基于DBN 和证据网络的目标威胁评估方法研究*
2022-05-24齐莹莹
李 智,齐莹莹,王 莉
(航天器在轨故障诊断与维修重点实验室,陕西 西安 710043)
0 引言
在体系对抗作战中,指挥人员需要在较短时间内,在目标信息不确定的情况下做出决策,因此需要在对目标和作战意图进行识别的基础上,对目标进行威胁评估并得出等级排序,从而为指挥人员决策提供辅助。对于目标威胁评估,国内学者已开展相关研究。董洪乐通过基于轨迹特征的方法,对预警系统目标进行识别评估;师维克等多位学者,通过采用DBN 或改进DBN,对防空目标进行威胁评估;游雅倩等多位学者,通过证据网络方法,对空战态势和防空能力等进行评估;刘铜采用基于证据理论与DBN相结合的方法,开展炮兵远程火力毁伤评估。对于太空目标威胁评估,周立新采用DBN 开展空间战场的目标威胁评估,建立了基于DBN 的空间战场目标威胁评估模型。但是空间战场由于信息严重不透明性,存在许多关键的未知信息,严重影响目标的意图识别和威胁评估。DBN 无法处理这些未知信息,造成威胁评估的准确度和可信度大打折扣,因此需要采用证据理论方法来对这些未知信息进行处理。此方面的相关研究较少,本文采用DBN 和证据网络相结合的方法,实现更加准确的太空目标威胁评估。
1 目标威胁评估概述
在进行目标意图识别和威胁评估的过程中,实时获取的目标信息通常具有很高的不确定性,针对不确定信息的威胁评估普遍采用的是BN,BN 结合了概率分析和图论,能够用于不确定性知识的表达和推理,适合描述复杂系统中事件与态势间的不确定性关系。但由于当前体系对抗作战包含太空、天空、海洋、陆地、电磁等多域多维空间,存在多样性和复杂性,BN 在战场态势随时间发生动态变化条件下进行目标威胁评估仍然有所不足。而DBN 可以根据不同时间片段上获得的事件信息,得出不同时刻或者同一时刻不同战场信息要素之间的因果关系,并根据历史数据和新获取的证据信息进行态势推理。同时体系对抗作战中存在着诸多影响目标威胁评估的未知因素和信息,DBN 不具备处理未知信息的功能,而证据网络作为贝叶斯网络的扩展,是适用范围更广的信度函数理论框架下的不确定知识处理方法,它除了能更好处理多种不确定信息(如概率的、模糊的知识)外,还能处理一些未知信息。因此本文基于上述目标威胁评估的方法,针对体系对抗作战战场态势的动态变化和未知信息,建立基于DBN 和证据网络相结合的目标威胁评估模型,以DBN 为主体方法框架,来处理动态变化条件下的目标威胁评估,同时采用证据网络加以补充完善,对威胁评估的未知因素和信息进行处理,从而实现更加完备的目标意图识别和威胁评估。
2 动态贝叶斯网络
DBN 以BN 为基础,在时序上加以扩展,是表示复杂随机过程的有向图模型。设随时间变化的节点集为={,,…,X},X[]表示第个变量在时刻的状态值,一个DBN 可以定义为:(,)。其中,表示初始的BN,它指定了初始状态的概率分布([0]);表示转移网络,它指定了时刻到+1时刻变量集状态的转移概率([+1 ]|[])。DBN 是将BN 的静态结构与时序信息相结合,因此在DBN 中,网络的拓扑结构、变量集和变量间的内部因果关系在每个时间片下都是相同的。利用DBN 解决实际问题一般是在已知网络拓扑结构和观测序列的条件下,通过DBN 推理算法得出每个节点的概率。DBN 推理算法有向前、向后推理算法,分解树算法,边沿算法,接触面算法,卡尔曼滤波及光滑等。下面给出前向、后向推理算法的描述。
1)初始状态分布矩阵为:=(),式中,π=(=);
2)状 态 转 移 矩 阵 :=(a),式 中 ,a=(x=|x=);
3)观测矩阵:=(b),式中,b()=(y=|x=);
由此 DBN 的参数可以简化为:=(,,)。
3 证据网络
