基于貝葉斯網(wǎng)絡(luò)的無(wú)人機(jī)對(duì)地作戰(zhàn)威脅評(píng)估

張靖,李衛(wèi)紅

(1.西北工業(yè)大學(xué) 航空學(xué)院,陜西 西安 710072; 航空工業(yè)第一飛機(jī)設(shè)計(jì)研究院,陜西 西安 710089)

當(dāng)前無(wú)人機(jī)已迅速發(fā)展成為一種新型的空中作戰(zhàn)力量?！捌焓諸B-2”、“獵戶座”、“彈簧刀”等無(wú)人機(jī)被廣泛應(yīng)用于戰(zhàn)場(chǎng)情報(bào)、監(jiān)視、偵察、打擊等任務(wù)。戰(zhàn)爭(zhēng)中無(wú)人平臺(tái)顯示出的高效費(fèi)比、攻防兼?zhèn)涞葍?yōu)勢(shì),引起了世界各國(guó)對(duì)無(wú)人機(jī)發(fā)展的高度重視。

無(wú)人機(jī)對(duì)地作戰(zhàn)過(guò)程中,面臨著地面雷達(dá)、導(dǎo)彈、高炮等多類(lèi)型防空系統(tǒng)的威脅。復(fù)雜現(xiàn)代戰(zhàn)場(chǎng)環(huán)境下,傳統(tǒng)的“人在回路”的地面操控模式無(wú)法對(duì)快速變化的戰(zhàn)場(chǎng)威脅態(tài)勢(shì)及時(shí)做出反應(yīng),特別是在通信拒止場(chǎng)景下,如果無(wú)法及時(shí)、快速地對(duì)戰(zhàn)場(chǎng)威脅進(jìn)行評(píng)估和反應(yīng),無(wú)人機(jī)的生存率將大大降低。因此,研究無(wú)人機(jī)的威脅評(píng)估問(wèn)題具有重要意義。

國(guó)內(nèi)外學(xué)者們已針對(duì)威脅評(píng)估問(wèn)題開(kāi)展了廣泛的研究。目前,應(yīng)用于目標(biāo)威脅評(píng)估的方法主要包括二類(lèi):①基于專(zhuān)家知識(shí)構(gòu)建理論模型,通過(guò)建立目標(biāo)威脅評(píng)估指標(biāo)的數(shù)學(xué)模型對(duì)目標(biāo)的威脅程度進(jìn)行量化,常用的理論模型有層次分析法[1-2]、多屬性決策理論[3]、模糊集理論[4-5]、證據(jù)理論[6-7]、TOPSIS[8-9]等;②基于數(shù)據(jù)構(gòu)建人工智能模型,將威脅評(píng)估看作是威脅屬性到威脅評(píng)估結(jié)果的非線性映射問(wèn)題,典型的智能算法包括神經(jīng)網(wǎng)絡(luò)[10-12]、支持向量機(jī)[13]等。層次分析法[1-2]首先采用模糊理論等方法將威脅屬性轉(zhuǎn)化為威脅指標(biāo)值,然后通過(guò)各屬性的重要度比較,獲得各威脅屬性的權(quán)重,綜合后獲得威脅值。TOPSIS方法[8-9]通過(guò)比較威脅屬性值與理想解之間的相對(duì)距離,計(jì)算威脅度,實(shí)現(xiàn)威脅排序,提供威脅的相對(duì)重要度,對(duì)于攻擊決策等任務(wù)來(lái)說(shuō),僅能獲得需要優(yōu)先處理的目標(biāo),無(wú)法獲得威脅緊迫性和威脅程度。神經(jīng)網(wǎng)絡(luò)[10-12]方法基于威脅屬性及其對(duì)應(yīng)的威脅程度標(biāo)簽數(shù)據(jù),通過(guò)反向傳播等方法,學(xué)習(xí)得到神經(jīng)網(wǎng)絡(luò)參數(shù),模型構(gòu)建過(guò)程中無(wú)法利用領(lǐng)域?qū)＜抑R(shí),因此對(duì)威脅樣本需求量較大。

