CN116720583A - 基于概率溯因推理的观测状态解释方法及装置 - Google Patents

基于概率溯因推理的观测状态解释方法及装置 Download PDF

Info

Publication number
CN116720583A
CN116720583A CN202310504825.6A CN202310504825A CN116720583A CN 116720583 A CN116720583 A CN 116720583A CN 202310504825 A CN202310504825 A CN 202310504825A CN 116720583 A CN116720583 A CN 116720583A
Authority
CN
China
Prior art keywords
interpretation
observation information
information
observation
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310504825.6A
Other languages
English (en)
Other versions
CN116720583B (zh
Inventor
孟竹喧
李晟泽
白敬培
张峰
章杰元
李渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN202310504825.6A priority Critical patent/CN116720583B/zh
Publication of CN116720583A publication Critical patent/CN116720583A/zh
Application granted granted Critical
Publication of CN116720583B publication Critical patent/CN116720583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明实施例提供一种基于概率溯因推理的观测状态解释方法及装置，该方法包括：获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。本发明实施例的方法实现了情报分析场景中观测信息的有效解释。

Description

基于概率溯因推理的观测状态解释方法及装置
技术领域
本发明涉及情报分析技术领域，尤其涉及一种基于概率溯因推理的观测状态解释方法及装置。
背景技术
溯因推理是一种根据常识知识解释观察现象的方法，目的是找到能够解释当前观察现象的多种可能假设。溯因推理是从证据到解释的探索过程，是一种对不完全信息的补全方法。溯因推理所得出的结论，将有益于指导相应的决策活动。溯因推理在情报分析场景中有着广泛应用。
相关技术中，进行情报分析过程中基于贝叶斯的不确定推理方法需要利用完整的统计数据和置信传播算法来构建贝叶斯网络，以获得后验概率分布，使得整个计算过程效率较低。
发明内容
针对现有技术中的问题，本发明实施例提供一种基于概率溯因推理的观测状态解释方法及装置。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种基于概率溯因推理的观测状态解释方法，包括：
获取雷达观测信息对应的多个解释集；所述解释集中包括所述雷达观测信息及影响所述观测信息发生的假设信息；所述解释集用于解释所述观测信息发生的原因；
根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；所述联合分布概率用于表示所述观测信息对应的各种解释的概率；
根据各个解释集对应的联合分布概率，从多个解释集中确定所述观测信息对应的目标解释集；所述目标解释集用于确定所述观测信息发生的原因。
进一步地，所述获取雷达观测信息对应的多个解释集，包括：
获取雷达观测数据集和假设数据集；所述观测数据集用于存储雷达观测信息；所述假设数据集用于存储影响所述观测信息发生的多项假设信息；
根据所述假设数据集，确定多个候选假设数据集；所述候选假设数据集为所述假设数据集的子集；
根据所述观测信息和所述观测信息对应的多个候选假设数据集，生成多个解释集。
进一步地，所述根据所述观测信息和所述观测信息对应的多个候选假设数据集，生成多个解释集，包括：
将所述观测信息和所述观测信息对应的各个候选假设数据集分别进行合并，生成多个目标集合；
根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集；
根据所述观测信息和观测信息对应的多个目标候选假设集，生成多个解释集。
进一步地，所述根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集，包括：
