CN107016212B - 基于动态贝叶斯网络的意图分析方法 - Google Patents

基于动态贝叶斯网络的意图分析方法 Download PDF

Info

Publication number
CN107016212B
CN107016212B CN201710265798.6A CN201710265798A CN107016212B CN 107016212 B CN107016212 B CN 107016212B CN 201710265798 A CN201710265798 A CN 201710265798A CN 107016212 B CN107016212 B CN 107016212B
Authority
CN
China
Prior art keywords
intention
probability distribution
blue
moment
time
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.)
Active
Application number
CN201710265798.6A
Other languages
English (en)
Other versions
CN107016212A (zh
Inventor
樊振华
师本慧
陈金勇
段同乐
齐小谦
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN201710265798.6A priority Critical patent/CN107016212B/zh
Publication of CN107016212A publication Critical patent/CN107016212A/zh
Application granted granted Critical
Publication of CN107016212B publication Critical patent/CN107016212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于动态贝叶斯网络的意图分析方法，涉及态势估计技术领域。本方法实现步骤是：1.数据汇集整理，提取态势要素；2.综合多种态势要素，建立动态贝叶斯网络拓扑；3.网络参数学习与设置；4.根据马尔可夫性实现快速近似贝叶斯推理；5.将各种意图的后验概率融合为当前时刻蓝方意图；6.输出意图分析结果。本发明能够综合多种态势要素，进行合理、智能的推理分析，实现了对蓝方群目标意图的动态估计，可用于态势估计、指挥控制系统。

