CN113313258A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113313258A CN113313258A CN202110506609.6A CN202110506609A CN113313258A CN 113313258 A CN113313258 A CN 113313258A CN 202110506609 A CN202110506609 A CN 202110506609A CN 113313258 A CN113313258 A CN 113313258A
- Authority
- CN
- China
- Prior art keywords
- intention
- target
- root
- time
- decomposition
- 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
Links
Images
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
-
- 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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,包括步骤一:针对空中目标战术意图,进行推理,得到基于意图分解的目标意图的根意图I;步骤二:对根意图I中的元素进行推理,得到动态贝叶斯网络结构N;步骤三:利用滑动窗口的方法设计基于滑动时间窗的根意图;步骤四:对根意图进行意图推理;本方法通过本方法对作战过程中来袭目标的意图TI及其实施意图可能性的概率分布P的关系进行研究,可以确定证明飞机目标进入作战识别区的根意图类别,以便防御机构作出相应动作,具有计算结果准确、判断速度快的特点。
Description
技术领域
本发明涉及目标分解技术领域,具体涉及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。
背景技术
纵观近几十年发生的地区战争,空袭的武器系统、战场环境以及作战样式都发生了翻天覆地的变革;敌方新型作战武器的应用和作战样式的革新,增加了作战态势空间的复杂性和不确定性,使得信息过载的问题极大地阻碍指挥员的指挥决策过程。作战态势估计作为作战指挥决策过程中的关键环节,目的是察觉战场态势、理解和预测敌方行动,从而拨开战争迷雾,加速我方指挥决策的进程;在信息化协同作战的背景下,传统的作战态势估计理论和方法在应对当前作战态势时面临着巨大的挑战,因此推动态势估计走向智能化已经成为作战制胜的关键;因此,如何在作战双方都会尽可能地将作战根意图隐藏在战争迷雾之中准确的判断对方的作战意图,来做到知己知彼,准确的蓼莪及敌人的战略部署成为了作战技术研究的主要内容;
而在现有的作战技术研究中,并没有有效的处理方法可以准确的对作战根意进行分解,进而得到作战的最终意图,来提高作战准备效率,避免作战损失。
发明内容
针对上述存在的问题,本发明旨在提供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,通过本方法对作战过程中来袭目标的意图TI及其实施意图可能性的概率分布P的关系进行研究,可以确定证明飞机目标进入作战识别区的根意图类别,以便防御机构作出相应动作,具有计算结果准确、判断速度快的特点。
为了实现上述目的,本发明所采用的技术方案如下:
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,包括
步骤一:针对战场中空中目标动作的战术意图,分析防空反导战场目标意图层次,进行意图推理,得到基于意图分解的目标意图的根意图I;
步骤二:以贝叶斯基础理论为基础,对根意图I中的元素进行推理,动态贝叶斯网络结构N;
步骤三:依据战场态势时序变化的特征,通过控制贝叶斯网络结构N中窗口的大小和窗口滑动的步幅来控制根意图推理粒度的大小,设计基于滑动时间窗的根意图;
步骤四:根据基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法对根意图进行意图推理,获得目标根意图的推理结果,得到目标元意图,并对元意图进行进行推导,得到目标的终极意图。
优选的,步骤一所述的根意图的具体推理得到过程包括:
S101.在战场环境中,设目标的状态集为V={v1,v2,v3,v4,v5},目标元意图集为G={g1,g2,g3},根意图集为I={I1,I2};
S102.依据知识库中存储的目标意图和行为分解关系,通过在不同时刻,战场上的传感器观测获得的空中目标的具体行为V,推断出当前目标的元意图G;
S103.根据不同时刻的元意图组合g1g2,可以得到目标的根意图为I1。
优选的,步骤二所说的动态贝叶斯网络结构N的得到过程包括:
S201.在时刻变化的战场环境中,将根意图集I中的每一时刻的静态贝叶斯网络根据时序排列规则串联起来,形成反应动态战场态势变化的动态贝叶斯网络;
