用于战术意图识别的动态序列贝叶斯网络

作者:葛顺;夏学知 刊名:系统工程与电子技术 上传者:牟爱志

【摘要】针对意图规划过程的层次性和序列性,提出了序列贝叶斯网络(series Bayesian network,SBN)模型,并将动态贝叶斯网络(dynamic Bayesian network,DBN)模型和SBN模型结合起来,构建了动态SBN(dynamic SBN,DSBN)模型进行规划识别,模型的DBN部分用于由特征序列推理元意图,SBN部分用于由序列意图逐层推理父意图。推导了模型的算法,分析了模型在规划识别问题中的表达和推理能力。实验表明,DSBN模型能够有效根据特征序列识别战术意图。

全文阅读

0引言在战场态势分析中,敌方的战术意图是指挥员决策的重要依据之一,对敌方战术意图判断的准确性和及时性将直接影响我方作战指挥决策的正确性和有效性。在传统中主要依靠人来进行分析和判断的战术意图识别过程已经不能适应现代战场上的信息化全维作战需要,迫切需要先进的智能化手段来实现战术意图的识别。在美国国防部JDL实验室2004年发布的最新数据融合层次模型[1]中,意图识别作为高层数据融合过程成为战场态势评估和威胁评估中的重要组成部分。近年来,随着数据融合技术的发展,该技术已经成为国内外军事决策和战场数据融合领域研究的热点。军事领域的战术意图识别类似于人工智能领域的规划识别问题。规划识别问题是指从观察到的某一智能体的动作或动作效果出发,推导出该智能体目标规划的过程。规划识别问题最早由Schmidt等人于1978年提出[2]并逐渐成为人工智能中比较热门的研究方向之一。将人工智能中的规划识别理论应用到军事中的战术意图识别领域,也就是依据从各种信息源得到的信息,结合敌方兵力的部署、战场环境的分析、敌方战斗序列和战术条令的理解、我方所承担的作战任务,来识别敌方战术意图和作战计划的过程[3]。文献[4-15]分别基于规划识别技术、模糊Petri网络、证据理论、贝叶斯网络(Bayesiannetwork,BN)及动态BN(dynamicBN,DBN)、极大似然理论、知识组织和反绎逻辑等理论对态势评估和意图识别进行了研究。其中,BN因其严密的数学逻辑表达能力和因果概率推理能力[16]而受到关注。自18世纪英国数学家贝叶斯论述“逆概率”的论文《关于机率性问题求解的评论》[17]和1986年美国加州大学Pearl教授将贝叶斯理论和图模型有机结合提出BN[18]以来,该理论已经得到广泛而深入的研究和发展,文献[19-20]提出可以聚合表示领域知识的层次BN(hierarchicalBayesiannetwork,HBN);文献[21-23]提出了沿时间推演的DBN;文献[24]将实体抽象出来提出面向对象BN(object-orientedBayesiannetwork,OOBN);文献[25]针对模型的构建提出多实体BN(multi-entityBayes-iannetwork,MEBN),高晓光等人还深入研究了变结构DBN[26],等等。然而,战术意图推理不仅需要对事件的时序关系和逻辑关联关系的分析,同时还有对规划的逐层展开过程的分析。现有的各种BN难以对战术意图的规划过程进行持续、清晰的表达和准确、有效的推理。为此,本文研究提出了动态序列BN(dynamicseriesBayesiannetwork,DSBN)模型,尝试对战术意图推理问题给出另一种解决思路。1相关理论背景1.1BNBN是基于概率论和图论的一种不确定性知识的表示和推理模型,表现为一个有向无环图(directedacyclicgraph,DAG),其数学表示为。其中,V表示网络模型的节点集;E表示节点之间有向边的集;P表示节点间的条件概率分布关系。图1所示为一个典型的BN。父节点的状态决定了子节点的状态,同时,子节点也逆向影响父节点的状态。记X的信度为Bel(X),称X从父节点U和V处获得因果信息,从子节点Y和Z处获得诊断信息。于是Bel(X)=p(X|U,V,Y,Z)=p(U,V,Y,Z,X)/p(U,V,Y,Z)=p(Y,Z|X,U,V)p(X|U,V)p(U)p(V)/p(U,V,Y,Z)考虑到该BN中,节点X将其父节点U、V与子节点Y、Z隔离开来,且U与V相互独立,于是Bel(X)=p(Y,Z|X)p(

参考文献

引证文献

问答

我要提问