Description

基于动态贝叶斯网络的意图分析方法
技术领域
本发明属于态势估计技术领域，特别涉及一种基于动态贝叶斯网络的意图分析方法，可用于态势估计、指挥控制系统。
背景技术
当今地区冲突呈现出对象多元化和环境复杂化的特点，面对观测数据量急剧上升的情况，如果仍然依靠人工处理，则时效性和一致性均难以满足实际需求。因此，需要利用计算机的存储和计算优势来处理大量重复出现的有规律态势，从而减轻指挥员的工作负担，使其能够更为快速有效地掌握实时动态。其中，意图分析属于一种较高层级的态势估计技术，能够在提取的态势要素基础之上，通过推理预测蓝方的行动意图，从而为红方的应对策略制定提供参考依据。
目前，典型的推理分析方法主要基于以下理论：D-S证据理论、贝叶斯网络、因果网络等。现有方法存在的缺陷主要有：a)部分方法只考虑各因素与关注事件之间的静态关系，未能体现在时间上连续变化特性；b)针对单个目标间的意图分析，而实际中目标通常是以编队群目标的形式执行任务；c)传统动态贝叶斯网络精确推理所耗费的计算量随时间迅速增长，难以满足实际应用需求。
发明内容
本发明的目的在于针对上述已有技术中的不足，采用动态贝叶斯网络，综合多种态势要素实现对蓝方群目标行动意图的动态评估，提出了一种基于动态贝叶斯网络的意图分析方法，有效提高意图分析的可靠性和稳定性。
实现本发明的技术关键是：在意图分析过程中，首先综合多种态势要素构建动态贝叶斯网络，经训练学习得到网络参数，其次根据马尔可夫性实现快速近似推理，进而通过融合估计得到蓝方的行动意图。
本发明采用的技术方案为：
基于动态贝叶斯网络的意图分析方法，包括以下步骤：
(1)初始设置为训练模式；
(2)数据汇集整理，具体包括以下步骤：
(2a)初始化性能参数，包括：蓝方目标速度上限；
(2b)读入当前时刻观测数据，包括：红方意图、交火程度、蓝方目标数、红方目标数、蓝方目标实力量化数据、红方目标实力量化数据和蓝方目标径向速度；
(2c)结合性能参数和观测数据，得到相对实力连续值和相对速度连续值；
(2d)对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度；
(3)建立动态贝叶斯网络拓扑，具体包括以下步骤：
(3a)建立意图分析动态贝叶斯网络拓扑，网络节点包括：可观测节点和隐藏节点，所述的可观测节点包括：红方意图、交火程度、相对实力和相对速度，所述的隐藏节点为蓝方意图；所述蓝方意图为红方意图、交火程度、相对实力和相对速度的融合；
(3b)设置各网络节点概率分布，包括红方意图概率分布、交火程度概率分布、相对实力概率分布、相对速度概率分布和蓝方意图先验概率分布；
(4)训练模式下对动态贝叶斯网络参数进行学习与设置，具体包括以下步骤：
(4a)判断当前模式是否为训练模式，若是，则执行步骤(4b)，若否则执行步骤(5)；
(4b)判断是否达到设定的学习次数，若是，则通过对观测数据学习，得到各网络节点间的条件概率分布；否则返回步骤(1)；所述的各网络节点间的条件概率分布包括：当前时刻红方意图和蓝方意图的条件概率分布，当前时刻交火程度和蓝方意图的条件概率分布，当前时刻相对实力和蓝方意图的条件概率分布，当前时刻相对速度和蓝方意图的条件概率分布，上一时刻蓝方意图和当前时刻蓝方意图的条件概率分布；
(4c)将训练所得各网络节点间的条件概率分布设置为动态贝叶斯网络参数；
(4d)将当前模式设置为应用模式，返回步骤(2)；
(5)根据各网络节点概率分布和各网络节点间的条件概率分布，经贝叶斯推理得到当前时刻蓝方意图的后验概率分布，具体包括以下步骤：
(5a)结合当前时刻的红方意图、交火程度、相对实力、相对速度、上一时刻蓝方意图和当前时刻的蓝方意图先验概率分布经贝叶斯推理得到当前时刻蓝方意图的后验概率分布；
