贝叶斯网络在军事作战中的应用现状及展望

佟守愚，庞世春，杨 吉，华宏图

（空军航空大学基础部，吉林 长春 130022）

贝叶斯网络(Bayesian Networks)是一个包含条件概率表的有向无环图，是目前不确定知识表达和推理领域中最有效的理论模型之一。贝叶斯网络是人工智能、概率理论、图论、决策分析相结合的产物, 具有严格的数学理论基础；适用于表达和分析不确定性和概率性的事物，应用于有条件地依赖多种控制因素的决策,可以从不完全、不精确或不确定的知识或信息中做出推理。自 1986年由 Pearl提出后【1】,已成为表示概率知识基础上的不确定性的有力工具。贝叶斯网络又称信度网(Belief Networks)、因果网（Causal Networks）或概率网（Probabilistic Networks）。它是一种基于网络结构的有向图解描述，它用具有网络结构的有向图表达各个信息要素之间的关联关系及影响程度，用节点变量表达各个信息要素，用连接节点之间的有向弧表达各个信息要素之间的关联关系，用条件概率矩阵表达各个信息要素之间的影响程度。

目前国内外许多学者和研究机构都在对贝叶斯网络进行深入的研究。这些研究主要集中在以下四个方面:贝叶斯网络推理、贝叶斯网络的学习、贝叶斯网络的构造和贝叶斯网络的应用。这些研究都取得了丰硕的成果，正逐步走向实际应用。前微软总裁 Bill Gates曾在洛杉矶时报上说：微软公司未来的进一步发展将取决于它在贝叶斯网络方面研究的领先性。

1 贝叶斯网络军事应用研究现状

由于贝叶斯网络具有从不完全、不精确或不确定的知识或信息中做出双向推理的能力。近年来，其在军事作战领域中的应用研究得到了广泛的重视。目前贝叶斯网络在军事作战中的应用研究主要集中在以下几个方面。

1.1 战场态势威胁评估

战场态势评估和威胁评估作为战场指挥控制系统的重要功能，对指挥员准确地判断敌情，进行正确的军事决策，起着至关重要的作用。态势威胁评估位于美国国防部联合领导实验室提出的数据融合模型中的第二级和第三级[2]，与一级融合(位置和身份估计)相比，态势威胁建模要困难得多[3]。国内外研究人员对态势威胁评估建模应该采用什么样的方法和技术，并没有达成一致的意见。

由于贝叶斯网络自身所具有的优点，近几年出现了一大批基于贝叶斯网络的态势估计研究成果[4]。Laskey[5]对态势估计领域贝叶斯网络的构建方法进行了探讨，提出利用网络片断技术构建用于态势估计的贝叶斯网络；以节点表示战场军事事件，事件间的因果关系以节点之间的有向边表示，关系强度以节点之间的条件概率表示。在态势估计过程中，以态势觉察过程检测到的军事事件和人工情报作为证据，利用贝叶斯网络的证据传播和推理算法，更新网络中其它事件的信度。通过这样的证据推理过程，获取在已知证据情况下其字事件发生的可能性，达到判断敌方目的、预测敌方行动的目标。

国防科大孙兆林博士[6]对态势估计功能模型进行研究，分析态势估计各阶段需要处理的军事事件以及对兵力编群的处理；针对现有态势假设模型无法表达双方对抗性行动的问题。在交互性态势假设前提下，构建用于态势估计的贝叶斯网络，并以舰艇编队对抗敌方海空协同攻击的作战过程为背景，设计并实现了一个战场态势与估计原型系统，验证方法的有效性。

康长青等[7]针对传感器测量数据的不确定性，提出基于模糊贝叶斯网络的态势威胁评估模型。首先将不确定性数据分为模糊域和概率域两大类，然后在模糊域使用模糊综合评判得到威胁目标的动态威胁度，接着运用可能性概率转换理论将模糊表示的动态威胁度转化成概率域知识，最后在概率知识域使用贝叶斯网络推理算法得到目标的威胁等级，为武器系统选择跟踪打击目标提供决策依据。

1.2 装备损伤评估

装备战场损伤评估实际上是一个抢修的决策过程，指在战场上或紧急情况下对损伤装备的损伤程度及其修复措施进行快速评估，以便对装备进行应急抢修或推迟修理，确保当前任务的完成。在评估过程中，准确地判断和定位装备的损伤部位是一项非常基础、但又非常关键的工作，它直接影响到装备战场抢修工作的效率和成败。但在实际战场环境下，评估人员通常难以全面获取装备的所有损伤信息，如装备所有的损伤部位、各损伤部位的实际命中弹片数量等，只能获取装备的部分损伤信息，这主要是由装备的结构特点所决定的，通常只能根据经验进行推测，即在不完全信息的情况下进行装备损伤评估。

