杜菲菲， 馮新喜

(空軍工程大學(xué)電訊工程學(xué)院，西安 710077)

0 引言

現(xiàn)代戰(zhàn)爭(zhēng)要求作戰(zhàn)雙方指揮員必須在高度的不確定性和時(shí)間壓力下，根據(jù)所獲得的海量的包含有干擾、欺騙等不完整、不準(zhǔn)確的信息，迅速做出決策。態(tài)勢(shì)評(píng)估(SA)就成為現(xiàn)代戰(zhàn)爭(zhēng)的必然要求。國(guó)內(nèi)外對(duì)態(tài)勢(shì)評(píng)估從不同角度出發(fā)有不同的定義，主要有JDL模型［1－2］中的定義以及 Endsley［3］從人工智能出發(fā)給出的認(rèn)知學(xué)定義。軍事領(lǐng)域通常采用JDL的定義，即:態(tài)勢(shì)評(píng)估是要建立關(guān)于作戰(zhàn)活動(dòng)、事件、時(shí)間、位置和兵力要素組織形式的一張視圖，并將觀測(cè)到的戰(zhàn)斗力量分布與活動(dòng)和戰(zhàn)場(chǎng)周圍環(huán)境、敵作戰(zhàn)意圖以及敵機(jī)動(dòng)性有機(jī)地聯(lián)系起來，分析并確定事件發(fā)生的原因，得到關(guān)于敵方兵力結(jié)構(gòu)、使用特點(diǎn)的估計(jì)，最終形成戰(zhàn)場(chǎng)綜合態(tài)勢(shì)圖，幫助指揮員做出迅速準(zhǔn)確的決策。在操作中常將Endsley態(tài)勢(shì)評(píng)估三級(jí)模型作為一種功能模型［4］，幫助研究人員從理論上理解態(tài)勢(shì)評(píng)估，并為人工智能在態(tài)勢(shì)評(píng)估中的應(yīng)用奠定基礎(chǔ)。

實(shí)用的態(tài)勢(shì)評(píng)估系統(tǒng)需要解決從模型構(gòu)建到系統(tǒng)實(shí)現(xiàn)等一系列問題。有文獻(xiàn)［5］表明，國(guó)外已有較成熟的態(tài)勢(shì)評(píng)估系統(tǒng)，理論和技術(shù)研究也有很大進(jìn)展。國(guó)內(nèi)關(guān)于態(tài)勢(shì)評(píng)估的研究繼承并發(fā)展了國(guó)外學(xué)者的學(xué)術(shù)觀點(diǎn)、理論和方法路線，取得了很多成果［6－8］。但已有態(tài)勢(shì)評(píng)估模型在對(duì)場(chǎng)景變化的適應(yīng)能力、軍事領(lǐng)域知識(shí)的表達(dá)和處理以及性能評(píng)價(jià)方面還都不夠成熟，直接限制了其在實(shí)際系統(tǒng)中的應(yīng)用。另一方面，國(guó)內(nèi)信息系統(tǒng)建設(shè)不夠完善，缺乏統(tǒng)一的功能模型和平臺(tái)接口，態(tài)勢(shì)評(píng)估系統(tǒng)還停留在理論研究和一些非常有限的戰(zhàn)術(shù)試驗(yàn)層面［9－12］。

1 貝葉斯網(wǎng)絡(luò)在態(tài)勢(shì)評(píng)估中的應(yīng)用現(xiàn)狀

貝葉斯網(wǎng)絡(luò)在1988 年由 J.Pearl［13］提出明確定義后，成為人工智能領(lǐng)域非精確知識(shí)表達(dá)與推理領(lǐng)域20多年來的研究熱點(diǎn)。它是一個(gè)用節(jié)點(diǎn)表示變量，節(jié)點(diǎn)之間的弧表示變量發(fā)生的直接因果或相關(guān)關(guān)系的有向無環(huán)圖，是人工智能、概率理論、圖論和決策論相結(jié)合的產(chǎn)物，可以看作是一種在不確定條件下進(jìn)行命題推理的標(biāo)準(zhǔn)認(rèn)知模型［14］，在具有內(nèi)在不確定性的推理和決策問題中得到了廣泛的應(yīng)用。