(5b)根据马尔可夫性，更新得到下一时刻的蓝方意图先验概率分布；
(6)将当前时刻蓝方意图的后验概率分布融合为当前时刻蓝方意图，具体包括以下步骤：
(6a)从当前时刻蓝方意图的后验概率分布中提取各种意图的后验概率；
(6b)将各种意图的后验概率融合为当前时刻蓝方意图；
(7)输出当前时刻蓝方意图，检查下一时刻的观测数据是否到达，若是，将下一时刻更新为当前时刻，将当前时刻更新为上一时刻，跳转到步骤(2)；否则，结束本流程；
完成基于动态贝叶斯网络的意图分析。
其中，步骤(2c)所述的结合性能参数和观测数据，得到相对实力连续值和相对速度连续值，具体为：
计算相对实力连续值
Figure BDA0001275984540000041
Figure BDA0001275984540000042
其中，oi表示红方第i个目标实力量化值，i为红方目标标号，取值为1,2,…,nk，nk为红方目标数，ej表示蓝方第j个目标实力量化值，j为蓝方目标标号，取值为1,2,…,mk，mk为蓝方目标数；
计算相对速度连续值
Figure BDA0001275984540000043
Figure BDA0001275984540000044
其中，vk为蓝方目标径向速度，vsup为蓝方目标速度上限。
其中，步骤(2d)所述的对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度，具体为：
离散化相对实力Sk
Figure BDA0001275984540000051
离散化相对速度Vk
Figure BDA0001275984540000052
其中，步骤(5a)所述的结合当前时刻的红方意图、交火程度、相对实力、相对速度、上一时刻蓝方意图和当前时刻的蓝方意图先验概率分布推理得到当前时刻蓝方意图的后验概率分布，具体为：
Figure BDA0001275984540000053
其中，Pu(Bk)为k时刻威胁的后验概率分布，P(Rk)为k时刻红方意图概率分布，P(Fk)为k时刻交火程度概率分布，P(Sk)为k时刻相对实力概率分布，P(Vk)为k时刻相对速度概率分布，Pu(Bk-1)为k-1时刻蓝方意图后验概率分布，Pf(Bk)为k时刻蓝方意图先验概率分布，P(Rk|Bk)为k时刻红方意图和蓝方意图的条件概率分布，P(Fk|Bk)为k时刻交火程度和蓝方意图的条件概率分布，P(Sk|Bk)为k时刻相对实力和蓝方意图的条件概率分布，P(Vk|Bk)为k时刻相对速度和蓝方意图的条件概率分布，P(Bk-1|Bk)为k-1时刻蓝方意图和k时刻蓝方意图的条件概率分布。
其中，步骤(5b)所述的根据马尔可夫性，更新得到下一时刻的蓝方意图先验概率分布，具体为：
Pf(Bk+1)＝Pu(Bk)；
其中，Pf(Bk+1)为k+1时刻的蓝方意图先验概率分布。
其中，步骤(6a)所述的从当前时刻蓝方意图的后验概率分布中提取各种意图的后验概率，具体为：
Pu(Bk)＝{w1,w2,w3}；
其中，w1为k时刻蓝方意图为“撤退”的概率，w2为k时刻蓝方意图为“防御”的概率，w3为k时刻蓝方意图为“进攻”的概率。
其中，步骤(6b)所述的将各种意图的后验概率融合为当前时刻蓝方意图，具体为：
Figure BDA0001275984540000061
其中，Ik为k时刻蓝方意图，取值为1、2、3，分别一一对应“撤退”、“防御”或“进攻”，wc为“撤退”、“防御”或“进攻”各种意图的概率，c为意图种类标号，取值为1、2、3，
Figure BDA0001275984540000062
表示使wc取最大值的意图种类标号c的取值。
本发明相比现有技术具有以下优点：
