基于贝叶斯网络的目标干扰优先等级评估方法

李冯敬， 姚佩阳， 唐 剑， 张杰勇

(空军工程大学电讯工程学院，西安 710077)

0 引言

现代战争中，各种反侦察、反干扰等手段的大量使用，战场信息呈现出不完整性和不确定性，因此如何有效识别敌通信系统中的关键节点、重要目标，并迅速对目标的干扰优先等级作出评估是目前通信对抗指挥决策中必须要解决的关键问题。当前依靠人工智能辅助决策的方式对目标干扰优先等级的评估成为主流趋势，而在此基础上应用各种模型算法解决这一问题，可以有效地提高评估的速度和准确性。

目前，各领域评估问题的研究方法很多，如文献［1－2］中提出利用神经网络建立评估模型，并取得了预期效果。但由于神经网络本身是一种迭代算法需要对网络进行训练，因此难以满足在实时战场环境中对目标干扰优先等级做出快速评估。贝叶斯网络作为一种综合利用概率论和图论进行不确定性分析和推理的有效工具，与其他算法相比，不但具有坚实的数学理论基础，同时具有直观的知识表示形式，能方便快速地处理不确定信息间的因果关系，且算法简单，运算量少，收敛性和实时性较好［3－4］，目前已在战场目标识别［5］、态势评估［6］和威胁估计［7］等领域广泛应用。由于现代战场环境存在大量的不确定性因素，因此对目标干扰优先等级的评估必定是一个概率行为，而贝叶斯网络正是在非完全信息条件下进行不确定性推理的一种有效手段［8］，可用于解决通信对抗目标干扰优先等级评估的问题。

通过分析通信对抗指挥决策流程，指出目标干扰优先等级评估在指挥决策中的重要地位，从目标信号特征和目标行为特征两个方面联合分析影响目标干扰优先等级的因子，构建目标干扰优先等级评估的贝叶斯模型，以解决通信对抗目标干扰优先等级评估的问题。

1 通信对抗指挥决策概述

通信对抗指挥决策就是通信对抗指挥员在搜集、处理各种战场信息的基础上，对本级如何完成通信对抗任务进行筹划并作出决定的活动［9］。为保证决策的科学有效，通信对抗指挥决策活动要依据一定的决策准则、依据和流程，其基本流程如图1所示。

图1 通信对抗指挥决策流程Fig.1 The command decision process of the communication countermeasures

由图1可以看出，通信对抗目标干扰优先等级评估是通信对抗指挥决策环节中非常重要的组成部分，其意义在于:在先前侦察和战场实时侦察的基础上，对当前敌情、我情、战场环境等情报信息进行分析评估，力图在广阔的电磁频谱空间和作战区域挖掘出能大幅度降低敌作战能力的高价值、高威胁的敌通信系统目标，进而制定后续作战方案，对敌实施干扰压制以取得较高的作战效益［10］。

2 基于贝叶斯网络的干扰优先等级评估模型

2.1 贝叶斯网络概述

贝叶斯网络(Bayesian Networks，BN)也称为信度网络或推理网络，是基于概率分析和图论的一种不确定知识的表示和推理模型［11］。作为图模型范畴之一，BN是人工智能学科中处理不确定问题的新兴分支，在处理不确定性复杂问题方面有其独特的优点［12］。

贝叶斯网络主要由两部分构成:网络结构和条件概率表。一个贝叶斯网络可以用一个二元组B=(G，P)表示。其中:1)G=(V，E)是一个网络结构，代表一个有向无环图，V= {V1，V2，…，Vn}，n≥1为有向无环图中的节点，代表随机变量，可以是任何问题的抽象，而E=代表有向边的集合，用来表达各个节点信息要素之间的关联关系，通常认为有向边表达了一种因果关系;2)P代表贝叶斯网络中的条件概率表集合，每一个节点Vi都有一个条件概率表，用来表示节点Vi与其父节点Pa(Vi)的关系表示在父节点Pa(Vi)发生的条件下子节点Vi发生的概率。没有任何父节点的条件概率为其先验概率［13］。

