航母编队反潜目标识别和威胁评估仿真
2019-04-23马亚平
陈 龙，马亚平
（1.国防大学研究生院，北京 100091；2.国防大学公共平台中心，北京 100091）
0 引言
现代战争已经演变为高技术信息化战争，是一场全域多维一体化较量的战争。现代战争是一个典型的系统，该系统具有复杂性特征，面对这样一个战争系统，指挥员在作战时需要考虑的因素是多方面的，只有充分利用现有条件优势，根据敌我双方的态势，迅速定下行动决策，才能在瞬息万变的战争中赢得主动权。当前，我航母编队战斗力逐渐形成，随着战场空间的扩展，航母编队面临的威胁是多方向、多方面，其中水下方面最为严峻，水下威胁具有不确定性、不透明性等特点，一旦遭遇攻击将更加致命。航母编队投入战场开始作战时，指挥员面对稍纵即逝的反潜战机时，单凭指挥员能力和水平来作出决策几乎是不可能的。如何有效利用现有战场态势、综合因素服务于指挥员作战将是迫切需要解决的棘手问题。
在现代海战场环境中，航母编队的反潜任务非常艰巨，反潜作战的前提是进行有效的目标威胁判断，这也是航母编队对潜防御的一个先决条件，是对潜火力防御的重要依据。当前，利用多种传感器技术对海域能够实现全方位、多层面的侦察，实现多层次发现目标，但同时传感器收集到的信息源种类繁多，信息容量较大，会造成“海量”的数据信息，给信息准确判断带来了巨大困难，同时也给指挥员定下作战决心带来很多不确定性，如何对搜集到的目标信息进行综合分析、凝练出有效价值信息，从而进行目标识别和威胁评估是一项充满挑战的研究，这项研究具有重要的理论价值和应用价值。
目标识别是威胁评估的前提，目标识别服务于目标威胁评估，神经网络法[1]、贝叶斯网络法[2]、云模型理论法[3]、直觉模糊集法[4]等方法经常用来进行威胁评估，但尚未运用于航母编队作战决策中，本文首次运用贝叶斯网络定量分析航母编队反潜作战，通过综合部队实际数据、院校专家和资料构建新的贝叶斯网络模型，将目标信息输入，定量定性分析后推理出识别结果和威胁属性，与实际作战部队数据进行对比，结果较好地验证了模型的有效性。
1 贝叶斯网络
众所周知，贝叶斯网络模型可用二元组表示：B=
则根据条件独立性，可求得其他变量n个节点的联合概率式（2）：
给定变量Vi，Vj的条件概率由P（Vi|Vj）表示。对于变量 Vi，Vj的任何值，可以给出式（3）：
式中：P（Vi|Vj）是Vi，Vj的联合概率；P（Vj）是Vj的边缘概率。从上式看出，联合概率可表示如式（4）：
任务条件概率可从联合概率计算而来表示为式（5）：
变量Vi的组合方式影响表达式，链式规则可简洁表示如式（6）：
由此得到贝叶斯法则或者贝叶斯定理式（7）：
根据贝叶斯规则，对于多值随机变量的更一般情况如式（8）：
在某些证据e上有式（9）：
假设网络的节点值起点为 Y1，Y2，Y3，即战场综合信息和目标信息，设Xi为网络的终点输出值，用于航母编队中威胁等级用高、中、低来表示，A，B，C是网络起点和终点的中间桥梁节点，可以对捕获到的目标i信息进行威胁等级评估，可得式（10）：
其中，α表示归一化参数，结合联合概率公式，可得式（11）：
进一步可以表示为式（12）：
2 构建航母编队目标识别网络
构建网络中的各层变量：假定变量、观测变量和中间变量，建立如图1所示的目标识别贝叶斯网络模型。
图1 目标识别的贝叶斯网络图
其中假定变量为识别的目标类型，其取值范围为可能的目标类型，用根节点表示。目标类型有核潜艇（NSM）、常规潜艇（SM）、鱼雷（TOD）、鱼群（FS）、其他（OH）；观测变量目标速度、回声强度、回声类型、目标深度。对目标识别是首先通过各类传感器根据自身收集到的战场信息，输入到网络中进行计算，得到融合结果，然后根据融合结果进行识别估计，最后根据识别的概率值范围来确定目标类型的最大可能性，由此可得目标识别的框架，如表1 所示[5-6]。
表1 目标融合识别节点框架表
