基于置信规则库的防空目标意图识别方法*

和 钰，常雷雷，姜 江，谭跃进

（1.国防科技大学信息系统与管理学院，长沙 410073；2.火箭军工程大学，西安 710025）

基于置信规则库的防空目标意图识别方法*

和 钰1，常雷雷2，姜 江1，谭跃进1

（1.国防科技大学信息系统与管理学院，长沙 410073；2.火箭军工程大学，西安 710025）

为解决防空反导体系对于目标意图识别中多源信息处理的问题，提出了一种新的防空目标识别方法——置信规则库（Belief Rules Base）识别模型，该方法是基于BRB专家知识系统的自学习方法，可以有效处理多源不确定性信息。同时，为了提高其识别效率，建立了一种与之相匹配的参数优化模型，并选择差分进化算法作为BRB识别模型的优化引擎。此外，在BRB识别模型中，专家意见也被引用到模型的初始化和推理过程中。最后采用一个实例对BRB识别模型的准确度进行验证。研究表明：该方法具有较强的实用性，可为防空反导体系的目标意图识别提供有力支撑。

意图识别，置信规则库（BRB），自学习方法，专家意见

Abstract：To solve the fusion of multi-source information in intension identification，a new identifier is proposed based on the Belief Rule Base （BRB） expert system and the evolutionary algorithms，named as BRB-identifier.To improve its efficiency，a corresponding BRB-identifier parameter optimization model is constructed.The Differential Evolutionary（DE）algorithm are tested as the optimization engine to solve the optimization model.Moreover，expert guidance is introduced in both the BRB-identifier initialization and inference process.An example demonstrates that the model and algorithm is reasonable in the end.The efficiency of the proposed BRB-identifier is validated by a practical intention identification of attacking suspected object case in the end.Research shows that the BRB-identifier can support for intension identification in Air Defense.

Key words：intension identification，belief rule base，evolutionary algorithm，expert guidance

0 引言

众所周知，战略设施是关乎国家安全和社会稳定的高价值系统，也是别国进行空中打击的重要目标。为保证战略设施的安全，防空反导体系会部署大量空中监视高敏感性探测器。这些探测器组成一个侦测网络，对所有收集到的信息数据进行分析，判断空中嫌疑目标的意图，从而确定是否对保障目标存在威胁。

为提高嫌疑目标意图识别的准确性，防空反导体系需要对不同类型传感器得到的大量信息进行分析处理。此类多源信息因为传感器精度和类型不同而存在不确定性以及定性关系与定量数据混杂的问题。同时，作为一个判断目标真实意图、分析指标间复杂关系的过程，专家知识经验在推理意图识别的过程中也发挥着重要作用。

目前，学界针对防空目标意图识别的问题，对多源信息进行处理时，主要考虑两方面因素：一是针对背景问题所选择的模型和方法是否支持处理包括定性和定量两种不同类型的数据；二是在模型初始化、数学计算和推理最终结果等推理分析过程，人为因素是否参与其中。近年来，国内外学者对意图识别问题有许多尝试，主要包括神经网络模型方法［1］、基于知识经验的方法［2-3］、贝叶斯模型方法［4-5］、D-S证据理论方法［6-7］、模糊理论方法［8-9］等技术手段。但是除基于规则和模板［10-11］的方法外，其他方法在处理专家信息时仍存在缺陷，无法将推理过程中具有不可见性的专家知识和定量数据结合［12］。

为解决意图识别过程中多源信息融合的问题，本文采用置信规则库（Belief Rule Base，BRB）方法对防空目标意图进行分析推理。BRB在处理不同类型的不确定性信息融合方面具有很高的效率，目前被广泛运用在探测预警、研究评价和群决策等领域。此外，BRB的表示方法以及推理过程为专家经验介入意图识别过程提供了良好机制［9］。使专家知识可以随时参与到推理过程中，保证对最终识别结果进行修正。与其他如神经网络等方法相比而言，专家信息能够时刻参与的特点也是BRB方法所特有的优势。