1)本发明采用动态贝叶斯网络实现意图分析，能够反映各态势要素与蓝方意图的动态关系，体现蓝方意图在时间上连续变化特性；
2)本发明考虑了群目标的相对实力，能够有效反映编队的行动意图；
3)本发明根据马尔可夫性实现快速近似推理，耗费的计算量和存储空间都较小，且不随时间变化，能够有效满足实际系统的应用需求。
附图说明
图1是本发明的整体流程图；
图2是用本发明进行意图分析的动态贝叶斯网络拓扑；
图3是用本发明进行意图分析的实验场景；
图4是用本发明进行意图分析的各可观测节点随时间变化曲线；
图5是用本发明进行意图分析的各种意图后验概率和蓝方意图估计结果。
具体实施方式
下面结合附图及实施例对本发明做进一步详细的说明。
参照图1，本发明的基于动态贝叶斯网络的意图分析方法，具体包括以下步骤：
步骤1.初始设置为训练模式；
步骤2.数据汇集整理。
2.1)初始化性能参数，包括：蓝方目标速度上限vsup；
2.2)令初始时刻k＝1，读入k时刻的观测数据，包括：红方意图Rk，取值为“撤退”、“防御”或“进攻”，交火程度Fk，取值为“低”、“中”或“高”，蓝方目标数mk，红方目标数nk，蓝方目标实力量化数据
Figure BDA0001275984540000071
ej表示蓝方第j个目标实力量化值，j为蓝方目标标号，取值为1,2,…,mk，红方目标实力量化数据
Figure BDA0001275984540000072
oi表示红方第i个目标实力量化值，i为红方目标标号，取值为1,2,…,nk，蓝方目标径向速度vk；
2.3)结合性能参数和观测数据，得到相对实力连续值
Figure BDA0001275984540000081
和相对速度连续值
Figure BDA0001275984540000082
计算相对实力连续值
Figure BDA0001275984540000083
计算相对速度连续值
Figure BDA0001275984540000084
2.4)对相对实力连续值和相对速度连续值进行离散化，得到相对实力Sk和相对速度Vk；
离散化相对实力
Figure BDA0001275984540000085
离散化相对速度
Figure BDA0001275984540000086
步骤3.建立动态贝叶斯网络拓扑。
3.1)利用专家知识和经验建立意图分析动态贝叶斯网络拓扑，如图2所示，网络节点包括：可观测节点和隐藏节点，所述的可观测节点包括：红方意图Rk、交火程度Fk、相对实力Sk、相对速度Vk，所述的隐藏节点为蓝方意图Bk，动态贝叶斯网络包含一层推理结构，将红方意图Rk、交火程度Fk、相对实力Sk、相对速度Vk融合得到为蓝方意图Bk；
3.2)设置各网络节点概率分布：
3.2.1)由红方意图、交火程度、相对实力、相对速度，分别得到k时刻各态势要素的概率分布，包括：红方意图概率分布P(Rk)、交火程度概率分布P(Fk)、相对实力概率分布P(Sk)、相对速度概率分布P(Vk)；
3.2.2)蓝方意图Bk，取值为“撤退”、“防御”或“进攻”，当k＝1时蓝方意图先验概率分布Pf(Bk)设置为等概率分布其中，下标f表示所属概率分布为先验概率分布；
步骤4.参数学习与设置。
对动态贝叶斯网络参数进行学习与设置，具体包括以下步骤：
4.1)判断当前模式是否为训练模式，若是，则执行步骤4.2)，若否则执行步骤5；
4.2)判断是否达到设定的学习次数，若是，则通过对观测数据学习，得到各网络节点间的条件概率分布；否则返回步骤(1)；所述的各网络节点间的条件概率分布包括：k时刻红方意图和蓝方意图的条件概率分布P(Rk|Bk)，k时刻交火程度和蓝方意图的条件概率分布P(Fk|Bk)，k时刻相对实力和蓝方意图的条件概率分布P(Sk|Bk)，k时刻相对速度和蓝方意图的条件概率分布P(Vk|Bk)，k-1时刻蓝方意图和k时刻蓝方意图的条件概率分布P(Bk-1|Bk)；