相比態(tài)勢(shì)評(píng)估領(lǐng)域的另外兩種人工智能處理方法專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)來說，使用貝葉斯網(wǎng)絡(luò)進(jìn)行態(tài)勢(shì)評(píng)估具有以下優(yōu)點(diǎn)［15－17］。

1)貝葉斯網(wǎng)絡(luò)技術(shù)是圖論和貝葉斯推理的結(jié)合。同神經(jīng)網(wǎng)絡(luò)類似，貝葉斯網(wǎng)絡(luò)也使用節(jié)點(diǎn)和有向邊表示領(lǐng)域知識(shí)，節(jié)點(diǎn)之間可以通過有向邊來傳播新的信息，網(wǎng)絡(luò)中保存的信息可以由專家指定，也可以通過樣本學(xué)習(xí)。網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接有明顯的實(shí)際意義，更符合人們對(duì)軍事領(lǐng)域知識(shí)的理解。

2)貝葉斯網(wǎng)絡(luò)中的知識(shí)可以進(jìn)行更新，而專家系統(tǒng)中的知識(shí)不能自動(dòng)更新;專家系統(tǒng)一旦構(gòu)建完成，其知識(shí)是固定的，并且知識(shí)存儲(chǔ)更加困難。

3)神經(jīng)網(wǎng)絡(luò)在開始的時(shí)候沒有任何知識(shí)，必須進(jìn)行學(xué)習(xí);而貝葉斯網(wǎng)絡(luò)在構(gòu)建的過程中，已經(jīng)對(duì)專家知識(shí)進(jìn)行了編碼。

4)時(shí)間傳播算法反映了態(tài)勢(shì)評(píng)估的連續(xù)性，新的證據(jù)與隨時(shí)間序列到達(dá)的證據(jù)共同作用來計(jì)算對(duì)態(tài)勢(shì)的累積效果，這種時(shí)間上連續(xù)的特點(diǎn)在無記憶的專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)中是不存在的。

由于貝葉斯網(wǎng)絡(luò)具有以上優(yōu)點(diǎn)，國(guó)外對(duì)基于貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)評(píng)估的研究十分活躍［5，18－19］，國(guó)內(nèi)對(duì)該領(lǐng)域的研究也有一些進(jìn)展，一些基于無人機(jī)平臺(tái)、機(jī)載航電系統(tǒng)［6］、艦艇導(dǎo)彈防御決策［7］、飛行員輔助態(tài)勢(shì)評(píng)估系統(tǒng)［12，20］等戰(zhàn)術(shù)級(jí)單平臺(tái)的態(tài)勢(shì)評(píng)估系統(tǒng)進(jìn)入實(shí)用。態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)表示軍事事件，節(jié)點(diǎn)之間的有向邊表示事件間的因果或相關(guān)關(guān)系，節(jié)點(diǎn)之間的條件概率表示這種關(guān)系強(qiáng)度。在評(píng)估過程中，以態(tài)勢(shì)覺察過程檢測(cè)到的軍事事件和人工情報(bào)作為證據(jù)，利用貝葉斯網(wǎng)絡(luò)的證據(jù)傳播和推理算法，更新網(wǎng)絡(luò)中其他事件的信度。通過這樣的證據(jù)推理過程，在已知不確定的證據(jù)情況下，推斷其他事件發(fā)生的可能性，達(dá)到判斷敵方目的、預(yù)測(cè)敵方行動(dòng)的目標(biāo)。一個(gè)用于態(tài)勢(shì)評(píng)估的標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)如圖1所示。這只是貝葉