1 防空目标意图识别问题分析与建模

在实际作战过程中，防空体系建立的侦测网络主要依赖7类指标数据信息对目标意图进行监视和判断。

位置角（mil）：指在外太空中，嫌疑目标和战略设施所形成的角度。以正北方为0°，按照顺时针方向划分6 400°。

距离（km）：嫌疑目标和战略设施之间的距离。

高度（km）：嫌疑目标距水平面的垂直距离。

水平速度（m·s-1）：嫌疑目标在水平方向的速度。在意图识别过程中，嫌疑目标对战略设施的撞击时间是判断其意图的重要指标。而水平速度、距离以及高度这3个指标则可以帮助侦测网络计算嫌疑目标的撞击时间。

导航角（°）：指嫌疑目标的导航角。以正北方向为0°，按照顺时针方向划分360°。

雷达扫描面积（m2）：嫌疑目标在雷达扫描屏幕上的面积大小。

威胁程度：定性指标，来源于专家的主观判断，分为高、中、低三级。在专家划分威胁程度等级的过程中存在由认知水平不同等因素造成的人为不确定性的情况。

对于以上7类指标数据特点，可以在分析过程中总结出3个重要的特征：第一，定性定量信息共存。在多源探测信息中，由于各指标定义维度和描述对象不同，存在定性和定量等不同种类和量纲的观测数据，为进一步信息融合和推理识别带来困难。第二，专家经验引入机制。由于在意图识别过程中，专家经验具有至关重要的作用，尤其在探测数据不完备或相互冲突等情况下，专家经验可以作为重要补充，对分析结果起指向性作用。因此，为保证识别结果的准确性和可靠性，需要一个合理的机制将专家经验引入评估过程。第三，意图识别过程和结果存在不确定性。即使侦测网络可以准确探测上述7个指标的信息，但是意图识别的推理过程和结果依然存在不确定性，难以得出准确结果，具有一定程度的随机性。

本文建立一种BRB识别模型，采用BRB表示意图识别过程中所需专家知识和相关信息，将其抽象为单独的规则，利用DE算法对初始BRB进行优化学习，得到更新后的BRB进行推理识别过程。BRB本质上就是一类专家系统，是分析准则、专家经验、信度结构的统一表示框架。为了满足在本节中所提出的分析特征以及实际情况，需要在BRB中建立相关规则，使其可以处理不确定信息。

BRB中的信度规则均可表示为统一的信度结构［13］。如，其中第k条规则描述如下：

意图识别中BRB方法的应用，可以将水平速度、高度等指标，利用式（1）将其抽象为一条规则的不同属性，之后对目标意图进行推理的过程采用证据推理方法（Evidential Reasoning，ER）进行。

2 建立BRB识别模型

2.1 BRB识别模型的参数优化模型

在相同的信度结构情况下，BRB中利用ER算法的输出和输入结构类似，都是基于下式：

想要得出正确的推理结果，需要对与度量值相关的最大信度和第二大的信度进行比较，得到最大信度（βmax）以及第二大信度（βsecond）的差值errormargin大小。如果差值errormargin，与确定值v相等或者大于v，说明度量值应选择最大信度D（βmax）作为推理结果；如果errormargin的值小于v，则表示参考结果指定为“未知”。这个过程的数学表示为式（3）和式（4）：

差值被应用于真实的输出（f（·））和推理输出（f^（·））之间的比较。如果两者一致，则不存在差值；如果不一致，则差值为1。差值计算方法如式（5）：

T代表数据集的数量。因为差值（error）只能为0或1，所以其均方差（MSE）可以用式（6）进行计算：

在本文所提方法中，因为选择DE算法作为优化引擎，所以MSE函数即为DE算法优化的目标函数。出于对参数预估的考虑，以及式（6）中的MSE模型，可以得出优化模型的目标函数如式（7），约束条件如式（7a）～ 式（7g）：

式（7a）中，表示参数值有明确的范围，其应该在下界（lbi）和上界（ubi）之间。式（7b）和式（7c）两式表示，在所有的k条规则中，i的属性参数最大值和最小值分别作为其上界和下界。式（7d）表示每条规则的初始权重θk的范围在0和1之间。式（7e）表示任何一条规则的信度值βj，k都应该在0和1之间。式（7f）表示任一条规则的度量值总和应该小于或者等于1。式（7g）表示在最大和第二大信度的差值v应该在0和1之间（当两者相等的时候可以等于0，而不存在等于1的情况）。