2.2 目标干扰优先等级评估的贝叶斯网络模型

2.2.1 模型分析

在通信对抗作战中，依据目标的特征越多，目标识别就越准确，对目标的威胁等级评估就越科学，目标的干扰优先等级就越容易判断。模型主要从目标行为特征和目标信号特征两个方面联合判断目标的威胁等级，进而确定干扰优先等级。如图2表示了干扰优先等级评估的过程。

图2 干扰优先等级评估过程Fig.2 The process for evaluating priority level of jamming

由图2可以看出，对敌通信目标意图威胁的评估是基于对威胁行为的识别，对通信目标的身份威胁的评估则主要是基于对目标信号特征的分析。

1)基于贝叶斯网络的目标意图威胁等级评估模型。

对敌通信目标意图威胁(Act)的分析，主要就是判断目标的作战行为。模型中主要考虑的敌作战行为包括:无线电静默(Mic)、无线电佯动(Pact)、无线电干扰压制(Dsb)3种行动，其评估模型如图3所示。

图3 目标意图威胁等级评估模型Fig.3 The model for evaluating threat level of target's intent

模型中节点变量的状态集合如下:

意图威胁等级(Act)={高(Hight)，中(Middle)，低(Low)};

无线电静默(Mic)={无线电静默真(True)，无线电静默假(Flase)};

无线电佯动(Pact)={无线电佯动真(True)，无线电佯动假(Flase)};

无线电干扰压制(Dsb)={无线电干扰压制真(True)，无线电干扰压制假(Flase)}。

2)基于贝叶斯网络的目标身份威胁等级评估模型。

敌通信目标识别的问题主要是通过目标信号的特征识别来确定目标本身的重要程度，而不考虑该敌目标是什么型号的电台，是什么属性的通信网(专)等问题。由于不同的信号都会在时域、频域、空域中表现出不同的特征［9］，因此主要考虑的目标信号特征包括:信号出联时间(时域)、频段、信号源方向(空域)，其评估模型如图4所示。

图4 目标身份威胁等级评估模型Fig.4 The model evaluating threat level of target's identity

模型中各节点变量的状态集合如下:

目标身份威胁等级(Sgb)={高(Hight)，中(Middle)，低(Low)};

出联时间(Tm)={新出联(New)，出联较久(Past)};

频段(Sb)={战时频段(Wb)，平时频段(Pb)};信号来源区域(Scz)={作战主要区域(Mz)，作战次要区域(Sz)，敌后方区域(Bz)}。

根据上述分析，在模型设计中主要立足于战场敌通信目标信号表现出来的，且易被我方通信侦察设备获取的信号时域、频域和地域特征，而不过多关注通信信号的细微特征。在通信对抗行动中，时效性要求特别高，往往新出联的电台干扰价值最大，随着干扰压制时间的延长，其干扰价值就越来越小，因此，侦察到的新信号应优先干扰［9］。对于频域特征，通过战场全面侦察与重点侦察相结合的方法，同时结合平时侦察的情况，就可以确定哪些信号是平时经常出现的，没用的，哪些信号是战时出现的，是有用的。

3)基于贝叶斯网络的目标干扰优先等级评估模型。

通过对干扰优先等级评估过程以及上述贝叶斯模型的分析，根据网络各节点的因果影响关系，建立目标干扰优先等级模型，如图5所示。

图5 干扰优先等级评估模型Fig.5 The model for evaluating priority level of jamming

根结点目标干扰优先等级(PRI)={高(Hight)，中(Middle)，低(Low)}。在整个模型中，把目标干扰优先等级、目标意图威胁等级、目标身份威胁等级看作原因，侦察到的各种数据及事件看作结果。目标干扰优先等级评估从获取的战场情报信息开始，在获取战场情报信息后，结果对原因的影响可以通过评估模型向后传播来更新，更新后的评估结果则又通过前向推理来预测事件的发生;当有新的战场信息输入时，又开始下一轮等级评估。可以看出，这种目标干扰优先等级评估模型较好地将军事专家的知识隐含在该贝叶斯网络节点之间的因果关系中。