斯網(wǎng)絡(luò)應(yīng)用于態(tài)勢(shì)評(píng)估的形式之一，即將軍事事件以態(tài)勢(shì)、事件、證據(jù)進(jìn)行分層表示，類似的還有將對(duì)態(tài)勢(shì)的理解和推理看作是對(duì)敵方意圖的掌握，將態(tài)勢(shì)評(píng)估問題轉(zhuǎn)化到計(jì)劃識(shí)別［9，21］領(lǐng)域，同樣可以用貝葉斯網(wǎng)絡(luò)對(duì)意圖、計(jì)劃、子計(jì)劃、行動(dòng)、行動(dòng)線索進(jìn)行建模、推理。貝葉斯網(wǎng)絡(luò)還可用于戰(zhàn)場(chǎng)信息融合的其他層次如目標(biāo)識(shí)別［10，22－23］、兵力聚合［24－25］、裝備/網(wǎng)絡(luò)故障檢測(cè)［26］、威脅評(píng)估［27］等等。

圖1 用于態(tài)勢(shì)評(píng)估的標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)示意圖Fig.1 An example of situation assessment Bayesian network

2 用于態(tài)勢(shì)評(píng)估的貝葉斯網(wǎng)絡(luò)的構(gòu)建

要使用貝葉斯網(wǎng)絡(luò)進(jìn)行戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估，必須首先構(gòu)建相應(yīng)的態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)?，F(xiàn)有的貝葉斯網(wǎng)絡(luò)構(gòu)建主要通過學(xué)習(xí)和人工構(gòu)建兩種方式，也可以結(jié)合二者優(yōu)勢(shì)，進(jìn)行兩階段建模［24］。戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估由于其特殊性，不可能得到大量的訓(xùn)練數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)，因此通常由軍事領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗(yàn)和情報(bào)信息給出大量用規(guī)則表示的知識(shí)，再由BN專家進(jìn)行手動(dòng)建模，并進(jìn)行模擬訓(xùn)練修正網(wǎng)絡(luò)結(jié)構(gòu)。構(gòu)建基本過程如下。1)確定節(jié)點(diǎn)內(nèi)容。貝葉斯網(wǎng)絡(luò)由節(jié)點(diǎn)組成，節(jié)點(diǎn)對(duì)應(yīng)不同的事件。因此，首先必須確定態(tài)勢(shì)評(píng)估領(lǐng)域存在哪些事件以及這些事件的完備狀態(tài)空間。2)確定節(jié)點(diǎn)關(guān)系。態(tài)勢(shì)估計(jì)包含大量的因素及各種復(fù)雜的關(guān)系，需要BN構(gòu)建人員和軍事領(lǐng)域?qū)＜夜餐_定這些關(guān)系，從而確定貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。3)構(gòu)造條件概率表，進(jìn)行概率分配需要具有一定的軍事知識(shí)，通常由軍事專家根據(jù)經(jīng)驗(yàn)指定。

