加入毁伤时间流的目标毁伤效果评估方法*

2022-05-11杨凯达

舰船电子工程 2022年4期

杨凯达

（中国人民解放军95808部队酒泉 735006）

1 引言

目标毁伤效果评估（Battle Damage Assessment，BDA）是目标保障工作的一项重要内容，贯穿作战全流程，是指挥员进行作战决策、部队检验训练效果的重要评估手段。目前，现有评估主要通过航空、航天侦察图像，电子侦察及抵近侦察等手段作为评估依据，在不同的战场环境中，受限于时效性、安全性及敌方干扰和破坏等因素，制约目标毁伤效果评估工作的开展，难以实现高效准确的评估。随着武器装备的发展，电视制导导弹以其命中精度高、杀伤威力大和作战效费比高等优点，被广泛应用于实现对目标的“点穴”式毁伤。利用电视制导导弹攻击目标时近实时的视频图像，进行目标毁伤效果评估，是一种全新的目标毁伤效果评估手段，便于飞行人员及武器操纵员在攻击单目标情况下选择目标易损伤部位，在攻击目标群的情况下选择体系中要害目标，进而提升实战条件下目标选择和战场应用能力。

2 评估流程设计

2.1 研究现状

基于导弹视频图像实现目标毁伤效果评估，相关研究鲜见于国内。美军从1999年起，就将“武器系统视频”（Weapon System Video，WSV）作为进行物理毁伤评估所需的数据资料来源之一[1]。John提出了从多个层面改进目标毁伤效果评估的技术解决方案，其中包含加装弹药传感器（Munition Sensors）[2]这一构想。美国空军实验室（Air Force Research Lab）的研究人员在文献[3]中，尝试在精导弹药上加装传感器以实现毁伤数据的收集，在安全的前提下，实现大范围的毁伤信息的反馈。同时，他们还探索延长传感器收集数据的时间，从而进行毁伤信息的收集、传输、转发等研究。但到目前为止，还没有哪种相关方法投入实际运用的报道。我方装备了大量电视制导导弹，在制定作战计划和作战实施阶段都需要及时了解被打击目标的毁伤情况，虽然有一些评估方法，但总体上比较简单、科学性不强，需要进一步研究和优化[4～6]。

2.2 技术路线

目前，大部分BDA方法和系统都难以对具有大量时序信息的信息源进行信息的处理和运用，本文提出的技术路线如图1所示，在实施首轮空地打击时，利用导弹回传的视频图像，确定导弹在被打击目标上的落点，通过对导弹战斗部威力和目标易损性的分析，利用动态贝叶斯网络模型，加入毁伤时间流的演化过程，构建目标毁伤效果评估及预测模型，实现对目标的毁伤效果评估以及预测目标毁伤趋势。

图1 技术路线

目前，作者已完成了两方面的研究，一是基于导弹实时传回的视频图像为依据，改进图像处理算法，实现导弹落点定位[7]；二是基于战斗部威力/目标易损性（V/L）方法，结合战斗部威力、雷达目标模型，建立毁伤效果模型，实现了毁伤节点数据模拟[8]。

3 加入毁伤时间流的评估模型构建

为了正确地处理、表述、转换和评估目标毁伤情况，BDA模型不仅需要能够系统地处理战场的不确定性信息[9]，同时，还应该实现对目标毁伤效果进行时间流上的推理和评估[10]。BDA模型的构建应着重思考三个方面的问题[11]：一是评估信息的不确定性，战时评估信息来源广泛，包括各类参战人员、武器平台、目标整编信息等，其中，存在着大量具有时间变化和因果关系的信息；二是战场决策的时效性，战场决策的紧迫性要求指挥员要在极短的时间内完成决策，决策者需要了解当次打击后目标的毁伤程度，以便对是否进行二次打击进行决策；三是战场态势的动态变化性。战场态势的变化，对目标毁伤的要求也随着时间的推移发生变化。

