動態(tài)貝葉斯網(wǎng)絡包含兩層推理結構，首先將氣象wk、地形gk、時間tk融合為外部因素ek，其次將外部因素ek、相對實力sk、相對距離dk、相對速度vk融合為威脅thk；

3.2)設置各網(wǎng)絡節(jié)點概率分布：

3.2.1)由氣象、地形、時間、相對實力、相對距離、相對速度，分別得到k時刻各態(tài)勢要素的概率分布，包括：氣象概率分布p(wk)、地形概率分布p(gk)、時間概率分布p(tk)、相對實力概率分布p(sk)、相對距離概率分布p(dk)、相對速度概率分布p(vk)；

3.2.2)外部因素ek，取值為“有利”、“無影響”或“不利”，當k＝1時k時刻外部因素先驗概率分布pf(ek)設置為等概率分布，下標f表示所屬概率分布為先驗概率分布；

3.2.3)威脅thk，取值為“高”、“中”或“低”，當k＝1時威脅先驗概率分布pf(thk)設置為等概率分布；

步驟4.參數(shù)學習與設置。

訓練模式下對動態(tài)貝葉斯網(wǎng)絡參數(shù)進行學習與設置，具體包括以下步驟：

4.1)判斷當前模式是否為訓練模式，若是，則執(zhí)行步驟4.2)，若否則執(zhí)行步驟5；

4.2)判斷是否達到設定的學習次數(shù)，若是，則通過對觀測數(shù)據(jù)學習，得到各網(wǎng)絡節(jié)點間的條件概率分布；否則返回步驟(1)；所述的各網(wǎng)絡節(jié)點間的條件概率分布包括：k時刻氣象和外部因素的條件概率分布p(wk|ek)，k時刻地形和外部因素的條件概率分布p(gk|ek)，k時刻時間和外部因素的條件概率分布p(tk|ek)，k時刻外部因素和威脅的條件概率分布p(ek|thk)，k時刻相對實力和威脅的條件概率分布p(sk|thk)，k時刻相對距離和威脅的條件概率分布p(dk|thk)，k時刻相對速度和威脅的條件概率分布p(vk|thk)，k-1時刻威脅和k時刻威脅的條件概率分布p(thk-1|thk)；

4.3)將訓練所得各網(wǎng)絡節(jié)點間的條件概率分布設置為動態(tài)貝葉斯網(wǎng)絡參數(shù)；

4.4)將當前模式設置為應用模式，返回步驟2。

步驟5.貝葉斯推理。

根據(jù)各網(wǎng)絡節(jié)點概率分布和各網(wǎng)絡節(jié)點間的條件概率分布，經(jīng)貝葉斯推理得到k時刻威脅的后驗概率分布

5.1)結合k時刻的氣象、地形、時間和k時刻外部因素的先驗概率分布推理得到k時刻外部因素的后驗概率分布

其中，下標u表示所屬概率分布為后驗概率分布；

5.2)結合k時刻的外部因素、相對實力、相對距離、相對速度、k-1時刻威脅和k時刻威脅的先驗概率分布推理得到k時刻威脅的后驗概率分布

5.3)根據(jù)馬爾可夫性，更新得到k+1時刻的外部因素先驗概率分布和威脅先驗概率分布

pf(ek+1)＝pu(ek)，9)

pf(thk+1)＝pu(thk)。10)

步驟6.威脅融合估計。

將k時刻威脅的后驗概率分布融合為連續(xù)的威脅指數(shù)及離散的威脅等級。

6.1)從k時刻威脅的后驗概率分布中提取各威脅等級概率

pu(thk)＝{w1,w2,w3}；11)

其中，w1為k時刻威脅為“高”的概率，w2為k時刻威脅為“中”的概率，w3為k時刻威脅為“低”的概率。

6.2)將各威脅等級概率融合為k時刻威脅指數(shù)

其中，ik為k時刻威脅指數(shù)，取值范圍為ik∈[1,100]，bc為第c個威脅等級的基準威脅度，c為威脅等級序號，取值為1,2,3，即b1為威脅等級為“高”的基準威脅度，b1＝100，b2為威脅等級為“中”的基準威脅度，b2＝10，b3為威脅等級為“低”的基準威脅度，b3＝1。

6.3)根據(jù)威脅指數(shù)和閾值，得到k時刻威脅等級

步驟7.威脅估計結果輸出。

7.1)輸出k時刻威脅指數(shù)ik和威脅等級lk；

7.2)檢查下一時刻的觀測數(shù)據(jù)是否到達，若是，令k＝k+1，返回步驟2進行迭代；否則，結束本流程。

本發(fā)明的效果可通過以下仿真實驗進一步說明：

1.仿真條件。

仿真環(huán)境：計算機采用intelcorei3-2130cpu3.4ghz，2gb內(nèi)存，軟件采用matlabr2011a仿真實驗平臺。

仿真參數(shù)：藍方目標攻擊范圍r＝60km，藍方目標速度上限vsup＝360km/h。

2.仿真方法。

方法1：本發(fā)明方法。

3.仿真內(nèi)容與結果。

用方法1，實現(xiàn)圖3所示實驗場景中群目標2(藍方)對群目標6(紅方)的威脅等級估計，各可觀測節(jié)點隨時間變化曲線如圖4所示，威脅估計結果如圖5所示，其中：

圖3為用本發(fā)明進行威脅估計的實驗場景；

圖4為用本發(fā)明進行威脅估計的各可觀測節(jié)點隨時間變化曲線；

圖5為用本發(fā)明進行威脅估計的各威脅等級概率、威脅指數(shù)和威脅等級結果。

在圖3中，局部區(qū)域a和b為地形不利區(qū)域，局部區(qū)域c和d為氣象不利區(qū)域，黑點表示各群目標的位置量測，黑色六角形為群目標觀測起始位置，旁邊的數(shù)字為群目標編號，各群目標編隊情況如表1所示。圖3所描繪的態(tài)勢情況為藍方飛機與車輛多編隊向紅方車輛編隊快速行進，遭遇紅方飛機編隊攔截后撤退。

表1

從圖3和圖4可以看出，隨時間變化，相對實力保持不變；時間由白天到夜晚，為晝夜交替，傍晚時分；相對速度，初始為正向接近，后半段反向遠離；地形，先后經(jīng)過兩個地形不利區(qū)域；氣象，先后經(jīng)過兩個氣象不利區(qū)域；相對距離，逐步接近至某一距離后穩(wěn)定保持。

從圖5可以看出，威脅等級高、中、低各自的概率，受各可觀測節(jié)點的影響，起伏變化；量化融合得到的威脅指數(shù)，從整體趨勢上反映了威脅連續(xù)變化，進而得到最終的威脅等級估計。通過分析可以看出，在前半段主要由于相對距離較遠(處于攻擊范圍外)，盡管受到相對速度正向接近和地形不利的影響，威脅指數(shù)整體處于較低水平；而在后半段，主要由于相對距離較近(處于攻擊范圍內(nèi))，并受盡管受到地形和氣象不利的影響，威脅指數(shù)整體在較高水平起伏波動。

綜上可以得出，本發(fā)明能夠綜合多種態(tài)勢要素，進行合理、智能的推理分析，實現(xiàn)了對藍方群目標威脅動態(tài)的定量和定性估計，顯著提升了態(tài)勢分析能力。