证据网络是信度函数框架下的一种对不确定性进行建模的图模型,像贝叶斯网络一样,证据网络包括2 部分:定性部分描述网络的拓扑结构,定量部分描述变量间的条件依赖关系。证据网络的拓扑结构用有向无环图来建模,可形式化表示为=(,)。式中,节点集合表示研究问题的不同变量,有向边集合表示变量间的条件依赖关系。在定量层面上,证据网络用一组由条件信度函数建立的参数来表示。证据网络建模包括结构建模和参数建模,结构建模解决定性层面的问题,即根据研究的具体问题确定节点,初步分析节点之间的依赖关系并建立有向无环图。比较常用的结构建模方法有影响图、因果图和贝叶斯网络方法,本文选择因果图方法进行证据网络结构建模。因果图是表示原因和效果的网络图,也是一种基于概率的知识表达模型,适用于问题建模领域,可用它表示专家知识或者对某一特定问题的认识。
1)基于因果图的证据网络结构建模
因果图在结构分析上能够很好地与证据网络模型相匹配,二者的节点一一对应,可以直接转化;因果强度也可以转化为证据网络的参数模型。在此基础上,从因果图转化到证据网络,还需要注意以下问题:证据网络是有向无环图,但因果图中可能存在环路;为了减少重复建模,在证据网络中需要明确直接因果关系和间接因果关系;根据因果图的因果强度建立证据网络参数。
2)基于条件信度函数的证据网络参数建模
以条件信度函数为参数的证据网络模型称为条件证据网络,条件证据网络的每个节点N从其识别框架Θ取值。N的父节点集合记为P(N),N的子节点集合记为C(N)。每条父节点N与子节点N之间的有向边由一个条件基本可信度函数来表征依赖程度,记为(N|N)。每个子节点类似于贝叶斯网络中的条件概率:每个子节点N与一个条件基本可信度函数(N|N)相关联。
4 基于DBN 和证据网络的目标威胁评估模型
4.1 目标威胁评估层次结构
体系对抗作战中的太空目标威胁评估,需要从目标的类型特征识别、目标的作战能力评估、目标的机动能力评估以及目标的行动意图识别4 个方面进行,它们之间的层次结构关系如图1 所示。
图1 太空目标威胁评估层次结构图
首先,通过行动意图识别来决定威胁等级;其次,目标的行动意图识别又取决于目标的类型特征、作战能力以及机动能力,其中机动能力是行动意图识别过程中的一个基础因素,当探测到某太空目标进行轨道机动时,结合目标类型及作战能力来推理识别出其对己方航天器的行动意图。
4.2 目标威胁评估因素确定
为确定DBN 中的节点变量,需要研究确定太空目标威胁评估因素。根据上述的太空目标威胁评估层次结构,分别对目标的类型特征识别、作战能力评估、机动能力评估3 个方面的评估因素进行确定。
1)目标的类型特征识别评估因素确定,从最能反映太空目标本质的特征入手,通过对太空目标特性特征的分析研究,确定目标类型特征识别的评估因素,如图2 所示。
图2 太空目标类型特征识别评估因素
2)目标的作战能力评估因素确定,从太空攻击能力、太空防御能力、态势感知能力和信息对抗能力4 个方面入手,确定目标作战能力评估因素,如图3 所示。
图3 太空目标作战能力评估因素
3)目标的机动能力评估因素确定,从行为层特征和状态层特征2 个方面,确定目标机动能力评估因素,如图4 所示。
图4 太空目标机动能力评估因素
4.3 基于DBN 和证据网络的威胁评估模型
1)确定DBN 网络拓扑结构
DBN 网络拓扑结构由太空目标威胁评估的层次结构决定,本文选取局部体系对抗作战中的小规模空间对抗,根据确定的太空目标威胁评估因素,构建基于DBN 的太空目标威胁评估模型,如图5 所示。
图5 基于DBN 的太空目标威胁评估模型
2)确定节点变量的状态集
上述建立的基于DBN 的太空目标威胁评估模型是一个逐层推理的过程,下面从目标的类型特征识别、目标的作战能力评估、目标的机动能力评估以及目标的行动意图识别4 个方面来详细说明节点变量的状态集。