在眾多方法中,貝葉斯網(wǎng)絡(luò)[14-16]以其強(qiáng)大的不確定性建模和推理能力、數(shù)據(jù)缺失及信息模糊等復(fù)雜情況的適應(yīng)能力、數(shù)據(jù)+知識(shí)的模型靈活構(gòu)建能力,在威脅評(píng)估中得到了廣泛應(yīng)用。文獻(xiàn)[14]使用貝葉斯網(wǎng)絡(luò)構(gòu)建了目標(biāo)威脅評(píng)估與打擊效果評(píng)估模型,為無(wú)人平臺(tái)的偵察與打擊決策提供了條件。文獻(xiàn)[15]面向有人機(jī)/無(wú)人戰(zhàn)斗機(jī)編隊(duì)對(duì)地攻擊任務(wù),提出一種基于模糊貝葉斯網(wǎng)絡(luò)的威脅評(píng)估建模方法,該方法綜合了模糊邏輯與貝葉斯網(wǎng)絡(luò)的優(yōu)勢(shì),可以實(shí)現(xiàn)對(duì)戰(zhàn)場(chǎng)的隨機(jī)、模糊威脅信息進(jìn)行綜合處理。文獻(xiàn)[14-15]中的貝葉斯網(wǎng)絡(luò)模型均由專(zhuān)家根據(jù)經(jīng)驗(yàn)直接構(gòu)建,威脅參數(shù)的合理性有待商榷。文獻(xiàn)[16-17]基于少量威脅數(shù)據(jù)和專(zhuān)家經(jīng)驗(yàn)約束構(gòu)建貝葉斯網(wǎng)絡(luò)并將其應(yīng)用于威脅評(píng)估中,較好地解決了威脅評(píng)估中的樣本稀缺問(wèn)題。但其構(gòu)建的威脅模型未能考慮威脅的相對(duì)重要性,威脅影響因素過(guò)多,貝葉斯網(wǎng)絡(luò)模型規(guī)模較大,而且針對(duì)所有威脅均采用貝葉斯網(wǎng)絡(luò)進(jìn)行威脅推理,忽視了不同類(lèi)型威脅的威脅評(píng)估需求的差異性,而貝葉斯網(wǎng)絡(luò)的推理問(wèn)題是一個(gè)NP-hard問(wèn)題,因此,威脅推理效率不高,很難滿足機(jī)載實(shí)時(shí)性要求。同時(shí),現(xiàn)有的地面目標(biāo)威脅評(píng)估模型均未考慮地面威脅的通視性。

針對(duì)以上問(wèn)題,本文的解決思路為:①采用貝葉斯網(wǎng)絡(luò)作為主要的威脅評(píng)估方法,采用數(shù)據(jù)驅(qū)動(dòng)+專(zhuān)家知識(shí)的雙重策略,提高威脅評(píng)估模型的合理性;②構(gòu)建分層威脅評(píng)估架構(gòu),基于載機(jī)與威脅包線的關(guān)系、威脅的輻射等,劃分威脅等級(jí),使得威脅等級(jí)具有明確意義,針對(duì)不同的威脅等級(jí),采用不同的威脅評(píng)估策略,提高威脅評(píng)估的實(shí)時(shí)性;③考慮威脅通視性,建立威脅通視概率計(jì)算模型,并將通視概率作為貝葉斯網(wǎng)絡(luò)威脅評(píng)估模型的輸入,體現(xiàn)地面威脅的特點(diǎn)。

1 地面目標(biāo)威脅要素分析

針對(duì)無(wú)人機(jī)面臨的地面防空系統(tǒng)威脅,開(kāi)展威脅要素分析。威脅要素可分為能力要素與意圖要素。

1) 威脅輻射狀態(tài)

威脅輻射狀態(tài)是判定地面威脅意圖的重要依據(jù)。地面威脅輻射主要包括雷達(dá)輻射和激光輻射。搜索雷達(dá)適用于目標(biāo)警戒,威脅度較小。而目指雷達(dá)通常在搜索雷達(dá)引導(dǎo)下對(duì)目標(biāo)進(jìn)行高精度跟蹤,為導(dǎo)彈發(fā)射提供火控解算,因此其威脅度較大。光電跟蹤裝置可對(duì)目標(biāo)進(jìn)行激光測(cè)距,為激光駕束導(dǎo)彈等提供制導(dǎo)信息,因此激光工作狀態(tài)是判斷威脅程度的重要因素。