可以看出，傳統(tǒng)態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)(SABN)是針對(duì)確定場(chǎng)景的，雖然對(duì)專家知識(shí)進(jìn)行了編碼，但由于場(chǎng)景的限制，編碼的知識(shí)十分有限，構(gòu)建過程艱難費(fèi)時(shí)又缺乏可移植性，程序修改和維護(hù)也較為困難，無法滿足大型復(fù)雜系統(tǒng)網(wǎng)絡(luò)構(gòu)建的要求。Laskey［5，18］等提出采用貝葉斯網(wǎng)絡(luò)建立知識(shí)基，也就是BN片斷，在態(tài)勢(shì)估計(jì)過程中，按照一定的規(guī)則將網(wǎng)絡(luò)片斷進(jìn)行連接，動(dòng)態(tài)構(gòu)建SABN。在此基礎(chǔ)上，國(guó)內(nèi)也出現(xiàn)了類似的將貝葉斯網(wǎng)絡(luò)模塊化進(jìn)行動(dòng)態(tài)構(gòu)建的研究，并根據(jù)態(tài)勢(shì)評(píng)估的特點(diǎn)，提出動(dòng)態(tài)構(gòu)建分級(jí)分層 SABN［21，28］。為了解決直接連接貝葉斯網(wǎng)絡(luò)單元時(shí)出現(xiàn)的破壞網(wǎng)絡(luò)結(jié)構(gòu)、重設(shè)條件概率、推理困難的問題，有作者提出虛擬節(jié)點(diǎn)［8］的概念，不直接將替換網(wǎng)絡(luò)模塊接入整體網(wǎng)絡(luò)，而是在原有網(wǎng)絡(luò)中設(shè)置一個(gè)虛擬節(jié)點(diǎn)，將替換網(wǎng)絡(luò)推理后的結(jié)果作為軟證據(jù)直接輸入整體網(wǎng)絡(luò)進(jìn)行推理。Koller［29］將面向?qū)ο蟮乃枷胍胴惾~斯網(wǎng)絡(luò)的構(gòu)建，使概率特征包含對(duì)象關(guān)系，構(gòu)建了概率關(guān)系模型，增強(qiáng)了其對(duì)知識(shí)的表示能力。此后，不斷有學(xué)者將面向?qū)ο罄碚撘敫鞣N復(fù)雜問題貝葉斯網(wǎng)絡(luò)建模［8，28－30］中，取得了很大進(jìn)展。國(guó)內(nèi)有學(xué)者將OOBN的理論引入了態(tài)勢(shì)評(píng)估領(lǐng)域，并給出了用面向?qū)ο蠓椒ū硎緫?zhàn)場(chǎng)態(tài)勢(shì)信息的例證，實(shí)現(xiàn)了態(tài)勢(shì)信息以面向?qū)ο笮问皆陉P(guān)系數(shù)據(jù)庫中的存儲(chǔ)［30］。態(tài)勢(shì)評(píng)估過程復(fù)雜，需要表達(dá)的軍事事件較多，涉及的軍事知識(shí)龐雜，采用面向?qū)ο蟮姆椒?，可以使態(tài)勢(shì)評(píng)估系統(tǒng)具有良好的可擴(kuò)充性和可重用性，提高SABN的構(gòu)建效率，但目前還未見到成型的面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估模型。

本文作者認(rèn)為，無論是采用貝葉斯網(wǎng)絡(luò)片斷方法還是面向?qū)ο蠓椒ǎ伎梢钥醋魇菫榱擞秘惾~斯網(wǎng)絡(luò)對(duì)專家知識(shí)進(jìn)行充分編碼而做出的努力，即貝葉斯網(wǎng)絡(luò)如何才能與專家系統(tǒng)結(jié)合，一方面克服專家系統(tǒng)的靜態(tài)限制，更好地實(shí)現(xiàn)知識(shí)存儲(chǔ)、獲取和更新;另一方面增強(qiáng)貝葉斯網(wǎng)絡(luò)的實(shí)用意義。這是由于態(tài)勢(shì)評(píng)估是一個(gè)復(fù)雜的多因素、不確定的智能處理領(lǐng)域，只有充分集合專家知識(shí)、具有友好人機(jī)交互界面的推理技術(shù)才能具有強(qiáng)大的生命力。

3 態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)的推理

交戰(zhàn)雙方的對(duì)抗使得戰(zhàn)場(chǎng)態(tài)勢(shì)不斷變化，各個(gè)戰(zhàn)場(chǎng)事件之間不僅有復(fù)雜的因果關(guān)系，還包含著豐富的時(shí)間要素。但標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)是靜態(tài)模型，不具備時(shí)間信息表達(dá)和推理能力，無法對(duì)動(dòng)態(tài)系統(tǒng)和有反饋的過程建模，大大限制了其使用價(jià)值。因此，有必要對(duì)標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)進(jìn)行改造。

