CN108446858B - 基于特定网络结构的空地威胁评估方法 - Google Patents
基于特定网络结构的空地威胁评估方法 Download PDFInfo
- Publication number
- CN108446858B CN108446858B CN201810259613.5A CN201810259613A CN108446858B CN 108446858 B CN108446858 B CN 108446858B CN 201810259613 A CN201810259613 A CN 201810259613A CN 108446858 B CN108446858 B CN 108446858B
- Authority
- CN
- China
- Prior art keywords
- node
- target
- nodes
- state
- bayesian network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明公开了一种基于特定网络结构的空地威胁评估方法,包含以下步骤:1)将传感器获取的目标数量、目标类型离散化后输入到各对应的一级输入节点的状态值中;其中,一级输入节点包含目标数量节点、目标类型节点;2)根据各一级输入节点的状态值计算出各一级输出节点的各个状态的概率分布情况,概率大的状态即为推理结果;其中,一级输出节点包含抗打击能力节点,抗打击能力节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点得出。本发明能为战场指挥员决策提供辅助支撑信息。
Description
技术领域
本发明涉及机载航电综合领域,特别是涉及决策信息融合技术。
背景技术
威胁评估是对敌杀伤能力及对我方威胁程度的评估,是在态势评估的基础上,依据敌我兵力和武器、电子设备性能、敌作战企图、我方重点保卫目标和敌我双方的作战策略,以定量形式对敌方威胁程度做出评估和分析。威胁评估根据态势评估所提供的信息,根据一定的知识和规则,以数值的形式指示出态势中的威胁及威胁大小的过程。
贝叶斯网络(Bayesian Networks,BN)是美国加州大学J.Pear教授首次完整提出的,是一种不确定知识表示模型。它不仅有着坚实的概率论理论基础,同时又能够很好地同领域专家的知识结构相对应。对于威胁评估问题而言,采用贝叶斯网络进行威胁信息的建模较为合适。
发明内容
本发明的发明目的在于提供一种基于特定网络结构的空地威胁评估方法,利用战场获取的敌方目标数量,辐射状态,目标类型,目标速度大小,目标方位,目标速度方向,敌我身份识别信息以及威胁包络,行为意图信息,经由参数计算以及贝叶斯推理,得到目标抗打击能力,探测范围,目标价值,目标重要性,威胁指数等战场目标威胁程度信息,为战场指挥员决策提供支撑。
本发明的发明目的通过以下技术方案实现:
一种基于特定网络结构的空地威胁评估方法,包含以下步骤:
步骤1)将传感器获取的目标数量、目标类型离散化后输入到各对应的一级输入节点的状态值中;其中,一级输入节点包含目标数量节点、目标类型节点;
步骤2)根据各一级输入节点的状态值计算出各一级输出节点的各个状态的概率分布情况,概率大的状态即为推理结果;其中,一级输出节点包含抗打击能力节点,抗打击能力节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点得出。
进一步,步骤1)中还包含将传感器获取的敌我身份识别信息离散化后输入到各对应的一级输入节点的状态值中;所述一级输入节点还包含敌我身份节点;
步骤2)中一级输出节点包含目标价值节点,目标价值节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点和敌我身份节点得出。
进一步,步骤1)中还包含将传感器获取的辐射状态、目标方位离散化后输入到各对应的一级输入节点的状态值中;所述一级输入节点还包含辐射状态节点、方位节点;
步骤2)中一级输出节点包含探测范围节点,目标价值节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、辐射状态节点、目标类型节点和方位节点得出。
进一步,步骤1)中还包含将传感器获取的目标速度大小、目标速度方向离散化后输入到各对应的一级输入节点的状态值中;所述一级输入节点还包含速度大小节点、速度方向节点;
进一步,步骤2)中一级输出节点包含目标重要性节点,目标重要性节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点、速度方向节点、方位节点和速度大小节点得出。
进一步,空地威胁评估方法中还包含:
