基于離散DBN的多UAV協(xié)同對海突擊目標優(yōu)先等級評估*

韓玉龍 林 云 陳 榕 孫守福 高 武

(海軍航空工程學院 煙臺 264001)

?

基于離散DBN的多UAV協(xié)同對海突擊目標優(yōu)先等級評估*

韓玉龍 林 云 陳 榕 孫守福 高 武

(海軍航空工程學院 煙臺 264001)

針對UAV編隊在遂行對海突擊作戰(zhàn)任務時面臨的目標選擇難題,從目標體系的角度出發(fā),圍繞目標價值性、目標威脅性和攻擊可行性三個方面構(gòu)建了基于離散DBN的目標優(yōu)先等級評估模型的網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)計了一個對海突擊作戰(zhàn)想定,利用Netica軟件對模型進行了仿真,完成了對海上目標的優(yōu)先等級排序。通過仿真算例驗證了模型的有效性,仿真結(jié)果可以為UAV部隊對海突擊訓練和作戰(zhàn)提供參考。

無人機; 動態(tài)貝葉斯網(wǎng)絡(luò); 對海突擊; 目標優(yōu)先級; 評估

Class Number TP391

1 引言

海上作戰(zhàn)環(huán)境日益復雜,多UAV編隊遂行對海突擊作戰(zhàn)任務需要應對的目標種類和數(shù)量都越來越多,受UAV數(shù)量限制,不可能對敵方所有目標進行攻擊。如何確定目標的優(yōu)先等級,形成突擊目標清單,成為對海突擊作戰(zhàn)任務規(guī)劃的重要任務。

多UAV協(xié)同對海突擊目標優(yōu)先等級評估是指根據(jù)編隊指揮所的作戰(zhàn)企圖和戰(zhàn)場態(tài)勢、我方所掌握的目標信息資料、UAV及其武器系統(tǒng)的性能,對敵海上目標進行全面分析、對比,從中選取最應該和最適合打擊的目標并進行排序,即從整個敵海上目標體系中確定最需要并且最適合UAV打擊對象的一種決策活動[1～2]。

2 離散DBN理論概述

很多隨機現(xiàn)象,例如戰(zhàn)場環(huán)境的變換、語音的產(chǎn)生以及連續(xù)變化的視覺圖像等,都涉及一些隨時間變化的隨機變量。而標準的貝葉斯網(wǎng)絡(luò)僅能對靜態(tài)系統(tǒng)進行建模。為對此類動態(tài)過程進行表達和推理,引入了動態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Networks,DBN)的概念[3～4]。

DBN是以概率網(wǎng)絡(luò)為基礎(chǔ),將靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)與時間信息相結(jié)合,形成具有處理時序數(shù)據(jù)能力的隨機模型,即DBN是一組隨時間擴展的貝葉斯網(wǎng)絡(luò)模型。2002年美國伯克利大學的Murphy在其博士論文”Dynamic Bayesian networks:Representation,inference and learning”中給出了離散DBN的完整定義以及相關(guān)的理論框架,目前,該論文也已經(jīng)成為DBN在實際應用中的理論框架。

離散DBN中每段時間間隔下的貝葉斯網(wǎng)絡(luò)稱為時間片。其中,每個時間片可包含多個時刻,也可為一個時刻,相鄰時間片的間隔由實際任務情況決定。要使用貝葉斯網(wǎng)絡(luò)來表述這一隨時間擴展的過程,需得到隨機變量X[1],X[2],…,X[n]的概率分布,但這樣一個分布是十分復雜的[5]。因此,為了能夠?qū)碗s系統(tǒng)進行研究并建立相應的模型,需要做一些假設(shè)和簡化條件處理。假設(shè)條件如下:

1) 動態(tài)概率過程具備馬爾科夫性,滿足P(X[t+1]|X[1],X[2],…,X[t])=P(X[t+1]|X[t]),即未來時刻的概率與過去時刻無關(guān),只與當前時刻有關(guān);

2) 每個時間片內(nèi)網(wǎng)絡(luò)結(jié)構(gòu)平穩(wěn)一致;

3) 相鄰時間的條件概率過程平穩(wěn),也就是說P(X[t+1]|X[t])與時間t無關(guān),能夠方便地得到不同時間的轉(zhuǎn)移概率。

在上述假設(shè)條件下,DBN由以下兩部分組成:

