CN116628449B - 基于图的邻接点优先的联合树saad-jt算法的态势评估方法 - Google Patents
基于图的邻接点优先的联合树saad-jt算法的态势评估方法 Download PDFInfo
- Publication number
- CN116628449B CN116628449B CN202310617011.3A CN202310617011A CN116628449B CN 116628449 B CN116628449 B CN 116628449B CN 202310617011 A CN202310617011 A CN 202310617011A CN 116628449 B CN116628449 B CN 116628449B
- Authority
- CN
- China
- Prior art keywords
- nodes
- graph
- node
- enemy
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 239000002131 composite material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 235000002790 Monstera deliciosa Nutrition 0.000 claims description 3
- 240000000987 Monstera deliciosa Species 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 24
- 238000002474 experimental method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 241000760358 Enodes Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 101000583175 Homo sapiens Prolactin-inducible protein Proteins 0.000 description 1
- 101000898291 Nicotiana tabacum Catalase isozyme 1 Proteins 0.000 description 1
- 102100030350 Prolactin-inducible protein Human genes 0.000 description 1
- 101000979255 Sus scrofa Neurolysin, mitochondrial Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于图的邻接点优先的联合树SAAD‑JT算法的态势评估方法,包括:输入当前态势状态节点,状态概率表和条件概率表,构建贝叶斯网络模型;输入战场情报系统关键节点,利用SAAD‑JT算法依次遍历其它节点,建立基于战场情报系统的精简贝叶斯网络;道义化,获得道义图;三角化,获得三角化图;建立新结构,搜索三角化图中的所有最大集团;建立分隔符;联合树中每个节点和分隔符对应条件概率表,在联合树中搜索所有变量的节点,获得新条件概率表;向联合树加入证据,采用消息传递算法进行传递推理,获得某时刻敌方态势、计划选择和对敌采取行动等。该方法解决了战场情报系统多节点网络结构图推理速度较慢的问题,有效降低迭代次数,提高时间优化率。
Description
技术领域
本发明涉及态势评估技术领域,具体涉及战场情报系统态势评估方法。
背景技术
战场情报系统对各信息源传来的情报信息进行融合处理,形成综合空情态势,进行属性识别和态势评估,形成能反映实际的可操作的最佳预案,其中重要组成部分就是贝叶斯推理和态势评估。
传统的贝叶斯网络推理中,网络根据输入的证据对整个网络结构图进行更新推理,在加入决策图概念中的贝叶斯网络推理中依旧如此,但是随着战场情报系统网络节点的增多,网络结构图越来越复杂,推理复杂度随着节点的增多呈指数级增长,网络推理的速度也越来越慢。
因此,本发明提出基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法((Junction tree algorithm based on First Search of Adjacency node forSituation Assessment)。
发明内容
针对战场情报系统多节点网络结构图推理速度较慢的问题,本发明通过基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,降低迭代次数,提高时间优化率,有效地减少了战场情报系统态势评估的推理时间,提高推理速度,运行效率高,为建立基于SAAD-JT算法的战场情报系统中的态势评估方法提供性能优越的解决方案。