2) 威脅距離

威脅距離是評(píng)估目標(biāo)威脅度的一項(xiàng)重要參數(shù)。威脅距離本機(jī)越近,威脅程度相應(yīng)也越大。威脅距離較遠(yuǎn)時(shí),可以認(rèn)為其威脅程度較小或不構(gòu)成威脅。傳統(tǒng)的威脅評(píng)估方法中,往往只考慮目標(biāo)距離因素。然而,對(duì)2個(gè)不同型號(hào)的威脅來(lái)說(shuō),即使其距離相同,在探測(cè)包線和殺傷包線不同的情況下,也可能分別對(duì)載機(jī)構(gòu)成殺傷威脅和探測(cè)威脅,即威脅程度不僅與威脅距離相關(guān),還與威脅包線有關(guān)。

3) 威脅類(lèi)型

地面防空系統(tǒng)可分為防空導(dǎo)彈、高炮和雷達(dá)類(lèi)目標(biāo)。防空導(dǎo)彈作為制導(dǎo)類(lèi)武器,殺傷距離遠(yuǎn)、殺傷概率高;高炮殺傷距離近、殺傷概率低;雷達(dá)類(lèi)目標(biāo)則不具備對(duì)載機(jī)的直接殺傷能力。因此,威脅類(lèi)型與威脅程度的大小密切相關(guān)。

4) 通視性

目前的地面目標(biāo)威脅評(píng)估方法均未考慮威脅通視性要素。而在實(shí)戰(zhàn)中,地形遮擋可降低威脅對(duì)載機(jī)探測(cè)概率和殺傷能力。

5) 威脅能力

威脅能力是威脅的固有能力,與戰(zhàn)場(chǎng)的當(dāng)前態(tài)勢(shì)無(wú)關(guān),主要包括目標(biāo)的殺傷能力、目標(biāo)的探測(cè)能力、電子對(duì)抗能力等。特定型號(hào)的武器裝備在一段時(shí)間內(nèi)其性能參數(shù)固定,因此,可采用層次分析法等完成威脅能力的離線評(píng)估,并以數(shù)據(jù)庫(kù)的形式供在線實(shí)時(shí)評(píng)估調(diào)用。

基于以上分析,構(gòu)建地面目標(biāo)威脅要素指標(biāo)如圖1所示。

2 威脅評(píng)估模型構(gòu)建

2.1 分層威脅評(píng)估架構(gòu)設(shè)計(jì)

以往威脅評(píng)估方法中,通常都是先計(jì)算威脅值,再根據(jù)威脅值劃分威脅等級(jí),其結(jié)果是,劃分的威脅等級(jí)實(shí)際意義不明確,而且不同威脅要素的權(quán)重對(duì)威脅值計(jì)算乃至威脅等級(jí)劃分都會(huì)產(chǎn)生很大影響,主觀性強(qiáng)。同時(shí),現(xiàn)有的基于貝葉斯網(wǎng)絡(luò)的威脅評(píng)估算法[15-17],對(duì)所有目標(biāo)均采用相同的威脅評(píng)估模型進(jìn)行推理,而貝葉斯網(wǎng)絡(luò)的精確推理是一個(gè)NP難問(wèn)題[18],耗費(fèi)時(shí)間長(zhǎng)。

基于以上原因,本文采用分層威脅評(píng)估架構(gòu),首先基于威脅距離、威脅包線等,劃分威脅等級(jí),然后針對(duì)不同威脅等級(jí),采用不同的威脅評(píng)估模型。

威脅等級(jí)具體包括:

1) 極高(威脅等級(jí)1):載機(jī)位于目標(biāo)的發(fā)射包線以內(nèi)或目標(biāo)雷達(dá)處于跟蹤、制導(dǎo)狀態(tài);

2) 高(威脅等級(jí)2):載機(jī)位于目標(biāo)的發(fā)射包線以外,但位于目標(biāo)的探測(cè)包線以內(nèi);