根据所述目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系；
根据搜索条件及目标集合中元素的因果关系，从目标集合中的观测信息开始搜索，确定多个所述目标候选假设集；所述搜索条件包括搜索深度和搜索次数。
进一步地，所述根据各个解释集对应的联合分布概率，从多个解释集中确定所述观测信息对应的目标解释集，包括：
根据各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果；
根据解释集的排序结果，确定所述观测信息对应的目标解释集。
第二方面，本发明实施例还提供了一种基于概率溯因推理的观测状态解释装置，包括：
获取模块，用于获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；
处理模块，用于根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；
解释模块，用于根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基于概率溯因推理的观测状态解释方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述基于概率溯因推理的观测状态解释方法。
第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述基于概率溯因推理的观测状态解释方法。
本发明实施例提供的基于概率溯因推理的观测状态解释方法及装置，通过获取雷达观测信息对应的多个解释集，并根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率，也就是通过观测信息、假设信息出现的先验概率与条件概率，根据观测信息与假设信息间的常识性关联关系，计算得到观测信息与不同假设信息集的联合分布概率，从而也就得到了能够解释观测信息的不同可能性假设及各种可能性假设的概率大小，进而根据解释观测信息的各种可能性假设的概率大小也就可以有效的确定出观测信息对应的解释结果。本发明实施例的方法在进行情报分析的过程中基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系，解决了目前应用溯因推理方法解释不确定性事件时难表征、计算推理过程复杂的问题，克服了逻辑推理无法适用于不确定性事件的问题，而且计算过程更为简洁，无需进行复杂的置信传播计算，能够更好的实现对大规模常识性知识的存储与编码运算，能够更快的为相关决策活动提供辅助信息，有效应用于如情报分析之类的需要额外信息支撑决策的场景中。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于概率溯因推理的观测状态解释方法的流程示意图之一；
图2是本发明实施例提供的基于概率溯因推理的观测状态解释方法的流程示意图之二；
图3是本发明实施例提供的基于概率溯因推理的观测状态解释方法的流程示意图之三；
图4是本发明实施例提供的基于概率溯因推理的观测状态解释装置的结构示意图；
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的方法可以应用于情报分析技术场景中，本发明实施例的方法在进行情报分析的过程中基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系，解决了目前应用溯因推理方法解释不确定性事件时难表征、计算推理过程复杂的问题，克服了逻辑推理无法适用于不确定性事件的问题，而且计算过程更为简洁，无需进行复杂的置信传播计算，能够更好的实现对大规模常识性知识的存储与编码运算，能够更快的为相关决策活动提供辅助信息，有效应用于如情报分析之类的需要额外信息支撑决策的场景中。
相关技术中，进行情报分析过程中基于贝叶斯的不确定推理方法需要利用完整的统计数据和置信传播算法来构建贝叶斯网络，以获得后验概率分布，使得整个计算过程效率较低。
本发明实施例的基于概率溯因推理的观测状态解释方法，通过获取雷达观测信息对应的多个解释集，并根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率，也就是通过观测信息、假设信息出现的先验概率与条件概率，根据观测信息与假设信息间的常识性关联关系，计算得到观测信息与不同假设信息集的联合分布概率，从而也就得到了能够解释观测信息的不同可能性假设及各种可能性假设的概率大小，进而根据解释观测信息的各种可能性假设的概率大小也就可以有效的确定出观测信息对应的解释结果。本发明实施例的方法在进行情报分析的过程中基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系，解决了目前应用溯因推理方法解释不确定性事件时难表征、计算推理过程复杂的问题，克服了逻辑推理无法适用于不确定性事件的问题，而且计算过程更为简洁，无需进行复杂的置信传播计算，能够更好的实现对大规模常识性知识的存储与编码运算，能够更快的为相关决策活动提供辅助信息，有效应用于如情报分析之类的需要额外信息支撑决策的场景中。