为实现上述目的,本发明提供了如下的技术方案。
基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,包括以下步骤:
输入当前态势的状态节点,以及状态概率表和条件概率表,构建贝叶斯网络模型;
输入战场情报系统中的关键节点,包括观察节点和证据节点;将关键节点作为重要节点,利用基于图的邻接点优先的联合树算法的态势评估方法SAAD-JT依次遍历其他节点,如果这个节点有一条路径到达任意一个关键节点,则加入重要节点;将所有的重要节点重新建立一个基于战场情报系统的精简贝叶斯网络,并根据之前的概率表,找到对应节点分配概率;
道义化,将精简贝叶斯网络中同一子节点的不相邻的父节点用一条弧连接起来,去掉所有弧的方向,将有向图转化为无向图,获得道义图;
三角化,如果任一长度大于3的回路不含有弦,向该回路内加入弦,重复上述操作,直到任何长度大于3的回路都含有弦,获得三角化图;
建立新结构,搜索三角化图中的所有最大集团,每一集团都作为集团图的一个节点,如果两个集团相交,用一条边进行连接形成联合树;
建立分隔符,联合树的每条边上都有一个分隔符,它由邻近节点的交集组成;
联合树中每个节点和分隔符对应条件概率表,在联合树中搜索包含原贝叶斯网络模型中的每个条件概率表的所有变量的节点,采用该节点对应的条件概率表乘原贝叶斯网络模型中的条件概率表,获得新的条件概率表;
向联合树加入证据,并使用消息传递算法进行传递,推理获得某时刻敌方态势、计划选择和对敌采取行动。
优选地,所述输入当前态势的状态节点,以及状态概率表和条件概率表,构建贝叶斯网络模型,包括以下步骤:
在战场情报系统中,考虑空-空作战中判断敌方是否对己方进行攻击Air-Attack,敌方做出攻击决策只依赖是否确定摧毁目标,确定摧毁目标Destroy-Target,则进行攻击,否则不攻击;
攻击分为起飞Take-Off、锁定目标Lock-Target、搜索目标Search-Target、发射导弹Missile-Launch、释放干扰Jamming;如果锁定目标Lock-Target,则进行火控雷达开机Radar;如果发射了导弹,则发射Harm导弹Harm-Missile-Launch,或发射Harpoon导弹Harpoon-Launch,由此构建静态贝叶斯网络。
优选地,所述精简贝叶斯网络包括敌方态势DT、敌方目标机状态DMB、敌方抗干扰能力DKG、敌方部队组成DZC和己方抗电子干扰能力WGR构成,其中,精简贝叶斯网络中的敌方部队组成DZC的两个父节点敌方目标机状态DMB和敌方抗干扰能力DKG拥有同一个父节点敌方态势DT。
优选地,所述基于图的邻接点优先的联合树AD-JT算法的态势评估方法,包括以下步骤:
S1:构造基于邻接点优先的精简贝叶斯网络图。输入观察节点以及证据节点这些关键节点,利用邻接点优先算法依次遍历其它节点,如果这个节点有一条路径可以到达任意一个关键节点,那么把它加入到重要节点中,利用这些重要节点重新建立一个精简贝叶斯网络;
S2:构造Moral图,将精简贝叶斯网络中同一节点的父节点两两相连,即MarryingParents,同时去掉每一条连接边的箭头;
S3:三角化图,对包含4个及4个以上个节点数的环,增加一条无向边将环中两个非相邻节点连接起来,完成对Moral图的三角化;
S4:区分团节点,在三角化图中,确定团节点,每个团节点都是无向图的子图;
S5:建立联合树,构建联合树的目的是为了在联合树上进行消息传递,建立的联合树必须包含所有团节点,交集作为连接两个团节点的分隔节点;
S6:计算新的参数;
S7:信度更新,加入证据并使用消息传播算法进行传播,推理t时刻态势评估结果。
优选地,所述将精简贝叶斯网络中同一子节点的不相邻的父节点用一条弧连接起来,去掉所有弧的方向,将有向图转化为无向图,包括以下步骤:
所述精简贝叶斯网络存在一个无向回路,该回路包括节点敌方部队组成DZC、敌方目标机状态DMB、敌方抗干扰能力DKG和敌方态势DT,两个节点间由多于一条路径相连,构成多联通网络;
其中,敌方目标机状态DMB和敌方抗干扰能力DKG是敌方部队组成DZC的公共子节点,加入一条边使其相连,完成道义化。
优选地,所述搜索三角化图中的所有最大集团,每一集团都作为集团图的一个节点,如果两个集团相交,用一条边进行连接形成联合树,包括以下步骤:
三角化图中的集团定义为一组两两相连的变量,即集合中的每对节点间都有一条边相连;将最大集团定义为这样一个子图,在该子图中不可以再加入任何节点,即向最大集团中加入任一节点都会破坏集团的性质;
从道义图中得出3个新的复合节点:
Z1=DT,DMB,DKG;
Z2=DMB,DKG,DZC;
Z3=DKG,WGR;
