楊雨田，楊 杰，李建國*

（1.北方自動控制技術研究所，太原 030006；2.駐南京地區(qū)第三軍事代表室，南京 211153）

0 引言

在現(xiàn)代防空作戰(zhàn)中，對敵方空中目標進行戰(zhàn)術意圖識別極其重要。信息化條件下的戰(zhàn)場環(huán)境復雜多變，并呈現(xiàn)隱蔽性、欺騙性和對抗性等特征，單純依靠人工難以快速、準確識別敵方目標的戰(zhàn)術意圖，迫切需要建立高效、可信的戰(zhàn)術意圖識別方法，為對空防御作戰(zhàn)指揮決策提供輔助支撐。

目前圍繞目標戰(zhàn)術意圖識別問題的研究方法主要有模板匹配、證據(jù)理論、神經(jīng)網(wǎng)絡、貝葉斯網(wǎng)絡等，并在不同的作戰(zhàn)場景中得到了應用。

曾鵬等基于模板匹配的方法進行戰(zhàn)術計劃識別模型的設計，此方法比較容易實現(xiàn)，適用于意圖范疇較為明確的戰(zhàn)術意圖識別，但該方法機械地將戰(zhàn)場態(tài)勢割裂，沒有考慮意圖的隱蔽性和欺騙性。孫越林等建立高維空間相似度模型，結(jié)合D-S 證據(jù)理論（dempster-shafer evidence theory）進行目標戰(zhàn)術意圖識別，使用證據(jù)理論可能會導致龐大的計算量。劉硯菊等將徑向基RBF （radial basis function）神經(jīng)網(wǎng)絡的方法用于空中目標識別。神經(jīng)網(wǎng)絡具有一定自學習能力，不需要組織大量的產(chǎn)生式規(guī)則，但神經(jīng)網(wǎng)絡存在網(wǎng)絡訓練困難、特征提取難度大和計算精度低等問題。

貝葉斯網(wǎng)絡具有很強的因果概率推理能力，能夠通過網(wǎng)絡參數(shù)的不斷更新，動態(tài)地適應戰(zhàn)場變化，解決意圖的不確定性推理問題。王昊冉等針對戰(zhàn)場的不確定性因素，提出了基于MEBN 的態(tài)勢描述貝葉斯網(wǎng)絡（situation on-specific bayes network，SSBN）構建算法進行空中目標意圖識別，但只考慮了單個目標的意圖識別；葛順等將動態(tài)序列貝葉斯網(wǎng)絡用于戰(zhàn)術意圖識別，但對復雜戰(zhàn)場環(huán)境下的意圖識別影響因素考慮不充分。

本文針對復雜戰(zhàn)場環(huán)境中敵戰(zhàn)術意圖存在動態(tài)性和序列性的特點，利用貝葉斯網(wǎng)絡構建DSBN戰(zhàn)術意圖識別推理模型，并分析MEBN 在表達規(guī)則知識概率遷移關系和序列關系方面的不足，提出基于EMEBN 的DSBN 構建方法進行戰(zhàn)術意圖識別。

1 模型的推理與構建

1.1 意圖推理識別過程

作戰(zhàn)意圖識別是作戰(zhàn)任務規(guī)劃的逆過程，是任務規(guī)劃執(zhí)行方與識別方從兩個相對的角度看待作戰(zhàn)規(guī)劃的過程。戰(zhàn)術層面的目標意圖識別過程是根據(jù)觀測到的敵目標行動序列集合，經(jīng)過基于相應規(guī)則邏輯的分析推理或量化計算，最終推導出對方意圖的推理過程。任務規(guī)劃方與意圖推理方之間的關系如圖1 所示。

圖1 任務規(guī)劃方與意圖推理方之間的關系

從任務規(guī)劃方來看，作戰(zhàn)任務是遂行作戰(zhàn)意圖的具體途徑，作戰(zhàn)任務規(guī)劃將上級作戰(zhàn)意圖按照一定條件和規(guī)則分解為若干任務單元執(zhí)行的子任務序列，每個作戰(zhàn)單元再將分配給自己的子任務分解為一系列元任務序列，協(xié)同作戰(zhàn)單元依次完成系列戰(zhàn)術行為動作就實現(xiàn)了相應的作戰(zhàn)意圖。