3) 中(威脅等級(jí)3):載機(jī)位于目標(biāo)探測(cè)包線以外,且載機(jī)沿當(dāng)前航向穿過(guò)目標(biāo)殺傷包線;

4) 低(威脅等級(jí)4):載機(jī)位于目標(biāo)探測(cè)包線以外,且載機(jī)沿當(dāng)前航向穿過(guò)目標(biāo)探測(cè)包線;

5) 極低(威脅等級(jí)5):載機(jī)航路與目標(biāo)威脅包絡(luò)無(wú)交點(diǎn)。

各威脅等級(jí)對(duì)應(yīng)的威脅評(píng)估模型如圖2所示。

圖2 分層威脅評(píng)估架構(gòu)

從圖中可以看出,分層威脅評(píng)估架構(gòu)對(duì)等級(jí)高的威脅,考慮威脅要素多,采用貝葉斯網(wǎng)絡(luò)進(jìn)行威脅推理,實(shí)現(xiàn)威脅程度的精細(xì)評(píng)估;而對(duì)等級(jí)低的威脅,主要分析其將來(lái)是否會(huì)對(duì)無(wú)人機(jī)構(gòu)成威脅,即無(wú)人機(jī)是否穿越威脅,考慮威脅要素相對(duì)較少。本文算法與現(xiàn)有算法相比,減少了貝葉斯網(wǎng)絡(luò)推理的次數(shù),提高了威脅評(píng)估的實(shí)時(shí)性。

2.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)建立

基于威脅要素分析結(jié)果,構(gòu)建BN威脅評(píng)估模型。BN模型的結(jié)構(gòu)如圖3所示,由威脅級(jí)別、威脅能力、威脅類(lèi)型、威脅距離、威脅通視性、輻射狀態(tài)共6個(gè)變量組成,各變量的狀態(tài)集合定義為:

圖3 基于貝葉斯網(wǎng)絡(luò)的威脅評(píng)估模型

1) 威脅級(jí)別LT(threat level,TL):高(LTH)、中(LTM)、低(LTL);

2) 威脅能力CT(threat capacity,TC):強(qiáng)(CTS)、中(CTM)、弱(CTW);

3) 類(lèi)型T(target type,TT):雷達(dá)(TRD)、防空導(dǎo)彈(TSAM)、高炮(TAAA);

4) 距離D(distance,D):近(DN)、中(DM)、遠(yuǎn)(DF);

5) 威脅通視性I(intervisibility,INVS):可通視(IY),不可通視(IN);

6) 輻射狀態(tài)S(radar status,RS):制導(dǎo)(SG)、跟蹤(ST)、搜索/無(wú)(SS)。

2.3 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)確定以后,需要確定貝葉斯網(wǎng)絡(luò)的參數(shù)。在樣本數(shù)據(jù)充足時(shí),最大似然估計(jì)和貝葉斯估計(jì)均能較為準(zhǔn)確地給出威脅的參數(shù)值。在樣本數(shù)據(jù)不充足的情況下,通過(guò)引入專(zhuān)家知識(shí),可以提高貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的準(zhǔn)確性。在工程實(shí)踐中,由專(zhuān)家直接給出貝葉斯網(wǎng)絡(luò)的參數(shù)值難度很大,但給出參數(shù)的大小關(guān)系則相對(duì)容易。因此,以數(shù)據(jù)為基礎(chǔ),構(gòu)建似然函數(shù)的優(yōu)化問(wèn)題,將定性的專(zhuān)家知識(shí)轉(zhuǎn)換為不等式等形式,作為優(yōu)化問(wèn)題的約束,并采用定性最大后驗(yàn)概率估計(jì)(QMAP)算法[17]對(duì)貝葉斯網(wǎng)絡(luò)參數(shù)進(jìn)行估計(jì)。

以節(jié)點(diǎn)“威脅能力”的參數(shù)P(威脅能力|威脅級(jí)別)為例,從四方面構(gòu)建約束模型:

1) 規(guī)范性約束

2) 區(qū)間約束

0.5≤P(CTS|LTH)≤0.7

3) 不等式約束

4) 近似相等約束

P(CTS|LTH)≈P(CTW|LTL)