其中,联合树是集团图的一个子图,其中,联合树是树状结构,联合树包含所有集团图的节点,满足联合树性质中任意一对集团U、V,其交集为S,那么任意一个位于连接U、V路径上的集团包含S。
优选地,所述向联合树加入证据,并使用消息传递算法进行传递,推理获得某时刻敌方态势、计划选择和对敌采取行动,包括以下步骤:
假设节点X的证据为e,如果是明确的证据X=xi,则创建的证据向量中第i个位置为l,其余位置为0;如果是否定的证据X≠xi,则向量中第j个位置为0,其余位置为1;其中,证据向量都用来和联合树中任何包括X的节点对应的条件概率表相乘。
本发明的有益效果:
本发明提供的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,该方法提出的SAAD-JT算法,降低迭代次数,提高时间优化率,有效地减少了战场情报系统态势评估的推理时间,提高推理速度,运行效率高,为建立基于SAAD-JT算法的战场情报系统中的态势评估方法提供性能优越的解决方案。
以下结合附图及实施例对本发明作进一步的说明。
附图说明
图1为本发明的战场情报系统基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法流程图;
图2为本发明实施例的攻击态势贝叶斯网络结构图;
图3为本发明实施例的多连通网络的实例图;
图4为本发明实施例的道义图;
图5为本发明实施例的联合树图;
图6为本发明实施例的空-空作战态势评估的贝叶斯网络模型图;
图7为本发明实施例的单一证据推理50次时间对比图;
图8为本发明实施例的单一证据推理精简贝叶斯网络图;
图9为本发明实施例的单一证据推理80次时间对比图;
图10为本发明实施例的单一证据推理100次时间对比图;
图11为本发明实施例的组合证据推理精简贝叶斯网络图;
图12为本发明实施例的组合证据推理50次时间对比图;
图13为本发明实施例的组合证据推理80次时间对比图;
图14为本发明实施例的组合证据推理100次时间对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本发明的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,输入为当前态势,输出为敌方作战意图、敌方态势、我方拟采取行动。
具体步骤如图1所示,包括以下步骤:
Step1:输入初始条件
Step1.1:输入当前态势的状态节点;
Step1.2:阐明处理方法;
Step1.3:输入状态概率表和条件概率表;
Step2:根据输入,构造贝叶斯网络模型
Step2.1:根据输入,构造静态贝叶斯网络模型;
Step2.2:构造基于静态贝叶斯网络的态势评估图;
Step3:根据基于深度优先的联合树优化算法,进行态势评估。
Step3.1:构造基于邻接点优先的精简贝叶斯网络图。输入观察节点以及证据节点这些关键节点,利用邻接点优先算法依次遍历其他节点,如果这个节点有一条路径可以到达任意一个关键节点,那么把它加入重要节点中,利用这些重要节点重新建立一个精简贝叶斯网络。
Step3.2:道义化,将同一子节点的不相邻的父节点用一条弧连接起来,然后去掉所有弧的方向,即将有向图转化为无向图。经过道义化后我们得到道义图。
Step3.3:三角化,如果任何一个长度大于3的回路不含有弦,那么我们向该回路内加入弦,重复上述操作,直到任何一个长度大于3的回路都含有弦。经过三角化后,得到三角化图。
Step3.4:建立新结构,找到三角化图中的所有最大集团,每一集团都作为集团图的一个节点,如果两个集团相交,用一条边连接它们,形成联合树。
Step3.5:建立分隔符,联合树的每条边上都有一个分隔符,它由邻近节点的交集组成。
Step3.6:计算新的参数,联合树中每一个节点和分隔符都对应着一张表,初始时表为空。对于原贝叶斯网中的每一个条件概率表CPT,在联合树中找到一个节点,该节点包含CPT中所有变量。用该节点对应的表乘CPT,得到一个新表。
Step3.7:信度更新,加入证据并使用消息传播算法进行传播,推理t时刻敌方态势、计划选择和对敌采取行动。
其中,Step2中的静态贝叶斯网络结构图如图2所示,在战场情报系统中,考虑这样一个想定:即空-空作战中判断敌方是否对己方进行攻击(Air-Attack),敌方做出攻击决策只依赖是否确定摧毁目标,确定摧毁目标(Destroy-Target),则进行攻击,否则不攻击。攻击可能分为起飞(Take-Off)、锁定目标(Lock-Target)、搜索目标(Search-Target)、发射导弹(Missile-Launch)、释放干扰(Jamming)。如果锁定目标(Lock-Target),则进行火控雷达开机(Radar);如果发射了导弹,则可以发射Harm导弹(Harm-Missile-Launch),也可以发射Harpoon导弹(Harpoon-Launch),静态贝叶斯网络(SBN)结构图如图2所示。