步骤3)输入二级输入节点的状态值;二级输入节点包含行为意图节点、威胁包络节点;
步骤4)依据贝叶斯网络理论从一级输出节点、二级输入节点的状态值得出威胁指数节点的各个状态的概率分布情况,概率大的状态即为推理结果,由此得到威胁评估的结果。
本发明的有益效果在于:本发明提供了一种基于特定网络结构的空地作战威胁评估方法。实际使用过程中,将机载传感器获取的敌方目标数量,辐射状态,目标类型,目标速度大小,目标方位,目标速度方向,敌我身份识别信息以及得到的威胁包络,行为意图信息作为输入,经由输入信息离散化处理,特定网络结构构建,参数计算以及贝叶斯推理等步骤,可以对地面目标的抗打击能力,探测范围,目标价值,目标重要性以及威胁指数进行有效的推理。可以有效获取地面战场目标的威胁评估结果,为战场指挥员提供辅助信息,帮助指挥员做出正确的判断。
附图说明
图1为用于空地威胁评估的贝叶斯网络结构;
图2证据A1下目标重要性节点的推理结果;
图3证据A2下目标重要性节点的推理结果;
图4证据A3下目标重要性节点的推理结果;
图5证据A4下目标重要性节点的推理结果;
图6证据A1下各一级输出节点、二级输出节点的推理结果;
图7证据A2下各一级输出节点、二级输出节点的推理结果;
图8证据A3下各一级输出节点、二级输出节点的推理结果;
图9证据A4下各一级输出节点、二级输出节点的推理结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
本实施例在进行空地威胁评估时,是借助贝叶斯网络来实现,因此,首先需确定贝叶斯网络的各个节点。在本实施例中,贝叶斯网络的节点包含以下几个:
一级输入节点:
(1)目标数量节点(Count,以下简称Co),其对应的状态值为:
(2)辐射状态节点(Radiation,以下简称Ra),其对应的状态值为:
(3)目标类型节点(Type,以下简称Ty),其对应的状态值为:
目标类型的状态可根据需要进行调整。
(4)速度大小节点(Velocity,以下简称V),其对应的状态值为:
(5)方位节点(Position,以下简称Po),其对应的状态值为:
(6)速度方向节点(Velocity_Direction,以下简称VD),其对应的状态值为:
(7)敌我身份节点(IFF),其对应的状态值为:
二级输入节点:
(1)威胁包络节点(Threaten,以下简称Th),其对应的状态值为:
(2)行为意图节点(Attack_Intention,以下简称AI),其对应的状态值为:
一级输出节点:
(1)抗打击能力节点(Anti-Attack,以下简称AnA),其对应的状态值为:
(2)探测范围节点(Detection_Range,以下简称DR),其对应的状态值为:
(3)目标价值节点(Value),其对应的状态值为:
(4)目标重要性节点(Important,以下简称Im),其对应的状态值为:
二级输出节点:
(1)威胁指数节点(Threat,以下简称T),其对应的状态值为:
在确定贝叶斯网络的节点后,建立各输入节点与各输出节点之间的关系。
对于抗打击能力节点,代表当前敌方地面目标的抗打击能力,与目标类型节点以及目标数量节点有关。
对于探测范围节点,表示当前状态下敌方目标探测距离的大小,包括对空以及对地的探测范围,该节点受到目标数量节点、辐射状态节点、目标类型节点以及方位节点的影响。
对于目标价值节点,表示目标自身固有的价值,与当前战场态势无关,取决于目标的数量,目标类型以及敌我身份识别信息,因此,该节点受到目标数量节点、目标类型节点以及敌我身份节点的影响。
对于目标重要性节点,表示在实时的战场态势下的目标的重要程度,不仅与目标的类型以及数量有关,还与敌方的速度大小、方向以及方位有关,因此,该节点受到目标类型节点、目标数量节点、速度大小节点、方位节点以及速度方向节点的影响。
对于威胁指数节点,代表目标的威胁程度,与目标的抗打击能力,探测范围,目标价值,目标重要性,威胁包络以及行为意图有关。因此,该节点受到抗打击能力节点、探测范围节点、目标价值节点、目标重要性节点、威胁包络节点以及行为意图节点的影响。
于是,用于空地威胁评估的贝叶斯网络构建如图1所示。
在获得贝叶斯网络的结构之后,需要构造网络的参数,即CPT表(条件概率表),它代表了网络中每一个节点在已知父节点取值情况下出现可能结果的概率情况。具体对于每一个节点的CPT构造方法如下:
根据节点概率分布复杂情况将节点分为两种情况:无父节点变量和有父节点变量。
无父节点变量的概率为此节点变量可能状态的初始概率赋值,采用专家经验进行赋值,无专家经验的情况下,采用等概率赋值;
有父节点变量的概率分布采用最大似然估计(MLE)算法,进行贝叶斯网络参数学习。具体操作方法如下:
对于最大似然估计,一个随机实验中可能存在D1,D2,...Dn种实验结果,假设在一次实验中,Dm出现,则可以认为Dm出现的概率最大,于是将似然函数取P(D|θ)极大值时的参数值θ作为对参数的估计值,似然度是判断估计参数θ“好”与“坏”的一个标准。依据θ产生样本D的可能性,即似然度函数L(θ|D)=P(D|θ)=ΠP(X[m]|θ),如果似然度越大,则对应的θ越“好”。进而得到含有n个变量的贝叶斯似然度函数为:
BN局部似然函数可进一步分解:
考虑一个由n个变量X={X1,X2,X3,......Xn}组成的贝叶斯网络,设其中的结点Xi共有ri个取值1,2,...ri其中父结点π(Xi)的取值共有qi个组合,1,2,..qi。若Xi无父结点,则qi=1。那么,网络的参数为:
θijk=P(Xi=k|π(Xi)=j)
定义样本的特征函数如下:
那么则有:
即mijk是最后完全数据中满足Xi=k,π(Xi=j)的样本的数量,于是:
最后,由最大似然估计的理论可知,当要取对数似然估计最大值时,要求θijk如下:
经过以上步骤,获得贝叶斯网络的结构以及参数之后,就可以使用证据来进行推理了。本实施例采用变量消元的方式进行推理计算。具体操作方式如下:
设X是一个贝叶斯网络G中所有变量的集合,β是G中所有概率分布的集合,按照贝叶斯网的定义,β是G所表示的联合概率分布P(X)的一个分解,假设观测到了证据E=e,在β的因子中,将各证据变量设置为他们的观测值,得到另外的一组函数,记为β',这一步称为证据设置,可知,β'是函数P(Y,E=e)的一个分解,这里Y=X/E。
设Q是Y的一个子集合,从β'中逐个消去所有在Y中但是不在Q中的变量,得到另一个集合函数,记为β”,由定理可知β”是P(Q,E=e)的一个分解,所以,将β”中的所有因子相乘,就得到P(Q,E=e),按照条件概率的定义,可以进一步得到
其中,
按照上述过程进行操作,可以计算得出后验分布概率P(Q|E=e)。通过上述方法,可以计算得出各输出节点的各个状态的概率分布情况,概率大的状态即为推理结果,由此得到威胁评估的结果。
下面通过些实验数据对本实施例进行详细说明。
本实施例在建立好的贝叶斯网络上进行空地威胁评估,包含以下步骤:
步骤1)将传感器获取的目标数量离散化后输入到目标数量节点,将传感器获取的目标类型离散化后输入到目标类型节点,将传感器获取的敌我身份识别信息离散化后输入到敌我身份节点,将传感器获取的辐射状态离散化后输入到辐射状态节点,将传感器获取的目标方位离散化后输入到方位节点,将传感器获取的目标速度大小离散化后输入到速度大小节点,将传感器获取的目标速度方向离散化后输入到速度方向节点;
步骤2)根据各一级输入节点的状态值计算出各一级输出节点的各个状态的概率分布情况,概率大的状态即为推理结果。其中,抗打击能力节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点得出,目标价值节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点和敌我身份节点得出,目标价值节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、辐射状态节点、目标类型节点和方位节点得出,目标重要性节点的各个状态的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点、速度方向节点、方位节点和速度大小节点得出。
下面对目标重要性节点的例进行举例说明,其它一级输出节点输出的原理与目标重要性节点相同。
目标重要性:分为强,弱两级。表示在实时的战场态势下的某一目标的重要性,该节点与敌方的目标数量,目标类型,方位,速度方向,速度大小以及敌我身份的识别有关。
假设机载传感器获取到的目标环境信息离散化处理后输入各个一级输入节点的数据如下:
证据A1)Count=1,Type=3,V=2,Po=2,VD=1,IFF=1,Ra=1
证据A2)Count=1,Type=1,V=1,Po=1,VD=1,IFF=1,Ra=1
证据A3)Count=1,Type=2,V=2,Po=1,VD=1,IFF=1,Ra=2
证据A4)Count=2,Type=5,V=2,Po=2,VD=2,IFF=1,Ra=1
贝叶斯网络的概率参数表的初始化利用最大似然估计方法进行学习得到。
利用最大似然估计参数学习时需要用到的部分样本数据这里列举如1所示:
Im | Count | Type | VD | Po | V | IFF | |
1 | 2 | 2 | 3 | 2 | 2 | 2 | 1 |
2 | 2 | 2 | 1 | 2 | 1 | 2 | 1 |
3 | 1 | 1 | 2 | 1 | 1 | 1 | 1 |
4 | 2 | 2 | 1 | 2 | 2 | 2 | 1 |
5 | 1 | 1 | 4 | 1 | 1 | 1 | 1 |