2.2 基于DE算法的参数优化过程

图1 BRB识别模型参数优化流程图

差分进化算法（Differential Evolution，DE）和遗传算法一样，都是基于群体智能的随机并行优化算法，通过模仿生物群体个体间的合作与竞争产生的启发式群体智能来指导优化搜索。其特有的记忆功能可以动态跟踪当前搜索状况，以调整其搜索策略，实现自适应寻优。根据DE参数优化模型建模步骤［14-15］，将基于优化算法的BRB识别模型处理流程梳理如图1。利用DE优化算法，在优化引擎内部进行反复迭代，直到选择出达到预设标准的参数后导出，使初始BRB得以更新。

采用基于DE方法的优化过程主要分4步。

①初始化

初始化过程中，先建立参数以及初始种群集合。初始种群集合中每一个独立的个体都是解决问题的一种潜在方法。而参数的建立则包括了个体的数量、每一代种群的数量等等。

②突变

DE方法中加入突变是为了在新一代中能够产生突变的个体。在初始种群集合中引入独立的个体，如式：

式中，xr1、xr2和xr3是3个不同的个体，F是一个常量。一般情况下F∈（0，2］，本文取F=0.5进行计算。

③交叉

交叉步骤中，两个独立个体通过交换自身的某个基因而产生一个新的个体。交叉过程表示为：

式中，rand是一个在0和1之间的值。CR∈［0，1］是用来控制两个个体间是否发生交叉行为的概率，一般地取CR=0.9。

④选择

算法的优化原理主要在此步骤进行应用。对于某个体ui在发生突变和交叉的行为之后，是否产生新子代的表示如下

式中，f（·）是式（4）中的目标函数，并且 xi'是经过选择得出的最好的个体。

⑤引入专家指导

专家信息可以参与到优化过程中，在优化引擎每更新50代后暂停计算，借鉴专家知识对参数进行调节和检验。对节点进行检验后，如果参数达到预定标准，则优化引擎停止更新，并导出参数结果；反之则继续从步骤①开始循环。

重复上述5个步骤，初始种群集合将会不断得到更新，因此，问题的解决方法也会得到优化。当优化过程的输出达到预先划定的标准后，停止循环导出结果。

2.3 BRB识别模型推理过程

经过DE优化引擎对参数优化后，初始BRB中的权重和规则也会得到更新。当侦测网络再次得到目标的7类指标数据，可以利用更新后的BRB对目标意图进行分析判断。

①激活规则。无论是初始BRB还是经过优化后的BRB，准确判断输入信息靠近于哪种规则成为至关重要的一步。遵照2.1中的定义，假设作为输入，从而得到

②计算规则匹配度，计算输入信息与相关规则的匹配度。假设数据聚合后得到的输出激活了第k条规则，则计算输出与相关规则的匹配度方法如下式其中表示在输入数据中第 i条属性的值，xi（k+1）和xik表示与其属性相邻的两条可激活的规则。

③计算规则权重。假设输入数据激活了第k条规则，其在初始权重θk的情况下新的权重ωk的计算如下

其中，θk作为k条规则的初始权重表示输入信息在第k条规则下的匹配度。

④利用ER算法进行计算。ER理论推理公式为式（13）～ 式（14）［16］，将上述匹配度权重等数据代入，得出推理结果。

其中，βn，k表示被激活规则的信度，并且计算过程中必须保证ωk以及输出βn在作为推理输入时属于同一信度结构。

⑤判断识别结果。得出最大信度的推理结果后，结合式（3）和式（4）对识别结果进行最终分析评估。

3 应用实例

3.1 实例背景

本文对初始BRB识别模型、DE-BRB识别模型和专家指导下的DE-BRB识别模型的准确度进行对比。初始BRB识别模型是采用原始的BRB方法建立相关规则，其中所涉及的规则库根据相应数据上下界取均匀分布获得，规则建立相对简单，未采用任何优化学习方法；DE-BRB识别模型是在初始BRB模型的基础上，经过DE算法优化后的BRB模型，其中的相关规则已经得到了优化和更新；专家指导下的DE-BRB识别模型是DE-BRB模型的基础上，在优化过程中，每50次优化迭代加入人为检验参数的步骤。

