張偉豪,陳懷新,崔 瑩,王連亮

(中國西南電子技術研究所,成都 610036)

基于動態(tài)貝葉斯網絡的戰(zhàn)斗目標綜合推理識別

張偉豪,陳懷新,崔 瑩,王連亮

(中國西南電子技術研究所,成都 610036)

針對空戰(zhàn)戰(zhàn)場環(huán)境下的目標可靠識別,提出了基于動態(tài)貝葉斯網絡的戰(zhàn)斗目標綜合推理識別方法。分析了目標屬性的多層次及狀態(tài)變量關系,提出了層次化的戰(zhàn)斗識別動態(tài)貝葉斯網絡拓撲結構及其參數(shù)設定方法,并運用時間片聯(lián)合樹算法進行不確定性動態(tài)推理,實現(xiàn)動態(tài)的目標屬性判斷與識別。仿真結果給出了目標的多層次屬性信息,驗證了模型的有效性。

目標綜合識別;動態(tài)貝葉斯網絡;不確定推理;時間片聯(lián)合樹算法

1 引 言

在現(xiàn)代復雜的空戰(zhàn)中,對目標屬性的準確辨識和實時識別不僅是戰(zhàn)場實時決策打擊的重要依據(jù),也是戰(zhàn)場態(tài)勢生成與威脅評估的基礎。由于戰(zhàn)場電磁環(huán)境復雜多變,空中目標不僅有敵方戰(zhàn)斗機、預警機、運輸機,還有中立方的飛機及各種商用飛機目標,使得敵我屬性辨識、類型識別、威脅評估等變得十分困難。再加之現(xiàn)今的情報偵察手段多樣,偵收的目標特征信息各異,可用于目標識別的信息具有多樣化和不確定性。因此,利用多源信息融合處理已成為綜合識別戰(zhàn)斗目標的主要技術途徑,即需要利用戰(zhàn)場各類傳感器、數(shù)據(jù)鏈獲取的目標情報信息,并充分利用雷達、無源定位、協(xié)同識別和非協(xié)同識別等技術的優(yōu)勢,形成超強的互補和印證能力,以解決戰(zhàn)場目標的發(fā)現(xiàn)、識別、跟蹤等需求,為戰(zhàn)爭時期的戰(zhàn)場態(tài)勢感知、指揮控制等提供有力的保障[1]。

目標綜合識別是指利用多源信息與目標多特征的融合處理,對目標進行綜合判證、推理識別,是一種不確定性事件的推理,其主要研究方法包括D-S證據(jù)理論、主觀貝葉斯方法、模糊集理論等。而貝葉斯網絡(Bayesian Network)以圖形模式來表示變量之間的依賴關系,更加清晰地描述了各個變量的概率及屬性聯(lián)系。動態(tài)貝葉斯網絡(Dynamic Bayesian Networks,DBN)是近年來國內外發(fā)展起來的一種對動態(tài)系統(tǒng)進行建模和推理的工具[2-4]。DBN可以利用多個時刻的觀測值對系統(tǒng)各個時刻或某一時刻的狀態(tài)進行估計,具有強大的濾波平滑預測功能。在目標綜合識別領域,DBN可以利用目標的多種特征信息互補和修正,濾除傳感器的誤差,實現(xiàn)對目標屬性的多層次魯棒識別。因此,本文提出利用動態(tài)貝葉斯網絡對空戰(zhàn)目標進行綜合推理識別。

2 動態(tài)貝葉斯網絡

2.1 網絡結構

貝葉斯網絡是一種有向無環(huán)圖,是相對靜止的圖形模式,有向弧反映了節(jié)點之間的依賴關系,并以條件概率定量刻畫這種依賴關系。但貝葉斯網絡沒有考慮時間因素對變量的影響,沿時間軸變化的貝葉斯網絡即構成動態(tài)貝葉斯網絡[2]。它由兩個網絡構成:一個是初始化網絡B0,表示網絡的初始狀態(tài),定義了變量的初始狀態(tài)概率分布p(x[0]);另一個是轉移網絡 B※,刻畫了網絡中相鄰時間片之間的前后依賴關系,定義了時刻t和t+1之間的狀態(tài)轉移概率p(x[t+1]x[t])。動態(tài)貝葉斯網絡不僅能夠描述變量之間的因果關系,而且還能夠對變量在時間序列上狀態(tài)的演化過程進行描述,即它能夠對動態(tài)事件進行建模與分析。一個簡單的動態(tài)貝葉斯網絡結構如圖1所示。