3.1 態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)中的時(shí)間推理

現(xiàn)有文獻(xiàn)在BN中表示時(shí)間主要有兩種思路。

第一種思路是通過動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network，DBN)，將一個(gè)系統(tǒng)表示成從起始時(shí)間到終止時(shí)間的一系列快照，每個(gè)快照包含一個(gè)完整的網(wǎng)絡(luò)結(jié)構(gòu)，表示系統(tǒng)在該時(shí)刻的狀態(tài)，前后兩個(gè)網(wǎng)絡(luò)的相關(guān)節(jié)點(diǎn)之間添加時(shí)間因果關(guān)系，表示在不同時(shí)刻的節(jié)點(diǎn)變化關(guān)系。當(dāng)前最主要研究的DBN［31－34］，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、變量集和變量間的內(nèi)部因果關(guān)系在每個(gè)時(shí)間片下都是相同的。有文獻(xiàn)對(duì)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在態(tài)勢(shì)評(píng)估中的應(yīng)用進(jìn)行了研究，并在實(shí)際應(yīng)用中基于現(xiàn)有的BN推理算法提出了一些諸如離散模糊動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)［33－35］等具體的解決方法。但是由于態(tài)勢(shì)評(píng)估要解決的實(shí)際問題，往往是各個(gè)時(shí)刻待決策或推理的變量發(fā)生變化或者網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生變化，不是“平穩(wěn)馬爾可夫過程”，用DBN難以模擬這種變化。文獻(xiàn)［36］針對(duì)這一問題提出了彈性變結(jié)構(gòu)DBN，實(shí)際上就是要給出每個(gè)時(shí)間片上網(wǎng)絡(luò)的有向無環(huán)圖結(jié)構(gòu)及靜態(tài)貝葉斯網(wǎng)絡(luò)的條件概率表，并給出每?jī)蓚€(gè)時(shí)間片之間網(wǎng)絡(luò)的轉(zhuǎn)移矩陣，建立一個(gè)隨時(shí)間非平穩(wěn)變化的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，并在離散貝葉斯網(wǎng)絡(luò)推理算法的基礎(chǔ)上研究了相應(yīng)的推理算法。顯然這一方法需要建模人員對(duì)系統(tǒng)的整個(gè)變化過程有足夠的了解，計(jì)算量偏大，在態(tài)勢(shì)評(píng)估中難以實(shí)現(xiàn)。另外，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是通過取樣將時(shí)間均勻離散化然后用馬爾可夫過程模擬系統(tǒng)狀態(tài)的變化，這就有兩個(gè)弊端:一是無法確定事件發(fā)生的具體時(shí)間和概率之間的關(guān)系;二是均勻離散導(dǎo)致信息傳播必然要同步進(jìn)行，而實(shí)際系統(tǒng)中各個(gè)節(jié)點(diǎn)發(fā)展變化的時(shí)間粒度不可能完全相同，這就需要尋找一種最優(yōu)的時(shí)間粒度來離散化，實(shí)際難以做到。文獻(xiàn)［37］針對(duì)這一問題提出了連續(xù)時(shí)間貝葉斯網(wǎng)絡(luò)(Continuous Time Bayesian Networks，CTBN)的理論框架，將整個(gè)問題域分解為一些隨時(shí)間變化的局部變量，每個(gè)變量何時(shí)變化、以及變化的取值都可以看作其當(dāng)前取值和有向圖中其父節(jié)點(diǎn)當(dāng)前取值的函數(shù)，文中用馬爾可夫過程來描述這種變量的動(dòng)態(tài)特性，對(duì)每個(gè)變量的動(dòng)態(tài)特性建模，用條件強(qiáng)度矩陣(CIM)描述其概率變化特征，并給出了相應(yīng)的近似推理算法。