图3表示的是多连通网络,主要由5个节点组成,分别是敌方态势(DT)、敌方目标机状态(DMB)、敌方抗干扰能力(DKG)、敌方部队组成(DZC)和己方抗电子干扰能力(WGR)。
其中,DZC的两个父节点(DMB和DKG)拥有同一个父节点DT。对于这个贝叶斯网,存在一个无向回路,该回路包括节点DZC,DMB,DKG和DT。在这样的网络中,两个节点间由多于一条路径相连,该连通网络称为多连通网络。因此关于一个节点的同样的证据将会通过两条路径传播给另一个节点,即计算两次,可以通过联合树算法进行实现。
DMB和DKG是DZC的公共子节点,然而,它们之间没有直接相连,因此需要加入一条边使其相连,道义化的结果显示如图4,联合树的结果显示如图5所示。
一个新的复合节点CPT的大小是由该复合节点内部的节点决定的,所以CPT的大小随着复合节点呈指数级增长。不同的三角化(如Step3.2)生成不同的聚类。尽管找到最优的三角化是NP完全问题,但是一些启发式方法实际上可以给出比较好的结果。在图4中,由于道义图已经是三角化的了,因此不需要再加入边。
无向图的集团(clique)被定义为一组两两相连的变量,也就是说,集合中的每对节点间都有一条边相连。最大集团(maximal clique)被定义为这样一个子图,在该子图中不可以再加入任何节点。即向最大集团中加入任何一个节点都会破坏集团的性质。
对于图4中例子,可以从道义图中得出3个新的复合节点:
Z1=DT,DMB,DKG;
Z2=DMB,DKG,DZC;
Z3=DKG,WGR;
联合树是集团图的一个子图,它满足以下条件:
1)联合树是树状结构;
2)包含所有集团图的节点;
3)满足联合树性质中任意一对集团U、V,其交集为S,那么任意一个位于连接U、V路径上的集团包含S。
最后,计算联合树复合节点的新的CPTs。Step3.6的结果是,联合树中所有节点CPT的乘积等于原始贝叶斯网中所有节点CPT的乘积,任何通过这种算法得到的联合树都表示相同的联合分布。
向联合树中加入证据是非常简单的。假设节点X的证据为e。如果是明确的证据X=xi,那么创建的证据向量中第i个位置为l,其余位置为0。如果是否定的证据X≠xi,向量中第j个位置为0,其余位置为1。在上述三种情况中,证据向量都用来和联合树中任何包括X的节点对应的表相乘。
一旦将网络转化为多树的形式,可以使用特定的推理算法来进行信度更新。该算法能够在规定时间内计算网络中所有非证据节点的后验概率,其中n是多树的规模。然而,联合树算法仍然是NP难题:如果网络在变量消元算法中需要指数级的时间和空间复杂度,那么构造联合树算法的CPTs同样需要指数级的时间和空间复杂度。使用联合树方法的信度更新其代价主要取决于联合树中复合节点状态空间的大小。可以通过联合树代价来估计信度更新的复杂性,假设网络已经转换成拥有新的复合节点的联合树,联合树代价表达式为式(1)所示
式(1)中,Ki是Ci包含的分隔符的数目,也就是联合树中Ci的所有父节点和子节点的数目,联合树代价就是集团的所有组成节点状态空间的乘积乘以该集团父节点和子节点的数目Ki,最后对联合树中所有复合节点将上述值/>求和得到的结果。
本实施例中,战场情报系统基于图的邻接点优先的联合树SAAD-JT算法的态势评估仿真与结果分析:
考虑能见度和敌方电子干扰能力的态势推演。本节的概率模型主要是以图2建立的贝叶斯网络模型为基础进行构建的,在已有的作战环境下,加入了以下四个态势因素:能见度、敌方电子干扰能力、己方抗电子干扰结果及己方态势假设。
即在上述空-空作战中,己方战机欲突袭敌方重要空中设施,在对空攻击决策过程中,敌方作战意图和动作提供了敌方态势的可能信息。再结合能见度、敌机电子干扰能力和己方的抗电子干扰能力等信息对己方突袭的成功率进行评估,研究目的在于得到大量情报数据的同时,评估敌方态势和敌方作战意图。
这样在系统中应考虑下列状态变量:
根据假设场景,提取出附加态势因素:能见度(VIS)、敌方电子干扰能力(DGR)、己方抗电子干扰结果(WKG)及己方态势(WT)。
每个节点有两个离散的状态:真、假。如果需要,节点也可以包括更多的状态,本例从简化角度出发,只考虑两个状态。下面对每个附加因素的可能状态进行描述,如表1所示:
表1场景所需因素状态表
各态势因素状态变量的状态空间如式(2)-式(5)所示:
ΩVIS={True,False} (2)
ΩDGR={True,False} (3)
ΩWKG={True,False} (4)
ΩWT={True,False} (5)
新增加的各个状态变量之间的相互关系分析如下:
(1)能见度(VIS)影响敌方电子干扰能力(DGR)和己方抗电子干扰结果(WKG);
(2)敌方电子干扰能力(DGR)影响敌方是否对己方进行攻击(Air-attack)。
(3)敌方是否对己方进行攻击(Air-attack)和己方抗电子干扰结果(WKG)影响己方态势(WT)。
