一种基于动态贝叶斯网络的群目标意图识别方法及系统

技术领域

本发明涉及态势评估领域，更具体涉及一种基于动态贝叶斯网络的群目标意图识别方法及系统。

背景技术

态势评估是对战场各类信息进行感知、理解和预测的一种手段，能为决策者提供辅助信息，进而提高决策的正确性。目标意图识别是态势评估的主要功能之一，能为态势预测提供证据支持。群目标意图识别是对作战区域内群目标所要达到某个目的或作战计划的自动评估和预判，是态势分析的重要内容，属于战场数据融合体系的高层处理部分。

目标意图识别的过程一般可以概括为：根据各种信息源得到的信息，利用一定的方法对获得信息进行筛选和特征提取，通过一定的识别推理机制得到目标意图结果。现有的意图识别方法有模板匹配、贝叶斯推理、决策树、模糊推理以及神经网络等，现有的空中群目标意图识别方法都是先分群，再基于分群结果来分析群意图。目前目标分群的方法主要包含三类：基于相似度矩阵的分群方法、基于聚类的分群方法和基于贝叶斯网络的分群方法。大多数算法都是在这三类算法的基础上进行改进的。对目标进行分群，是利用提取的态势元素，在空间层次上和功能层次上，将类型相近、运动状态相近、作战目的相同的目标进行空间群合并。然后基于分群的结果，根据群目标的行为特征采取推理或学习机制进行意图识别。但是基于分群结果的群目标意图识别，往往会忽视分群过程中目标的特征信息的变化，并且以群目标为研究对象也没有考虑到单个目标的意图变化。

发明内容

发明目的：针对现有的空中群目标意图识别方法存在的问题，本发明提出一种基于动态贝叶斯网络的群目标意图识别方法，可以实时对空中目标进行空间群划分，并通过功能群判断得到群意图。

本发明的另一目的是提供一种基于动态贝叶斯网络的群目标意图识别系统。

技术方案：第一方面，一种基于动态贝叶斯网络的群目标意图识别方法，包括以下步骤：

获取雷达探测信息包含的n个目标的属性和状态信息，提取与目标意图相关联的目标特征属性构成状态集合；

将目标意图作为贝叶斯网络根节点，将与目标意图相关联的目标特征属性作为贝叶斯网络根节点下的子节点，基于各子节点之间的依赖关系获得贝叶斯网络拓扑结构；

基于历史数据并结合专家知识确定各意图先验概率、条件概率和状态转移概率，确定动态贝叶斯网络模型；

获取各特征属性相应的观测数据并进行预处理，确定节点变量对应的状态，基于构建的动态贝叶斯网络模型进行意图识别，得到意图识别结果。

优选地，与目标意图相关联的目标特征属性包括目标距离D、目标雷达散射截面积R、目标轨迹类型M、辐射源类型P、目标类型T。

优选地，贝叶斯网络拓扑结构为：当子节点之间不存在依赖关系时，目标意图为根节点，与目标意图相关联的目标特征属性为根节点下的一级子节点；当子节点之间存在依赖关系时，根据依赖关系确定子节点之间的上下层结构，其中被依赖子节点在上层，依赖其他子节点的子节点在下层，目标意图为根节点，不依赖其他子节点的被依赖子节点为根节点下的一级子节点。

优选地，根据节点变量的状态集来确定节点变量对应的状态，节点变量的状态集为：

目标距离D＝{一级防御区(D1)，二级防御区(D2)，三级防御区(D3)}

目标雷达散射面积R＝{大(R1)，小(R2)}

目标轨迹类型M＝{直线(M1)，圆(M2)，S弯(M3)，转向(M4)}

辐射源类型P＝{无辐射源(P1)，雷达辐射源(P2)，干扰辐射源(P3)}

目标类型T＝{固定翼飞机(T1)，多旋翼飞机(T2)，导弹(T3)}。

优选地，所述方法以P(TIi)表示第i种意图的先验概率，i＝1,2……,n，n为意图类型数目，由A

其中P(A|TI

所述动态贝叶斯网络模型将P(TI

第二方面，提供一种基于动态贝叶斯网络的群目标意图识别系统，包括：

数据提取模块，用于获取雷达探测信息包含的n个目标的属性和状态信息，提取与目标意图相关联的目标特征属性构成状态集合；

贝叶斯网络构建模块，用于将目标意图作为贝叶斯网络根节点，将与目标意图相关联的目标特征属性作为贝叶斯网络根节点下的子节点，基于各子节点之间的依赖关系获得贝叶斯网络拓扑结构；