圖1 動態(tài)貝葉斯網絡結構示意圖Fig.1 Example frame of dynamic Bayesian network

作為靜態(tài)貝葉斯網絡在時序空間的延伸,動態(tài)貝葉斯網絡推理的本質與靜態(tài)網絡是一致的。一個具有n個隱藏節(jié)點(X1,X2,…,Xn)和 m個觀測節(jié)點(Y1,Y2,…,Ym)的靜態(tài)貝葉斯網絡,應用貝葉斯網絡的條件獨立特性,推理的本質是計算

2.2 網絡的概率推理

貝葉斯網絡推理的基本理論依據(jù)是英國數(shù)學家Bayes提出的貝葉斯公式:

式中,xi表示節(jié)點Xi的一個取值狀態(tài),pa(Yj)表示節(jié)點的父節(jié)點集合。

隨著時間的推移,靜態(tài)網絡可以轉換成有 T個時間片的動態(tài)貝葉斯網絡,對于有多個觀測變量組合狀態(tài)的動態(tài)貝葉斯網絡,應用概率原理,推理表達式為

式中,Ykjo表示第k個時間片內第j個觀測節(jié)點的觀測狀態(tài),第3個下標o表示狀態(tài)數(shù);p(Ykjo=ykj)表示ykj處于對應狀態(tài)的概率。

3 動態(tài)貝葉斯網絡模型及目標戰(zhàn)斗識別推理算法

現(xiàn)代空戰(zhàn)中對戰(zhàn)斗目標的綜合識別,可利用的典型情報資源有雷達、ESM、紅外、敵我識別器等機載傳感器探測信息,還有數(shù)據(jù)鏈等外部信息。目標的單一識別結果可能是目標種類、類型、型號、輻射源類型、國家地區(qū)、敵我屬性等不同層次[5],因此,戰(zhàn)斗目標綜合識別是一個多層次決策問題。本文構建的動態(tài)貝葉斯網絡即是一種可以表達識別信度傳播的層次化網絡結構。

從實際應用領域問題到一個動態(tài)貝葉斯網絡的演化,一般包含以下幾個步驟:第一,網絡變量抽取及狀態(tài)定義,即從領域問題中抽象化反映問題本質的隨機變量,并確定隨機變量的取值;第二,確定網絡變量的因果依賴關系,形成有向無環(huán)的網絡靜態(tài)結構圖;第三,確定隨時間轉移的網絡變量;第四,參數(shù)學習,即確定網絡節(jié)點的條件概率及轉移節(jié)點的轉移概率。

3.1 層次化綜合識別的動態(tài)貝葉斯網絡結構設計

在想定空戰(zhàn)場景中,以我方戰(zhàn)斗機對敵方飛機的綜合推理識別的用例,給出戰(zhàn)斗目標綜合推理識別的貝葉斯網絡結構設計方法。情報信息源包括本機機載傳感器雷達、ESM、IFF,機外兩條數(shù)據(jù)鏈。在該識別系統(tǒng)中,本機傳感器可抽取的網絡變量有雷達目標類型(TClass)、ESM輻射源類型(ES)、IFF敵我響應(ResIFF);兩條數(shù)據(jù)鏈抽取的網絡變量包括目標型號(DL-Ty1、DL-Ty2)、目標敵我屬性(DL

A1、DL-A2)。根據(jù)先驗知識及戰(zhàn)場環(huán)境,可以確定網絡變量的狀態(tài)取值。表1給出了戰(zhàn)斗目標綜合識別的信息源、變量抽取及狀態(tài)定義。

表1 信息源變量抽取及狀態(tài)定義Table 1 Information source variable extracting and state defining

表1的網絡節(jié)點變量定義為網絡的觀測節(jié)點(輸入節(jié)點),戰(zhàn)斗目標綜合推理識別的多層次識別結果定義為隱藏節(jié)點,包括:國家地區(qū)Na,狀態(tài)定義為N1、N2、N3 3個不同的國家地區(qū);敵我屬性A,狀態(tài)定義為 AT1、AT2、AT3;平臺型號 Ty,狀態(tài)定義為T1 、T2 、T3 、T4 、T5 。