1) 先驗網(wǎng)絡(luò)B1,是一個定義在初始狀態(tài)X[1]上的聯(lián)合概率分布。

2) 轉(zhuǎn)移網(wǎng)絡(luò)B→,是一個定義在變量X[t]與X[t+1]上的轉(zhuǎn)移概率P(X[t+1]|X[t])(對所有t都成立)[5～6]。

(B1,B→)組成的DBN是對應于變量X[1],X[2],…,X[∞]上的半無限網(wǎng)絡(luò)結(jié)構(gòu)。在實際計算中,只考察一個有限的時間段1,2,…,T,并將離散DBN展開到X[1],X[2],…,X[T]上的一個網(wǎng)絡(luò)結(jié)構(gòu)。在時刻1,X[1]的父結(jié)點是那些在先驗網(wǎng)絡(luò)B1中的結(jié)點,在時刻t+1,X[t+1]的父結(jié)點是那些在時刻t和時刻t+1中的都相關(guān)的在B→中的結(jié)點。

(1)

同樣可以計算出DBN中任一結(jié)點的聯(lián)合概率分布律為

(2)

3 離散DBN推理算法

離散靜態(tài)貝葉斯網(wǎng)絡(luò)可以根據(jù)多個時刻的觀測值來對系統(tǒng)的狀態(tài)進行定性推理,能夠?qū)⒏鱾€時刻的觀測值相互補充和修正,來處理觀測值的不確定性,進而增強推理結(jié)果的準確性。

首先,貝葉斯網(wǎng)絡(luò)以及DBN推理的依據(jù)是貝葉斯公式:

(3)

一個具有n個隱藏結(jié)點、m個觀測結(jié)點的靜態(tài)BN,根據(jù)BN的條件獨立特性,得到其推理公式:

p(x1,x2,…,xn|y1,y2,…,ym)=

(i=1,2,…,n;j=1,2,…,m)

(4)

xi表示觀測變量Xi的一個取值狀態(tài),而yj表示觀測變量Yj的取值。pa(Yj)表示yj的雙親結(jié)點集合。在式(4)中,分母求和符號∑下x1,x2,…,xn表示隱藏變量的一種組合狀態(tài)。分母的是對觀測變量組合狀態(tài)以及隱藏變量組合狀態(tài)的聯(lián)合分布求和,實際是計算確定的觀測變量組合狀態(tài)的分布。

上述靜態(tài)貝葉斯網(wǎng)絡(luò)隨時間發(fā)展就得到T個時間片的DBN,由于觀測值只有一種組合狀態(tài),因此在此觀測值下隱藏變量的分布為

p(x11,x12,…,x1n,…,xT1,xT2,…,xTn|y11,y12,…,y1m,…,yT1,yT2,…,yTm)

(5)

式中:i=1,2,…,T,j=1,2,…,m,k=1,2,…,n。xij表示Xij的一個取值狀態(tài)。第一個下標表示第i時間片,第二個下標表示該時間片內(nèi)的第j個隱藏結(jié)點。yij表示觀測變量Yij的取值。pa(Yij)表示Yij的雙親結(jié)點集合。分母求和符號∑下x11…x21…xT1…xTn為隱藏變量的一種組合狀態(tài)。這是一切離散DBN推理算法的本質(zhì)[8]。

4 基于離散DBN的目標優(yōu)先等級評估模型網(wǎng)絡(luò)結(jié)構(gòu)

貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)式表示條件獨立性信息的一種自然方式,網(wǎng)絡(luò)中的每個結(jié)點都表示特定域中的一個變量,結(jié)點間的連接(有向弧)表示相互間因果關(guān)系,體現(xiàn)了領(lǐng)域知識性方面的特征。建立目標優(yōu)先等級評估的離散DBN模型需要首先確定其網(wǎng)絡(luò)結(jié)構(gòu),據(jù)此,本文從目標價值性、目標威脅性和攻擊可行性三個方面建立網(wǎng)絡(luò)結(jié)構(gòu)[3]。

4.1 目標價值分析模型

對于多UAV編隊來說,目標價值體現(xiàn)在固有價值(Int)和體系價值(Sys)兩個方面。其中,目標的固有價值,又可以從經(jīng)濟價值(Eco)、政治價值(Pol)和心理價值(Psy)三個方面進行刻畫。而目標的體系價值,需要充分考慮目標在整個目標體系中的地位和作用,可分為關(guān)鍵結(jié)點(Key),重要結(jié)點(Imp)以及普通結(jié)點(Gen)。通過上述分析,建立基于離散DBN的目標價值分析模型。