为了解决不完全信息情况下的装备战场损伤评估问题，马志军等[8]以某型火炮为例，分析了贝叶斯网络在装备损伤定位方面的优势，及其损伤定位的方法与流程，建立了用于装备损伤定位的贝叶斯网络模型,并开发了损伤定位系统。演示了其损伤定位的一般过程，验证了贝叶斯网络在装备损伤定位中应用的可行性与有效性。

舰船战场攻击过程中，其损伤的出现和发展包含大量的不确定性影响因素，而传统的损伤理论和方法难以对大量的不确定因素进行精确的数学描述，导致在实际的舰船战场对抗中，难以得出较为精确的损伤分析结果。胡涛等[9]针对舰船战损评估的因果推理特性，提出了基于贝叶斯网络的战损评估方法，并应用所提出的方法建立了舰船战损评估模型，分析了贝叶斯网络的舰船战损评估流程。应用实例表明该方法的有效性和可操作性，提高舰船战损评估速度。

1.3 目标毁伤效能评估

目标毁伤效果评估(BDA)是指对敌方目标实施火力打击后,对目标的毁伤效果进行的综合评估。根据目标BDA结果,作战指挥人员可以判断已实施的火力打击是否达到预期的毁伤效果,是否需要再次打击,并为制定火力毁伤计划提供科学依据。现代战场的复杂性及目标毁伤信息的不确定性,给目标BDA带来了巨大的挑战。1999年美国空军的Daniel.W.F[10]上校提出了作战损伤效果评估的贝叶斯网络决策模型。该模型可用于战场实时的目标毁伤效果评估，它可以综合战前各种预测信息，战场上收集到的各种目标毁伤信息及专家的经验对目标毁伤效果做出综合评估。

Pekka[11]以对假想的机场进行空对地突袭为例，分析了 BDA过程在突袭作战中的实现方法。机场目标既包括楼房等点目标，也包括跑道、机库等面目标，具有代表性。在突袭实施前，根据已获得的目标信息，首先进行打击前的作战损伤预估。然后进行空中突袭，突袭过程分三个阶段实施。突袭刚结束，依据弹载摄像机传回的部分目标的实时视频信息和任务报告进行打击后作战毁伤评估，但这种评估只能对部分目标进行。突袭结束几小时后，当获得了全面、可靠的毁伤信息，真正的作战毁伤评估才能进行。所有目标的毁伤评估可以进行全面更新。史志富等[12]提出应用贝叶斯网络对对地攻击效果进行分析评价,建立了编队对地攻击损伤评估的贝叶斯网络模型,给出了基于贝叶斯网络的损伤评估的推理决策方法。并且以一个飞机编队包括一架有人机和四架无人机,协同空袭敌方机场，获取空中压制和袭击机场跑道为任务目的，对所采用的方法进行了仿真分析。

美国军方一直试图通过多种途径提高 BDA过程的效率，比如改进评估程序、增加评估人员培训、采用新技术等，但仍然难以满足 BDA过程的实时性和精确性要求。用贝叶斯网络对 BDA过程的决策模型进行改进，可以解决 BDA过程中一些比较困难的问题，比如移动目标或地下目标的BDA评估[13,14]。

1.4 智能攻击决策

现代战机最重要的特点就是火力控制装备(硬杀伤武器)和电子战装备(软杀伤武器)的一体化，它是飞机机载攻防系统与飞机攻防体系的集成与融合，称为软硬杀伤武器综合攻击系统。李波等[15]分析了机载软硬杀伤武器系统的战术使用方式和有效作用空域，给出了软硬杀伤武器系统在空间上的协同使用准则。分析了使用贝叶斯网络进行软硬杀伤武器系统综合决策的知识表示问题，得出了综合决策网络的三种类型的节点：态势节点、传感器节点、武器节点。提出了构建贝叶斯网络进行综合决策的步骤，通过敌对双方战机空战为例说明了使用贝叶斯网络进行软硬杀伤武器系统综合决策的过程。

鲁华等[16]采用贝叶斯网络技术,将影响目标威胁程度评估的主要因素在网络中连接, 收集表示战场和军事单元特征的不确定性证据并应用于网络不同的结点,证据自动在网络中传播并修改军事实体态势假设,构造一个对战场威胁度进行分析、推理、预测的贝叶斯因果模型。利用贝叶斯网络的推理模型以及相应于此模型的推理算法,对多目标攻击时目标的选择和攻击排序进行研究，为飞行员确定攻击策略提供依据。

1.5 目标侦察与识别

战场环境随机变化使得侦察信息处理变得复杂化,从而影响决策的具体方式或决策方向。肖秦琨等[17]提出将隐马尔可夫模型图形模式与模糊推理结合起来构成动态贝叶斯网络，将其用于战场侦察情报的推理分析。首先建立动态贝叶斯网络的环境变化感知模型，而后应用 Viterbi解码算法获得当前隐含序列最优估计，通过HMM状态转移矩阵可预测出未来环境变化趋势，最后应用模糊推理得到问题的最优的决策或优先采用的解决方式。