下面结合图1-图5以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明实施例提供的基于概率溯因推理的观测状态解释方法一实施例的流程示意图。如图1所示，本实施例提供的方法，包括：
步骤101、获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；
具体地，溯因推理是一种根据常识知识解释观察现象的方法，目的是找到能够解释当前观察现象的多种可能假设。溯因推理在情报分析场景中有着广泛应用。例如我方探测到敌方轰炸机正在接近我方阵地，且即将进入我方防空火力范围，由此可以假设敌方轰炸机可能有隐身战斗机护航或该目标为假目标，借助更多的常识或观察现象，可以分析出敌方轰炸机接近我方阵地的合理解释。溯因推理所得出的结论，将有益于指导相应的决策活动。
但是相关技术中，进行情报分析的过程中基于贝叶斯的不确定推理方法需要利用完整的统计数据和置信传播算法来构建贝叶斯网络，以获得后验概率分布，使得整个计算过程效率较低。而且传统的溯因推理方法往往注重语义逻辑的正确性，对于不确定性事件或现象的分析能力有限，同时也不利于大规模常识性知识的计算机编码实现。
为了解决上述问题，本发明实施例中首先获取雷达观测信息对应的多个解释集；其中，雷达观测信息可以为雷达中观测的信息，也可以为其他观测平台观测到的观测信息，本发明实施例中不做限制。例如，获取到的雷达观测信息可以为敌方轰炸机正在接近我方阵地。可选地，在获取获取雷达观测信息后，本发明实施例中还获取雷达观测信息对应的多个解释集，其中解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因。
例如，雷达观测信息为发现敌轰炸机即将进入我方防空火力范围对应的第1个解释集中的假设信息为轰炸机为假目标，第2个解释集中的假设信息为雷达观测到轰炸机周边附近有战斗机护航，护航战斗机为隐身战斗机。
步骤102、根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；
具体地，本发明实施例在获取雷达观测信息对应的多个解释集后，根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；其中，解释集中包括雷达观测信息及影响观测信息发生的假设信息，解释集中的元素也就是雷达观测信息及影响观测信息发生的假设信息。本发明实施例中根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率，也就是通过观测信息、假设信息出现的先验概率与条件概率，根据观测信息与假设信息间的常识性关联关系，计算得到观测信息与不同假设信息集的联合分布概率，从而也就得到了能够解释观测信息的不同可能性假设及各种可能性假设的概率大小。
例如，如图2所示，雷达观测信息为发现敌轰炸机即将进入我方防空火力范围对应的第1个解释集中的假设信息为轰炸机为假目标，第2个解释集中的假设信息为雷达观测到轰炸机周边附近有战斗机护航，护航战斗机为隐身战斗机。为简洁起见，令w＝发现敌轰炸机即将进入我方防空火力范围,r＝附近有战斗机护航,f＝护航战斗机为隐身战斗机,s＝轰炸机为假目标。第一个解释集为{s,w},第二个解释集为{r,f,w}。若观测信息为发现敌轰炸机即将进入我方防空火力范围的先验概率P(w)＝0.001，附近有战斗机护航的先验概率P(r)＝0.001，护航战斗机为隐身战斗机的先验概率P(f)＝0.001，轰炸机为假目标的先验概率为P(s)＝0.001，元素间的条件概率为P(w|r)＝0.5,P(w|s)＝0.3,P(r|f)＝0.8；则第一个解释集{s,w}对应的联合分布概率为P(s)P(w│s)＝0.001×0.3＝0.0003；第二个解释集{r,f,w}对应的联合分布概率为P(r)P(f)P(w)＝P(f)P(r│f)P(w│r)＝0.001×0.8×0.5＝0.0004，也就是雷达观测信息为发现敌轰炸机即将进入我方防空火力范围对应对应的第二个解释集的概率大于第一个解释集的概率。
步骤103、根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
具体地，在确定各个解释集对应的联合分布概率后，就可以根据各个解释集对应的联合分布概率的大小关系，从多个解释集中确定观测信息对应的目标解释集；可选地，可以将联合分布概率最大的解释集作为观测信息对应的目标解释集，从而确定观测信息对应的解释结果。