如上文所述，识别目标意图的过程中有7个侦测指标可以用来进行推理，所以本文的BRB识别模型只考虑此7类指标。实例中输入的数据来自于2015年全国研究生数学建模大赛题目。假设某区域的侦测网络在某段时间内共侦察到空中嫌疑目标26次，本文将此26次有结果的侦测历史作为BRB识别模型的训练和测试数据集（见附表）。初始BRB识别模型所输入的规则参考值是由附表中各指标数据等间隔划分为5个等级，结论中规则度量的信度是综合3位专家意见给出的结果。DE-BRB识别模型和专家指导下的DE-BRB识别模型输入和权重是分别在前者基础上，根据DE优化后更新的。分析嫌疑目标意图时，定义4种识别结果，分别是：

攻击（A）：嫌疑目标将攻击保障设施。

侦察（S）：嫌疑目标将对保障设施进行侦察。

掩护（C）：嫌疑目标对真正的攻击行为进行掩护。

其他（U）：嫌疑目标的真实意图无法识别。

3.2 实例验证结果及分析

初始BRB模型的输入及识别结果如表1。在初始权重都相同的情况下，等间隔输入规则参考值，得出初始的5条信度规则。

根据以上所提出的方法步骤，对该初始BRB进行优化，得到优化后的BRB（DE-BRB）模型（如表2所示）。与初始BRB模型进行对比，可以发现在经过DE算法优化后，5条规则的权重参数得到优化，同时输入参考值和结论也得到更新。

经专家指导下优化的BRB（eDE-BRB）模型是在DE优化过程中每50代循环后暂停，通过专家的指导意见对参数进行检验调节，尝试尽可能地提高BRB识别模型的准确度。与表2对比，可以看出权重、输入参考值和结论得到了进一步优化。表3展示了专家指导下优化的BRB模型结果。

本文将历史数据集中前14项作为训练数据集，后12项作为测试数据集。3种识别模型建立后，都会经过训练数据集和测试数据集的检验。初始BRB模型对14项训练数据集进行验证的结果中有8项的结论是正确的，准确度为57.14%，对12项测试数据集验证时有5项的结论是正确的，准确度为41.67%，总体准确度为50%。经过优化的DE-BRB模型将识别结果的总体准确度提高到了92.31%，其中针对训练数据集的准确度为100%，而在测试数据集的验证中有10项结论正确，准确度为83.33%。对比初始BRB模型，DE-BRB模型的准确度有了大幅度提高。eDE-BRB模型经过DE算法优化以及专家对参数进行检验的过程，得到了准确度非常高的结果。其在训练数据集和测试数据集的准确度均为100%，说明经过DE算法优化和专家指导后，本方法在意图识别问题上能够得到精确的结果。

表1 初始BRB模型规则输入及结论

表2 DE-BRB模型规则输入及结论

表3 eDE-BRB模型规则输入及结论

表4 3种BRB识别模型识别准确度比较

4 结论

本文基于多源信息处理过程中的数据融合以及不确定性推理方法，提出了一种新的防空意图识别方法，针对防空反导体系中的意图识别问题进行初步探讨。BRB识别模型利用了BRB专家系统能够对定性和定量信息进行处理的优势，结合DE算法能够进行自学习的能力，建立了DE-BRB模型和eDE-BRB模型。

在实例探究中，从测试结果来看，基于专家知识作为背景的初始BRB模型仅仅能得到总体准确度为50%的结果。为了改进其识别精度，尝试将DE方法作为优化引擎，之后进一步将专家知识运用到参数优化和推理过程中。实例研究结果展示了优化之后的识别模型准确度不仅可以达到100%，还可以提高BRB识别模型的效率，验证了BRB识别模型的合理性和实用性。此外，通过对比分析其他具有自学习能力的智能优化算法在作为BRB识别模型优化引擎时的效率，探索更加高效和准确的BRB识别方法是本文后续工作的重点。

［1］EI-TAWEEL G S，HELMY A K.Image fusion scheme based on modified dual pulse coupled neural network［J］.Image Processing，2013，7（5）：407-414.