目標價值分析模型中,各結(jié)點變量的狀態(tài)集合可表示為:目標價值(Val)={高(H),中(M),低(L)};目標經(jīng)濟價值(Eco)={高(H),中(M),低(L)},目標的政治價值(Pol)={高(H),中(M),低(L)},目標心理價值(Psy)={高(H),中(M),低(L)};目標的體系價值(Sys)={關(guān)鍵結(jié)點(key),重要結(jié)點(Imp),普通結(jié)點(Gen)}。

圖1 目標價值分析模型

4.2 目標威脅性分析模型

在海戰(zhàn)場,目標的威脅可以從三個方面體現(xiàn)。 1) 目標速度。不同的目標通常具有不同的作戰(zhàn)速度,即使同一海上目標,速度不同,威脅度也不同。一般來講,在一定的海域內(nèi),目標的速度越快,對我威脅越大。 2) 目標航向。由目標航向可大致判斷敵海上目標之意圖:若駛向我方編隊,則進攻意圖明顯,若敵駛離我方編隊,則逃跑意圖明顯。 3) 目標距離。通常情況下認為,目標距我越近威脅越大。

該模型中各結(jié)點變量的狀態(tài)集為:目標威脅(Thr)={高(H),中(M),低(L)};目標速度(Rate)={高(H),中(M),低(L)};目標航向(Cou)={駛向(Tow),并行(Par),駛離(Lea)};目標距離(Dis)={遠(Far),中(M),近(Clo)}。

圖2 目標威脅性分析模型

4.3 目標打擊可行性模型

UAV是對選擇目標進行突擊的執(zhí)行者,因此,UAV的作戰(zhàn)能力是對海突擊目標選擇的落腳點,所以要充分考慮我UAV對目標進行打擊的可行性。

目標打擊可行性可以從目標易損性、機動性和反擊能力三個方面來描述。目標易損性是指目標在敵對環(huán)境殺傷下喪失全部或部分作戰(zhàn)功能的可行性。目標易損性又分為戰(zhàn)術(shù)易損性和結(jié)構(gòu)易損性。戰(zhàn)術(shù)易損性是指目標被對方紅外、雷達或其他探測器探測到的可能性。結(jié)構(gòu)易損性是指目標在被探測到的條件下,受彈藥的毀傷作用時被擊毀的可能性。從分析可以看出,目標易損性表示了發(fā)現(xiàn)目標和對目標實施毀傷難易程度。目標的機動性越強,穩(wěn)定跟蹤目標并且達成射擊條件的難度越大;目標的反擊能力反映了其在遭受攻擊時對對方進行防御和反擊的強度。目標的機動性和反擊能力越強,對其實施毀傷的難度越大,打擊的效費比越低,目標打擊的可行性越低。

因此,從目標易損性(Vul)、目標機動性(Man)和目標反擊能力(Con)三點出發(fā)建立目標打擊可行性模型。

圖3 目標打擊可行性分析模型

定義模型中結(jié)點變量的狀態(tài)集為:目標攻擊可行性(Fea)={高(H),中(M),低(L)};目標易損性(Vul)={高(H),中(M),低(L)};目標機動性(Man)={高(H),中(M),低(L)};目標反擊能力(Con)={高(H),中(M),低(L)}。

4.4 目標打擊選擇模型

在建立價值分析模型、目標威脅分析和目標打擊可行性分析模型的基礎(chǔ)上,依據(jù)各網(wǎng)絡(luò)結(jié)點的因果影響關(guān)系,最終構(gòu)建出目標打擊選擇模型。其中,根結(jié)點目標選擇優(yōu)先等級(Pri)={高(H),中(M),低(L)}。

圖4 基于DBN的目標選擇網(wǎng)絡(luò)結(jié)構(gòu)模型

5 構(gòu)造條件概率表

建立了基于DBN的目標選擇模型以后,需要構(gòu)造條件概率表。條件概率表的建立要綜合多方面的海戰(zhàn)場信息,同時還要考慮軍事專家的建議,也可以對經(jīng)驗數(shù)據(jù)進行統(tǒng)計學習來獲得。