例如，雷达观测信息为发现敌轰炸机即将进入我方防空火力范围对应两组不同解释，一种是由于未发现其附近的隐身战斗机，其对应的联合分布概率为P(r)P(f)P(w)＝P(f)P(r│f)P(w│r)＝0.001×0.8×0.5＝0.0004；另一种解释是由于该目标为假目标，其对应的联合分布概率为P(s)P(w│s)＝0.001×0.3＝0.0003；在没有更多观测信息的情况下，可以认为是由于未发现其附近的隐身战斗机的可能性更大。本发明实施例中采用基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系。
上述实施例的方法，通过获取雷达观测信息对应的多个解释集，并根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率，也就是通过观测信息、假设信息出现的先验概率与条件概率，根据观测信息与假设信息间的常识性关联关系，计算得到观测信息与不同假设信息集的联合分布概率，从而也就得到了能够解释观测信息的不同可能性假设及各种可能性假设的概率大小，进而根据解释观测信息的各种可能性假设的概率大小也就可以有效的确定出观测信息对应的解释结果。本发明实施例的方法在进行情报分析的过程中基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系，解决了目前应用溯因推理方法解释不确定性事件时难表征、计算推理过程复杂的问题，克服了逻辑推理无法适用于不确定性事件的问题，而且计算过程更为简洁，无需进行复杂的置信传播计算，能够更好的实现对大规模常识性知识的存储与编码运算，能够更快的为相关决策活动提供辅助信息，有效应用于如情报分析之类的需要额外信息支撑决策的场景中。
在一实施例中，获取雷达观测信息对应的多个解释集，包括：
获取雷达观测数据集和假设数据集；观测数据集用于存储雷达观测信息；假设数据集用于存储影响观测信息发生的多项假设信息；
根据假设数据集，确定多个候选假设数据集；候选假设数据集为假设数据集的子集；
根据观测信息和观测信息对应的多个候选假设数据集，生成多个解释集。
具体地，本发明在获取雷达观测信息对应的多个解释集的过程中，首先获取雷达观测数据集和假设数据集；观测数据集用于存储雷达观测信息；假设数据集用于存储影响观测信息发生的多项假设信息；可选地，不同的雷达观测信息对应不同数量的不同内容的假设信息。可选地，本发明在获取雷达观测数据集和假设数据集后，将假设数据集对应的所有子集作为候选假设数据集，从而使得确定出的候选假设集包括了观测信息对应的多项假设信息的所有形式的组合，也就准确全面的得到了观测信息对应的所有可能性的解释，使得观测信息对应的解释集更加的全面，不会出现遗漏的可能性解释，进而也就使得最终确定出的观测信息的解释结果更加的准确。
例如，获取雷达观测数据集O＝{发现敌轰炸机即将进入我方防空火力范围}、假设数据集C＝{附近有战斗机护航,护航战斗机为隐身战斗机,轰炸机为假目标}，为简洁起见，令w＝发现敌轰炸机即将进入我方防空火力范围,r＝附近有战斗机护航,f＝护航战斗机为隐身战斗机,s＝轰炸机为假目标。由C中若干元素组成的集合为一组候选假设集，如H＝{r,f}或H＝{r,f,s}。
上述实施例的方法，通过获取雷达观测数据集和假设数据集，并将假设数据集对应的所有子集作为候选假设数据集，从而使得确定出的候选假设集包括了观测信息对应的多项假设信息的所有形式的组合，也就准确全面的得到了观测信息对应的所有可能性的解释，使得观测信息对应的解释更加的全面，不会出现遗漏的可能性解释，进而也就使得最终确定出的观测信息的解释结果更加的准确。
在一实施例中，根据观测信息和观测信息对应的多个候选假设数据集，生成多个解释集，包括：
将观测信息和观测信息对应的各个候选假设数据集分别进行合并，生成多个目标集合；
根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集；
根据观测信息和观测信息对应的多个目标候选假设集，生成多个解释集。
具体地，在将假设数据集对应的所有子集作为候选假设数据集，从而准确全面的得到观测信息对应的所有可能性的解释的基础上，本发明实施例中将观测信息和观测信息对应的各个候选假设数据集分别进行合并，生成多个目标集合，也就是一个目标集合为观测信息和一个候选假设数据集的合集；进而根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集；可选地，条件概率为0的情况下，则表明A发生的情况下，B发生的概率为0，也就是A和B之间不存在因果关系，可选地，可以将候选假设数据集中与观测信息存在因果关系的候选假设数据集作为目标候选假设集，而将候选假设数据集中与观测信息之间不存在因果关系的候选假设数据集从目标候选假设集中排除，从而使得在满足候选假设集全面的基础上，也使得确定出的目标候选假设集更加的合理，也就使得确定出的观测信息对应的解释更加的全面且合理，也就可以提升观测信息对应的解释结果的确定效率。