动态贝叶斯网络模型确定模块，用于基于历史数据并结合专家知识确定各意图先验概率、条件概率和状态转移概率，确定动态贝叶斯网络模型；

目标意图识别模块，用于获取各特征属性相应的观测数据并进行预处理，确定节点变量对应的状态，基于构建的动态贝叶斯网络模型进行意图识别，得到意图识别结果。

第三方面，提供一种计算机设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如本发明第一方面所述的基于动态贝叶斯网络的群目标意图识别方法。

第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的基于动态贝叶斯网络的群目标意图识别方法的步骤。

有益效果：本发明提出的基于动态贝叶斯网络的空中群目标意图识别方法，选取多种目标特征信息作为节点，构建动态贝叶斯网络模型，利用上一时刻的概率计算结果进行学习并更新先验概率。随着时间的推移，获得的的有效信息也越来越多，推理结果的精确性也越来越高。结果表明，本发明的方法能实现在空间群层次上对目标蜂群进行分群，并同时在功能群层次上进行意图推理。相比于传统基于分群结果进行群目标意图识别不可避免地忽视分群过程中目标状态的变化以及目标之间的联系的方法，本发明方法没有将目标分群和意图识别分开进行，更能适应战场环境动态变化的需求。

附图说明

图1为本发明的识别方法处理流程图；

图2为本发明的静态贝叶斯网络的拓扑结构；

图3为本发明的动态贝叶斯网络的拓扑结构；

图4为本发明仿真实例中所有目标的飞行轨迹平面图；

图5为本发明仿真实例中贝叶斯推理流程图；

图6为本发明仿真实例中动态贝叶斯网络模型；

图7为本发明仿真实例中每个目标的意图概率。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

本发明所采用的技术方案是使用动态贝叶斯网络模型对空中无人机蜂群目标的分群过程进行实时分析，得到分群结果的同时，也能推理出各群的群意图。具体包括以下步骤：

步骤1：根据传感器探测得到的一级数据融合信息，选取合适的特征变量作为动态贝叶斯网络的节点。

目标分群的重点在于如何将一级数据融合的输出信息进行提炼概括，每一个目标的属性集合不限于空间坐标，还包括航速、航向、批号、雷达散射截面积RCS、距离、辐射源类型、辐射源方向等。在无人机蜂群场景下，各功能群内的无人机目标特征参数相似，进行目标分群时应考虑各群之间差异较大的特征进行观察。根据本发明的实施方式，假定在时刻t，一级数据融合的雷达信息包含n个目标的属性和状态信息，构成的状态集合为：

A＝D,R,M,P,T

其中，D为目标的距离，R为目标的雷达散射截面积，M为目标的轨迹类型，如直线、圆、椭圆、S弯、抛物线等，P为辐射源类型，如雷达辐射源、干扰辐射源、导航辐射源、通信辐射源等，T为目标类型，如固定翼飞机、多旋翼飞机、预警机、导弹等。

步骤2：确定节点之间的依赖关系，基于依赖关系得到网络拓扑结构。

贝叶斯网络的网络结构是一个有向无环图，由节点和弧组成，节点间的弧代表属性之间的概率依赖关系。空中群目标的作战意图主要包括侦察、诱饵、干扰、反辐、攻击，本发明的目的是根据一级数据融合信息提取的特征识别出作战意图。由步骤1所得的5个特征变量是可观测的节点，而意图是一个不可观测的节点，是贝叶斯网络模型的目标，所以意图节点是根节点，特征节点是子节点，由因果关系可知这是一种自下而上的推理。理论上，由这5个特征变量组成的网络拓扑结构有很多种，对每一种结构进行计算的计算量大且耗时，所以可以利用专家知识来确定。由于步骤1中所述的5个特征变量之间没有依赖关系，相互独立，所以基本的静态贝叶斯网络的拓扑结构如图2所示。在其他实施例中，各子节点之间也可能存在依赖关系，则在结构上只需根据依赖关系将两者之间用带有箭头的弧线连接即可。弧线连接确定了子节点之间的上下层结构，其中被依赖子节点在上层，依赖其他子节点的子节点(非独立子节点)在下层，这样，网络拓扑中，以目标意图为根节点，不依赖其他子节点的被依赖子节点为根节点下的一级子节点，被依赖子节点下连接的其他非独立子节点为更下一级子节点，如果有多层依赖关系，可以以此类推。