從意圖觀測推理方來看，意圖推理是一個自下而上的逆向過程。由于敵方根意圖存在一定的隱蔽性和欺騙性，不可能被直接觀測到，只能由元意圖和子意圖逐層推理分析。元意圖推理分析的證據(jù)信息來自作戰(zhàn)任務規(guī)劃方遂行元意圖時表現(xiàn)出的戰(zhàn)術行為動作，由這些證據(jù)信息的狀態(tài)序列推理出相應元意圖，然后逐層逆向推理各級子意圖，最終計算得到概率最大的根意圖作為推理結(jié)論。

1.2 模型的構建

針對復雜戰(zhàn)場環(huán)境中敵目標戰(zhàn)術意圖存在的動態(tài)性、序列性問題，引入動態(tài)貝葉斯網(wǎng)絡（dynamic bayesian network，DBN）和序列貝葉斯網(wǎng)絡（series bayesian network，SBN），構建描述戰(zhàn)術意圖表達和推理的DSBN 模型如圖2 所示，意圖推理需要由DBN 和SBN 兩個環(huán)節(jié)完成，先由DBN 根據(jù)各證據(jù)狀態(tài)推理得到元意圖、子意圖，再由SBN 對子意圖的序列關系逐層推理得到根意圖。

圖2 DSBN 戰(zhàn)術意圖推理模型

1.2.1 基于DBN 模型的元意圖、子意圖推理

DBN 是貝葉斯網(wǎng)絡（bayesian network，BN）在時間領域的擴展，是一種描述系統(tǒng)隨時間變化的推理模型，能夠反映系統(tǒng)隨時間變化的動態(tài)特性，如下頁圖3 所示。

圖3 DBN 示意圖

DBN 數(shù)學表達為＜B，B＞，其中，B表示初始時刻T的BN 模型狀態(tài)，B表示相鄰時刻BN 模型狀態(tài)B到B的變化過程。

對于任一時刻的BN 結(jié)構，滿足公式

1.2.2 基于SBN 模型的根意圖推理

SBN 是BN 在狀態(tài)序列的擴展，這種序列展開特征是BN、DBN 無法描述的。圖4 表示事件X 在X到X的狀態(tài)序列下對事件Y 的邏輯推理過程。

圖4 SBN 示意圖

SBN 中，根據(jù)序列概率關系，相應父節(jié)點的狀態(tài)信度p（I）即為對應子節(jié)點某一特定狀態(tài)序列的信度，即：

其中，p（i）表示在相關證據(jù)條件下；j 時刻意圖的狀態(tài)概率；p（i|i）表示意圖轉(zhuǎn)移概率。

2 擴展MEBN 的DSBN 模型構建方法

2.1 MEBN 的局限性

MEBN 由邏輯片斷推理規(guī)則集合MTheory 和常量邏輯片斷Fingdings 構成，MTheory 由基本邏輯片段B-MFrags（basic-MEBN fragments）組成，F(xiàn)indings給定了未知事件相關的先驗信息。二者確定了未知事件的推理規(guī)則和初始條件，使得MEBN 模型不僅具備貝葉斯網(wǎng)絡的概率推理能力，而且擁有一階謂詞的規(guī)則知識表達能力，將若干MFrags 按需有機組合起來，能夠達到描述完整邏輯關系的目的?；贛EBN 的動態(tài)貝葉斯網(wǎng)絡構建過程如圖5 所示。

圖5 MEBN 和DBN 模型對應關系

根據(jù)第1 節(jié)模型推理內(nèi)容，DSBN 模型由兩個部分構成，其中DBN 模型部分推理的是事件的時間動態(tài)化過程，該部分的邏輯推理可以由MFrags 表達；而另一部分SBN 模型推理的是事件的序列化過程，該部分的邏輯推理無法由MFrags 表達，從而無法由MEBN 來構建DSBN 模型。因此，需要對MEBN 中的表達能力也就是MFrags 邏輯片斷進行必要的擴展，使之具備對序列過程的表達能力，才能用于DSBN 模型的構建。