2.2.2 节点条件概率

条件概率矩阵是网络结构中关联节点之间的因果关系，是一种专家知识。在对有限样本数据反复验证的基础上，通过对通信对抗战术行为的分析，结合专业知识，给出如表1～表3所示的条件概率矩阵。

表1 节点条件概率矩阵aTable 1 Condition probability matrix a of node

表2 节点条件概率矩阵bTable 2 Condition probability matrix b of node

表3 节点条件概率矩阵cTable 3 Condition probability matrix c of node

2.2.3 模型推理流程

目标干扰优先等级评估模型的贝叶斯网络推理过程如图6所示。

Step1 初始化网络。输入先验信息π，触发网络节点更新，初始化评估系统。

Step2 触发网络推理。当获取到新的战场信息λ时，网络结构的叶节点信息更新，触发网络推理，通过贝叶斯公式，得到节点置信度即后验概率PBel，从而更新整个网络节点状态的概率分布。如果有新的目标信息获取则把更新后的后验概率分布作为下一次推理的先验分布;如果没有新的目标信息获取则进入下一步。

Step3 统计输出结果。获取根节点(PRI)状态的概率分布情况，根据判决规则，将最大后验概率判定为优先干扰的通信目标，即

式中:i=1，2，3分别代表目标Tj干扰优先等级“高”、“中”、“低”;P(Tji)是目标Tj干扰优先等级为i的先验概率;是当目标Tj在干扰等级为i时特定的观测S的观测条件概率，α为归一化因子，保证所有的后验概率之和为1。如果先验信息未知，则对目标Tj干扰优先等级i的先验概率进行平均分配。

图6 目标干扰优先等级评估推理过程Fig.6 Inference process for evaluating priority level of target jamming

3 仿真验证

采用Norsys软件公司的贝叶斯网络工具平台Netica对目标干扰优先等级评估模型进行仿真验证。

场景1 假设在一次敌我战斗中，由于我通信侦察部队没有对敌进行任何预先侦察，设定某一目标干扰优先等级的可能性相近，即威胁源的干扰优先等级先验信息 πPRI=(0.33，0.34，0.33)。这反映了通信对抗指挥员由于战场信息匮乏导致对目标干扰优先等级可能性估计不充分，认为各种情况的可能性相近。

输入先验信息后，整个网络其他节点信息得到初始更新，网络进入等待状态如图7所示。

图7 系统等待状态Fig.7 Latency state of the system

随着通信侦察行动的开展，网络各节点得到新的情报信息，节点状态概率分布发生变化，随之触发网络推理，最终获取根结点状态的概率分布情况，完成对目标干扰优先等级的一次判断。表4为部分仿真结果。由第1组数据可以看出，当敌对我方采取通信干扰压制行为，且侦察到目标信号来源于作战主要方向并且为新出联的战时频段时，系统评估结果为“高”的概率高于其他;第2组数据表示当前目标信号特征的各状态概率基本接近，目标干扰压制行为概率虽然较高，但系统评估的结果却与第1组结果差距较大，干扰优先等级为“中”的概率高于其他两种状态。

表4 仿真结果1Table 4 Simulating result 1

场景2 假设在一次敌我战斗中，我通信侦察部队提前进入预定的集结地域，组织开展战前的预先侦察行动，熟悉战区电磁环境，通过通信侦察和测向定位，初步了解了主要作战方向上敌通信对抗部队的部署，以及部分电台、通信专网信号在时域、频域、空域上的特征，初步确定了某一目标的干扰优先级 πPRI=(0.7，0.2，0.1)。输入先验信息后，网络得到初始化，进入等待状态，如图8所示。

图8 系统等待状态Fig.8 Latency state of the system

通过比较图7与图8可以看出，当先验信息发生变化时，网络各节点的初始状态概率也将发生变化。

假定敌我双方战斗正式打响后，我方主要通信侦察力量对预先的目标采取分频控守的方法，进一步确定相关目标信号在时域、频域、地域上的特性，以及敌目标的作战行为，即网络部分节点状态信息得到更新，最终获得根结点状态的概率分布，完成对干扰优先等级的一次实时评估。