對于沒有父結(jié)點的結(jié)點,需要對其賦予一個初始狀態(tài)的概率。如果一個結(jié)點中的變量賦值相同,則表明對于這個結(jié)點沒有得到任何可供參考的信息。父結(jié)點的多少直接影響著條件概率表的復雜度,為了降低其復雜度,可通過減少父結(jié)點的數(shù)量或增加中間結(jié)點來減少一個變量的父結(jié)點的數(shù)量。對于復雜的網(wǎng)絡(luò)構(gòu)造,通常采用增加中間結(jié)點的辦法降低條件概率表獲取的復雜度[9]。

對于圖4建立的離散DBN目標優(yōu)先等級評估模型,給出以下條件概率表,表1～表5,以及狀態(tài)轉(zhuǎn)移概率表6。

表1 條件概率表(一)

表2 條件概率表(二)

表3 條件概率表(三)

表4 條件概率表(四)

表5 條件概率表(五)

表6 狀態(tài)轉(zhuǎn)移概率表

6 仿真算例

假設(shè)某編隊在海上巡邏發(fā)現(xiàn)八個海上目標,擬派出UAV執(zhí)行對海突擊任務。經(jīng)過先期偵察探測,得到如下海戰(zhàn)場態(tài)勢:敵可能出現(xiàn)方位為150°,同時識別分析出目標為1艘驅(qū)逐艦,2艘護衛(wèi)艦,1艘兩棲登陸艦,2艘導彈艇,2艘補給船[10],對其分別編號如表9所示。

通過對當前海戰(zhàn)場態(tài)勢信息和歷史案例庫的定性匹配推理,初步確定了主要作戰(zhàn)區(qū)域和初步目標清單。編隊指揮員對實時得到的目標信息進行分析,采用基于離散DBN的目標選擇優(yōu)先等級評估模型對目標進行選擇,制定最終的目標清單。

Netica是加拿大Norsys軟件公司開發(fā)的一款BN工具平臺,是目前應用比成熟的分析軟件,在醫(yī)療、故障診斷等民用領(lǐng)域有著廣泛的應用,在軍事上也逐漸得到了應用。為驗證模型的可行性和有效性,采用Netica進行仿真驗證。

首先構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)。如圖5所示,在0時刻,由于模型還未進行時間擴展,沒有得到關(guān)于目標的任何信息,為保證其后的評估不帶有任何傾向性,默認所有結(jié)點的狀態(tài)概率均勻分布。

圖5 0時刻目標1優(yōu)先等級評估模型(未進行時間擴展)

通過偵察兵力的實時偵察,表9給出了目標1三個時刻的影響因子值。

表7 目標1三個時刻的影響因子值(一)

表8 目標1三個時刻的影響因子值(二)

將目標1的相關(guān)參數(shù)輸入模型中,得到的推理結(jié)果如圖3～圖7所示。

圖6 1時刻目標1優(yōu)先等級評估模型

圖7 2時刻目標1優(yōu)先等級評估模型

將實驗參數(shù)代入到建立的動態(tài)貝葉斯態(tài)勢評估模型中進行仿真,仿真結(jié)果如圖5～圖8所示可以得目標1的優(yōu)先級為高的概率分別為33.3%,49.8%,64.9%,83.8%,可以認為目標1打擊的優(yōu)先級非常高。以此類推,計算出所有目標的優(yōu)先級排序結(jié)果如表所示。指揮員可參考表進行最終的目標選擇。相較于專家打分法、排隊遴選法、淘汰法、綜合計算法、模糊綜合評價以及模擬法等,基于DBN的目標選擇方法,在整個目標選擇過程中,下一時刻的推理結(jié)果不僅取決于該時刻的實時數(shù)據(jù),而且與前一時刻的結(jié)果相關(guān),計算結(jié)果實時性更強,可靠性更高,而且便于編程實現(xiàn)。

圖8 3時刻目標1優(yōu)先等級評估模型

目標名稱目標編號優(yōu)先級為高的概率優(yōu)先級排序驅(qū)逐艦183．8%2護衛(wèi)艦1281．5%4護衛(wèi)艦2382．4%3登陸艦465．8%8導彈艇1585．7%1導彈艇2673．3%7補給船1780．4%5補給船2878．7%6