上述实施例的方法，通过将候选假设数据集中与观测信息之间存在因果关系的候选假设数据集作为目标候选假设集，而将候选假设数据集中与观测信息之间不存在因果关系的候选假设数据集从目标候选假设集中排除，从而使得在满足候选假设集全面的基础上，也使得确定出的目标候选假设集更加的合理，也就使得确定出的观测信息对应的解释更加的全面且合理，进而也就可以提升观测信息对应的解释结果的确定效率。
在一实施例中，根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集，包括：
根据目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系；
根据搜索条件及目标集合中元素的因果关系，从目标集合中的观测信息开始搜索，确定多个目标候选假设集；搜索条件包括搜索深度和搜索次数。
具体地，本发明实施例中根据目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系。可选地，条件概率为0的情况下，则表明A发生的情况下，B发生的概率为0，也就是A和B之间不存在因果关系；条件概率不为0的情况下，则表明A发生的情况下，B也有可能发生，也就是A和B之间存在因果关系。因而本发明根据目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系之后，根据搜索条件及目标集合中元素的因果关系，从目标集合中的观测信息开始搜索，确定多个目标候选假设集，也就实现了将候选假设数据集中与观测信息之间不存在因果关系的候选假设数据集从目标候选假设集中排除，从而使得在满足候选假设集全面的基础上，也使得确定出的目标候选假设集更加的合理，也就使得确定出的观测信息对应的解释更加的全面且合理，进而也就可以提升观测信息对应的解释结果的确定效率。本申请中根据统计数据，基于不同要素的先验概率及条件概率，具有较强的可实现性和场景适用性，而且可以通过条件概率明确要素间的因果关系，适于大规模常识性知识构建。而且本发明实施例中利用元素独立性条件，将复杂的联合分布概率计算转化为每个元素的先验概率或条件概率乘积，较常规基于贝叶斯网络的概率推理方法更易于计算机编码实现，计算效率更高。
上述实施例的方法，根据目标集合中元素之间的条件概率，可以方便快速的确定目标集合中元素之间是否存在因果关系，进而也就可以根据搜索条件及目标集合中元素的因果关系，确定多个目标候选假设集，实现了将候选假设数据集中与观测信息之间不存在因果关系的候选假设数据集从目标候选假设集中排除，也就使得确定出的观测信息对应的解释更加的全面且合理，进而也就可以提升观测信息对应的解释结果的确定效率。另一方面，本发明实施例中根据目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系，即通过条件概率明确要素间的因果关系，适于大规模常识性知识构建，提升观测信息对应的解释效率。
在一实施例中，根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集，包括：
根据各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果；
根据解释集的排序结果，确定观测信息对应的目标解释集。
具体地，在根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集后，本发明实施例中根据各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果；可选地，可以将排序结果最先的解释集作为目标解释集，将目标解释集对应的解释结果作为观测信息对应的解释结果。
例如，雷达观测信息为发现敌轰炸机即将进入我方防空火力范围对应两组不同解释，第一中解释是由于未发现其附近的隐身战斗机，其对应的联合分布概率为P(r)P(f)P(w)＝P(f)P(r│f)P(w│r)＝0.001×0.8×0.5＝0.0004；第二种解释是由于该目标为假目标，其对应的联合分布概率为P(s)P(w│s)＝0.001×0.3＝0.0003；在没有更多观测信息的情况下，可以认为是由于未发现其附近的隐身战斗机的可能性更大，则可以将第一种解释作为观测信息对应的解释结果。
上述实施例的方法，通过各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果，并将排序结果最先的解释集作为目标解释集，将目标解释集对应的解释结果作为观测信息对应的解释结果，从而实现了观测信息的快速、准确的解释。
示例性的，如图2和图3所示，以发现敌轰炸机即将进入我方防空火力范围为雷达观测信息为例，进行观测状态解释方法的介绍：