借鑒戰(zhàn)爭領域豐富的模型知識及專家知識,分析網絡變量之間的因果依賴關系,可以建立戰(zhàn)斗識別的貝葉斯靜態(tài)網絡模型。對相鄰時間片間的相關變量建立因果關系,形成反映變量間概率依存關系的轉移網絡。圖2給出了戰(zhàn)斗目標識別的動態(tài)貝葉斯網絡結構圖。

圖2 戰(zhàn)斗目標識別的動態(tài)貝葉斯網絡Fig.2 DBN for combat target identification

3.2 動態(tài)貝葉斯網絡參數(shù)的概率建模

在動態(tài)貝葉斯網絡拓撲結構建立以后,進行網絡推理還需要輸入網絡參數(shù)。網絡參數(shù)一般可分為兩類:一類是靜態(tài)參數(shù),即網絡節(jié)點變量的條件概率和轉移概率;另一類是動態(tài)參數(shù),即網絡輸入的實時觀測證據(jù)。動態(tài)參數(shù)是網絡推理的驅動力,其獲取方式是各種情報偵察手段,是動態(tài)變化的。下面討論靜態(tài)參數(shù)的概率建模。

對于綜合識別的層次化輸出節(jié)點(國家地區(qū)、敵我屬性、平臺型號),可以通過這些變量之間的先驗確定/不確定配屬關系、武器平臺配置情況(通過情報偵察手段獲取)進行建模;而對于其他節(jié)點,則可以基于情報信息源的品質因數(shù)(可靠性因子)進行建模。

一般情況下,依據(jù)先驗知識及戰(zhàn)場交戰(zhàn)指揮控制,可以確定戰(zhàn)斗目標“國家地區(qū)-敵我屬性-平臺型號”的確定性配屬層次關系,以及戰(zhàn)斗目標“國家地區(qū)-平臺”的武器平臺可能配置情況,假設如表2所示。根據(jù)配屬及配置表,采用統(tǒng)計方法,可以確定節(jié)點Na的先驗概率、A和Ty的條件概率。

表2 國家地區(qū)、敵我、平臺的配屬及配置Table 2 Relationship of nationality-alliance-platform

輻射源類型EType和平臺型號Ty之間是確定的配屬關系,即平臺與輻射源一一對應,本文采用基于品質因數(shù)的方法確定條件概率。下面以輻射源類型節(jié)點EType為例,介紹基于信息源可靠性因子的節(jié)點變量條件概率設置方法。設ESM的識別可靠性因子為 γ,則有

概率值滿足 γ+∑iεi=1,i和j取值不大于兩個節(jié)點狀態(tài)取值的總數(shù)。

轉移網絡轉移概率表的設置可參考文獻[2,6]。需要指出的是,前面介紹的網絡參數(shù)設置方法難免具有一定的主觀性,這可以通過貝葉斯網絡的參數(shù)學習功能利用觀測的樣本數(shù)據(jù)修正概率值。

3.3 綜合識別的時間片聯(lián)合樹推理算法

給定一個觀測時間序列,可以通過展開(Unrolling)技術將動態(tài)貝葉斯網絡轉換成全貝葉斯網絡表示,然后使用靜態(tài)網絡的推理算法[7](如變量消元、聯(lián)合樹、多樹傳播等)進行推理。但是,如果觀測序列很長,展開的網絡就需要龐大的存儲空間,這勢必導致推理復雜度變高、存儲空間浪費、推理時間變長、時效性降低。因此,本文采用了一種1.5時間片聯(lián)合樹(Joint Tree)推理算法[8]進行戰(zhàn)斗目標綜合識別的推理,該算法具有推理復雜度小的優(yōu)點。

1.5時間片聯(lián)合樹推理算法的基本過程如下:

(1)根據(jù)戰(zhàn)斗目標識別的DBN模型,構建1.5時間片聯(lián)合樹;

(2)加入先驗信息,初始化聯(lián)合樹;

(3)信息向前傳播,即合并先驗概率分布,使當前時刻的聯(lián)合樹通過上一時刻聯(lián)合樹的證據(jù)傳播獲取新的證據(jù);