基于以上分析,空-空作战推演所建立的态势评估模型如图6所示:
其中11、12、13、14节点分别对应于能见度(VIS)、敌方电子干扰能力(DGR)、己方抗电子干扰结果(WKG)和己方态势(WT)。
贝叶斯网络构造完成后,下一个任务就是构造条件概率表。对于没有父节点的变量,只要对节点变量可能的状态赋予一个初始的概率即可。
具有父节点的变量的概率分布比较复杂。随着父节点变量的增加和节点变量状态的增加,条件概率表可能会变得很大,对于其概率的确定也更加困难。这些概率可以通过专家经验获得,也可以通过计算机对原有数据进行统计学习来获得。为了降低条件概率表的获取难度。通常有两种方法,一是减少父节点个数和父节点可能状态的个数;二是通过增加中间节点来减少一个变量的父节点个数。其中第二种方法是切实可行的,它对于复杂系统的网络构造和学习是非常有用的。
本实施例的概率参数估计主要采用的贝叶斯统计学中的最大后验分布估计。条件概率表主要是通过专家经验获得。对于图6所示的态势评估贝叶斯网络,其部分条件概率表如表2所示(以敌方目标机状态和敌作战意图为例):
表2条件概率表
(1)单一证据推理
证据节点:ENode=13,关注节点:CNode=9;
输入证据节点WKG为‘真’,即己方观察到己方抗电子干扰成功时,推理敌方发射Harm-launch导弹的概率。基于SBN网络,SAAD-JT算法和SAJT算法分别进行计算推理,其得到的推理结果一致。
经过贝叶斯推理后,实验次数50次时,普通算法平均耗时0.067442秒,优化算法平均耗时0.028947秒,算法优化效率是57.079%。如图7所示。
精简后的网络图如图8所示:
实验次数80次时,普通算法平均耗时0.065266秒,优化算法平均耗时0.027863秒,算法优化效率是57.308%,如图9所示。
实验次数100次时,普通算法平均耗时0.06599秒,优化算法平均耗时0.02833秒,算法优化效率是57.065%,如图10所示。
(2)组合证据推理
证据节点:ENode1=9,ENode2=13;
关注节点:CNode1=2,CNode2=14;
输入证据节点HL和WKG为‘真’,即敌方发射Harm-launch导弹和己方抗电子干扰能力为强时,推理敌方进行攻击的概率和己方态势。
基于SBN网络,SAAD-JT算法和SAJT算法分别进行计算推理,其得到的推理结果一致。精简后的网络图如图11所示。
实验次数50次时,普通算法平均耗时0.067177秒,优化算法平均耗时0.03482,算法优化效率是48.167%,如图12所示。
实验次数80次时,普通算法平均耗时0.066226秒,优化算法平均耗时0.034244秒,算法优化效率是48.292%,如图13所示。
实验次数100次时,普通算法平均耗时0.066643秒,优化算法平均耗时0.034412秒,算法优化效率是48.364%,如图14所示。
仿真结果分析
14个节点,考虑不同能见度和敌方电子干扰能力
这时,空-空作战态势评估中SAAD-JT算法和JT算法的推理时间如表3所示:
实验结果表明:
1)不论是单一证据输入,还是组合证据输入,只要输入相同SAAD-JT算法和SAJT算法的推理结果一致,证明了SAAD-JT算法的有效性和可靠性;
2)SAAD-JT算法能对贝叶斯网络进行精简,精简过后的网络规模要比
表3 14个节点,SAAD-JT、SAJT算法推理结果
原来的网络缩小很多,极大地减少了算法执行时间,提高了效率;
3)对于相同的证据节点和观察节点,SAAD-JT算法和SAJT算法平均推理时间和算法优化率基本保持不变,仅有较小的浮动。对于14个节点网络拓扑图单一证据1仿真50次,SAJT算法和SAAD-JT算法推理时间分别是0.067442秒和0.028947秒,时间优化率为57.079%,仿真80次,时间分别是0.065266秒和0.027863秒,时间优化率为57.308%,仿真100次,时间分别是0.06599秒和0.02833秒,时间优化率为57.065%;
4)SAJT算法推理时间,不论是单一证据,还是组合证据,14个节点的SBN的推理分别为50次、80次和100次时,时间基本相同,约为0.0672秒,仿真50次时,分别为0.067442秒、0.067097秒、0.06723秒、0.067177秒和0.067131秒;
5)SAAD-JT算法推理时间,组合证据输入比单一证据输入,SAAD-JT算法执行时间较长,时间优化率有所降低。由于组合证据输入和单一证据输入相比,精简贝叶斯网络图相对比较复杂,因此,推理时间比较长,优化率比较低。如仿真80次时,推理时间分别为0.027863秒、0.03412秒、0.035544秒、0.034244秒和0.034544秒。优化率分别为57.308%、48.952%、48.008%、48.292%和48.208%。