S202.设贝叶斯的网络节点为(X1,X2,…,Xm),节点Xi事件发生的先验概率为P(Xi),Xi节点的父节点的集合表示为Pa(Xi),由于贝叶斯网络结构具有条件独立关系,可得贝叶斯推理公式为:
P(Xi)=P(Xi|Pa(Xi)) (3)
则m个节点的联合概率为:
S203.将贝叶斯模型扩展成n个时间片的动态贝叶斯网络,其联合概率分布可以表示为:
优选的,步骤S201得到动态战场态势变化的动态贝叶斯网络的具体过程包括:
(1)设在根意图集I中表示态势事件的样本空间M={X1,X2,X3,…,Xm},样本空间中任一样本的状态空间有限,则t时刻静态贝叶斯网络表示为Nt=<Gt,Pt>;
(2)在一段时间内,动态贝叶斯网络可以看成n个时间片下静态贝叶斯网络的组合,表示为N={N1,N2,N3,…,Nn},且下一时刻状态仅受前一时刻的状态和迁移过程影响:
则有N1转移到N2时的概率为P(N2/N1),N2转移到N3时的概率为P(N3/N2),……,Nt-1转移到Nt时的概率为P(Nt/Nt-1),因此可得到动态贝叶斯网络的条件概率分布如公式(1)所示,联合概率分布如公式(2)所示:
P(Nt/N1,N2,…,Nt-1)=P(Nt|Nt-1) (1)
优选的,步骤(2)所述的任意一个时间片节点N(t)的概率计算公式可以表示为:
其中:t表示任意时间点,V表示速度,D表示距离,M表示机动,H表示高度,IFF表示敌我应答识别,R表示雷达是否开机;P(Nt|Xv,Xd,Xm,Xh,Xiff,Xr)为条件概率密度,P(Xi)由t时刻传感器的观测值获得。
优选的,步骤三所述的基于滑动时间窗的根意图的设计过程包括:
S301.设滑动窗口大小为k,步长为l,目标根意图集I={I1,I2,…Ii,…In},则贝叶斯网络结构N中一个窗口内元意图对第i个根意图的支持度为:
其中:pj表示滑动窗口内第j个元意图的先验概率,pji表示第j个元意图对第i个根意图支持的条件概率;
S302.则滑动窗口目标意图推理结果为:
优选的,步骤四所述的目标根意图的推理过程包括:
S401.首先根据战场中目标的意图推理的层次结构,构建意图分解知识库,并分析元意图与目标状态之间的关系建立动态贝叶斯网络结构,确认网络模型参数;
S402.使用滑动时间窗将获得根意图推理结果。
本发明的有益效果是:本发明公开了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,与现有技术相比,本发明的改进之处在于:
针对现有技术中存在的战场上敌方作战意图难以判断的问题,本发明设计了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,本推理方法首先针对作战的实际情况,将作战的目标推理问题研究,表述为对作战过程中来袭目标的意图TI(TargetIntention)及其实施意图可能性的概率分布P的关系的研究,为后续意图推理研究确定了研究方向;然后,分析了贝叶斯网络、目标意图分解和滑动时间窗三种方法的基本理论,设计了基于意图分解的滑动时间窗动态贝叶斯推理方法,并通过控制滑动时间窗的大小和步长分析了其对根意图推理结果的影响,并通过对元意图进行进行推导,得到目标的终极意图;且通过实验验证,本发明所述方法可以准确的判断地方的战略意图,本方法具有计算结果准确、判断速度快的优点。
附图说明
图1为本发明基于意图分解的滑动时间窗动态贝叶斯意图推理方法的算法流程图。
图2为本发明目标意图的分解图。
图3为本发明静态贝叶斯网络结构图。
图4为本发明动态贝叶斯网络结构图。
图5为本发明滑动时间窗的根意图推理结构图。
图6为本发明算法推理方法流程图。
图7为本发明基于意图分解的滑动时间窗动态贝叶斯目标意图推理结构图。
图8为本发明实施例1距离变量模糊子集图。
图9为本发明实施例1时刻1状态下元意图推理结果图。
图10为本发明实施例1各时刻元意图推理结果图。
图11为本发明实施例1滑动窗口大小对根意图推理结果的影响图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
在战场这个特殊环境下,意图推理的主要任务是对敌方的作战设想和作战计划进行判断和解释。
目标意图推理主要解决四方面的内容:
(1)目标的作战目的
目标的作战目的是指通过一系列的作战行动所希望取得的作战效果;
(2)目标的作战对象
目标的作战对象是指目标作战行动所针对的对方兵力;在作战领域,来袭的敌方目标的作战对象可以是机场、油库、军事基地等重点设施或区域;
(3)目标的作战计划
目标的作战计划是指目标为达成某一作战目的,而采取的一系列作战行动的集合;
(4)目标的决心程度
目标的决心程度是指目标所采取的作战行动的决心大小或强弱,可以使用概率的形式表示;
根据战场性质的不同,目标意图推理可以分为海战场空中目标的意图推理、陆战场空中目标意图推理和XXX战场目标意图推理等。根据战争影响层次的不同,目标意图推理可以分为目标战略意图推理、目标战役意图推理、目标战术意图推理。本章介绍的是战场中空中目标动作的战术意图推理问题;
