基于BP神经化贝叶斯网络的空袭目标毁伤效果评估*

周兴旺，从福仲，庞世春，侯满义，辛腾达

（1.解放军95519部队，四川　泸州　646000；2.空军航空大学，长春　130000；3.装备学院，北京　101400）

基于BP神经化贝叶斯网络的空袭目标毁伤效果评估*

周兴旺1，从福仲2，庞世春2，侯满义2，辛腾达3

（1.解放军95519部队，四川泸州646000；2.空军航空大学，长春130000；3.装备学院，北京101400）

摘要：针对空袭目标毁伤因素的复杂多样性，以及贝叶斯网络在评估时对先验知识获取和对网络节点限制方面存在的不足，提出一种BP神经化贝叶斯网络的评估方法，解决空袭目标的毁伤问题。分析了空袭目标毁伤的影响因素，并进行了知识表示；分析了贝叶斯网络结构处理多个父节点问题时存在的几个缺陷，建立了空袭目标毁伤评估的BP神经化网络结构，给出了“BP神经化模块”的决策方法。通过实例分析，结合Netica仿真，验证了该评估方法的准确性，操作简单、有效性好。

关键词：空袭作战，贝叶斯网络，BP神经网络，目标毁伤

0　引言

20世纪80年代以来，世界范围内发生的几场高技术局部战争充分体现了未来战争的3个主要特点：“电子先行，先机致盲，多机协同，由点至面”的空袭作战战术思想；战争空中化、空袭主导化成为趋势；战争空中化、空袭全程化更加明显［1］。作为信息化空袭作战体系不可或缺的关键环节，目标毁伤效果评估不仅贯穿于空袭作战方案的制定与实施的全过程，还会对作战进程甚至是作战结果产生影响。因此，研究空袭目标的毁伤效果评估具有十分重要的现实意义。

目前国内外运用目标毁伤效果评估的方法中，应用范围广、可操作性强、时率好的就是基于贝叶斯网络［2-5］（动态贝叶斯网络［6］、模糊贝叶斯网络［7-8］）的评估方法。然而在这些文献中除了UCAV对地攻击外，很少有针对空袭作战特点和规律研究空袭（主要指常规空袭编队）目标的毁伤效果评估。本文就是专门面向空袭作战的目标毁伤效果评估研究，同时考虑到贝叶斯网络在处理空袭目标毁伤评估时存在的固有缺陷和不足，提出一种基于BP神经化贝叶斯网络的评估模型，解决空袭目标的毁伤问题。

1　空袭目标毁伤效果因素分析与表示

1.1因素分析

目标毁伤效果评估（Battle Damage Assessment，简称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。BDA是一个巨大和复杂的系统，目前，国际上关于目标毁伤效果评估做的最全面和最深入的当属美国，美军目标毁伤效果评估采用“三段式”方法：物理毁伤评估、功能毁伤评估及目标系统毁伤评估。3个阶段不断深入，逐渐细化。考虑到篇幅，本文主要研究第二阶段的评估。

未来的空袭战场是信息化的战场，更是空袭作战体系与反空袭作战体系对抗下的战场。体系对抗下影响空袭目标毁伤效果的因素与实施空袭作战的流程和参战力量直接相关［9］。通过分析文献［1］中的空袭战例，得知实施空袭作战的一般作战流程，如图1所示。

图1　空袭作战基本程序和流程

从图1中可以看到，空袭之前突击力量和电子压制力量是影响空袭目标毁伤效果的直接因素。根据空袭作战的特点及空袭力量的编成规律，突击力量和电子压制力量又可以细化成9个小指标：武器数量（A1）、制导方式（A2）、制导精度（A3）、武器生存率（A4）、抗干扰率（A5）；干扰有效率（B1）、压制范围（B2）、干扰机生存率（B3）、干扰机数量（B4）。