3.1 动态贝叶斯网络

贝叶斯网络（Bayesian Network，BN）[12]主要包括静态贝叶斯网络（Static Bayesian Network，SBN）和动态贝叶斯网络（Dynamic Bayesian Network，DBN）两种[13]，是一种基于贝叶斯定理和贝叶斯假设，描述各变量之间概率关系，进行不确定事件分析和推理的工具[14]。战争条件下，战场环境不断变化，利用SBN网络模型无法处理动态系统中存在的问题，特征变量在不同时刻下会呈现出不同的状态。评估实验将毁伤时间流引入BN，构建可以处理时间序列数据的动态贝叶斯网络模型。

利用状态空间模型可以实现在时间流上基于先验知识的预测，构建包括先验概率P(Χ1) 、状态转换模型P(Χt|Χt-1)及观测函数P(Yt|Χt) 的模型。设一个随时间变化的变量 Zt，用 Ut、Xt、Yt表示状态空间的三个部分，即输入、隐含和输出变量[15]。设一个D维实值观测向量{Y1，Y1，…，YT}，在每一个时间步Yt中，利用Χt进行建模，则：

模型构成结构为隐含状态变量Χ={x0，x1，…，xT-1}序列的概率分布函数和观测变量Y={y0，y1，…，yT-1}的序列，变量数为T，表示系统发生的时间界，即：

一般要求模型满足如下两个假设：一是时不变假设，即条件概率变化一直平稳，表示为P(Χt|Χt-1)与时间t无关；二是马尔科夫假设，即P(Χt+1|Χ1，Χ2，…，Χt)=P(Χt+1|Χt)。

2时间片贝叶斯网是一个贝叶斯网络片段，节点有Χ∪Χ'。其中，Χ的节点没有双亲节点，Χ'的节点条件概率分布为P(Χ′|Pa(Χ′))，该片段表现的条件概率分布为

DBN由先验网B1和转移网B→两部分构成，B1为先验分布P(Χ1)的BN，B→为一个2时间片贝叶斯网，通过有向无环图对P(Χt|Χt-1)定义为

给定窗口长度T，通过叠加(B1，B→) 形成一个完整的BN，扩展到计算DBN中每一个点的联合概率分布。

3.2 模型结构及参数

3.2.1 拓扑结构

BN模型拓扑结构主要体现变量之间的相互关系，各个变量对于目标毁伤效果评估的决定权重是不同的，需要将所有因素融合处理，才能降低不确定性对评估结果的影响[16]。建立DBN模型是一个逐层推理的过程，先根据评估特征变量确定BN拓扑结构，再利用转移BN模型，对先验BN模型进行扩展，根据相邻时刻特征变量之间的相互影响程度，建立因果关系，充分反映特征变量之间的概率依赖关系和毁伤时间流下的演化过程。将SBN网络沿时间流展开，得到DBN目标毁伤效果评估模型，如图2所示。

图2 DBN评估模型结构

3.2.2 评估变量

将｛武器威力，武器落点，目标类型，目标作战能力，目标防御能力，目标修复能力｝作为目标毁伤效果评估的特征变量属性集，其子变量的节点状态集合如表1所示。

表1 模型各节点状态集合

4 仿真实验及分析

4.1 加入毁伤时间流的BDA

采用Netica软件开展仿真，依据DBN模型，建立推理图形。模型初始化后，加入初始数据，通过仿真，得到的模拟导弹落点及V/L结果，更新模型节点数据。网络推理被触发，各网络节点的概率分布数据更新，获得T时刻的评估结果。设定两种典型作战想定方案，如表2所示。

表2 两种典型作战想定

打击目标为某雷达永备阵地，配属维修分队，维修实力较强，对遭受中度和轻度的打击，具有一定的抗毁伤能力。相邻时刻的条件转移概率的取值与相邻时刻的选取密不可分，间隔时刻不同，条件概率也就随之变化。根据维修的成效性评估，设定条件转移评估时刻的间隔为1天，评估时刻为时刻T1至时刻T10。模型时刻间的条件转移概率表见表3。