基于構(gòu)建的約束,采用定性最大后驗(yàn)估計(jì)算法(QMAP)實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)威脅評(píng)估模型的參數(shù)學(xué)習(xí)。QMAP算法首先通過(guò)蒙特卡洛采樣方法在參數(shù)的可行域內(nèi)進(jìn)行采樣,計(jì)算采樣參數(shù)的均值,然后用等價(jià)樣本量乘以采樣參數(shù)均值得到虛擬數(shù)據(jù)統(tǒng)計(jì)值,最后基于MAP估計(jì),得到最終的參數(shù)估計(jì)值。其流程如圖4所示。

圖4 QMAP算法流程

2.4 地面威脅通視概率計(jì)算

通視概率的計(jì)算主要針對(duì)威脅等級(jí)為“極高”或“高”且載機(jī)傳感器未直接探測(cè)到的目標(biāo)。

通視概率計(jì)算的基本思路是:無(wú)人機(jī)正好處于掩蔽高度時(shí),通視概率為 50%。當(dāng)無(wú)人機(jī)當(dāng)前高度遠(yuǎn)高于掩蔽高度時(shí),通視概率是100%,當(dāng)無(wú)人機(jī)高度遠(yuǎn)低于掩蔽高度時(shí),通視概率為0,如圖5所示。

圖5 基于地形遮擋的通視概率計(jì)算

基于以上思想,研究通視概率與高度之間的關(guān)系。假設(shè)當(dāng)前解算得到的雷達(dá)站遮蔽高度為H,且滿足:

1) 在H點(diǎn)處,通視概率為50%;

2) 在Hmin點(diǎn)處,通視概率為0%;

3) 在Hmax處,通視概率為100%;

4)Hmax-H=H-Hmin;

5) 在H以上,隨著高度增加,通視概率先是迅速增加,隨后逐漸趨近于1;

6) 在H以下,隨著高度降低,通視概率先是迅速降低,隨后逐漸趨近于0。

基于通視概率的以上特點(diǎn),采用Sigmoid函數(shù)對(duì)通視概率進(jìn)行建模。Sigmoid函數(shù)在中心點(diǎn)附近增長(zhǎng)較快,且形狀參數(shù)值越小,曲線在中心附近增長(zhǎng)越快。Sigmoid函數(shù)很好地符合通視概率隨高度的變化特性。

首先,計(jì)算目標(biāo)點(diǎn)T在無(wú)人機(jī)所在點(diǎn)P的最低通視高度,具體方法為:

步驟1從點(diǎn)T至點(diǎn)P的線段上均勻選取n個(gè)點(diǎn)Pi(i=1,2,…,n);

步驟2設(shè)最大仰角為βmax=-π/2,k=1;

步驟3從高程數(shù)字地圖中獲取Pk點(diǎn)的高程值Hk;

步驟4計(jì)算該點(diǎn)相對(duì)于目標(biāo)點(diǎn)T的仰角β

式中,|dPkT|為點(diǎn)Pk到目標(biāo)點(diǎn)T的距離;HT為目標(biāo)點(diǎn)高程值。

步驟5比較β與βmax,若β>βmax,則βmax=β;

步驟6若k不等于n,則k=k+1,轉(zhuǎn)到步驟3;

步驟7計(jì)算最低通視高度

H=|dPT|tanβmax

步驟8計(jì)算通視概率函數(shù)的參數(shù)值

μ=H

式中,PHmax是高度Hmax的通視概率,人為指定。

步驟9計(jì)算通視概率和不可通視概率

P(IN)=1-P(IY)

假設(shè)當(dāng)前解算得到的通視高度為1 000,取Hmax=1 200,PHmax=0.997,可得通視概率隨高度變化曲線,如圖6所示。

圖6 通視概率隨高度變化仿真圖

3 仿真驗(yàn)證

在matlab環(huán)境下,基于BNT工具箱進(jìn)行仿真工作。算法的運(yùn)行環(huán)境為Windows 7.0。

3.1 基于貝葉斯網(wǎng)絡(luò)的威脅評(píng)估模型仿真驗(yàn)證

假設(shè)通過(guò)各種途徑獲得500組樣本用于貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí),其中部分?jǐn)?shù)據(jù)如表1所示。