7 結(jié)語

針對多UAV協(xié)同對海突擊目標優(yōu)先等級評估問題,從目標體系的角度出發(fā),從目標價值性、目標威脅性和目標打擊可行性三個方面重點分析了影響多UAV協(xié)同對海突擊目標優(yōu)先等級評估的主要因素,在此基礎(chǔ)上建立了離散DBN。利用Netica軟件根據(jù)作戰(zhàn)想定對所建立的模型進行了仿真驗證。仿真結(jié)果表明,利用基于離散DBN的多UAV協(xié)同對海突擊目標優(yōu)先等級評估模型可以有效地對目標進行選擇和排序,且具有良好的優(yōu)化效果和實效性,滿足一般戰(zhàn)場的實時性需求。

在真實的戰(zhàn)場環(huán)境下,對海突擊目標優(yōu)先等級評估的影響因素非常多,要更加準確的實現(xiàn)目標選擇還需在模型構(gòu)建和參數(shù)學習方面進一步研究。

[1] 賀小亮,畢義明.基于貝葉斯網(wǎng)絡(luò)的目標選擇方案設(shè)計[J].現(xiàn)代防御技術(shù).2014,42(3):6-11.

[2] 李馮敬,姚佩陽,田曉飛,王欣.動態(tài)貝葉斯網(wǎng)絡(luò)在通信對抗目標選擇中的應用[J].電光與控制,2012,19(8):63-69.

[3] WANG Zhaowen, YANG Xiaokang, YI Xu. Time varying dynamic Bayesian network for nonstationary events modeling and online inference[J]. IEEE Transactions on Singnal Processing,2011,59(4):1553-1566.

[4] 李京,劉衛(wèi)東,楊根源.基于貝葉斯分類器的目標價值等級分析[J].現(xiàn)代防御技術(shù),2012,40(5):46-49.

[5] 任佳,高曉光.貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持[M].北京:國防工業(yè)出版社,2012:25-27.

[6] Kevin Patrick Murphy. Dynamic Bayesian networks: representation, inference and learning[D]. Berkeley: The University the university of California,2002.

[7] 李博宇.早期胃癌生物標記物識別及調(diào)控網(wǎng)絡(luò)預測[D].成都:電子科技大學,2014.43-47.

[8] 史建國,高曉光,李相民.基于離散模糊動態(tài)貝葉斯網(wǎng)絡(luò)的空戰(zhàn)態(tài)勢評估及仿真[J].系統(tǒng)仿真學報.2006,18(5):1093-1096.

[9] 肖兵,沈薇薇,金宏斌.基于動態(tài)貝葉斯網(wǎng)絡(luò)的威脅估計研究[J].自動化與信息工程.2010,31(4):4-7.

[10] 隋振庚,李天偉,竺燕根,等.模糊多屬性決策在艦艇打擊海上目標的應用[J].艦船電子工程,2006,26(6):49-51.

Target Priority Evaluation about Multi-UAV Coordinated Air-to-Sea Attacking Based on Discrete DBN

HAN Yulong LIN Yun CHEN Rong SUN Shoufu GAO Wu

(Naval Aeronautical and Astronautical University, Yantai 264001)

To solve the target selecting problem of multi-Uninhabited Aerial Vehicle coordinated air-to-sea attacking, from the perspective of target system, a target priority evaluation model based on discrete Dynamic Bayesian networks was proposed from target value, target threat and target attacked feasibility. This model was simulated with Netica, which successfully accomplished the target priority evaluation. The simulation result proved the validity of the model, which can provide proposal for UAV troops.

UAV, DBN, air-to-sea attack, target priority, evaluation

2015年4月5日,

2015年5月29日

軍事學博士研究生基金項目:艦載無人機突擊島礁作戰(zhàn)任務規(guī)劃研究(編號:2014JY473)資助。

韓玉龍,男,博士研究生,研究方向:海軍武器裝備攻防體系對抗和信息化。林云,男,博士,講師,研究方向:海軍兵種戰(zhàn)術(shù)。陳榕,男,博士,講師,研究方向:海軍兵種戰(zhàn)術(shù)。孫守福,男,博士研究生,講師,研究方向:海軍兵種戰(zhàn)術(shù)。高武,男,碩士研究生,研究方向:海軍兵種戰(zhàn)術(shù)。

TP391

10.3969/j.issn.1672-9730.2015.10.006