在作战领域,目标意图推理任务首先要解决意图的表述问题,即目标以何种方式采取行动,其次是目标意图的强度问题,即意图实施者的决心程度,如来袭目标实施空中打击意图的强弱推理;
意图推理表述要解决的两个关键性问题:问题一是战场上空中目标意图的表示方法;问题二是如何推断出战场空中目标实施空袭或侦察等意图的强度,即判断其执行某种目标或任务的可能性大小;因此可以将意图推理的结果表述为几种常见的意图TI={TI1,TI2,…TIn},及其实施意图强度可能性的概率分布P={P1,P2,…,Pn}的对应关系,如表1所示:
表1:目标意图表述
目标意图 | 意图强度 |
I<sub>1</sub> | P<sub>1</sub> |
I<sub>2</sub> | P<sub>2</sub> |
… | … |
I<sub>n</sub> | P<sub>n</sub> |
参照附图1-11所示的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,包括
步骤一:战场上指挥员想要获得的是目标抽象的最终意图,称为根意图,作战双方都会尽可能地将作战根意图隐藏在战争迷雾之中,因此我们需要抽丝剥茧,将敌方根意图分解表示成彼此相对独立地子意图,称为元意图,目标的元意图是目标意图的浅层表示,可解释性更强,而且目标的元意图可以分解为空中目标的若干状态的组合,这些状态信息由战场传感器探测得到并提供给指挥控制中心;根据军事知识以及长期积累的战争经验可以将目标根意图先分解为元意图,再将元意图分解为特定的状态组合形式,存储在知识库(表7)中,在有空中目标来袭时调用知识库中的意图分解知识,与空中目标动作进行逐层匹配的意图推理,其具体过程包括:
S101.在战场环境中,设空中目标的状态集为V={v1,v2,v3,v4,v5},目标元意图集为G={g1,g2,g3},根意图集为I={I1,I2};
S102.依据知识库中存储的目标意图和行为分解关系,通过在不同时刻,战场上的传感器观测获得的空中目标的具体行为V,推断出当前目标的元意图G,如图2所示:如当t1时刻战场上的传感器通过观测获得了空中目标的一组行为v1v2v3v4,则依据知识库中存储的目标意图和行为分解关系,合理的推断出当前目标的元意图为g1;t2时刻XXX战场上的传感器通过观测获得了空中目标的一组行为v1v3v4v5,则依据知识库中存储的目标意图和行为分解关系,合理的推断出当前目标的元意图为g2;通过t1、t2两个时刻的元意图组合g1g2可以得到目标的根意图为I1;
所述知识库由专家根据经验,实际测量数据积累等方法进行构建得到的,构建样式可以如表7所示。
步骤二:以贝叶斯基础理论为基础,对根意图I中的元素进行推理,得到n个时间片的动态贝叶斯网络的联合概率P(N1,N2,…,Nn-1,Nn),其具体步骤包括:
S201.在时刻变化的战场环境中,将根意图集I中的每一时刻的静态贝叶斯网络根据时序排列规则串联起来,形成反应动态战场态势变化的动态贝叶斯网络:
(1)设在根意图集I中表示态势事件的样本空间M={X1,X2,X3,…,Xm},样本空间中任一样本的状态空间有限,则t时刻静态贝叶斯网络表示为Nt=<Gt,Pt>,如图3所示;其中在图3中:Gt表示有向无环图,图节点表示样本空间的事件样本X1,X2,X3,…,Xm,有向边表示事件样本之间的因果推理关系;Pt表示贝叶斯网络的所有网络参数;
(2)在一段时间内,动态贝叶斯网络可以看成n个时间片下静态贝叶斯网络的组合,表示为N={N1,N2,N3,…,Nn},且下一时刻状态仅受前一时刻的状态和迁移过程影响,如图4所示:
在动态贝叶斯网络中,假设动态贝叶斯网络的状态转移过程是个马尔可夫过程,即当前时刻的状态只接受上一时刻的影响,并且只对下一时刻的状态产生影响;由以上假设有N1转移到N2时的概率为P(N2/N1),N2转移到N3时的概率为P(N3/N2),……,Nt-1转移到Nt时的概率为P(Nt/Nt-1)。因此动态贝叶斯网络的条件概率分布如公式1所示,联合概率分布如公式2所示:
P(Nt/N1,N2,…,Nt-1)=P(Nt|Nt-1) (1)
S202.贝叶斯推理模型的基础是贝叶斯公式,设贝叶斯的网络节点为(X1,X2,…,Xm),节点Xi事件发生的先验概率为P(Xi),Xi节点的父节点的集合表示为Pa(Xi),由于贝叶斯网络结构具有条件独立关系,可得贝叶斯推理公式为:
P(Xi)=P(Xi|Pa(Xi)) (3)
则m个节点的联合概率为:
S203.将贝叶斯模型扩展成n个时间片的动态贝叶斯网络,其联合概率分布可以表示为:
步骤三:依据战场态势时序变化的特征,有充分的理由可以肯定敌方目标的根意图变化是连续的,并可以依据相邻时间片段内的几个元意图表示,通过控制窗口的大小和窗口滑动的步幅来控制根意图推理粒度的大小;m个时间片段内产生m个目标元意图的推理结果,设置时间窗的大小为3,步长为1,获得关于目标根意图的连续预测,如图5所示;时间长大小的设定可以根据战场实际要求,当需要快速了解目标大致意图时,可以适当增大时间窗大小和步长,用以获得快速的目标意图推理结果;当需要对目标意图进行精准分析时,缩小滑动窗口步长,适当增大滑动窗口大小,用以避免信息丢失,获得对目标的精确推理;