动态贝叶斯网络是静态贝叶斯网络在时间上的拓展，其中动态是指时间的变化，而不是网络结构的变化。静态贝叶斯网络只能根据某一具体时刻的特征参数来进行推理而分群过程往往需要一段时间才能完成，动态贝叶斯网络可以捕捉到分群过程中各目标参数随时间的动态变化，使分群结果更加准确。动态贝叶斯网络的拓扑结构如图3所示。

步骤3：基于专家知识确定意图先验概率、条件概率和状态转移概率。

先验概率表示单个目标的各意图的概率，一般是由领域专家结合经验与知识来确定。本发明利用大量历史数据来学习条件概率，并结合专家知识加以调整。下面是专家经多次作战经验总结得出的各子群的一些行为特征。

侦察群通常距离较远，RCS小，为了探测敌方的位置和信息，雷达状态一定为开启，可探测到雷达信号，运动轨迹常见是圆。诱饵群距离较近，RCS大，运动轨迹常见是直线。干扰群距离偏中，RCS小，可探测到干扰信号，运动轨迹常见是直线。反辐射群距离偏中，RCS小，运动轨迹常见是直线。攻击群距离较近，RCS小，为了避免敌方发现，雷达状态一定为关闭，运动轨迹常见是直线。

由以上历史经验数据组成学习样本数据，利用最大似然估计法来进行参数学习。最大似然估计是通过计算给定节点集的值时，节点不同取值的出现频率，此出现频率一般是作为计算条件概率的先验概率来使用。

状态转移概率是经验概率，一般是由领域专家结合经验与知识来确定，它表示在上一时刻各意图概率已知的情况下，下一时刻各意图的状态概率。与静态贝叶斯相比，动态贝叶斯要设置两个时间片之间的状态转移概率，即P[(T+1)/T]。

假设P(TIi)是第i种意图的先验概率，i＝1，2……n，n为意图类型数目，A表示目标的特征属性，根据贝叶斯概率公式，可得意图i的条件概率为，

其中，P(TI

推广到一般情况，由A

将P(TI

步骤4：对观测数据进行预处理，确定节点变量的状态，基于构建的动态贝叶斯网络模型进行意图识别，得到意图识别结果。

对于选取的空中目标的距离这个连续变量，是指目标距离我方的直线距离，根据任务要求，可以将我方的重点防御区进行区域划分：当距离较远时，属于一级防御区；当距离中等时，处于二级防御区；当距离较近时，处于三级防御区。具体距离阈值可以根据防御需求进行设定。