表5 仿真结果2Table 5 Simulating result 2

由表5可以看出，在敌对我采取通信干扰压制行为时，侦察到目标信号来源于作战主要方向并且为新出联的战时频段，系统评估结果为“高”的概率是0.862，远远高于表4中0.562“高”的概率;同样第2组数据在所有节点输入状态相同的情况下，系统评估结果表示干扰等级为“高”的概率是0.700，远远高于表4中0.369“高”的概率。

通过两组仿真结果的比较，可以看出先验信息π的变化对评估结果的明显影响。相同的子节点输入相同的状态信息λ，由于先验信息π不同，评估结果截然不同。结合假设的仿真场景，可以看出先验信息对后期评估结果有着直接影响，因此在通信对抗行动中，通信侦察部队先期对目标侦察探测是非常必要的。

同时结合算法，可以从算法的初始化和运行两个阶段来理解先验信息。在算法的初始化阶段，为了算法的启动，根据通信对抗指挥员的预期判断或战场情报的预期侦察结果设定先验信息;在算法的运行阶段，先验信息认为是上一次系统评估的结果。

从仿真结果可以看出，评估模型不仅综合了最新的战场实时信息，而且还考虑了前一阶段的历史评估结果，具有信息的累积性，因此能够对目标干扰优先等级进行实时合理的评估。

4 结论

文中针对通信对抗指挥决策中干扰优先等级评估问题，提出了采取贝叶斯网络进行评估的方法，分析了影响干扰优先等级评估的主要因素，并建立相应的贝叶斯网络模型。设定两种场景进行仿真验证，结果表明贝叶斯网络是一种进行不确定分析和推理的有效方法，基于该模型的评估系统可以有效综合当前信息和历史信息，具有信息的累积能力，能较好地解决通信对抗中目标干扰优先等级实时评估的问题。但由于复杂战场环境下影响通信对抗目标干扰优先等级评估的因素众多，因此如何更加全面分析影响因素，研究不同因素之间的影响关系，构建更加合理的模型结构将是下一步工作的重点。

［1］ BRENAN K E，CAMPBELL S L，PETZOLD L R.Nemerical solution of initial value problem in differetial-algebraic equations［M］.2nd ed.New York，USA:SIAM，1996.

［2］ CASH J，CONSIDINE S.An MEBDF code for stiff initial value problems［J］.Acm Trans Math Software(S0098-3500)，1992，18(2):142-155.

［3］ 王福军，梅卫，王春平，等.基于战术意图的空中目标机动态势估计［J］.电光与控制，2009，16(2):51-55.

［4］ 税薇，葛艳，韩玉.基于贝叶斯网络的火力威胁等级评估算法［J］.系统仿真学报，2009，21(15):4625-4628.

［5］ GOSLIGA P V，JANSEN H.A Bayesian network for combat identfication［J］.RTO-MP-IST-040，2004(3):1-11.

［6］ 杨永刚，寇应展，杨杰，等.基于贝叶斯网络的态势估计模型研究［J］.科学技术与工程，2007，24(12):6434-6436.

［7］ 王朔，周少平，黄教尼.基于贝叶斯网络的威胁识别［J］.计算机工程与设计，2006，18(9):3442-3446.

［8］ RUSSEL S，NORVIG P.Artificial intelligence:A modern approach［M］.Englewood Cliffs New Jersey:Prentice Hall，1995.

［9］ 李新生，单琳锋.高技术条件下通信对抗指挥决策［M］.北京:解放军出版社，1999.

［10］ 张鉴，黄健，石锐.通信电子战目标选择问题研究［J］.通信对抗，2006(2):37-40.

［11］ 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.

［12］ 肖秦琨，高嵩，高晓光.动态贝叶斯网络推理与学习理论［M］.北京:国防工业出版社，2007.

［13］ 王朔.基于贝叶斯网络的舰艇导弹防御系统决策模型算法研究［D］.长沙:国防科学技术大学，2005:12-40.