第二種思路就是對(duì)BN進(jìn)行時(shí)間擴(kuò)展。由Kanazawa所發(fā)展的離散時(shí)間網(wǎng)絡(luò)將時(shí)間建模為一系列的點(diǎn)，認(rèn)為事件(Event)是在時(shí)間瞬時(shí)發(fā)生的，而事實(shí)(Fact)是在一系列的時(shí)間點(diǎn)上發(fā)生的，事件和事實(shí)都以隨機(jī)變量表示。Berzuni提出在網(wǎng)絡(luò)中增加一些表示時(shí)間區(qū)間的節(jié)點(diǎn)，但這樣可能會(huì)顯著增加網(wǎng)絡(luò)的大小和復(fù)雜性，Tawfid和Neufeld提出將節(jié)點(diǎn)間的條件概率視為時(shí)間的函數(shù)，這就需要有關(guān)概率隨時(shí)間變化的外生知識(shí)并且需要明確網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)在不同時(shí)刻的取值。Santos根據(jù)區(qū)間代數(shù)理論提出的時(shí)間誘導(dǎo)問題(Temporal Abduction Problem，TAP)認(rèn)為，每個(gè)事件都有一個(gè)相關(guān)的時(shí)間區(qū)間，事件在此區(qū)間內(nèi)發(fā)生。事件間的關(guān)系表示為一個(gè)帶權(quán)的從原因到結(jié)果的有向邊和/或有向無環(huán)圖結(jié)構(gòu)，有向邊滿足可能的時(shí)間區(qū)間關(guān)系，這種方法在表示事件間的關(guān)系時(shí)具有很大的靈活性，但由于誘導(dǎo)隨機(jī)變量的引入大大增加了系統(tǒng)構(gòu)建和推理的復(fù)雜性［4］。文獻(xiàn)［4］在自己的工作中引入了 Young［38］關(guān)于時(shí)間聚合體的定義，用來表示一個(gè)隨時(shí)間變化的軍事事件，每個(gè)時(shí)間聚合體包括一組我們感興趣的時(shí)間區(qū)間，表示時(shí)間可能在這些時(shí)間區(qū)間內(nèi)發(fā)生以及事件可能的狀態(tài)集合。也就是說，時(shí)間聚合體是一組時(shí)間隨機(jī)變量的集合，每個(gè)時(shí)間隨機(jī)變量對(duì)應(yīng)一個(gè)時(shí)間區(qū)間。時(shí)間聚合體之間的關(guān)系稱為時(shí)間因果關(guān)系。通過對(duì)貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)和邊的時(shí)間改造，建立其具有時(shí)間推理意義的貝葉斯網(wǎng)絡(luò)。文獻(xiàn)［24］在對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行時(shí)間擴(kuò)展時(shí)也采用了類似的方法，即均假設(shè)網(wǎng)絡(luò)中的節(jié)點(diǎn)在獲得新證據(jù)之前保持原有的狀態(tài)，用時(shí)間聚集變量和變量間的時(shí)間因果關(guān)系構(gòu)建時(shí)間貝葉斯網(wǎng)絡(luò)，不同之處在于前者在推理時(shí)將各個(gè)時(shí)間變量看作一個(gè)時(shí)間聚合體的幾個(gè)取值，從而可以直接應(yīng)用傳統(tǒng)BN推理方法進(jìn)行推理，并能得到同一事件對(duì)應(yīng)不同時(shí)間區(qū)間時(shí)的不同意義。后者通過對(duì)模型化簡(jiǎn)，將提出的TBN的單個(gè)節(jié)點(diǎn)信度更新轉(zhuǎn)化為傳統(tǒng)BN的概率推理問題，然后采用現(xiàn)有的概率推理算法更新被詢問節(jié)點(diǎn)的信度。