首先，获取雷达观测数据集和假设数据集，其中，雷达观测数据集为O＝{发现敌轰炸机即将进入我方防空火力范围}、假设数据集C＝{附近有战斗机护航,护航战斗机为隐身战斗机,轰炸机为假目标}，为简洁起见，令w＝发现敌轰炸机即将进入我方防空火力范围,r＝附近有战斗机护航,f＝护航战斗机为隐身战斗机,s＝轰炸机为假目标。由C中若干元素组成的集合为一组候选假设集，如H＝{r,f}或H＝{r,f,s}。
然后，确定观测信息先验概率P(w)＝0.001(认为某一事件独立发生的可能性较小)，同理，设定假设信息先验概率P(r)＝0.001，P(f)＝0.001，P(s)＝0.001，设定存在因果关系的元素间的条件概率，如P(w|r)＝0.5,P(w|s)＝0.3,P(r|f)＝0.8。
接着，设定搜索深度d＝2，从观测元素w出发，进行d次不重复节点随机游走，找到与w存在因果关系的一组候选假设集Hw＝{r,f}，由于当前集合O＝{w},通过一次搜索形成的全部候选假设集为HO＝{Hw}＝{r,f}。对HO求元素交集，去除重复元素，得到由/>和O组成的解释集为U1＝{r,f,w}，则U1的联合分布概率为P(U1)＝P(r)P(f)P(w)＝P(f)P(r|f)P(w|r)＝0.001×0.8×0.5＝0.0004。若重复k＝2次搜索，可能得到集合U2＝{s,w},则P(U2)＝P(s)P(w|s)＝0.001×0.3＝0.0003。
最后，得到对观测集{发现敌轰炸机即将进入我方防空火力范围}的两组不同解释，一种是由于未发现其附近的隐身战斗机，另一种解释是由于该目标为假目标，在没有更多观测信息的情况下，可以认为是由于未发现其附近的隐身战斗机的可能性更大。可选地，可以添加更多信息参与计算，如观察到该轰炸机出发机场曾有一批战斗机起降过或观察到上百架次的轰炸机，并设定相应的因果关系及条件概率，来重新计算不同解释集的联合分布概率，所得不同可能性排序可以进一步指导相关决策活动，如添加敌方轰炸机有战斗机护航与我方防空力量可能受到打击的因果关系及条件概率，则可根据分析结论决定是否需要针对性实施电子干扰或加强制空作战能力。
上述实施例的方法，采用基于概率的溯因推理方法，较常规基于逻辑的溯因推理方法，能够更好表征与计算各类不确定性事件间的因果关系；本申请中可以根据统计数据，设定不同要素的先验概率及条件概率，具有较强的可实现性和场景适用性，而且可以通过条件概率明确要素间的因果关系，适于大规模常识性知识构建。本发明实施例中利用元素独立性条件，将复杂的联合分布概率计算转化为每个元素的先验概率或条件概率乘积，较常规基于贝叶斯网络的概率推理方法更易于计算机编码实现，计算效率更高。通过设定固定搜索深度和固定搜索次数，获取多组候选假设集，并通过对每组解释集的联合分布概率排序，得对观测信息出现的不同可能性解释。
下面对本发明提供的基于概率溯因推理的观测状态解释装置进行描述，下文描述的基于概率溯因推理的观测状态解释装置与上文描述的基于概率溯因推理的观测状态解释方法可相互对应参照。
图4是本发明提供的基于概率溯因推理的观测状态解释装置的结构示意图。本实施例提供的基于概率溯因推理的观测状态解释装置，包括：
获取模块410，用于获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；
处理模块420，用于根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；
解释模块430，用于根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
可选地，所述获取模块410，具体用于：获取雷达观测数据集和假设数据集；观测数据集用于存储雷达观测信息；假设数据集用于存储影响观测信息发生的多项假设信息；
根据假设数据集，确定多个候选假设数据集；候选假设数据集为假设数据集的子集；
根据观测信息和观测信息对应的多个候选假设数据集，生成多个解释集。
可选地，所述获取模块410，具体用于：将观测信息和观测信息对应的各个候选假设数据集分别进行合并，生成多个目标集合；
根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集；
根据观测信息和观测信息对应的多个目标候选假设集，生成多个解释集。
可选地，所述获取模块410，具体用于：根据目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系；
根据搜索条件及目标集合中元素的因果关系，从目标集合中的观测信息开始搜索，确定多个目标候选假设集；搜索条件包括搜索深度和搜索次数。
可选地，所述解释模块430，具体用于：根据各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果；
根据解释集的排序结果，确定观测信息对应的目标解释集。
本发明实施例的装置，其用于执行前述任一方法实施例中的方法，其实现原理和技术效果类似，此次不再赘述。