6 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
7 | 1 | 2 | 3 | 1 | 1 | 1 | 1 |
8 | 2 | 2 | 3 | 2 | 1 | 2 | 1 |
9 | 2 | 1 | 1 | 2 | 1 | 2 | 1 |
10 | 2 | 2 | 5 | 2 | 2 | 2 | 1 |
表1
以速度大小节点为例进行参数学习过程的说明,参数表的学习过程如下:
改变不同的Im值,就可以得到完整的参数学习结果如下:
Im | P(V|Im) |
1 | (0.8987 0.1013) |
2 | (0.1020 0.8980) |
对于已知的目标重要性的贝叶斯网络的推理方法,按照P(V|Im)同样的方法,对于Type,Count,Position,VD,IFF可以得到对应的概率表述:
P(Type|Im),P(Count|Im),P(Po|Im),P(VD|Im),P(IFF|Im)
依照消息的传递机制可知
如果已知证据e=(Count,Type,Po,IFF,V,VD),待求V=(Im),则:
选取证据A1(Count=1,Type=3,V=2,Po=2,VD=1,IFF=1),目标重要性节点的推理结果如图2所示。
选取证据A2(Count=1,Type=1,V=1,Po=1,VD=1,IFF=1),目标重要性节点的推理结果如图3所示。
选取证据A3(Count=1,Type=2,V=2,Po=1,VD=1,IFF=1),目标重要性节点的推理结果如图4所示。
选取证据A4(Count=2,Type=5,V=2,Po=2,VD=2,IFF=1),目标重要性节点的推理结果如图5所示。
步骤3)输入行为意图节点、威胁包络节点的状态值。行为意图节点、威胁包络节点的状态值可以是从传感器获取的数据分析后得出,也可以是由战略指导员根据经验给出。
步骤4)依据贝叶斯网络理论从一级输出节点、二级输入节点的状态值得出威胁指数节点的各个状态的概率分布情况,概率大的状态即为推理结果,由此得到威胁评估的结果。
选取证据A1(Count=1,Type=3,V=2,Po=2,VD=1,IFF=1,Ra=1),各一级输出节点、二级输出节点的推理结果如图6所示。
选取证据A2)Count=1,Type=1,V=1,Po=1,VD=1,IFF=1,Ra=1),各一级输出节点、二级输出节点的推理结果如图7所示。
选取证据A3)Count=1,Type=2,V=2,Po=1,VD=1,IFF=1,Ra=2),各一级输出节点、二级输出节点的推理结果如图8所示。
选取证据A4)Count=2,Type=5,V=2,Po=2,VD=2,IFF=1,Ra=1),各一级输出节点、二级输出节点的推理结果如图9所示。
威胁指数分析:从上面的四组实验可以看出,证据A1下BN推理之后威胁为强的概率占到54.4%,威胁为中的概率占到22.7%,而且从其行为意图可以明显得到位对空攻击,而且有明显的威胁包络,故此时的威胁等级很高的。在证据A2下,威胁为强的概率占到65.9%,威胁为中的概率占到25.0%,此时的威胁等级更高了,是因为此时敌方的行为意图为对我方地面受保护目标的攻击,而且威胁包络形状危险,范围较大,而且由之前的参数学习可以知道,对地攻击比对空攻击更加具有威胁性,所以其威胁等级更高。在证据A3下,威胁为中的概率占到30.9%,威胁为弱的概率占到44.4%,这是因为此时敌方的攻击意图为对地的干扰,而干扰的威胁等级低于攻击(无论是我方机群还是地面目标)所以威胁等级进一步下降。在证据A4下,威胁为弱的概率占到27.5%,威胁为差的概率占到60.2%,这是因为此时的威胁目标已经成为防空警戒雷达,而且作战意图为探测,综合敌方目标的价值重要性等,可知此时的威胁等级相较于前三者,是最低的。
通过上述四个证据的推理分析,说明本实施例提出的基于特定网络结构的空地威胁评估方法可以对敌方地面目标给出合理的威胁指数估计结果。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于特定网络结构的空地威胁评估方法,包含以下步骤:
步骤1)将传感器获取的目标数量、目标类型离散化后输入到贝叶斯网络各对应的一级输入节点的状态值中;其中,一级输入节点包含目标数量节点、目标类型节点,目标数量节点Co对应的状态值为:
目标类型节点Ty对应的状态值为:
步骤2)根据各一级输入节点的状态值计算出贝叶斯网络各一级输出节点的各个状态值的概率分布情况,概率大的状态即为推理结果;其中,一级输出节点包含抗打击能力节点,抗打击能力节点AnA对应的状态值为:
抗打击能力节点的各个状态值的概率分布情况依据贝叶斯网络理论从目标数量节点、目标类型节点得出;