4.3)将训练所得各网络节点间的条件概率分布设置为动态贝叶斯网络参数；
4.4)将当前模式设置为应用模式，返回步骤2。
步骤5.近似推理。
根据各网络节点概率分布和各网络节点间的条件概率分布，经近似贝叶斯推理得到k时刻蓝方意图的后验概率分布
5.1)结合k时刻的红方意图、交火程度、相对实力、相对速度、k-1时刻蓝方意图和k时刻蓝方意图的先验概率分布推理得到k时刻蓝方意图的后验概率分布
Figure BDA0001275984540000101
其中，下标u表示所属概率分布为后验概率分布；
5.2)根据马尔可夫性，更新得到k+1时刻的蓝方意图先验概率分布
Pf(Bk+1)＝Pu(Bk)， 6)
步骤6.意图融合估计。
将k时刻蓝方意图的后验概率分布融合为k时刻蓝方意图，具体包括以下步骤：
6.1)从k时刻蓝方意图的后验概率分布中提取各种意图的后验概率
Pu(Bk)＝{w1,w2,w3}， 7)
其中，w1为k时刻蓝方意图为“撤退”的概率，w2为k时刻蓝方意图为“防御”的概率，w3为k时刻蓝方意图为“进攻”的概率。
6.2)将各种意图的后验概率融合为k时刻蓝方意图
Figure BDA0001275984540000111
其中，Ik为k时刻蓝方意图，取值为1、2、3，分别一一对应“撤退”、“防御”或“进攻”，wc为“撤退”、“防御”或“进攻”各种意图的概率，c为意图种类标号，取值为1、2、3，
Figure BDA0001275984540000112
表示使wc取最大值的意图种类标号c的取值。
步骤7.意图分析结果输出。
7.1)输出k时刻蓝方意图Ik；
7.2)检查下一时刻的观测数据是否到达，若是，令k＝k+1，返回步骤2进行迭代；否则，结束本流程。
本发明的效果可通过以下仿真实验进一步说明：
1.仿真条件。
仿真环境：计算机采用Intel Core i3-2130 CPU 3.4Ghz，2GB内存，软件采用Matlab R2011a仿真实验平台。
仿真参数：蓝方目标速度上限vsup＝360km/h。
2.仿真方法。
方法1：本发明方法。
3.仿真内容与结果。
用方法1，实现图3所示实验场景中群目标2(蓝方)对群目标6(红方)的意图分析，各可观测节点随时间变化曲线如图4所示，蓝方意图估计结果如图5所示，其中：
图3为用本发明进行意图分析的实验场景；
图4为用本发明进行意图分析的各可观测节点随时间变化曲线；
图5为用本发明进行意图分析的各种意图后验概率和蓝方意图估计结果。
在图3中，黑点表示各群目标的位置量测，连续多个时刻的位置量测构成了多编队群目标运动轨迹，黑色六角形为群目标观测起始位置，旁边的数字为群目标编号，各群目标编队情况如表1所示。图3所描绘的态势情况为蓝方飞机与车辆多编队突袭红方车辆集群，遭遇红方飞机群拦截后撤退。
表1
Figure BDA0001275984540000121
从图3和图4可以看出，随时间变化，蓝方意图初始为防御，后半段转为进攻；交火程度，在中间时段出现短暂交火；相对实力保持不变；相对速度初始为正向接近，后半段反向远离。
从图5可以看出，蓝方各种意图(撤退、防御、进攻)的概率，受输入变量的影响，起伏变化；通过选取最大概率对应意图得到意图融合估计结果。通过分析可以看出，在前半段蓝方飞机编队主动靠近，意图攻击红方车辆编队；而遭遇红方拦截，发生短暂相持交火之后，蓝方飞机编队改变行动策略，选择撤退。
综上可以得出，本发明能够综合多种态势要素，进行合理、智能的推理分析，实现了对蓝方群目标意图的动态估计，显著提升了态势分析能力。