图5示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于概率溯因推理的观测状态解释方法，该方法包括：获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于概率溯因推理的观测状态解释方法，该方法包括：获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于概率溯因推理的观测状态解释方法，该方法包括：获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于概率溯因推理的观测状态解释方法，其特征在于，包括：
获取雷达观测信息对应的多个解释集；所述解释集中包括所述雷达观测信息及影响所述观测信息发生的假设信息；所述解释集用于解释所述观测信息发生的原因；
根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；所述联合分布概率用于表示所述观测信息对应的各种解释的概率；
根据各个解释集对应的联合分布概率，从多个解释集中确定所述观测信息对应的目标解释集；所述目标解释集用于确定所述观测信息发生的原因。
2.根据权利要求1所述的基于概率溯因推理的观测状态解释方法，其特征在于，所述获取雷达观测信息对应的多个解释集，包括：
获取雷达观测数据集和假设数据集；所述观测数据集用于存储雷达观测信息；所述假设数据集用于存储影响所述观测信息发生的多项假设信息；
根据所述假设数据集，确定多个候选假设数据集；所述候选假设数据集为所述假设数据集的子集；
根据所述观测信息和所述观测信息对应的多个候选假设数据集，生成多个解释集。
3.根据权利要求2所述的基于概率溯因推理的观测状态解释方法，其特征在于，所述根据所述观测信息和所述观测信息对应的多个候选假设数据集，生成多个解释集，包括：
将所述观测信息和所述观测信息对应的各个候选假设数据集分别进行合并，生成多个目标集合；
根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集；
根据所述观测信息和观测信息对应的多个目标候选假设集，生成多个解释集。
4.根据权利要求3所述的基于概率溯因推理的观测状态解释方法，其特征在于，所述根据目标集合中元素之间的条件概率，确定观测信息对应的多个目标候选假设集，包括：
根据所述目标集合中元素之间的条件概率，确定目标集合中元素之间是否存在因果关系；
根据搜索条件及目标集合中元素的因果关系，从目标集合中的观测信息开始搜索，确定多个所述目标候选假设集；所述搜索条件包括搜索深度和搜索次数。
5.根据权利要求4所述的基于概率溯因推理的观测状态解释方法，其特征在于，所述根据各个解释集对应的联合分布概率，从多个解释集中确定所述观测信息对应的目标解释集，包括：
根据各个解释集对应的联合分布概率大小，对各个解释集进行排序，得到解释集的排序结果；
根据解释集的排序结果，确定所述观测信息对应的目标解释集。
6.一种基于概率溯因推理的观测状态解释装置，其特征在于，包括：
获取模块，用于获取雷达观测信息对应的多个解释集；解释集中包括雷达观测信息及影响观测信息发生的假设信息；解释集用于解释观测信息发生的原因；
处理模块，用于根据解释集中各个元素的先验概率和元素间的条件概率，确定各个解释集对应的联合分布概率；联合分布概率用于表示观测信息对应的各种解释的概率；
解释模块，用于根据各个解释集对应的联合分布概率，从多个解释集中确定观测信息对应的目标解释集；目标解释集用于确定观测信息发生的原因。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于概率溯因推理的观测状态解释方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于概率溯因推理的观测状态解释方法。
9.一种计算机程序产品，其上存储有可执行指令，其特征在于，该指令被处理器执行时使处理器实现如权利要求1至5中任一项所述的基于概率溯因推理的观测状态解释方法。
CN202310504825.6A 2023-05-06 2023-05-06 基于概率溯因推理的观测状态解释方法及装置 Active CN116720583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310504825.6A CN116720583B (zh) 2023-05-06 2023-05-06 基于概率溯因推理的观测状态解释方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310504825.6A CN116720583B (zh) 2023-05-06 2023-05-06 基于概率溯因推理的观测状态解释方法及装置