表1 貝葉斯網(wǎng)絡(luò)訓(xùn)練集(部分)

基于以上樣本,綜合利用2.2節(jié)中構(gòu)造的約束模型,采用QMAP算法[17]對(duì)貝葉斯網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)。以2.3節(jié)中構(gòu)造的參數(shù)P(CT|LT)構(gòu)造的約束為例,該節(jié)點(diǎn)的參數(shù)學(xué)習(xí)結(jié)果為

類(lèi)似地,構(gòu)造其他節(jié)點(diǎn)的約束,共得到43條約束,學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)參數(shù)如表2所示。

表2 貝葉斯網(wǎng)絡(luò)參數(shù)

為進(jìn)一步確認(rèn)QMAP算法的合理性,以表2中的網(wǎng)絡(luò)參數(shù)作為標(biāo)準(zhǔn)值,隨機(jī)抽取10,20,30,40,50組數(shù)據(jù),基于貝葉斯網(wǎng)絡(luò)采用原始的最大似然估計(jì)算法(ML)、基于約束的最大似然估計(jì)(CML)、定性最大后驗(yàn)概率(QMAP)3種算法進(jìn)行貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí),計(jì)算學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)參數(shù)與真實(shí)參數(shù)之間的KL距離

圖7 不同算法貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)結(jié)果誤差比較

以上研究表明,在小樣本情況下,QMAP算法通過(guò)引入專(zhuān)家知識(shí)約束,獲得的貝葉斯網(wǎng)絡(luò)參數(shù)與真實(shí)值更接近,因此更適合用于樣本量不足時(shí)的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)。

采用表2中的QMAP算法獲得的貝葉斯網(wǎng)絡(luò)參數(shù)作為后文仿真的基礎(chǔ)。向貝葉斯網(wǎng)絡(luò)中輸入不同證據(jù),如表3所示。其中括號(hào)內(nèi)的為軟證據(jù),表明輸入變量處于各種狀態(tài)的概率。先驗(yàn)概率設(shè)置為π(LT)=(0.3,0.4,0.3),采用聯(lián)合樹(shù)算法進(jìn)行概率推理,通過(guò)推理結(jié)果的變化,對(duì)威脅評(píng)估模型的合理性進(jìn)行驗(yàn)證。

表3 貝葉斯網(wǎng)絡(luò)仿真輸入

基于以上證據(jù)進(jìn)行推理,得到威脅評(píng)估結(jié)果如圖8所示。

圖8 貝葉斯網(wǎng)絡(luò)威脅推理結(jié)果

實(shí)驗(yàn)結(jié)果表明:在目標(biāo)威脅能力強(qiáng)、敵方目標(biāo)為導(dǎo)彈、我機(jī)處于其攻擊范圍內(nèi)時(shí),威脅程度高的概率遠(yuǎn)遠(yuǎn)超出另外2種狀態(tài)的概率。第2組數(shù)據(jù)中敵方目標(biāo)為雷達(dá),雖然我機(jī)處于威脅源的威脅范圍內(nèi),但評(píng)價(jià)結(jié)果中威脅程度為中的可能性更大一些。第3組數(shù)據(jù)表示敵方目標(biāo)很可能為高炮,威脅能力一般,且我方與目標(biāo)之間距離較遠(yuǎn),評(píng)估結(jié)果表示威脅程度極低。引入通視性分析后,在通視性證據(jù)確認(rèn)目標(biāo)有很大的通視概率時(shí),威脅值增大。在通視概率表明目標(biāo)有很大的可能無(wú)法探測(cè)到無(wú)人機(jī)時(shí),目標(biāo)威脅度降低。引入目標(biāo)輻射狀態(tài)后,當(dāng)目標(biāo)處于搜索狀態(tài)時(shí),威脅值降低。當(dāng)已確定目標(biāo)處于制導(dǎo)狀態(tài),因此說(shuō)明目標(biāo)的威脅度非常大,推理結(jié)果也驗(yàn)證了這一點(diǎn)。在所有數(shù)據(jù)中,目標(biāo)處于制導(dǎo)狀態(tài)時(shí)候的導(dǎo)彈威脅值大于其他所有情況,這是與實(shí)際情況相符的。綜上所述,本文構(gòu)建的威脅評(píng)估模型綜合考慮了目標(biāo)類(lèi)型、目標(biāo)距離、目標(biāo)雷達(dá)輻射狀態(tài)、目標(biāo)通視性概率等要素,具有很高的合理性。