所述的基于滑动时间窗的根意图的设计过程包括:
S301.设滑动窗口大小为k,步长为l,目标根意图集I={I1,I2,…Ii,…In},则一个窗口内元意图对第i个根意图的支持度为:
其中:pj表示滑动窗口内第j个元意图的先验概率,pji表示第j个元意图对第i个根意图支持的条件概率;
S302.则滑动窗口目标意图推理结果为:
步骤四:在进行目标意图推理时,目标意图隐藏在战争“迷雾”中难以直接推理获得,因此,应基于意图分解的思想,将在作战中探测到的行为状态信息通过动态贝叶斯网络和滑动时间窗进行组合推理,需要根据基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法进行意图推理,获得目标根意图的推理结果,其具体过程包括:
使用基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法进行作战的意图推理:S401.首先明确战场中目标的意图推理的层次结构,构建意图分解知识库,并分析元意图与目标状态之间的关系建立动态贝叶斯网络结构,确认网络模型参数;S402.使用滑动时间窗将获得根意图推理结果,所述基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法流程如图6所示。
步骤五:对目标根意图进行分解,得到目标元意图,并对元意图进行进行推导,得到目标的终极意图,其具体包括:
S501.首先将所述目标根意图分解成具有一定独立性的元意图;
S502.依据专家知识总结分析目标元意图集以及空中目标行动状态集,依据目标一定时间内观测到的行动状态先验概率以及目标行动状态与元意图之间的条件概率,使用动态的贝叶斯网络对目标元意图进行推导,得到目标的终极意图;如:根据作战的实际情况,定义目标的根意图为I={攻击意图I1;非攻击意图I2},元意图为G={突击g1;佯动g2;火力压制g3;电子对抗g4;侦察g5;引导g6;掩护g7;撤退g8};行为状态集为A={高度h;速度v;敌我应答识别iff;距离d;是否机动m;雷达是否开机r}。其中状态集变量属性表示为如表2所示;
表2:目标状态变量属性表
根据建立的根意图、元意图和目标行为状态集,首先建立一个时间片内的贝叶斯网络模型,再按时间维度将静态贝叶斯网络拓展成为动态贝叶斯网络模型;由于动态贝叶斯网络每一时段都在学习,随着观测时长的增加,以及动态网络参数的不断调整修正,使得基于动态贝叶斯网络的推理精度不断提高,使用滑动时间窗的方法选取临近的四个时间片段的动态贝叶斯推理的元意图结果作为根意图的评判标准,建立如图7所示的基于意图分解的滑动时间窗动态贝叶斯目标意图推理结构。
实施例1:步骤六:仿真分析
S601.实验环境
为验证本发明提出的基于意图分解的滑动时间窗动态贝叶斯目标意图推理算法的有效性,本文采用使用计算机仿真验证的方法进行实验验证;
具体实验环境及使用的数据集如下:
(1)硬件环境:Intel(R)Core(TM),i5-10300H处理器、2.50GHz主频、16G运行内存、GTX1650显卡;
软件环境平台:Windows 10家庭中文版,GeNIe 2.0仿真软件,Matlab2019b;
(2)GeNIe 2.0仿真软件由美国匹兹堡大学决策系统实验室开发,是构建图决策理论模型的环境开发工具,通过图形化、结构化的功能模块实现动态贝叶斯网络的各节点和连接关系;可以方便的进行静态贝叶斯网络和动态贝叶斯网络的推理计算;
S602.模型参数设置
(1)模型参数
意图推理的过程中需要大量的军事专家经验知识的支撑,由静态贝叶斯节点概率分布计算公式(8)可知;在图7中其中一个时间片节点N(t)的概率计算公式可以表示为:
其中:P(Nt|Xv,Xd,Xm,Xh,Xiff,Xr)为条件概率密度,由军事专家经验知识设定条件概率表的方法及部分值(由于条件概率表有3×3×2×3×2×3=324列,8行数据组成不易全部展示出来)如表3所示;P(Xi)由t时刻传感器的观测值获得;
表3:条件概率分布表
在使用动态贝叶斯网络推理元意图的过程中,根据图7原理以及公式(1)、(2)和(5)可知,在动态贝叶斯的网络结构中相邻时间片的相邻节点存在状态转移关系P(Nt/Nt-1),依据专家知识设定如表4所示:
表4:相邻时间片的相邻节点转移概率
P(N<sub>t</sub>/N<sub>t-1</sub>) | g1 | g2 | g3 | g4 | g5 | g6 | g7 | g8 |
g1 | 0.02 | 0.04 | 0.05 | 0.06 | 0.13 | 0.18 | 0.20 | 0.32 |
g2 | 0.04 | 0.04 | 0.07 | 0.09 | 0.1 | 0.11 | 0.18 | 0.37 |
g3 | 0.03 | 0.06 | 0.09 | 0.12 | 0.13 | 0.16 | 0.18 | 0.23 |