其中,D代表样本,k为贝叶斯网络的输入节点Xi的状态值1,2,...ri中的一个,j为贝叶斯网络输出的节点π(Xi)的状态值1,2,..qi中的一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259613.5A CN108446858B (zh) | 2018-03-27 | 2018-03-27 | 基于特定网络结构的空地威胁评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259613.5A CN108446858B (zh) | 2018-03-27 | 2018-03-27 | 基于特定网络结构的空地威胁评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446858A CN108446858A (zh) | 2018-08-24 |
CN108446858B true CN108446858B (zh) | 2022-03-08 |
Family
ID=63197055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259613.5A Active CN108446858B (zh) | 2018-03-27 | 2018-03-27 | 基于特定网络结构的空地威胁评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446858B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240310B (zh) * | 2021-05-25 | 2023-04-07 | 中国电子科技集团公司第二十九研究所 | 一种群体对单目标的威胁评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
CN105654232A (zh) * | 2015-12-24 | 2016-06-08 | 大连陆海科技股份有限公司 | 基于多维度空间融合的海岸监控与防御决策系统及方法 |
CN106296031A (zh) * | 2016-08-22 | 2017-01-04 | 北京理工大学 | 一种基于动态topsis的空中目标威胁评估方法 |
CN106570525A (zh) * | 2016-10-26 | 2017-04-19 | 昆明理工大学 | 一种基于贝叶斯网络的在线商品评价质量评估方法 |
CN107016464A (zh) * | 2017-04-10 | 2017-08-04 | 中国电子科技集团公司第五十四研究所 | 基于动态贝叶斯网络的威胁估计方法 |
CN107194155A (zh) * | 2017-05-02 | 2017-09-22 | 西北工业大学 | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 |
-
2018
- 2018-03-27 CN CN201810259613.5A patent/CN108446858B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN105654232A (zh) * | 2015-12-24 | 2016-06-08 | 大连陆海科技股份有限公司 | 基于多维度空间融合的海岸监控与防御决策系统及方法 |
CN106296031A (zh) * | 2016-08-22 | 2017-01-04 | 北京理工大学 | 一种基于动态topsis的空中目标威胁评估方法 |
CN106570525A (zh) * | 2016-10-26 | 2017-04-19 | 昆明理工大学 | 一种基于贝叶斯网络的在线商品评价质量评估方法 |
CN107016464A (zh) * | 2017-04-10 | 2017-08-04 | 中国电子科技集团公司第五十四研究所 | 基于动态贝叶斯网络的威胁估计方法 |
CN107194155A (zh) * | 2017-05-02 | 2017-09-22 | 西北工业大学 | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 |
Non-Patent Citations (2)
Title |
---|
"Ship-Aircraft Joint Situation Assessment by Using Fuzzy Dynamic Bayesian Network";Y. Jinyong 等;《2017 IEEE International Conference on Unmanned Systems》;20171029;第220-224页 * |