2.2 擴展MEBN 下的DSBN 構建方法

本文引入概率遷移邏輯片段（probability transfer-MFRags，PT-MFrag）和序列關系邏輯片段（series relation-MFrags，SR-MFrags），對MEBN 進行擴展，使其具備對事件狀態(tài)的遷移過程和序列過程的表達能力，支撐DSBN 模型構建。擴展MEBN 和DSBN模型對應關系如圖6 所示，其中虛線表示在MEBN基礎上的擴展部分。

圖6 擴展MEBN 和DSBN 模型對應關系

擴展MEBN 由邏輯片斷推理規(guī)則集合EMTheory 和常量邏輯片斷EFingdings 構成，EMTheory 由3類邏輯片段組成：

1）基本邏輯片斷B-MFrags（Basic-MFrags），用于描述隨機事件之間的相互邏輯關系；

2）概率遷移邏輯片斷PT-MFrags，用于描述隨機事件狀態(tài)概率遷移過程；

3）序列關系邏輯片斷SR-MFrags，用于描述隨機事件狀態(tài)時序序列和根事件狀態(tài)空間的對應關系。EFindings 給定了未知事件相關的先驗信息。二者確定了未知事件的推理規(guī)則和初始條件。

基于擴展MEBN 的DSBN 構建過程如下：1）從EMTheory 檢索與具體實例相對應的B-MFrags、PT-MFrags 和SR-MFrags 3 類邏輯片斷；2）實例化邏輯片斷，將B-MFrags 實例化為DBN 模型中的事件之間的邏輯關系；將PT-MFrags 實例化為SBN 模型中子序列之間的狀態(tài)遷移關系；將SR-MFrags 實例化為SBN 模型中根事件與子序列之間的分解關系；3）合并實例化的邏輯片斷，最后得到一個由證據(jù)信息向結(jié)論延伸的推理模型，該模型即為構造的目標DSBN 模型。

3 防空作戰(zhàn)實例驗證

3.1 防空作戰(zhàn)場景

本文給出了一個海域巡航防空作戰(zhàn)想定場景：我方艦艇在M 海域巡航，某一連續(xù)時刻，在船艦傳感器探測范圍內(nèi)出現(xiàn)敵方4 批飛機編隊，每批編隊由4 架飛機組成。根據(jù)探測到的敵方編隊的飛行高度、飛行速度、距離、電磁干擾信號、隊形5 種目標特征屬性，按照相應的專家先驗知識及推理規(guī)則對目標特征屬性信息進行處理，進而對空中目標意圖（突襲、攔截、協(xié)同突襲、護航）進行判斷識別。防空作戰(zhàn)場景如表1 所示。

表1 防空作戰(zhàn)場景具體描述

根據(jù)軍事領域相關專家的先驗知識，防空作戰(zhàn)中的規(guī)則知識（由基本邏輯片段B-MFrags 組成）如下：

敵方目標可能的典型戰(zhàn)術意圖（根意圖）有I={突襲（i）、攔截（i）、協(xié)同突襲（i）、護航（i）}；

子意圖B={偵察（b）、電磁干擾（b）、佯動（b）、火力打擊（b）、巡邏（b）、隱蔽接敵（b）、返航（b）}；

元意圖A={低空高速巡航（a）、低空高速盤旋（a）、中空盤旋（a）、中空巡航（a）、中空高速巡航（a）、高空電磁干擾盤旋（a）、超高空盤旋（a）}；

元意圖的特征屬性C={飛行高度（H）、飛行速度（v）、距離（D）、電磁干擾信號（ES）、隊形（RK）}，其中，H={超高，高，中，低}，v={高速，低速}，D={遠，近}，電磁干擾信號={有，無}，RK={梯形，楔形，縱形，人字形，菱形}；