通过以上实例结果分析,表明SADBP算法和SAAD-JT算法比SABP算法和SAJT算法降低迭代次数,提高时间优化率,有效地减少了战场情报系统态势评估的推理时间,提高推理速度,运行效率高,验证了SADBP算法和SAAD-JT算法正确性和有效性。该方法提出的SAAD-JT算法,可以为建立基于SAAD-JT算法的战场情报系统中的态势评估方法提供性能优越的解决方案。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,包括以下步骤:
输入当前态势的状态节点,以及状态概率表和条件概率表,构建贝叶斯网络模型;
输入战场情报系统中的关键节点,包括观察节点和证据节点;将关键节点作为重要节点,利用基于图的邻接点优先的联合树算法的态势评估方法SAAD-JT依次遍历其他节点,如果这个节点有一条路径到达任意一个关键节点,则加入重要节点;将所有的重要节点重新建立一个基于战场情报系统的精简贝叶斯网络,并根据之前的概率表,找到对应节点分配概率;
道义化,将精简贝叶斯网络中同一子节点的不相邻的父节点用一条弧连接起来,去掉所有弧的方向,将有向图转化为无向图,获得道义图;
三角化,如果任一长度大于3的回路不含有弦,向该回路内加入弦,重复上述操作,直到任何长度大于3的回路都含有弦,获得三角化图;
建立新结构,搜索三角化图中的所有最大集团,每一集团都作为集团图的一个节点,如果两个集团相交,用一条边进行连接形成联合树;
建立分隔符,联合树的每条边上都有一个分隔符,它由邻近节点的交集组成;
联合树中每个节点和分隔符对应条件概率表,在联合树中搜索包含贝叶斯网络模型中的每个条件概率表的所有变量的节点,采用该节点对应的条件概率表乘贝叶斯网络模型中的条件概率表,获得新的条件概率表;
向联合树加入证据,并使用消息传递算法进行传递,推理获得某时刻敌方态势、计划选择和对敌采取行动。
2.根据权利要求1所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述输入当前态势的状态节点,以及状态概率表和条件概率表,构建贝叶斯网络模型,包括以下步骤:
在战场情报系统中,考虑空-空作战中判断敌方是否对己方进行攻击Air-Attack,敌方做出攻击决策只依赖是否确定摧毁目标,确定摧毁目标Destroy-Target,则进行攻击,否则不攻击;
攻击分为起飞Take-Off、锁定目标Lock-Target、搜索目标Search-Target、发射导弹Missile-Launch、释放干扰Jamming;如果锁定目标Lock-Target,则进行火控雷达开机Radar;如果发射了导弹,则发射Harm导弹Harm-Missile-Launch,或发射Harpoon导弹Harpoon-Launch,由此构建静态贝叶斯网络。
3.根据权利要求1所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述精简贝叶斯网络包括敌方态势DT、敌方目标机状态DMB、敌方抗干扰能力DKG、敌方部队组成DZC和己方抗电子干扰能力WGR构成,其中,精简贝叶斯网络中的敌方部队组成DZC的两个父节点敌方目标机状态DMB和敌方抗干扰能力DKG拥有同一个父节点敌方态势DT。
4.根据权利要求1所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述基于图的邻接点优先的联合树AD-JT算法的态势评估方法,包括以下步骤:
S1:构造基于邻接点优先的精简贝叶斯网络图;输入观察节点以及证据节点这些关键节点,利用邻接点优先算法依次遍历其它节点,如果这个节点有一条路径可以到达任意一个关键节点,那么把它加入到重要节点中,利用这些重要节点重新建立一个精简贝叶斯网络;
S2:构造Moral图,将精简贝叶斯网络中同一节点的父节点两两相连,即MarryingParents,同时去掉每一条连接边的箭头;
S3:三角化图,对包含4个及4个以上个节点数的环,增加一条无向边将环中两个非相邻节点连接起来,完成对Moral图的三角化;
S4:区分团节点,在三角化图中,确定团节点,每个团节点都是无向图的子图;
S5:建立联合树,构建联合树的目的是为了在联合树上进行消息传递,建立的联合树必须包含所有团节点,交集作为连接两个团节点的分隔节点;
S6:计算新的参数;
S7:信度更新,加入证据并使用消息传播算法进行传播,推理t时刻态势评估结果。
5.根据权利要求1所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述将精简贝叶斯网络中同一子节点的不相邻的父节点用一条弧连接起来,去掉所有弧的方向,将有向图转化为无向图,包括以下步骤:
所述精简贝叶斯网络存在一个无向回路,该回路包括节点敌方部队组成DZC、敌方目标机状态DMB、敌方抗干扰能力DKG和敌方态势DT,两个节点间由多于一条路径相连,构成多联通网络;