由于缺乏实际作战样本，不可能通过学习得到条件概率，本文是基于现有条件，结合院校和部队实践中得到的数据，经过去保密化和适当调式对比，得到较为可靠的数据，在一定程度上提高了网络评估结果的真实性和有效性。条件概率表如下页表2所示。
3 构建航母编队威胁评估网络
根据传感器捕获到的目标信息参数，进行提炼和过程处理，建立具体的分层贝叶斯网络模型，使用条件概率进行初始赋值处理，得出节点概率数值，基于威胁评估规则，在网络中计算威胁程度概率值，输出判断目标威胁等级。推理流程如图2所示。
图2 威胁评估分层贝叶斯网络推理流程图
潜艇编队意图可分解为平台威胁1、平台威胁2和平台威胁n等，潜艇编队依托各自意图进行作战行动，潜艇编队对水面舰艇的威胁是由各子平台威胁组合而成。威胁组合内部是因果关系，可根据这样的关系构建评估威胁的分层贝叶斯网络模型。其灵活性在于不同的平台更换不影响网络的连续性和稳定性，平台不同只需更换相应子网络模块，其他部分能够保持不变，具备了较好的网络适应能力，增强了网络适用的范围，能够用于敌情变化复杂的战场。如图3所示，图中方形叶子节点为推理的起点，经过中间节点，过渡到网络推理结果输出点，即为判断潜艇编队威胁等级[7-8]。
图3 航母编队分层贝叶斯网络图
分层贝叶斯网络中以搭载武器、回声特征、目标深度、目标速度、目标位置、目标航向作为叶节点，节点的选取因目标不同而异。
目标的静态特性，诸如类型和武器样式决定了能力大小；水下目标的动态特性，诸如位置、航向、航速等决定了意图类型。网络模型中平台威胁（Ptr）节点用根节点表示，取值状态为高（H）、中（M）、低（L）3种状态，具体各节点取值如表3所示[9-10]。
根据院校与部队相结合原则，基于实践中得到的数据，经过去保密化和适当调式对比后，得到的条件概率表如下页表4所示。
表2 条件概率表
表3 节点框架表
4 仿真实验与结果分析
4.1 目标识别实验结果分析
目标参数信息采集是通过航母编队内部布设的各类型传感器捕获得到，初步处理后得到各种目标的参数信息如表5所示。
使用构建的目标识别网络进行目标识别结果输出如表6所示。
从图4可以看出，A目标为核潜艇，其概率达到PA=0.502 23，B目标为常规潜艇，其概率达到PB=0.582 34。
4.2 威胁评估实验结果分析
现有各种目标的参数信息如表7所示。
使用构建的评估网络进行威胁评估结果输出如下页表8所示。
表4 条件概率表
表5 目标参数表
表6 目标识别结果概率表
从图5可以看出，影响因素中搭载武器与否影响较大，B目标的威胁等级降低较多；目标处于的状态也对评估威胁等级有一定程度的影响，如目标C进攻威胁较大；敌潜艇编队中威胁最大的是目标E，威胁概率PE=0.812 08，对于航速达到40 kn的目标，根据常识可判为敌鱼雷，优先对其进行防御；G目标和H目标威胁较小，在防御顺序上可放置末尾，待进一步判定后再行动。
图4 A、B目标识别图
表7 目标参数信息表
表8 目标威胁评估结果概率表
从图6可以看出，各目标的高威胁等级概率变化情况。
从图7可以看出，目标的威胁等级变化直观情况。
图5 A、B目标威胁评估图
图7 威胁等级评估图
图8 航母编队威胁等级评估图
5 结论
从表6可以看出，A目标为核潜艇，其概率达到PA=0.502 23，B目标为常规潜艇，其概率达到PB=0.582 34。C目标为鱼雷，其概率达到PC=0.509 52，D目标为鱼群，其概率达到PD=0.730 59，E目标为其他目标（一般有可能为海底电缆、光纤等），其概率达到PE=0.418 28，F目标为常规潜艇，其概率达到PF=0.404 41。
从图8可以看出，最终我方对敌潜艇编队做出威胁评估判断，通过威胁评估得到PL=0.184 45，PM=0.303 69，PH=0.511 87，敌潜艇编队威胁等级评估为高威胁等级。
通过对比部队演习情况，构建的评估网络推理得到的仿真结果有一定的参考价值，能够为指挥员作战提供一定的决策建议，有利于缩短作战反应时间。该网络模型能够用于对敌水下目标识别和评估威胁，为指挥员决策部署提供了一种定量定性分析的方法手段，起到了一定的辅助参考作用。