由于伪劣的战场环境等因素，传感器所获得的信息往往是模糊的、不确定的，所以目标融合识别是一个不确定推理过程。为解决大量不确定性和复杂性信息对战斗识别的影响，Hautaniemi[18]模拟了两种不同的场景，利用贝叶斯网络节点变量表示目标的类型、特征等，给出了目标是友善、敌意、中立的概率判定。Laskey George[19]揭示了四种不同环境下，如何利用贝叶斯网络并结合其它信息源数据，完成目标敌友性质的识别。郭小宾等[20]对贝叶斯网络模型在利用雷达侦察、通信侦察和红外侦察三种传感器数据的目标融合识别中的应用进行了研究。以朴素贝叶斯分类器和扩展贝叶斯分类器为基本结构构建了一种目标融合识别系统模型，采用同质传感器数据优先原则对三种传感器数据进行了合理综合，仿真实验结果验证了方法的可行性和有效性。

1.6 飞行安全

预防和减少军事飞行事故的发生，保障飞行安全是世界各国为提高飞机战斗力所不断追求的目标，是各国航空兵部队迫切需要解决的重大问题。特别是新型战机科技含量高，价格昂贵，作战效能大大提高，因而在一定层面上，保安全就是保战斗力。James T[21]分析了航空事故的诱发因素，利用贝叶斯网路构建了航空系统风险模型（ASRM），总结了新技术或新产品嵌入对减少航空事故的可能性和减轻航空事故危害后果产生的影响。该ASRM，由美国国家航空航天局（NASA）和美国联邦航空管理局（FAA）的联合支持下开发的，是一个专门讨论低概率事件导致严重后果事件的一个典范，并利用可控飞行撞地事件验证了模型ASRM。刘莉等[22]基于广义人—机—环境复杂系统，对飞行人员可靠性、空中交通管制人员可靠性和航空器维修人员可靠性进行了分析, 综合考虑常用可靠性评估方法的优缺点,采用贝叶斯网络建立了飞行安全人因可靠性的评估模型。该模型综合运用诊断推理和支持推理形式，分析直观，计算简便，适用于广义的人—机—环境复杂系统建模，同时该模型可以根据后验概率来调整先验概率，从而有效地提高了评估的精度。

罗帆等[23]针对航空灾害的形成特点，认为致灾因素的相互作用是航空灾害成因机理分析的关键。基于贝叶斯网络模型,综合运用诊断推理和支持推理形式，分析致灾因素的因果关系，揭示了人、机、环境与管理因素相互作用的内在规律。通过高斯贝叶斯网络在典型案例致灾成因机理分析中的应用，挖掘隐含的内部因素对系统的影响程度，发现了隐含因素从不确定性状态向确定性状态的演变过程，以及表层因素与隐含因素的关系。

2 贝叶斯网络在军事应用中存在的问题与研究展望

近年来，虽然贝叶斯网络技术的军事应用研究在多个领域的取得了较快发展，但仍处于起步阶段，还存在大量的问题需要进一步的探索和研究。

1）军用贝叶斯网络模型的改进与细化。针对不同的军事应用领域所构建的各种贝叶斯网络模型都是面对假想的作战场景进行了一定的简化，必然与真实系统存在偏差。例如史志富在其博士论文《基于贝叶斯网络的UCAV编队对地攻击智能决策研究》中构建的模型[24]，许多地方环境因素、气象因素、电子战因素等都没有考虑，因而限制了模型的使用范围，具有局限性。因此模型的改进与细化有大量的问题亟待解决。

2）用于复杂系统智能决策的贝叶斯网络理论问题。现有的贝叶斯网络军事应用模型大多没有考虑原因节点影响结果节点的滞后时间，从而只适合于静态分析。因为原因发生的时间和结果发生的时间不是同时的，而是有一定时间滞后的，而滞后时间的长短将影响贝叶斯网络的推理结论。所以，必须引入动态贝叶斯网络，将时间因素引入到贝叶斯网络建模中，使贝叶斯网络的推理与时间相关。

3）贝叶斯网络用于智能决策的实时性问题。通常的贝叶斯网络的构建都是以离线的方式进行，由于贝叶斯网络推理迅速，在网络构建完全确定之后，实时性问题也将得到解决。但贝叶斯网络的组成复杂，需要提供多方面的先验知识和后验知识才可综合决策，因此在实际应用中，需要大量集结并实时更新领域专家的知识信息，从而实时性如何保证也是研究的重点。