其中,敌方目标机状态DMB和敌方抗干扰能力DKG是敌方部队组成DZC的公共子节点,加入一条边使其相连,完成道义化。
6.根据权利要求1所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述搜索三角化图中的所有最大集团,每一集团都作为集团图的一个节点,如果两个集团相交,用一条边进行连接形成联合树,包括以下步骤:
三角化图中的集团定义为一组两两相连的变量,即集合中的每对节点间都有一条边相连;将最大集团定义为这样一个子图,在该子图中不可以再加入任何节点,即向最大集团中加入任一节点都会破坏集团的性质;
从道义图中得出3个新的复合节点:
Z1=DT,DMB,DKG;
Z2=DMB,DKG,DZC;
Z3=DKG,WGR;
其中,联合树是集团图的一个子图,其中,联合树是树状结构,联合树包含所有集团图的节点,满足联合树性质中任意一对集团U、V,其交集为S,那么任意一个位于连接U、V路径上的集团包含S。
7.根据权利要求6所述的基于图的邻接点优先的联合树SAAD-JT算法的态势评估方法,其特征在于,所述向联合树加入证据,并使用消息传递算法进行传递,推理获得某时刻敌方态势、计划选择和对敌采取行动等结果,包括以下步骤:
假设节点X的证据为e,如果是明确的证据X=xi,则创建的证据向量中第i个位置为l,其余位置为0;如果是否定的证据X≠xi,则向量中第j个位置为0,其余位置为1;其中,证据向量都用来和联合树中任何包括X的节点对应的条件概率表相乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617011.3A CN116628449B (zh) | 2023-05-29 | 2023-05-29 | 基于图的邻接点优先的联合树saad-jt算法的态势评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617011.3A CN116628449B (zh) | 2023-05-29 | 2023-05-29 | 基于图的邻接点优先的联合树saad-jt算法的态势评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628449A CN116628449A (zh) | 2023-08-22 |
CN116628449B true CN116628449B (zh) | 2024-02-13 |
Family
ID=87637857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617011.3A Active CN116628449B (zh) | 2023-05-29 | 2023-05-29 | 基于图的邻接点优先的联合树saad-jt算法的态势评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628449B (zh) |
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 |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
CA3067580A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Threat situation assessment systems and methods for unmanned underwater vehicle |
CN111931016A (zh) * | 2020-08-13 | 2020-11-13 | 西安航空学院 | 基于根结点优先搜索的信度传输算法的态势评估方法 |
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 |
WO2021120520A1 (zh) * | 2019-12-16 | 2021-06-24 | 山东工商学院 | 一种基于贝叶斯推理的gpr图像去噪方法及系统 |
-
2023
- 2023-05-29 CN CN202310617011.3A patent/CN116628449B/zh active Active
Patent 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 |
CA3067580A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Threat situation assessment systems and methods for unmanned underwater vehicle |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