g4 | 0.03 | 0.03 | 0.09 | 0.11 | 0.15 | 0.18 | 0.21 | 0.20 |
g5 | 0.23 | 0.20 | 0.11 | 0.16 | 0.10 | 0.06 | 0.09 | 0.04 |
g6 | 0.16 | 0.20 | 0.16 | 0.14 | 0.11 | 0.11 | 0.09 | 0.02 |
g7 | 0.18 | 0.20 | 0.16 | 0.18 | 0.13 | 0.11 | 0.03 | 0.02 |
g8 | 0.26 | 0.17 | 0.15 | 0.16 | 0.11 | 0.08 | 0.04 | 0.02 |
在根意图的推理过程中,由图5以及公式(6)和(7)可知,时间窗对元意图进行滑动组合推理的过程中,元意图的先验概率为pj由贝叶斯动态推理过程中获得,元意图与根意图的支持度关系为pji,且pji由专家知识设定,如表5所示;
表5:元意图对根意图的支持度
值得注意的是,动态贝叶斯网络的参数相邻节点的转移概率P(Nt/Nt-1)、条件概率P(Nt|Xv,Xd,Xm,Xh,Xiff,Xr)和支持度关系pji都由专家经验知识给出,数据的主观色彩浓烈,在一定程度上影响指挥员对空中目标客观意图的推理,因此,仍需要依据真实战场的空中目标行为意图进行不断地修正。
(2)连续状态参数离散化
根据动态贝叶斯网络的结构和参数特点可知,动态贝叶斯网络的输入必须是离散化的数据,而在作战态势空间中的速度、高度和距离变量都是连续的,因此应通过设置阈值进行离散化处理,如表6所示;
表6:连续变量的离散化
变量 | 状态1 | 状态2 | 状态3 |
速度 | LV(<100m/s) | MV(100~340m/s) | HV(>340m/s) |
高度 | LH(<100m) | MH(100~7000m) | HH(>7000m) |
距离 | N(<100km) | M(100~200km) | F(>200km) |
同时也可采用模糊函数的离散化方法,以距离为例,距离D={N;M;F},其模糊子集的三角形隶属度函数如图8所示,其中x轴表示实测距离;
定义距离D的隶属度函数为:
进行距离离散时取p1=100km,p2=150km,p2=200km,对于不同状态变量也可采用这种方式获得离散化结果。
S603.基于意图分解的滑动时间窗贝叶斯意图推理方法验证
(1)初始条件设置
假设某时刻发现某一不明飞机目标在我方防空识别区内出现,为探明其战术意图,我方传感器对其连续跟踪8个时刻,并得到相应的观测数据如表7所示;
表7:8个时刻飞机目标状态观测数据
(2)元意图推理结果
使用GeNIe 2.0软件构建动态贝叶斯网络模型,如图9所示;从时刻1的意图推理结果大致可以看出,目标高速靠近我防空识别区,很大可能是为了实施侦察、引导、掩护或撤退任务,而是否实施攻击意图还需进一步观察;
将表7中的观测数据依次输入动态贝叶斯网络,分别得到元意图的推理结果如表8所示,各元意图随观测时间的变化曲线如图10所示.
表8:8个时刻元意图推理结果
时刻T | g1 | g2 | g3 | g4 | g5 | g6 | g7 | g8 |
1 | 0.10 | 0.10 | 0.08 | 0.10 | 0.16 | 0.14 | 0.16 | 0.16 |
2 | 0.15 | 0.14 | 0.14 | 0.12 | 0.13 | 0.11 | 0.10 | 0.11 |
3 | 0.18 | 0.16 | 0.15 | 0.13 | 0.10 | 0.10 | 0.09 | 0.09 |
4 | 0.18 | 0.13 | 0.19 | 0.14 | 0.10 | 0.07 | 0.10 | 0.09 |
5 | 0.18 | 0.15 | 0.17 | 0.15 | 0.10 | 0.08 | 0.08 | 0.09 |
6 | 0.17 | 0.15 | 0.16 | 0.13 | 0.10 | 0.09 | 0.11 | 0.09 |
7 | 0.16 | 0.16 | 0.14 | 0.13 | 0.11 | 0.11 | 0.10 | 0.09 |
8 | 0.11 | 0.15 | 0.11 | 0.12 | 0.13 | 0.15 | 0.10 | 0.13 |
从表8和图10中可以发现时刻3、4、5和6飞机目标有很大可能性实施突击g1、佯动g2、火力压制g3、电子对抗g4四种元意图,而1、2、7、8时刻很可能实施侦察g5、引导g6、掩护g7、撤退g8元意图,凭借军事理论常识可以大致估计飞机目标在3-6时刻很大可能性实施攻击意图。为进一步准确的预测根意图,还需继续讨论。
(3)根意图推理结果
通过上一节的元意图推理分析,我们已经获得了8个时刻的飞机目标元意图的推理结果,将表8中的各时刻元意图估计的结果作为根意图推理的先验概率,通过如图5所示的滑动时间窗的方法,依据公式(6)计算飞机目标的根意图推理结果分析如下:
滑动窗口大小对根意图推理的影响
设置滑动窗口大小分别为1、2、3、4,步长为1;根意图的推理结果如表9-12所示:
表9:选择滑动窗口大小为1,步长为1
表10:选择滑动窗口大小为2,步长为1
表11:选择滑动窗口大小为3,步长为1
表12:选择滑动窗口大小为4,步长为1
由公式7可以推断出,飞机目标的根意图为攻击意图;为方便对比分析,将表9-12中的根意图推理结果以推理过程序号为横坐标绘制在一张图中,如图11所示;从图中可以看出,随着滑动窗口的变大,根意图的推理结果方差减小,更加稳定,更倾向于给出一段时间的内目标推理的一致性结果,但是对于目标意图的动态表述能力明显下降。
滑动窗口步长对实验结果的影响
设置滑动窗口步长分别1、2、3、4,窗口大小为2;根意图的推理结果如表13所示:
表13:滑动窗口步长对意图推理的影响
从表13中可以看出,当滑动窗口大小为2时,增大滑动窗口步长的过程,就是对滑动步长为1的根意图推理结果扩大采样间隔的过程,依据信号采样的观点可以看出,作战过程中,在观测周期内传感器对飞机目标进行连续不断的观测,获得大量的观测数据时,观测周期内同样获得大量的元意图的推理结果;此时,可以使用采样的方式进行推理,即通过适当增大滑动窗口步长的方法快速高效的评估根意图推理结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法,其特征在于:包括
步骤一:针对战场中空中目标动作的战术意图,分析防空反导战场目标意图层次,进行意图推理,得到基于意图分解的目标意图的根意图I;
步骤二:以贝叶斯基础理论为基础,对根意图I中的元素进行推理,动态贝叶斯网络结构N;
步骤三:依据战场态势时序变化的特征,通过控制贝叶斯网络结构N中窗口的大小和窗口滑动的步幅来控制根意图推理粒度的大小,设计基于滑动时间窗的根意图;
步骤四:根据基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法对根意图进行意图推理,获得目标根意图的推理结果,得到目标元意图,并对元意图进行进行推导,得到目标的终极意图。
2.根据权利要求1所述的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,其特征在于:步骤一所述的根意图的具体推理得到过程包括:
S101.在战场环境中,设目标的状态集为V={v1,v2,v3,v4,v5},目标元意图集为G={g1,g2,g3},根意图集为I={I1,I2};
S102.依据知识库中存储的目标意图和行为分解关系,通过在不同时刻,战场上的传感器观测获得的空中目标的具体行为V,推断出当前目标的元意图G;
S103.根据不同时刻的元意图组合g1g2,可以得到目标的根意图为I1。
3.根据权利要求1所述的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,其特征在于:步骤二所说的动态贝叶斯网络结构N的得到过程包括:
S201.在时刻变化的战场环境中,将根意图集I中的每一时刻的静态贝叶斯网络根据时序排列规则串联起来,形成反应动态战场态势变化的动态贝叶斯网络;
S202.设贝叶斯的网络节点为(X1,X2,…,Xm),节点Xi事件发生的先验概率为P(Xi),Xi节点的父节点的集合表示为Pa(Xi),由于贝叶斯网络结构具有条件独立关系,可得贝叶斯推理公式为:
P(Xi)=P(Xi|Pa(Xi)) (3)
则m个节点的联合概率为:
S203.将贝叶斯模型扩展成n个时间片的动态贝叶斯网络,其联合概率分布可以表示为:
4.根据权利要求3所述的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,其特征在于:步骤S201得到动态战场态势变化的动态贝叶斯网络的具体过程包括:
(1)设在根意图集I中表示态势事件的样本空间M={X1,X2,X3,…,Xm},样本空间中任一样本的状态空间有限,则t时刻静态贝叶斯网络表示为Nt=<Gt,Pt>;
(2)在一段时间内,动态贝叶斯网络可以看成n个时间片下静态贝叶斯网络的组合,表示为N={N1,N2,N3,…,Nn},且下一时刻状态仅受前一时刻的状态和迁移过程影响:
则有N1转移到N2时的概率为P(N2/N1),N2转移到N3时的概率为P(N3/N2),……,Nt-1转移到Nt时的概率为P(Nt/Nt-1),因此可得到动态贝叶斯网络的条件概率分布如公式(1)所示,联合概率分布如公式(2)所示:
P(Nt/N1,N2,…,Nt-1)=P(Nt|Nt-1) (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506609.6A CN113313258B (zh) | 2021-05-10 | 2021-05-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506609.6A CN113313258B (zh) | 2021-05-10 | 2021-05-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313258A true CN113313258A (zh) | 2021-08-27 |