Claims (5)

1.基于动态贝叶斯网络的意图分析方法，其特征在于，包括以下步骤：
(1)初始设置为训练模式；
(2)数据汇集整理，具体包括以下步骤：
(2a)初始化性能参数，包括：蓝方目标速度上限；
(2b)读入当前时刻观测数据，包括：红方意图、交火程度、蓝方目标数、红方目标数、蓝方目标实力量化数据、红方目标实力量化数据和蓝方目标径向速度；
(2c)结合性能参数和观测数据，得到相对实力连续值和相对速度连续值；具体为：
计算相对实力连续值
Figure FDA0002260181210000011
Figure FDA0002260181210000012
其中，oi表示红方第i个目标实力量化值，i为红方目标标号，取值为1,2,···,nk，nk为红方目标数，ej表示蓝方第j个目标实力量化值，j为蓝方目标标号，取值为1,2,···,mk，mk为蓝方目标数；
计算相对速度连续值
Figure FDA0002260181210000013
Figure FDA0002260181210000014
其中，vk为蓝方目标径向速度，vsup为蓝方目标速度上限；
(2d)对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度；
(3)建立动态贝叶斯网络拓扑，具体包括以下步骤：
(3a)建立意图分析动态贝叶斯网络拓扑，网络节点包括：可观测节点和隐藏节点，所述的可观测节点包括：红方意图、交火程度、相对实力和相对速度，所述的隐藏节点为蓝方意图；所述蓝方意图为红方意图、交火程度、相对实力和相对速度的融合；
(3b)设置各网络节点概率分布，包括红方意图概率分布、交火程度概率分布、相对实力概率分布、相对速度概率分布和蓝方意图先验概率分布；
(4)训练模式下对动态贝叶斯网络参数进行学习与设置，具体包括以下步骤：
(4a)判断当前模式是否为训练模式，若是，则执行步骤(4b)，若否则执行步骤(5)；
(4b)判断是否达到设定的学习次数，若是，则通过对观测数据学习，得到各网络节点间的条件概率分布；否则返回步骤(1)；所述的各网络节点间的条件概率分布包括：当前时刻红方意图和蓝方意图的条件概率分布，当前时刻交火程度和蓝方意图的条件概率分布，当前时刻相对实力和蓝方意图的条件概率分布，当前时刻相对速度和蓝方意图的条件概率分布，上一时刻蓝方意图和当前时刻蓝方意图的条件概率分布；
(4c)将训练所得各网络节点间的条件概率分布设置为动态贝叶斯网络参数；
(4d)将当前模式设置为应用模式，返回步骤(2)；
(5)根据各网络节点概率分布和各网络节点间的条件概率分布，经贝叶斯推理得到当前时刻蓝方意图的后验概率分布，具体包括以下步骤：
(5a)结合当前时刻的红方意图、交火程度、相对实力、相对速度、上一时刻蓝方意图和当前时刻的蓝方意图先验概率分布经贝叶斯推理得到当前时刻蓝方意图的后验概率分布；
(5b)根据马尔可夫性，更新得到下一时刻的蓝方意图先验概率分布；具体为：
Pf(Bk+1)＝Pu(Bk)；
其中，Pu(Bk)为k时刻威胁的后验概率分布，Pf(Bk+1)为k+1时刻的蓝方意图先验概率分布；
(6)将当前时刻蓝方意图的后验概率分布融合为当前时刻蓝方意图，具体包括以下步骤：
(6a)从当前时刻蓝方意图的后验概率分布中提取各种意图的后验概率；
(6b)将各种意图的后验概率融合为当前时刻蓝方意图；
(7)输出当前时刻蓝方意图，检查下一时刻的观测数据是否到达，若是，将下一时刻更新为当前时刻，跳转到步骤(2)；否则，结束本流程；
完成基于动态贝叶斯网络的意图分析。
2.根据权利要求1所述的基于动态贝叶斯网络的意图分析方法，其特征在于，步骤(2d)所述的对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度，具体为：
离散化相对实力Sk
Figure FDA0002260181210000041
离散化相对速度Vk
Figure FDA0002260181210000042
3.根据权利要求1所述的基于动态贝叶斯网络的意图分析方法，其特征在于，步骤(5a)所述的结合当前时刻的红方意图、交火程度、相对实力、相对速度、上一时刻蓝方意图和当前时刻的蓝方意图先验概率分布推理得到当前时刻蓝方意图的后验概率分布，具体为：
Figure FDA0002260181210000043
其中，Pu(Bk)为k时刻威胁的后验概率分布，P(Rk)为k时刻红方意图概率分布，P(Fk)为k时刻交火程度概率分布，P(Sk)为k时刻相对实力概率分布，P(Vk)为k时刻相对速度概率分布，Pu(Bk-1)为k-1时刻蓝方意图后验概率分布，Pf(Bk)为k时刻蓝方意图先验概率分布，P(Rk|Bk)为k时刻红方意图和蓝方意图的条件概率分布，P(Fk|Bk)为k时刻交火程度和蓝方意图的条件概率分布，P(Sk|Bk)为k时刻相对实力和蓝方意图的条件概率分布，P(Vk|Bk)为k时刻相对速度和蓝方意图的条件概率分布，P(Bk-1|Bk)为k-1时刻蓝方意图和k时刻蓝方意图的条件概率分布。
4.根据权利要求1所述的基于动态贝叶斯网络的意图分析方法，其特征在于，步骤(6a)所述的从当前时刻蓝方意图的后验概率分布中提取各种意图的后验概率，具体为：
Pu(Bk)＝{w1,w2,w3}；
其中，Pu(Bk)为当前时刻蓝方意图的后验概率分布，w1为k时刻蓝方意图为“撤退”的概率，w2为k时刻蓝方意图为“防御”的概率，w3为k时刻蓝方意图为“进攻”的概率。
5.根据权利要求4所述的基于动态贝叶斯网络的意图分析方法，其特征在于，步骤(6b)所述的将各种意图的后验概率融合为当前时刻蓝方意图，具体为：
Figure FDA0002260181210000051
其中，Ik为k时刻蓝方意图，取值为1、2、3，分别一一对应“撤退”、“防御”或“进攻”，wc为“撤退”、“防御”或“进攻”各种意图的概率，c为意图种类标号，取值为1、2、3，
Figure FDA0002260181210000052
表示使wc取最大值的意图种类标号c的取值。
CN201710265798.6A 2017-04-21 2017-04-21 基于动态贝叶斯网络的意图分析方法 Active CN107016212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710265798.6A CN107016212B (zh) 2017-04-21 2017-04-21 基于动态贝叶斯网络的意图分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710265798.6A CN107016212B (zh) 2017-04-21 2017-04-21 基于动态贝叶斯网络的意图分析方法