(4)信息的后向傳播,即合并后驗概率分布,使當前時刻的聯(lián)合樹從下一時刻的聯(lián)合樹中吸收證據(jù),并實現(xiàn)對當前時刻聯(lián)合樹的概率分布進行更新;

(5)不斷重復第3和第4步操作直到時間片結束。

4 仿真與分析

對想定的空戰(zhàn)場景,仿真分析基于動態(tài)貝葉斯網絡的戰(zhàn)斗目標綜合推理識別結果。網絡結構如圖2所示,網絡參數(shù)按照上一節(jié)的方法確定,其中假設機載雷達、ESM、敵我識別器可靠性因子分別為0.75、0.8、0.85,兩條數(shù)據(jù)鏈傳輸信息的可靠性因子分別為0.8、0.83。

假設我方三機編隊迎敵,敵方目標運動方向由遠及近。在這個過程中,第1階段機載ESM偵察到某飛機目標,同時收到編隊武器協(xié)同數(shù)據(jù)鏈的信息;第2階段機載敵我識別器開始詢問,收到無效應答,數(shù)據(jù)鏈傳輸信息;第3階段機載雷達開機,探測到飛機目標,敵我識別器繼續(xù)詢問,數(shù)據(jù)鏈傳輸信息。每個階段識別系統(tǒng)利用多源的信息綜合推理識別目標的屬性,最終鎖定為敵方目標。表3給出了不同時刻每個觀測節(jié)點的軟證據(jù),其中,節(jié)點EType、DLTy1和DL-Ty2只假設了目標屬于敵方的軟證據(jù),未列出的狀態(tài)取值為0;機載傳感器雷達和IFF只在一定的距離上識別并輸出報告。

表3 不同時刻觀測節(jié)點證據(jù)Table 3 Measured information at different moment

表3 不同時刻觀測節(jié)點證據(jù)(續(xù))Table 3measured information at different moment

仿真結果如圖3所示,給出了推理目標國家地區(qū)、敵我屬性及平臺型號的概率隨時間變化的過程。仿真結果說明:在各個時刻觀測的目標屬性特征有時不是很明顯,但是隨著信息的不斷獲取,經過動態(tài)貝葉斯網絡推理后,使得目標的屬性更明確;基于先驗知識,綜合推理網絡還給出了目標的國籍屬性,這也體現(xiàn)了動態(tài)貝葉斯網絡層次化信度傳播的特點。

圖3 各個時刻目標屬性識別結果Fig.3 Target identification results of different moment

5 結束語

基于概率原理的動態(tài)貝葉斯網絡基本理論,本文構建了戰(zhàn)斗目標綜合推理識別的層次化網絡模型,能夠較好的表達多源傳感器信息之間的因果關系。本文給出了網絡參數(shù)的確定方法,提出了戰(zhàn)場多源情報信息融合的動態(tài)貝葉斯網絡屬性推理識別方法。該方法可以累積歷史的觀測信息和當前觀測數(shù)據(jù)進行多層次化的聯(lián)合推理,給出更準確、更可靠、多層次的目標戰(zhàn)斗識別結果。仿真實驗驗證了本文提出的多層次化屬性推理識別有效性、目標綜合識別的準確性及層次性。本文研究有助于現(xiàn)代空戰(zhàn)中對敵攻擊與作戰(zhàn)策略制定,減少戰(zhàn)斗誤傷,使任務的效用最大化等。但是,貝葉斯網絡拓撲結構中變量的參數(shù)設置對先驗知識依賴性較大,以及聯(lián)合樹算法中信度的傳播過程一直是一個NP難題,這也是課題下一步研究的重點。

[1]南建設.目標綜合識別系統(tǒng)研究[J].電訊技術,2007,47(5):74-77.

NAN Jian-she.Study on an Integrated Target Identification System[J].Telecommunication Engineering,2007,47(5):74-77.(in Chinese)

[2]Murphy K P.Dynamic Bayesian networks:Representation,inference and learning[D].Berkeley,CA,USA:UC Berkeley,2002.