Publications (2)

Publication Number Publication Date
CN116720583A true CN116720583A (zh) 2023-09-08
CN116720583B CN116720583B (zh) 2024-05-14

Family

ID=87872345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310504825.6A Active CN116720583B (zh) 2023-05-06 2023-05-06 基于概率溯因推理的观测状态解释方法及装置

Country Status (1)

Country Link
CN (1) CN116720583B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110106743A1 (en) * 2008-01-14 2011-05-05 Duchon Andrew P Method and system to predict a data value
US20170032262A1 (en) * 2015-07-29 2017-02-02 Intelligent Software Solutions, Inc. Enterprise hypothesis orchestration
CN113283605A (zh) * 2021-07-26 2021-08-20 中国科学院自动化研究所 基于预训练模型的交叉聚焦损失的溯因推理方法
CN113987205A (zh) * 2021-10-27 2022-01-28 中国华能集团清洁能源技术研究院有限公司 一种燃气轮机故障诊断方法及系统
CN115508672A (zh) * 2022-11-22 2022-12-23 中国电力科学研究院有限公司 电网主设备故障溯源推理方法、系统、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110106743A1 (en) * 2008-01-14 2011-05-05 Duchon Andrew P Method and system to predict a data value
US20170032262A1 (en) * 2015-07-29 2017-02-02 Intelligent Software Solutions, Inc. Enterprise hypothesis orchestration
CN113283605A (zh) * 2021-07-26 2021-08-20 中国科学院自动化研究所 基于预训练模型的交叉聚焦损失的溯因推理方法
CN113987205A (zh) * 2021-10-27 2022-01-28 中国华能集团清洁能源技术研究院有限公司 一种燃气轮机故障诊断方法及系统
CN115508672A (zh) * 2022-11-22 2022-12-23 中国电力科学研究院有限公司 电网主设备故障溯源推理方法、系统、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAILAN YANG.ET.: "Efficient Searching With MCTS and Imitation Learning: A Case Study in Pommerman", 《 IEEE ACCESS》, vol. 9, pages 48851 - 48859, XP011847518, DOI: 10.1109/ACCESS.2021.3061313 *
时杰: "认知视角下的溯因推理研究", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》, no. 2, pages 100 - 3 *

Also Published As

Publication number Publication date
CN116720583B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Cao et al. Link prediction via subgraph embedding-based convex matrix completion
CN111835707B (zh) 一种基于改进后的支持向量机的恶意程序识别方法
CN112600795B (zh) 一种不完全信息下的作战网络瓦解方法及系统
Gül et al. A feature selection algorithm for IDS
Zhang et al. Optimal interdiction of urban criminals with the aid of real-time information
CN113259176B (zh) 一种告警事件分析方法和装置
He et al. Track-oriented multiple hypothesis tracking based on tabu search and gibbs sampling
CN115883218B (zh) 基于多模态数据模型的复合攻击链补全方法、系统及介质
Osanaiye et al. Analysing feature selection and classification techniques for DDoS detection in cloud
Dhiyanesh et al. Improved object detection in video surveillance using deep convolutional neural network learning
CN116720583B (zh) 基于概率溯因推理的观测状态解释方法及装置
CN111931016B (zh) 基于根结点优先搜索的信度传输算法的态势评估方法
CN112070161B (zh) 一种网络攻击事件分类方法、装置、终端及存储介质
Arafat et al. Using rough set and ant colony optimization in feature selection
CN115758337A (zh) 基于时序图卷积网络的后门实时监测方法、电子设备、介质
Nguyen et al. Efficient regular path query evaluation by splitting with unit-subquery cost matrix
Jo et al. FoX: Formation-aware exploration in multi-agent reinforcement learning
CN109409411B (zh) 基于运维管理的问题定位方法、装置及存储介质
Li et al. A new bayesian network structure learning algorithm mechanism based on the decomposability of scoring functions
Mary et al. Network intrusion detection: An optimized deep learning approach using big data analytics
CN115033715A (zh) 基于大数据分析拦截的拦截反馈处理方法及信息拦截系统
CN114239834A (zh) 基于多轮对抗属性共享的对手关系推理方法和装置
Mori et al. Detection of cloned recognizers: a defending method against recognizer cloning attack
Campbell et al. A Curriculum Framework for Autonomous Network Defense using Multi-agent Reinforcement Learning
CN113975799A (zh) 一种对象动作的控制方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Li Chengze

Inventor after: Zhang Feng

Inventor after: Zhang Jieyuan

Inventor after: Li Yuan

Inventor before: Meng Zhuxuan

Inventor before: Li Chengze

Inventor before: Bai Jingpei

Inventor before: Zhang Feng

Inventor before: Zhang Jieyuan

Inventor before: Li Yuan

CB03 Change of inventor or designer information
GR01 Patent grant