CN113313258B CN113313258B (zh) | 2023-06-23 |
Family
ID=77372775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506609.6A Active CN113313258B (zh) | 2021-05-10 | 2021-05-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313258B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049602A (zh) * | 2021-10-29 | 2022-02-15 | 哈尔滨工业大学 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
CN115659162A (zh) * | 2022-09-15 | 2023-01-31 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN116050515A (zh) * | 2022-12-30 | 2023-05-02 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500456A (zh) * | 2013-10-22 | 2014-01-08 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN107016212A (zh) * | 2017-04-21 | 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意图分析方法 |
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 |
JP2020086555A (ja) * | 2018-11-16 | 2020-06-04 | 日立オートモティブシステムズ株式会社 | 車載学習制御装置 |
-
2021
- 2021-05-10 CN CN202110506609.6A patent/CN113313258B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500456A (zh) * | 2013-10-22 | 2014-01-08 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN107016212A (zh) * | 2017-04-21 | 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意图分析方法 |
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 |
JP2020086555A (ja) * | 2018-11-16 | 2020-06-04 | 日立オートモティブシステムズ株式会社 | 車載学習制御装置 |
Non-Patent Citations (2)
Title |
---|
YI WANG ET AL.: ""Air defense threat assessment based on dynamic Bayesian network"", 《2012 INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI2012)》 * |
周伟 等: ""基于动态贝叶斯网络的健壮报头压缩算法"", 《计算机工程与科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049602A (zh) * | 2021-10-29 | 2022-02-15 | 哈尔滨工业大学 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
CN114049602B (zh) * | 2021-10-29 | 2022-06-14 | 哈尔滨工业大学 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
CN115659162A (zh) * | 2022-09-15 | 2023-01-31 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN115659162B (zh) * | 2022-09-15 | 2023-10-03 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN116050515A (zh) * | 2022-12-30 | 2023-05-02 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