Publications (2)

Publication Number Publication Date
CN107016212A CN107016212A (zh) 2017-08-04
CN107016212B true CN107016212B (zh) 2020-03-17

Family

ID=59448087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710265798.6A Active CN107016212B (zh) 2017-04-21 2017-04-21 基于动态贝叶斯网络的意图分析方法

Country Status (1)

Country Link
CN (1) CN107016212B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460425A (zh) * 2018-03-27 2018-08-28 中国航空无线电电子研究所 基于特定网络结构的空地态势评估方法
CN109063819B (zh) * 2018-08-02 2021-09-14 中国人民解放军32153部队 基于贝叶斯网络的任务共同体的识别方法
CN112749806A (zh) * 2020-12-31 2021-05-04 厦门渊亭信息科技有限公司 一种战场态势评估方法、终端设备及存储介质
CN113313258B (zh) * 2021-05-10 2023-06-23 中国人民解放军空军工程大学 一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法
CN113205504B (zh) * 2021-05-12 2022-12-02 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113792655A (zh) * 2021-09-14 2021-12-14 京东鲲鹏(江苏)科技有限公司 一种意图识别方法、装置、电子设备及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1564721A1 (en) * 2002-11-21 2005-08-17 Matsushita Electric Industrial Co., Ltd. Standard model creating device and standard model creating method
WO2008036386A2 (en) * 2006-09-21 2008-03-27 Rutgers, The State University Of New Jersey Method and apparatus for using bayesian networks for localization
CN102724199A (zh) * 2012-06-26 2012-10-10 北京航空航天大学 基于贝叶斯网络推理的攻击意图识别方法
CN106411921A (zh) * 2016-10-31 2017-02-15 中国人民解放军信息工程大学 基于因果贝叶斯网络的多步攻击预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1564721A1 (en) * 2002-11-21 2005-08-17 Matsushita Electric Industrial Co., Ltd. Standard model creating device and standard model creating method
WO2008036386A2 (en) * 2006-09-21 2008-03-27 Rutgers, The State University Of New Jersey Method and apparatus for using bayesian networks for localization
CN102724199A (zh) * 2012-06-26 2012-10-10 北京航空航天大学 基于贝叶斯网络推理的攻击意图识别方法
CN106411921A (zh) * 2016-10-31 2017-02-15 中国人民解放军信息工程大学 基于因果贝叶斯网络的多步攻击预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Intrusion Intention Identification Methods Based on Dynamic Bayesian Networks;Qingtao Wu 等;《Procedia Engineering》;20111231;第15卷;第3433-3438页 *
Recognizing Intrusive Intention Based on Dynamic Bayesian Networks;Peng Wu 等;《 2009 International Symposium on Information Engineering and Electronic 》;20090728;第241-244页 *
基于模糊动态贝叶斯网空战敌方作战企图识别;余振翔 等;《合肥工业大学学报(自然科学版)》;20131028;第36卷(第10期);第1210-1216、1253页 *

Also Published As

Publication number Publication date
CN107016212A (zh) 2017-08-04

Similar Documents

Publication Publication Date Title
CN107016212B (zh) 基于动态贝叶斯网络的意图分析方法
CN107016464B (zh) 基于动态贝叶斯网络的威胁估计方法
CN107909179B (zh) 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法
Jin et al. Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles
CN111724001B (zh) 一种基于深度强化学习的飞行器探测传感器资源调度方法
CN111907523B (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN104539601A (zh) 动态网络攻击过程可靠性分析方法及系统
CN107194155A (zh) 一种基于小数据集和贝叶斯网络的威胁评估建模方法
Wang et al. Changing lane probability estimating model based on neural network
Kim et al. Transient Stability Assessment Using Deep Transfer Learning
Cenko Store separation overview
CN116203987A (zh) 一种基于深度强化学习的无人机集群协同避障方法
CN114462566B (zh) 一种实现智能实时决策系统实时确定最优决策动作的方法
Peng et al. Simulation analysis of cooperative target search strategies for multiple UAVs
CN115689291A (zh) 一种基于模糊物元分析的空域运行风险评估方法
CN114742644A (zh) 训练多场景风控系统、预测业务对象风险的方法和装置
CN111565118B (zh) 基于多观测维度hmm的虚拟化网元故障分析方法及系统
CN113657182A (zh) 一种基于变权理论的动态贝叶斯网络的目标意图识别方法
Kaya et al. A Multi-fidelity Aerodynamic Modelling Approach for NATO AVT 251 UCAV–MULDICON
Lundell et al. Fuzzy petri net for uav decision making
Mukesh et al. Aerodynamic optimization using proficient optimization algorithms
Duell et al. The Markov Decision Process Extraction Network.
CN116048112A (zh) 一种基于集成学习的中远距作战飞行器轨迹预测方法
Wan et al. The modeling and solution of course of action generation based on IN-DEA
Yang et al. The modeling of time series based fuzzy cognitive maps and its application in the furnace temperature prediction

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
GR01 Patent grant
GR01 Patent grant