空袭作战的BDA，在第一阶段（战前）其数据源来自于专家知识、数据库信息、联合武器系统效力手册和空对地武器控制软件（JAWSPD）；在第二阶段（战后）数据来源于飞行员任务报告（MISREPs）、武器系统的录像（Weapon）、无人机侦察等。其中JAWSPD和数据库信息里面包含有突击和压制力量的9个小指标信息。另外一个重要的攻击前数据源是突击天气，由于高技术和精确制导武器的发展，天气已经成为影响攻击效果的一个显著因素。

1.2BDA知识表示

针对离散型变量的表示如下：

（1）制导方式：被动雷达寻的制导（PRHG）、电视制导（TVG）、激光制导（LG）、GPS制导、红外制导（IG）和复合制导（CG）；

（2）突击能力：很强（VS）、强（Strong）、一般（Normal）、差（Poor）和很差（VP）；

（3）压制能力：很强（VS）、强（Strong）、一般（Normal）、差（Poor）和很差（VP）；

（4）毁伤能力（Damage Ability）：很强（VS）、强（Strong）、一般（Normal）、差（Poor）和很差（VP）；

（5）突击天气（Assault Weather）：夜暗突击（ND）、阴雨突击（OR）、晴朗突击（Fine）。

针对连续型变量进行模糊化处理后并划分为不同的等级如下：

（1）实际毁伤效果（Actual Damage Effect）/战后评估（PostAssessment）：无毁伤（ND）、轻度毁伤（LD）、中度毁伤（MD）和严重毁伤（SD）；

（2）评估精度（Accuracy）：严重高估（SO）、高估（O）、准确（Exact）、低估（U）和严重低估（SU）。

针对战后反馈信息进行模糊化处理后并划分为不同的等级如下：

飞行员任务报告（MISREPs）/武器系统录像（Weapon Video）/无人机侦察（UAV Reconnaissance）：无毁伤（ND）、轻度毁伤（LD）、中度毁伤（MD）和严重毁伤（SD）。

2　基于BP神经化贝叶斯网络空袭BDA模型

2.1基于贝叶斯网络的空袭BDA模型分析与改进

根据空袭作战BDA因素分析，通过咨询资深的军事专家，建立第二阶段空袭作战BDA贝叶斯网络模型如下页图2所示。

图2　贝叶斯网络结构图

从上图贝叶斯网络的结构关系，分析得到应用贝叶斯网络解决此类空袭作战BDA问题存在以下3个不足：

①贝叶斯网络一般处理结构较简单的节点变量，对于图2，突击能力和压制能力共有9个父节点，其父子节点间的条件概率表（CPT）将随着父节点个数呈指数级增加，不易操作处理，直接影响了评估的效率和精度。

②贝叶斯网络的参数学习经常假设先验知识服从某几种固定的概率分布（如狄立克雷分布、高斯分布及正态分布等），其合理性和准确性难以评价。在实际的毁伤评估中，很少有将参数学习理论和应用相结合，大多都是基于专家知识直接给出条件概率表，主观性较强。

③贝叶斯网络在评估应用中一般要求所有节点变量都是离散型变量，如有连续性变量通常是进行模糊化处理转化为离散型变量，模糊化变量越多精度越低，效率越差。图2中突击能力和压制能力共有9个父节点，其中8个是连续性变量，不易逐一进行模糊化处理。

基于此，考虑到BP神经网络［9-11］能够充分利用各种类型数据，不依赖于先验知识，且具有较强的非线性映射和泛化能力，本文融合神经网络和贝叶斯网络各自的优点，弥补缺点，通过引入“BP神经化模块”，提出基于BP神经化贝叶斯网络的新方法对贝叶斯网络的不足进行改进和优化，如图3所示，该模块降低了贝叶斯网络的复杂度和处理难度，便于贝叶斯网络实现其强大的推理和更新能力。

2.2“BP神经化模块”决策方法

从图3可以看到，“BP神经化模块”直接将具有9个输入变量的节点映射到具有一个输出变量的节点，其中输出层节点为毁伤能力（含有5个状态变量）。本文的“BP神经化模块”采用三层神经网络结构。此“BP神经化”模块的网络处理方法如下：