3.2 基于多目標(biāo)威脅排序的算法性能仿真驗(yàn)證

為了比較本文算法(HBN)與現(xiàn)有貝葉斯網(wǎng)絡(luò)(BN)算法的性能,設(shè)置多個(gè)威脅目標(biāo),分別采用原始貝葉斯網(wǎng)絡(luò)和本文所提出的分層威脅評(píng)估架構(gòu)進(jìn)行威脅推理,統(tǒng)計(jì)威脅推理過(guò)程所耗費(fèi)的時(shí)間。算法運(yùn)行的硬件環(huán)境為:Intel i7處理器,CPU主頻為3.40 GHz,內(nèi)存8 GB。威脅態(tài)勢(shì)如圖9所示,威脅排序結(jié)果如表4所示,重復(fù)運(yùn)行100次,算法平均耗時(shí)對(duì)比如圖10所示。仿真中,導(dǎo)彈類(lèi)目標(biāo)探測(cè)距離32 km、攻擊距離16 km,高炮類(lèi)目標(biāo)探測(cè)距離16 km、攻擊距離8 km,雷達(dá)探測(cè)距離32 km。其中,目標(biāo)距離作為連續(xù)變量,采用梯形隸屬度函數(shù)進(jìn)行離散化處理,雷達(dá)和導(dǎo)彈的梯形隸屬度函數(shù)參數(shù)為4,16,24,32 km,高炮的梯形隸屬度函數(shù)參數(shù)為2,8,12,16 km。BN推理得到的后驗(yàn)概率采用質(zhì)心法進(jìn)行去模糊化處理,得到單一化威脅值。從表4可看到,原始BN排序與本文算法的排序結(jié)果主要區(qū)別體現(xiàn)在目標(biāo)1013等個(gè)別目標(biāo)的排序。由于未劃分威脅等級(jí),原有BN算法經(jīng)過(guò)推理將目標(biāo)1013排在1008之前。但實(shí)際上,無(wú)人機(jī)已處于1008目標(biāo)的探測(cè)包線內(nèi),而在未來(lái)才會(huì)進(jìn)入目標(biāo)1013的探測(cè)包線,因此,目標(biāo)1008對(duì)載機(jī)構(gòu)成的是即時(shí)威脅,而1013對(duì)載機(jī)構(gòu)成的是潛在威脅,因此,目標(biāo)1008的威脅應(yīng)該高于目標(biāo)1013。類(lèi)似的情況也出現(xiàn)在目標(biāo)1013與1014之間。無(wú)人機(jī)航線穿越目標(biāo)1013的探測(cè)包線,而穿越目標(biāo)1014的攻擊包線,因此目標(biāo)1013對(duì)載機(jī)構(gòu)成潛在的探測(cè)威脅,而目標(biāo)1004對(duì)載機(jī)構(gòu)成潛在的攻擊威脅,因此,目標(biāo)1014的威脅應(yīng)該高于目標(biāo)1013?？偠灾?本文的算法得到的威脅排序結(jié)果更符合主觀認(rèn)知,可解釋性更強(qiáng),合理性也更高。

表4 威脅排序結(jié)果

圖9 威脅態(tài)勢(shì)設(shè)置

圖10 算法耗時(shí)仿真結(jié)果

而在效率方面,從圖10中可以看到,由于采用了分層威脅評(píng)估架構(gòu),減少了貝葉斯網(wǎng)絡(luò)推理(該問(wèn)題為NP難問(wèn)題[18])的次數(shù),威脅評(píng)估的時(shí)間較原始貝葉斯網(wǎng)絡(luò)縮短了將近30%。在實(shí)際應(yīng)用中,當(dāng)大部分威脅都處于威脅探測(cè)范圍外時(shí),效率提升將更明顯。因此,本文算法與原始的貝葉斯網(wǎng)絡(luò)相比,具有更高的實(shí)時(shí)性。