［2］CARLING R L.Naval situation assessment using a real-time knowledge-based system ［J］.Naval Engineering Journal，1999，111（3）：173-188.

［3］SNIDARO L，VISENTINI I，BRYAN K.Fusing uncertain knowledge and evidence for maritime situational awareness via Markov Logic Networks ［J］.Information Fusion，2015，21（4）：159-172.

［4］DAS S，GREY R，GONSALVES P.Situation assessment via Bayesian belief networks［C］//Processing of the fifth internationalconferenceinformation fusion， Cambridge，USA，2002.

［5］SALFINGERA，GIRTELSCHMIDS，PROLLB，etal.Crowd-sensing meetssituation awareness：a research roadmapforcrisismanagement［C］//2015 48th HawaiiInternationalConferenceinSystemSciences，Hawii，USA，2015.

［6］HENRY L，WU J F.Bayesian and dempster-shafer target identification for radar surveillance［J］.IEEE Transactions on Aerospace and Electronic System，2000，36（2）：432-447.

［7］WANG C，ZHANG Y.Situation evaluate on hierarchical network security based on DS evidence theory ［J］.InternationalJournalofCommunication Networksand Distributed Systems，2014，13（3-4）：245-256.

［8］BOSTON J R.A signal detection system based on dempster-shafer theory and comparison to fuzzy detection［J］.IEEE Transactions on Systems，Man Cybernetics-Part C：Applications and Reviews，2000，30（1）：45-55.

［9］MOHAGHEGHI S.Integrity assessment scheme for situational awareness in utility automation systems［J］.IEEE Transactions on Smart Grid，2014，5（2）：592-601.

［10］AZAREWICZ J，FALA G，HEITHTHECKER C.Template-based multi-agent plan recognition for tactical situation assessment［C］//Proceedings of the Fifth Conference on Artificial Intelligence for Applications，Miami，USA，Nov.1989.

［11］NADERPOUR M，LU J，ZHANG G.An intelligent situation awareness support system for safety-critical environments［J］.Decision Support Systems，2014，59（7）：325-340.

［12］WICKENS C D.Situation awareness its applications value and its fuzzy dichotomies ［J］.JournalofCognitive Engineering and Decision Making，2015，9（1）：90-94.

［13］ZHOU Z J，YANG J B，XU D L，et al.Online updating belief-rule-base using the RIMER approach［J］.IEEE Transactions on Systems Man Cybernetics-Part A：Systems and Humans vol，2011，41（6）：1225-1243.

［14］PRICE K，STORN R，LAMPINEN J.Differential evolution-a practical approach to global optimization［M］.Springer，Germany，2005.

［15］STORN R，PRICE K.Minimizing the real functions of the ICEC 1996 contest by differential evolution ［C］//Proceedings of 1996 IEEE International Conference of Evolutionary Computation，Nagoya，Japan，1996.

［16］苏琦，于敬人，金国栋.一种潜艇对水面舰艇编队攻击意图建模方法［J］.四川兵工学报，2014，35（9）:147-149.

［17］WANG Y M，YANG J B，XU D L.Environmental impact assessment using the evidential reasoning approach［J］.European Journal of Operational Research，2006，174（3）：1885-1913.

Intension Identification in Air Defense Based on Belief Rule Base Expert System under Expert Guidance

HE Yu1，CHANG Lei-lei2，JIANG Jiang1，TAN Yue-jin1
（1.School of Information System and Management，National University of Defense Technology，Changsha 410073，China；2.Rocket Force Engineer University，Xi’an 710025，China）

TP182

A

10.3969/j.issn.1002-0640.2017.09.002

1002-0640（2017）09-0007-06

2016-05-19

2016-07-08

国家自然科学基金资助项目（71671186）

和 钰（1991- ），男，山西太原人，硕士研究生。研究方向：国防采办与体系工程。