图3　BP神经化贝叶斯网络结构图

为了简明起见，先对各符号的形式及意义进行规定：

隐含层各单元的输出阈值θj，

参数k=1,2，…，m，m为学习样本的容量，n、p、q分别为3个网络层的层数。

（1）初始化，给每个连接权值wij、vjt、阈值θj与γt赋予区间（-1，1）内的随机值。

（2）随机选取一组空袭演习或空袭作战实验模拟数据作为评价指标的输入和评价结果的目标样本、提供给网络。

（3）计算隐含层各单元的输入skj和输出bkj；计算输出层各单元的输入lkt和输出层各单元的响应ckt。

（4）计算输出层的一般化误差dkt和隐含层各单元的一般化误差ekj。

（5）修正连接权值vjt和阈值γt。

（6）修正连接权值wij和阈值θj。

（7）随机选取下一组学习样本向量提供给网络，返回到步骤（3），直到m个训练样本训练完毕。

（8）学习结束，将测试样本指标值输入训练好的BP神经网络中，得出具体的评价结果。

应用BP神经化贝叶斯网络求解空袭BDA时，首先在评估之前通过提取平时演习或作战实验模拟的指标数据样本，将其“BP神经化”，训练样本数据；同时利用蒙特卡罗抽样算法得到网络结构的CPT。评估时再根据战场实时数据作用于训练后的“BP神经化模块”得到毁伤能力节点的后验概率。最后利用贝叶斯网络推理和证据推理更新出评估结果。

3　实例仿真分析

为应对未来可能的战争态势，我方需要对XX国一重点军事目标实施空袭作战任务，目的是摧毁该军事目标以削弱XX国突击部队继续进行战争的意志。为此我方平时多次对该重点目标进行作战演习，并实施了相关的空袭实验模拟。通过调研，得到训练样本50组，蒙特卡罗抽样数据50组，考虑到篇幅，这里不再一一罗列。

假设战争开始，在我方启动空袭任务时，突击天气为夜晚突击、JAWSPD和数据库信息里面显示相关指标数据如表1所示。

假设空袭之后，3个证据节点分别收到反馈信息：飞行员任务报告分析为严重毁伤；武器系统录像分析为严重毁伤；无人机侦察结果分析为中度毁伤。

表1　空袭目标指标数据

基于BP神经化贝叶斯网络的空袭目标毁伤效果评估的求解步骤如下：

步骤1：“BP神经化模块”处理

首先，通过MATLAB6.5进行编程，各参数的设定为：输入层数n=9，输出层q=5，由经验公式得到隐含层数p=7，最大训练次数为10 000次，显示频率为25，学习效率为0.5，目标误差小于0.01，权值和阈值取随机数。6个制导方式分别用自然数1～6表示，本实例中A2为CG，用自然数6代替，然后将9个输入指标的50组训练样本输入BP神经网络模型进行训练，结果显示训练次数达到392次的时候目标误差小于0.01，网络训练结束。最后将表1中的数据作为测试样本输入训练好的BP神经网络模型中，输出结果向量为（0.4，0.8，0.3，0.1，0），即毁伤能力（Damage Ability）节点的5个状态向量，归一化后为（0.25，0.5，0.19，0.6，0）。

步骤2：贝叶斯网络推理

利用蒙特卡罗抽样的50组数据得到网络结构的CPT，在Netica仿真环境下，得到空袭之后没有信息源反馈情况下的仿真结果如图4所示。从图中可以看出，实际毁伤效果为严重毁伤等级的概率56.3%，战后评估为49.6%，准确度为87.9%，根据最大隶属度原则，实际毁伤效果为严重毁伤。