WO2021120520A1 (zh) * | 2019-12-16 | 2021-06-24 | 山东工商学院 | 一种基于贝叶斯推理的gpr图像去噪方法及系统 |
CN111931016A (zh) * | 2020-08-13 | 2020-11-13 | 西安航空学院 | 基于根结点优先搜索的信度传输算法的态势评估方法 |
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 |
Non-Patent Citations (2)
Title |
---|
贝叶斯网络在空情目标威胁评估中的应用研究;苏伟朋;郝永生;查潇潇;;电子设计工程;20130405(07);90-93 * |
面向战场态势评估的联合树相关推理;张海生;缪婵娜;;微电子学与计算机;20130905(09);32-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628449A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329348B (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN110929394B (zh) | 基于超网络理论的联合作战体系建模方法以及存储介质 | |
Fu et al. | Route planning for unmanned aerial vehicle (UAV) on the sea using hybrid differential evolution and quantum-behaved particle swarm optimization | |
Fei et al. | Autonomous cooperative search model for multi-UAV with limited communication network | |
Vien et al. | Hierarchical monte-carlo planning | |
CN113919485B (zh) | 基于动态层级通信网络的多智能体强化学习方法及系统 | |
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 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN112702208B (zh) | 一种基于关系的异质多层作战体系打击链路生成方法 | |
CN113392521A (zh) | 面向海空联合作战任务的资源编组模型构建方法及系统 | |
CN110505080B (zh) | 基于混合结构的指挥控制超网络动态演化模型构建方法 | |
CN114326827B (zh) | 一种无人机集群多任务动态分配方法及系统 | |
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 | |
CN116628449B (zh) | 基于图的邻接点优先的联合树saad-jt算法的态势评估方法 | |
CN112800679A (zh) | 一种光电装备防御规划方法、装置、设备及存储介质 | |
Ha et al. | A stochastic game-based approach for multiple beyond-visual-range air combat | |
CN114792072A (zh) | 一种基于功能的装备决策行为仿真建模方法及系统 | |
CN115834153A (zh) | 一种基于节点投票机制的图神经网络模型黑盒攻击装置及方法 | |
Jo et al. | FoX: Formation-aware exploration in multi-agent reinforcement learning | |
CN114239834A (zh) | 基于多轮对抗属性共享的对手关系推理方法和装置 | |
Digioia et al. | INFUSION: A system for situation and threat assessment in current and foreseen scenarios | |
CN111723941B (zh) | 规则生成方法、装置、电子设备和存储介质 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN116009569A (zh) | Sead任务场景下一种基于多类型基因染色体遗传算法的异构多无人机任务规划方法 |
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 |