最后通過(guò)一個(gè)動(dòng)態(tài)場(chǎng)景再次驗(yàn)證算法的有效性。仿真場(chǎng)景設(shè)定:我方無(wú)人機(jī)沿預(yù)先加載的航路飛行,航路共包含3個(gè)航路點(diǎn),沿航路分布有3個(gè)敵方威脅,我方通過(guò)數(shù)據(jù)鏈情報(bào)和機(jī)載傳感器獲得目標(biāo)信息。分析載機(jī)沿航路飛行過(guò)程中的威脅等級(jí)、威脅度和威脅排序變化情況。其中,為分析地面威脅的雷達(dá)狀態(tài)對(duì)威脅度的影響,部分目標(biāo)對(duì)載機(jī)進(jìn)行搜索和跟蹤,我方飛機(jī)則采用電子干擾措施擺脫敵方跟蹤。仿真參數(shù)設(shè)置如表5所示。

表5 仿真參數(shù)設(shè)置

仿真態(tài)勢(shì)如圖11所示,其中,紅色為目標(biāo)殺傷范圍,黃色為目標(biāo)探測(cè)范圍。

圖11 仿真態(tài)勢(shì)設(shè)置

從載機(jī)初始位置開(kāi)始,到載機(jī)抵達(dá)航路點(diǎn)3的全過(guò)程中,按照2.2節(jié)中圖3的算法劃分威脅等級(jí)并計(jì)算歸一化的威脅度,各威脅的威脅等級(jí)、威脅度變化情況如圖12～13所示。從圖中可以看到,隨著載機(jī)沿航路逐個(gè)進(jìn)入各威脅的探測(cè)和殺傷范圍,威脅等級(jí)和威脅度均逐漸升高。而隨著載機(jī)離開(kāi)威脅探測(cè)和殺傷范圍,各目標(biāo)的威脅等級(jí)和威脅度均迅速下降。以目標(biāo)1001為例,隨著載機(jī)依次穿越其殺傷范圍和探測(cè)范圍,其威脅等級(jí)經(jīng)歷了“中→高→極高→極低”的變化過(guò)程,威脅度經(jīng)歷了從小到大然后再由大變小的過(guò)程。這一過(guò)程與威脅等級(jí)的定義相契合。接著,比較各目標(biāo)的威脅度變化情況。目標(biāo)1001、1002、1003 威脅等級(jí)和威脅度的不同主

圖12 敵方威脅等級(jí)變化情況

要與目標(biāo)距離、目標(biāo)雷達(dá)跟蹤狀態(tài)、航路穿越威脅情況等要素有關(guān)。目標(biāo)1001與1002相比,在威脅等級(jí)“極高”期間,由于目標(biāo)1001在某段時(shí)間內(nèi)鎖定了載機(jī),威脅度迅速增高。目標(biāo)1003與1001相比,載機(jī)僅穿越威脅1003的探測(cè)區(qū)域,因此其最高威脅度低于1001。因此,本文提出的威脅評(píng)估方法較好地反映了真實(shí)的威脅態(tài)勢(shì),合理性較高。

4 結(jié) 論

本文面向無(wú)人機(jī)對(duì)地作戰(zhàn)過(guò)程中的威脅評(píng)估問(wèn)題,分析了主要威脅要素,設(shè)計(jì)了分層威脅評(píng)估架構(gòu),建立了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),并進(jìn)行了仿真驗(yàn)證,仿真結(jié)果表明,本文采用的針對(duì)不同威脅等級(jí)使用不同威脅推理算法的策略,降低了現(xiàn)有的基于貝葉斯網(wǎng)絡(luò)的威脅評(píng)估算法的計(jì)算量,提高了算法的實(shí)時(shí)性;在威脅評(píng)估模型中考慮了威脅通視性,提高了威脅評(píng)估算法的合理性。