表3 相邻时刻的条件转移概率表

初始数据输入后，得到两种想定条件下的评估模型推理结果（时刻T1），各节点状态概率如图3、图4所示。

图3 想定方案A模型推理结果（时刻T1）

图4 想定方案B模型推理结果（时刻T1）

BDA与V/L（LE、VU）三个关键节点在各时刻的概率分布表如表4、表5所示。

表4 关键节点概率分布表（想定方案A）

表5 关键节点概率分布表（想定方案B）

4.2 未加入时间流的BDA

不考虑时间流对目标毁伤效果评估的影响，只能实现基于输入数据的静态评估，初始数据输入后，BDA与V/L（LE、VU）三个关键节点的概率分布表如表6所示。

表6 关键节点概率分布表

4.3 结果分析

如图5所示，想定方案A条件下，随着时间流的演进，目标处于重度毁伤（T）、中度毁伤（M）、轻度毁伤（L）三个状态的概率分布，在10个时刻内变化较为明显。目标处于T、M、L状态的概率演化分别呈现递减、平稳、上升的趋势。T1时刻的目标状态，表现为其遭受打击后实时的毁伤情况，目标处于T状态的概率较高，达56.7%。T1～T6时刻期间，随着维修力量的介入，目标整体毁伤情况有所缓解。T6时刻目标处于T状态的概率达50.1%，与处于M、L状态的概率之和基本持平，之后目标毁伤情况明显好转，其处于T状态的下降趋势加快，相对应的，处于L状态的趋势明显增强。T6～T7时刻之间，目标处于M、L状态的概率分布交汇，T9～T10时刻之间，目标处于T、L状态的概率分布交汇，目标毁伤状态明显好转。通过分析可知，T6时刻是实施二次打击的最佳时机。

图5 想定方案A条件下目标毁伤状态分布趋势

如图6所示，想定方案B条件较为有利，我方已部分取得制空权，敌方无干扰，导弹制导精度较高，在T8时刻之前，目标处于T状态的概率，一直处于80%以上，反映此次毁伤效果较为严重，取得了较好的打击效果。整体上看，目标处于T状态的概率经历了小幅度提升，在T4时刻达到峰值，达83.8%，说明有毁伤二次效应出现；在T7时刻后，概率下降趋势开始加强，目标处于M状态、L状态的概率同步有所提升，但都在10%之内。通过分析可知，目标在较长时间内毁伤较为严重，功能恢复的可能性较小，没有二次打击的必要。

图6 想定方案B条件下目标毁伤状态分布趋势

在同样观测数据下，两种模型在T1时刻的毁伤评估等级基本一致，未加入时间流的BN模型只能评估T1时刻目标的毁伤情况，而加入时间流的DBN模型可以对T1～T10时刻的目标毁伤情况进行评估，实现对时刻间毁伤情况的利用与转化，较好地展示了目标毁伤情况在时间流下的变化。

4.4 评估验证

结合某次实弹演练数据，对DBN模型的可行性进行验证。演练主要对某型雷达目标进行打击，打击共分为两个阶段：第一阶段载机在较远距离发射导弹，对雷达目标进行打击，打击后由情报人员进行目标的毁伤效果判定；第二阶段在第一阶段的基础上，对目标进行二次打击，打击后由情报人员进行目标的毁伤效果判定。导弹采用爆破战斗部，由视频监视设备确定导弹在目标上的落点。第一阶段打击结束后，目标受损，经专家综合评估后，判定目标的毁伤为轻度毁伤。通过DBN模型的计算，得到第一阶段打击后雷达处于T、M和L状态的概率分别为14%、21%和65%，目标处于L状态的概率最大，模型计算结果与专家评估相一致。第二阶段的打击结束后，经专家综合评估后，判定雷达的毁伤为中度毁伤。DBN模型计算得到目标处于T、M和L状态的毁伤概率分别为37%、48%和15%。目标处于M状态的概率最大，模型计算结果与专家评估相一致，基本符合时间演化过程毁伤评估结果变化。综上所述，利用DBN模型开展目标毁伤效果评估的准确性较高，与人工评估结果基本一致。