對空中目標的特征屬性進行劃分：飛行高度=［超高：H＞10 km，高：5 km＜H≤10 km，中：1 km＜H≤5 km，低：H≤1 km］；速度=［高速：v＞1 000 km/h，低速：v≤1 000 km/h］；距離=［遠：D＞120 km，近：D≤120 km］；隊形=［梯形：常用于攻擊，楔形：常用于出航、巡邏、返航，縱型：常用于偵察，人字形：常用于干擾，菱形：常用于摧毀具體目標］。

3.2 目標戰(zhàn)術意圖推理實例化

由1.1 可知，意圖的觀測推理是一個逆向的自下而上的過程，本防空作戰(zhàn)想定實例中，推理分析的原始證據(jù)信息來自任務規(guī)劃方表現(xiàn)出的各類特征屬性信息，先由觀測到的目標特征屬性推理出相應元意圖、子意圖，然后逐層逆向推理根意圖，最終計算得到概率最大的根意圖作為推理結(jié)論。

3.2.1 DBN 模型實例化

1）依據(jù)防空作戰(zhàn)場景想定，將上述B-MFrags表示為目標特征屬性與元意圖之間的邏輯關系來構造DBN 模型，如下頁圖7 所示。

圖7 防空作戰(zhàn)場景中的DBN 模型

其中，T～T每個時間段不同編隊對應的元意圖（a～a）不同，每個編隊元意圖包含飛行高度、飛行速度、距離、電磁干擾信號、隊形共5 種特征屬性。

2）基于先驗概率和目標特征屬性，進行元意圖推理。

根據(jù)軍事領域相關專家的先驗知識，空中目標元意圖和特征屬性狀態(tài)之間的先驗概率表如表2所示。

表2 空中目標元意圖和特征屬性狀態(tài)之間的先驗概率

我方檢測出敵方4 個編隊連續(xù)時刻特征屬性值，將各特征屬性值進行歸一化處理后得到表3 所示的特征屬性概率向量表。

表3 編隊特征屬性概率向量表

在T時刻，根據(jù)1.2 中DBN 模型的式（1）推導得到1 號編隊元意圖為超高空盤旋的概率置信度為：

同理可以依次計算得出T時刻其他元意圖的概率置信度：

按照上述順序?qū)? 種元意圖的概率置信度進行歸一化處理，可得到T時刻1 號編隊各元意圖概率向量為（0.003，0.001，0.294，0.659，0.038，0.001，0.004），同理計算出4 個編隊在其他時刻對各元意圖的概率向量見169 頁表4 所示。

3）基于元意圖序列進行子意圖推理

通過分析表4 數(shù)據(jù)可以得出4 批編隊元意圖序列如圖8 所示，其中，縱坐標依次以1～7 來表示a～a7 種元意圖，橫坐標表示T～T時刻。

表4 元意圖概率向量表

圖8 編隊元意圖序列圖

給定統(tǒng)計假設：空中目標一般以中空巡航進入我方探測范圍，接著有同等可能即1/7 的概率轉(zhuǎn)為其他7 種元意圖（低空高速巡航、低空高速盤旋、中空盤旋、中空巡航、中空高速巡航、高空電磁干擾盤旋、超高空盤旋）；若編隊的元意圖序列由中空巡航變?yōu)橹锌崭咚傺埠?，考慮到戰(zhàn)場環(huán)境中隱蔽性和欺騙性等因素，編隊有30%的概率為巡邏，40%的概率為隱蔽接敵，30%的概率為返航；若編隊的元意圖序列由中空巡航變?yōu)槌呖毡P旋，則編隊有90%的概率為偵察。類似給出其他6 種元意圖序列關系，如圖9 所示。