对于目标RCS值，可以区分为大小表示，若某目标RCS值大于所有目标的均值，则认为该目标的RCS状态值为大，否则状态值为小。

对于目标轨迹类型这个离散变量，常见的有直线、圆、S弯、转向四种，在软件模板库中选择直线、圆、S弯、转向这四种轨迹样式构成轨迹状态集。

对于辐射源类型，考虑一级融合数据可以输出的类型为无辐射源、雷达辐射源、干扰辐射源。

对于目标类型，常见的空战目标类型包括固定翼飞机、多旋翼飞机和导弹。

对于空中群目标的作战意图，主要有侦察，诱饵，干扰，反辐射，攻击这5种意图。

所以，综上目标各变量的状态集合如下表示：

①目标距离D＝{一级防御区(D1)，二级防御区(D2)，三级防御区(D3)}

②目标RCS R＝{大(R1)，小(R2)}

③目标轨迹类型M＝{直线(M1)，圆(M2)，S弯(M3)，转向(M4)}

④辐射源类型P＝{无辐射源(P1)，雷达辐射源(P2)，干扰辐射源(P3)}

⑤目标类型T＝{固定翼飞机(T1)，多旋翼飞机(T2)，导弹(T3)}

⑥目标意图TI＝{侦察(TI1)，诱饵(TI2)，干扰(TI3)，反辐射(TI4)，攻击(TI5)}

利用上述预处理方法确定实时获取的目标的5个特征变量的状态，通过贝叶斯网络的子节点的状态由下而上推理可得各意图的后验概率。

上面描述了本发明所提意图识别方法的实施步骤，为了验证该方法的有效性，下面通过仿真试验进行说明。

仿真场景如下：一架敌F35飞机向我方观测点飞来，在我方防区外(300Km)抛洒无人机53架，无人机以速度100m/s，高度3000m，径向进入，近似一字型编队，F35飞机返航。敌无人机蜂群目标继续进入，朝向我方前进，在突至100Km时，变换队形。敌无人机编队分成6个子群：探测群、侦察群、干扰群、诱饵群、攻击群、反辐射群。整个仿真过程3395秒，图4是所有目标的飞行轨迹平面图，选取5个典型时刻，对53个目标进行分析。

飞行至500秒时，53个目标均在一级防御区内，离我方距离较远，并且RCS值均为0.05m

飞行至1000秒时，无人机目标之间的距离明显增大，飞行方向也发生变化，可以判别53个目标均为固定翼飞机。

飞行至1600秒时，批号1-6的无人机目标在一级防御区内，其他无人机均在二级防御区内。

飞行至2100秒时，批号为7-13和34-53的无人机目标进入三级防御区内，离我方距离较近，其他无人机目标在之前的防御区内飞行。批号7-13的无人机目标RCS值为0.5m

飞行至2800秒时，识别出批号1-6目标的运动轨迹是圆，其他无人机的轨迹都是直线。

根据以上信息，具体的方法过程如图5所示。选择距离、RCS、辐射源类型、轨迹类型、目标类型等5个特征变量作为动态贝叶斯网络的节点，利用GeNIE2.0软件，构建动态贝叶斯网络模型，如图6。初始时刻各意图的概率分布比较平均，设定先验概率为(0.2，0.2，0.2，0.2，0.2)，结合历史数据和专家知识得到条件概率表如表1所示。

表1条件概率表

战场环境变化不定，各意图间相互独立，所以状态转移概率如表2所示。

表2状态转移概率表

将目标的特征信息进行预处理，确定各个特征的状态，输入动态贝叶斯网络，可得每个目标的意图概率，如图7所示，图7中(a)为批号1-6目标的各意图概率，(a)为批号1-6目标的各意图概率，(b)为批号7-13目标的各意图概率，(c)为批号14-23目标的各意图概率，(d)为批号24-33目标的各意图概率，(e)为批号34-53目标的各意图概率。在2800秒之后，各目标的运动状态基本不变，批号1-6目标的侦察意图概率最高，达到0.99，组成侦察群。批号7-13目标的诱饵意图概率最高，达到0.81，组成诱饵群。批号14-23目标的干扰意图概率最高，达到0.78，组成干扰群。批号24-33目标的反辐射意图概率最高，达到0.72，组成反辐射群。批号34-53目标的侦察概率最高，达到0.54，组成攻击群。分群结果和意图识别结果均与仿真一致，可以看出，本发明的方法能够同时实现蜂群目标的分群和意图识别。

本发明还提供一种基于动态贝叶斯网络的群目标意图识别系统，包括：

数据提取模块，用于获取雷达探测信息包含的n个目标的属性和状态信息，提取与目标意图相关联的目标特征属性构成状态集合；

贝叶斯网络构建模块，用于将目标意图作为贝叶斯网络根节点，将与目标意图相关联的目标特征属性作为贝叶斯网络根节点下的子节点，基于各子节点之间的依赖关系获得贝叶斯网络拓扑结构；

动态贝叶斯网络模型确定模块，用于基于历史数据并结合专家知识确定各意图先验概率、条件概率和状态转移概率，确定动态贝叶斯网络模型；

目标意图识别模块，用于获取各特征属性相应的观测数据并进行预处理，确定节点变量对应的状态，基于构建的动态贝叶斯网络模型进行意图识别，得到意图识别结果。

应当理解，本实施例中提供的基于动态贝叶斯网络的群目标意图识别系统可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、设备、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。