图4　无证据的空袭BDA仿真图

步骤3：贝叶斯证据推理

输入证据信息，更新贝叶斯网络得到最终的仿真结果图，如图5所示。分析得到：在有证据的情况下，实际毁伤效果为严重毁伤等级的概率从56.3%提高到82.6%，战后评估为严重毁伤的概率也提高了20.4个百分点，虽然评估精度准确性有所降低，但根据最大隶属度原则，评估准确度还是非常高的，为准确评估，实际毁伤效果为严重毁伤，达到预期目标任务。

图5　有证据的空袭BDA仿真图

4　结论

本文从影响空袭目标毁伤效果的因素入手，针对贝叶斯网络在评估时存在的3个缺陷，提出一种基于BP神经化贝叶斯网络的评估方法。这种评估方法简化了贝叶斯网络的网络结构，降低了CPT的处理复杂度，既利用了BP神经网络具有的非线性映射和泛化优点，又融合了贝叶斯网络强大的推理和更新能力。实例仿真，验证了该方法的科学有效性，具有较高的应用价值。

参考文献：

［1］朱冬生.世界经典战例（空袭与反空袭作战卷）［M］.北京：解放军出版社，2010.

［2］FRANZEN D W.A bayesian decision model for battle damage assessment［R］.Air force inst of tech wright-pattersonafb oh，1999.

［3］马志军，贾希胜，陈丽.基于贝叶斯网络的目标毁伤效果评估研究［J］.兵工学报，2009，29（12）：1509-1513.

［4］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，2007.

［5］王凤山，张宏军.基于贝叶斯网络的军事工程毁伤评估模型研究［J］.计算机工程与应用，2011，47（12）：242-245.

［6］胡汇洋，许应康，黄炎焱.基于动态贝叶斯网络的目标毁伤等级评估［J］.科学技术与工程，2011，11（16）：3754-3759.

［7］刘海燕，史志富，梁华强.基于FBN的UCAV对地攻击战斗损伤评估［J］.系统仿真学报，2009，21（6）：1531-1534.

［8］李林.基于模糊与贝叶斯方法的战场毁伤效果评估研究［D］.沈阳：沈阳航空航天大学，2012.

［9］倪敏，彭宜青，罗喻.神经网络和DEA方法的炮兵火力毁伤先验评估模型［J］.火力与指挥控制，2012，37（2）：127-131.

［10］SHAMING L，JAHANSHAHLOO G R，Khodabakhshi M.A super-efficiency model for ranking efficient units in data envelopment analysis［J］.Applied Mathematics and Computation，2007，184（2）：638-648.

［11］朱大奇，史慧.人工神经网络原理及应用［M］.北京：科学出版社，2006.

中图分类号：E919

文献标识码：A

文章编号：1002-0640（2016）04-0020-05

收稿日期：2015-03-15修回日期：2015-04-14

*基金项目：国家自然科学基金资助项目（11171350）

作者简介：周兴旺（1990-），男，陕西咸阳人，硕士研究生。研究方向：军事运筹与决策建模。

Battle Damage Assessment of Air-raid Based on BP Neuralization Bayesian Network

ZHOU Xing-wang1，CONG Fu-zhong2，PANG Shi-chun2，HOU Man-yi2，XIN Teng-da3
（1.Unit 95519 of PLA，Luzhou 646000，China；2.Aviation University of Air Force，Changchun 130000，China；3.Equipment Academy，Beijing 101400，China）

Abstract：Aiming at the complex and diversity of battle damage factors of air-raid，and the existing shortage of a priori knowledge acquisition and network node restrictions when Bayesian network to assess，the assessment method based on the BP neutralization Bayesian network is brought out，which to solve the problem of the battle damage of air-raid.The influence factors of the battle damage of air-raid are analyzed，and the knowledge is showed，Analyzing the structure of bayesian network existing several defects when is dealing with multiple parent nodes，the network structure of battle damage assessment of air-raid based on BP neutralization Bayesian network is built.The method of decision-making of“BP neutralization module”is given out.The case through to analysis，and combining with the simulation with Netica，the accuracy of the assessment method is verified.There is a simple operation and good effectiveness.

Key words：air-raid combat，bayesian network，BP neural network，battle damage