"多平台对多目标无源融合定位方法";牟之英 等;《探测与控制学报》;20170226;第39卷(第1期);第58-65,70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108446858A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Johansson et al. | A Bayesian network approach to threat evaluation with application to an air defense scenario | |
CN103488886A (zh) | 基于模糊动态贝叶斯网络的态势威胁评估方法 | |
Xu et al. | Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets | |
CN108460425A (zh) | 基于特定网络结构的空地态势评估方法 | |
Johansson | Evaluating the performance of TEWA systems | |
Liang | An approximate reasoning model for situation and threat assessment | |
CN113743509A (zh) | 一种基于不完全信息的在线作战意图识别方法及装置 | |
CN113313258A (zh) | 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 | |
Husodo et al. | Enhanced social spider optimization algorithm for increasing performance of multiple pursuer drones in neutralizing attacks from multiple evader drones | |
CN114615143A (zh) | 一种多传感-观测网络下的弹性分布式安全监测方法 | |
CN108446858B (zh) | 基于特定网络结构的空地威胁评估方法 | |
CN114139550B (zh) | 一种基于活动语义文本消息的态势智能认知方法 | |
CN110163519B (zh) | 面向基地攻防任务的uuv红蓝方威胁评估方法 | |
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 | |
CN116027673B (zh) | 一种基于模糊神经网络的装备控制自主决策方法 | |
Han et al. | Ground threat evaluation and jamming allocation model with Markov chain for aircraft | |
Rawat | Artificial intelligence meets tactical autonomy: Challenges and perspectives | |
CN113919425B (zh) | 一种空中目标自主分配方法及系统 | |
Yihong et al. | Threat assessment based on adaptive intuitionistic fuzzy neural network | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN113315763A (zh) | 基于异质群体演化博弈的网络安全防御方法 | |
Liang | A Fuzzy Knowledge Based System in Situation and Threat Assessment. | |
Tan et al. | Data fusion of radar and IFF for aircraft identification | |
Zheng et al. | UAV maneuver decision-making via deep reinforcement learning for short-range air combat | |
Medhi et al. | Byzantine Resilient Reinforcement Learning for Multi-Agent UAV Systems |
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 |