CN116050515B (zh) * | 2022-12-30 | 2023-11-07 | 中国电子科技集团公司信息科学研究院 | 一种基于XGBoost的平行推演多分支态势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113313258B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313258B (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 | |
Xu et al. | Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets | |
CN109063819B (zh) | 基于贝叶斯网络的任务共同体的识别方法 | |
Johansson | Evaluating the performance of TEWA systems | |
CN110175773A (zh) | 基于贝叶斯网络的侦查无人机作战效能评估方法 | |
CN112598046A (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN116360503B (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
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 | |
Benavoli et al. | An approach to threat assessment based on evidential networks | |
CN116187169A (zh) | 基于动态贝叶斯网络的无人机集群意图推断算法及系统 | |
Guanglei et al. | Target tactical intention recognition in multiaircraft cooperative air combat | |
Dantas et al. | Weapon engagement zone maximum launch range estimation using a deep neural network | |
Dantas et al. | Supervised machine learning for effective missile launch based on beyond visual range air combat simulations | |
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 | |
Zhai et al. | Cooperative task allocation for multi heterogeneous aerial vehicles using particle swarm optimization algorithm and entropy weight method | |
CN116050515B (zh) | 一种基于XGBoost的平行推演多分支态势预测方法 | |
Chen et al. | Cooperative threat assessment of multi-aircrafts based on synthetic fuzzy cognitive map | |
Ximeng et al. | Threat assessment in air combat based on ELM neural network | |
Wang et al. | Target threat assessment based on dynamic Bayesian network | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN108446858B (zh) | 基于特定网络结构的空地威胁评估方法 | |
CN109523838B (zh) | 基于演化博弈的异质化协同飞行冲突解决方法 | |
Feng et al. | Electromagnetic situation analysis and judgment based on deep learning | |
Xu et al. | A novel DBN-based intention inference algorithm for warship air combat | |
Tang et al. | Close-in weapon system planning based on multi-living agent theory |
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 |