4）基于贝叶斯网络技术的军事应用软件开发。目前国内还没有成熟的贝叶斯网络军用建模与分析软件，如何尽快开发并完善适应军事作战需求的基于贝叶斯网络技术的军事应用软件系统，将是未来研究的一个重大课题，也是一个热点、难点问题。

3 结束语

自1986年Pearl提出贝叶斯网络理论以来，经过二十余年的发展，其理论和应用研究取得了长足的进展。本文较为详细地阐述了国内外关于贝叶斯网络在军事作战领域的应用研究状况，特别是在战场态势威胁评估、装备损伤评估、目标毁伤效能评估、智能攻击决策、目标侦查与识别、飞行安全六个领域的研究成果。进一步论述了贝叶斯网络在军事应用研究方面存在的问题，指出了贝叶斯网络在军事应用领域中的研究热点、难点。随着贝叶斯网络在军事领域应用范围的不断拓展，应用技术的不断成熟完善，可以预见，其军事应用研究必将越来越受到军内外、国内外学者的广泛重视。

[1]Judea Pearl. Fusion, propagation and structuring in belief networks[J]. Artificial Intelligence, 1986, 29 (3):241-288.

[2]Hall D L, Llinas J. An Introduction to Multisensor Data Fusion[C]. Proceedings of the IEEE. 1997, 85(1):6-23.

[3]Steinberg Alan N. Threat Assessment Technology Development[J]. Lecture Notes in Computer Science,2005: 490-500.

[4]S.Das, R.Grey, P.Gonsalves. Situation Assessment via Bayesian Belief Networks[C]. In Proceedings of the 5th international conference on information Fusion, Maryland,July, 2002: 664-671.

[5]K.B.Laskey. Hypothesis Management in situation specific Network construction[C].Proceedings of the 17th Conference on Uncertainty in Artificial Intelligence.Seattle, Washington, 2001: 301-309.

[6]孙兆林,杨宏文,胡卫东.基于贝叶斯网络的态势评估方法[J].计算机应用,2005,25(4):745-747.

[7]康长青,郭立红,等.基于模糊贝叶斯网络的态势威胁评估模型[J].光电工程,2008,35(5):1-5.

[8]马志军,田燕等.基于贝叶斯网络的装备损伤定位系统研究[J].军械工程学院学报,2009,21(2):9-12.

[9]胡涛,黎放,等.基于贝叶斯网络的舰船战损评估研究[J].武汉理工大学学报,2007,31(6):1067-1070.

[10]Daniel W.Franzen, A Bayesian Decision Model For Battle Damage Assessment[D. Master's thesis, Helsinki University of Technology, 1999.

[11]Pekka Laitila. Bayesian Network Model for BDA[R].Helsinki University of Technology, 2009.

[12]史志富,张安,刘海燕,等.基于贝叶斯网络的编队对地攻击损伤评估研究[J].系统工程与电子技术,2007,29(7):1113-1116.

[13]B.R. Schneider, et al. Counterforce Targeting Capabilities and Challenges[D]. Master's thesis, 2004.

[14]J.T.Rauch. Assessing Airpower’s Effects: Capabilities and Limitations of Real-Time Battle Damage Assessment, 2002.

[15]李波,高晓光.基于贝叶斯网络的机载武器系统综合决策[J].系统仿真学报,2007,19(4):886-889.

[16]鲁华,周德云.贝叶斯网络的对地多目标攻击决策[J].火力与指挥控制,2008，33(7):54-56.

[17]肖秦琨,高晓光.基于动态贝叶斯网络的目标侦察信息处理研究[J].西安工业学院学报,2005,25（1）:3-7.

[18]Hautaniemi, Sampsa. Target Identification with Bayesian Networks[D]. Master of Science thesis,Automation Department, Tampere University of Technology, 2000.

[19]Laskey George, Kathryn Laskey. Combat Identification with Bayesian Networks[C]. Presented at Command and Control Research and Technology Symposium. Quebec City, Canada: CCRP, 2002.

[20]郭小宾,王壮,胡卫东.基于贝叶斯网络的目标融合识别方法研究[J].系统仿真学报,2005,17(11)：2713-2716.

[21]James T. Luxhøj, David W. Coit. Modeling Low Probability/High Consequence Events: An Aviation Safety Risk Model[C]. Proceedings of the Reliability &Maintainability Symposium (RAMS), USA, 2006, 215 –220.

[22]刘莉,徐浩军,等.基于贝叶斯网络的飞行安全人因可靠性评估模型[J].空军工程大学学报,2009,10(3)：5-9.

[23]罗帆,陈小佳,顾必冲.基于贝叶斯网络的航空灾害成因机理探析[J].北京航空航天大学学报,2005,31(8):934-938.

[24]史志富.基于贝叶斯网络的UCAV编队对地攻击智能决策研究[D].西安:西北工业大学博士论文,2007.