圖9 元意圖序列關系

由圖8 可知，1 號編隊在T～T時間段，完成以下元意圖序列概率最大：中空巡航→超高空盤旋→超高空盤旋→中空巡航→中空巡航。T～T階段，元意圖概率向量發(fā)生變化，該階段結(jié)合式（1）和圖9中元意圖序列與子意圖的推理概率關系，可以推導得出子意圖分別為偵察、電磁干擾、佯動、火力打擊、巡邏、隱蔽接敵、返航的概率為（0.986，0.001，0.002，0.005，0.002，0.003，0.001）；T～T時間段，元意圖概率向量不變，可推出意圖未改變，與上一時間段相同；T～T時間段，編隊由超高空盤旋轉(zhuǎn)為中空巡航，撤退遠離我方；T～T時間段，意圖不變繼續(xù)撤退。根據(jù)推理判斷得出1 號編隊子意圖最有可能為偵察，概率為98.6%。

同理2、3、4 號編隊子意圖為b～b的概率分別為（0.005，0.974，0，0，0.006，0.005，0.01）、（0.001，0，0.926，0.038，0.011，0.01，0.014）、（0.001，0，0.026，0.951，0.009，0.005，0.008），根據(jù)推理判斷得出2、3、4 號編隊的子意圖最有可能為電磁干擾、佯動、火力打擊，概率分別為98.6%、97.4%、92.6%、95.1%。

3.2.2 SBN 模型實例化

本節(jié)將相對應規(guī)則知識中的PT-MFrags 所表達的內(nèi)容，表示為子序列之間的狀態(tài)遷移關系；將SR-MFrags 所表達的內(nèi)容，表示為來根事件與子序列之間的分解關系，從而構造SBN 模型，由子意圖逐層推理根意圖。

SBN 的推理同樣需要專家先驗規(guī)則知識，假設敵方空中目標以偵察作為第1 步開始執(zhí)行任務，偵察的后續(xù)行為有50%的概率為電磁干擾，30%的概率為隱蔽接敵，20%的概率為巡邏；若第2 步任務進行隱蔽接敵，后續(xù)行為有80%的概率為火力打擊，20%的概率為電磁干擾；若第3 步進行火力打擊，后續(xù)行為有80%的概率為隱蔽接敵。由專家先驗知識得到，偵察→隱蔽接敵→火力打擊→隱蔽接敵的子序列是實現(xiàn)攔截的過程，以此類推，偵察→干擾→佯動→打擊的子序列是突襲的過程，偵察→隱蔽接敵→電磁干擾→返航的子序列是協(xié)同突襲的過程，偵察→巡邏→巡邏→巡邏的子序列是護航的過程。確定了子意圖概率遷移關系及根意圖與子序列分解關系，即可構建SBN 模型，如圖10 所示。

圖10 防空作戰(zhàn)場景中的SBN 模型

根據(jù)上述SBN 模型中子意圖概率遷移關系及根意圖與子序列分解關系，由式（2）推導得到戰(zhàn)術意圖概率如下：

經(jīng)過歸一化處理，可以得到敵方突襲我方的概率為97.8%，依次進行了偵察→干擾→佯動→火力打擊的意圖規(guī)劃序列。

若采用DBN 在相應戰(zhàn)術規(guī)則下進行意圖推理，能夠推理出4 個編隊在連續(xù)時刻各自的戰(zhàn)術意圖，此實驗中，4 個編隊意圖分別為偵察、電磁干擾、佯動、火力打擊，但DBN 無法根據(jù)4 個編隊的子意圖序列關系推理得到敵方編隊的根意圖。而DSBN 由兩部分組成，首先采用DBN 根據(jù)編隊特征屬性推理出子意圖，再采用SBN 根據(jù)連續(xù)時刻編隊的子意圖推理得到根意圖，這種模型的推理結(jié)果更加全面可信。

4 結(jié)論

本文針對復雜戰(zhàn)場環(huán)境中敵目標戰(zhàn)術意圖存在的動態(tài)性、序列性等問題，提出基于擴展MEBN的DSBN 構建方法進行戰(zhàn)術意圖識別。將該方法用于敵方多批空中目標協(xié)同作戰(zhàn)場景，實現(xiàn)對多個敵方目標在連續(xù)時刻下的戰(zhàn)術意圖推理，驗證了該方法的可行性和有效性。