[3]Doucet A,de Freitas N,Murphy K.Rao-blackwellised particle filtering for dynamicBayesian networks[C]//Proceedings of the Sixteenth Annual Conference on Uncertainty inArtificial Intelligence.San Francisco,CA:IEEE,2000:176-183.

[4]史建國,高曉光.動態(tài)貝葉斯網絡及其在自主智能作戰(zhàn)中的應用[M].北京:兵器工業(yè)出版社,2008.

SHI Jian-guo,GAO Xiao-guang.Dynamic Bayesian Network and its Application in Automatic Intelligent Combat[M].Beijing:Weapon Industry Press,2008.(in Chinese)

[5]Schuck T,Hunter B,Daniel D.Multi-Hypothesis Structures and Taxonomies for Combat Identification Fusion[C]//Proceedings of IEEE Aerospace Conference.Copenhagen,Denmark:Lockheed Martin Maritime and Systems and Sensors,2004:1-17.

[6]TANG Zheng,GAO Xiao-guang,ZHANG Ying.Overview of research onassessment model of radiant threat rank based on dynamic Bayesian network[C]//Proceedings of 2007 IEEE International Conference on Automation and Logistics.Jinan:IEEE,2007:1067-1071.

[7]厲海濤,金光,周經倫,等.貝葉斯網絡推理算法綜述[J].系統(tǒng)工程與電子技術,2008,30(5):935-939.

LI Hai-tao,JIN Guang,ZHOU Jing-lun,et,al.Survey of Bayesian network inference algorithms[J].Systems Engineering and Electronics,2008,30(5):935-939.(in Chinese)

[8]胡大偉.動態(tài)貝葉斯網絡的近似推理算法研究[D].合肥:合肥工業(yè)大學,2009.

HU Da-wei.The Research on Approximate Inference Algorithm for Dynamic Bayesian Networks[D].Hefei:Hefei University of Technology,2009.(in Chinese)

ZHANG Wei-hao was born in Nanchong,Sichuan Province,in 1984.He received the Ph.D.degree in 2011.He is now an engineer.His research concerns targets feature analysis and extracting and fusion identification of targets.

Email:whzqy99@163.com

陳懷新(1963—),男,重慶人,博士,研究員、博士生導師,主要從事數(shù)據(jù)融合、模式識別、數(shù)字圖像處理的研究;

CHEN Huai-xinwas born in Chongqing,in 1963.He is now a senior engineer of professor with the Ph.D.degree and also the Ph.D.supervisor.His research concerns data fusion,pattern recognition and digital image processing.

崔 瑩(1985—),女,黑龍江齊齊哈爾人,碩士,助理工程師,主要從事數(shù)據(jù)挖掘以及目標綜合識別相關研究工作;

CUI Ying was born in Qiqihar,Heilongjiang Province,in 1985.She is now an assistant engineer with the M.S.degree.Her research concerns data mining and extracting and fusion identification of targets.

王連亮(1979—),男,山東聊城人,碩士,工程師,主要研究方向為信息融合處理。

WANG Lian-liang was born in Liaocheng,Shandong Province,in 1979.He is now an engineer with the M.S.degree.His research direction is information fusion processing.

Fusion Inference Identification of Combat Targets Based on Dynamic Bayesian Network

ZHANG Wei-hao,CHEN Huai-xin,CUI Ying,WANG Lian-liang
(Southwest China Institute of Electronic Technology,Chengdu 610036,China)

To realize reliability identification of targets in air battlefield,integrated inference for combat target identification is proposed based on dynamic Bayesian network(DBN).Combat targets′attribute variable and its states are analysed,a hierarchy DBN is built for combat identification,then the way of obtaining network parameters is discussed.Uncertain dynamic reasoning ismade based on Joint Tree algorithm of time slice and decision of targets′attribute is made dynamically.Simulation study gives targets′multi-hierarchy attribute and shows that the proposed method is effective.

target fusion identification;dynamic Bayesian network;uncertain reasoning;joint tree algorithm of time slice

TN97;TP181;TP391.4

A

10.3969/j.issn.1001-893x.2012.06.012

1001-893X(2012)06-0893-05

2012-04-11;

2012-05-02

張偉豪(1984—),男,四川南充人,2011年獲博士學位,現(xiàn)為工程師,主要從事目標特征分析與提取以及目標綜合識別相關研究工作;