目标类型特征识别主要是根据观测到的目标特性特征来识别目标的类型。在小规模的空间作战中,只考虑具有代表性的3 种类型的目标:目标类型={卫星,导弹,碎片}。根据确定的目标类型特征识别评估因素,其状态集合为:轨道特性={低轨,中高轨,高轨};姿态特性={三轴稳定,自旋稳定,翻滚状态};几何形状={对称的球形和柱形,锥形,不规则形状};尺寸大小={大(十几米),中(几米),小(厘米级)};频率特性={S,X,Ka,Ku,EHF};信号方向={对天,对地};信号特征={测控,数传};可见光反射={镜面反射,边缘散射,不规则反射};雷达辐射={脉冲,连续波};红外辐射={近红外,中红外,远红外}。
目标作战能力评估结果的状态集为:{高,中,低},作战能力评估因素的状态集合为:太空攻击能力={高,中,低};太空防御能力={高,中,低};态势感知能力={高,中,低},再往下细分的各种能力同样也为{高,中,低}。
目标机动能力评估结果的状态集为:{有,无},机动能力评估因素的状态集合为:轨道机动={高,中,低,无};姿态机动={高,中,低,无};轨道交会={高,中,低,无};轨道拦截={高,中,低,无};方向变化={有,无};加速度变化={有,无};交会距离={远(大于50 km),近(小于50 km)}。
在上述目标机动能力、作战能力以及目标类型评估因素基础上进行推理,得出太空目标的行动意图,目标行动意图识别的结果直接决定了目标威胁等级的高低,空间作战中将目标行动意图确定为6 个具有代表性的状态:意图={成像侦察、定向能攻击、动能攻击,电磁干扰、空间操控攻击、无企图}。
3)确定条件概率表及转移概率
转移概率是经验概率,它表示在上一时刻威胁度已知的情况下,下一时刻威胁度的状态概率,如表 1 所示。
表1 转移概率
条件概率是先验概率,一般通过2 种方法确定:一种是由领域专家基于空间作战领域丰富的模型知识确定条件概率;另一种是通过大量的训练数据进行网络学习确定条件概率。本文利用第1 种方法确定条件概率表,给出(威胁等级/意图)、(意图/目标类型)和(意图/作战能力)等部分条件概率,如表2 所示。其中,(状态2/状态1)表示在状态1 发生的条件下状态2 发生的概率。
表2 条件概率表
4)证据网络对未知信息处理
在上述节点变量状态集合中,有很多值为未知信息,对于这些未知信息无法由领域专家根据模型知识确定条件概率,本文利用条件信度函数模型进行证据网络参数建模,对未知信息进行处理。由于篇幅有限,本文以作战能力评估因素中的太空防御能力状态集合为例,对证据网络参数建模过程进行阐述。
首先建立评估问题识别框架。太空攻击能力的识别框架为{高,中,低},下一层次的攻击识别、威胁溯源和主动规避的识别框架为{高,低},如表3 所示。
表3 太空防御能力识别框架
其次建立条件信度参数表。参考领域专家的经验,建立太空防御能力条件信度参数表,如下所示。
上面所述中,(|AD=,TT=,AA==0.2),表示存在未知信息时,将一部分信度分配给节点状态的识别框架全集。
5 结束语
本文针对BN 在体系对抗作战目标威胁评估中存在的不足,提出利用DBN 和证据网络相结合进行目标威胁评估的方法,并结合太空目标的威胁评估问题,建立了基于DBN 和证据网络的目标威胁评估模型,以DBN 为主体方法框架,来处理动态变化条件下的目标威胁评估,同时采用证据网络加以补充完善,对威胁评估的未知因素和信息进行处理,从而实现更加完备的目标意图识别和威胁评估。该模型具有一定的合理性和先进性。本文方法的不足在于:目前的条件信度参数表很大程度上依赖专家经验,仅适合于有效数据有限的问题初始阶段;在DBN 和证据网络结合细节上,还需要进一步研究。