這兩種思路一是基于網(wǎng)絡(luò)結(jié)構(gòu)和條件概率關(guān)系在時(shí)間序列上的擴(kuò)展，一是在網(wǎng)絡(luò)節(jié)點(diǎn)和條件概率關(guān)系中加入時(shí)間語義，二者共有的一個(gè)問題就是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)應(yīng)當(dāng)保持基本平穩(wěn)，否則會(huì)大大增加網(wǎng)絡(luò)概率推理的復(fù)雜性和時(shí)間代價(jià)，甚至無法得出結(jié)果。而實(shí)際系統(tǒng)尤其是激烈對(duì)抗的戰(zhàn)場(chǎng)領(lǐng)域很可能無法滿足這一平穩(wěn)條件。另外，軍事事件不僅存在時(shí)間因果關(guān)系，還可能存在排他關(guān)系，時(shí)間限制關(guān)系等等，如何在貝葉斯網(wǎng)絡(luò)中表示這些關(guān)系也是一個(gè)值得研究的方面。

3.2 態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)的概率推理

從現(xiàn)有文獻(xiàn)看，對(duì)態(tài)勢(shì)評(píng)估不同的理解對(duì)應(yīng)了在SABN中的不同推理算法。但總體來說，很少有專門針對(duì)SABN的推理算法。普遍采用的都是將SABN標(biāo)準(zhǔn)化，然后采用傳統(tǒng)BN的推理算法進(jìn)行推理，如Pearl的證據(jù)傳播法(Belief Propagation，BP)和分層假設(shè)證據(jù)推理算法［39］，聯(lián)結(jié)樹算法，變量消除法，卡爾曼濾波，粒子濾波，邊界算法等。或者對(duì)基礎(chǔ)算法進(jìn)行改進(jìn)以獲得更好的態(tài)勢(shì)理解和推理結(jié)果，如基于有環(huán)網(wǎng)絡(luò)提出的LBP(Loopy Belief Propagation)算法，用于變結(jié)構(gòu)離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的推理算法［36］、用于OOBN的面向?qū)ο蟮耐评硭惴ǎ?9］等等。大多數(shù)現(xiàn)有算法都只適合于集中式同步概率推理，而同步在實(shí)際系統(tǒng)中很難做到。同步方法要求對(duì)整個(gè)系統(tǒng)內(nèi)的信息進(jìn)行充分融合以達(dá)到最好的評(píng)估效果，必須能夠使整個(gè)網(wǎng)絡(luò)中的所有節(jié)點(diǎn)充分通信，這一方面對(duì)系統(tǒng)通信容量提出了要求，另一方面由于各個(gè)節(jié)點(diǎn)信度更新頻率的不同，導(dǎo)致有些信息不能充分傳播或者浪費(fèi)通信資源。文獻(xiàn)［40］針對(duì)此問題提出了使用CTBN描述系統(tǒng)動(dòng)態(tài)特性的異步動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)框架，在LBP算法的基礎(chǔ)上實(shí)現(xiàn)了分布式系統(tǒng)內(nèi)節(jié)點(diǎn)信息的異步傳播。但現(xiàn)有文獻(xiàn)還未見到更多的關(guān)于此問題的研究。

具有明確意義的概率推理是貝葉斯網(wǎng)絡(luò)區(qū)別于其他推理技術(shù)的重要特征之一，但概率理論無法用來表示所有的軍事領(lǐng)域知識(shí)的不確定性，在信息融合的低層處理過程要針對(duì)各種數(shù)據(jù)的特征采用不同的不確定性推理方法對(duì)多源異類數(shù)據(jù)進(jìn)行處理，獲得的也是不確定性信息，然后交由態(tài)勢(shì)評(píng)估系統(tǒng)進(jìn)行處理?，F(xiàn)有處理方法通常忽略了這一過程，直接設(shè)定各級(jí)事件或線索的概率意義進(jìn)行推理，如何在概率推理框架內(nèi)處理這些不確定性是一個(gè)很有價(jià)值的研究方向。另外，態(tài)勢(shì)評(píng)估涵蓋戰(zhàn)略、戰(zhàn)役、戰(zhàn)術(shù)各個(gè)層次，應(yīng)當(dāng)利用這些層次特征和各級(jí)分系統(tǒng)的結(jié)構(gòu)化模塊化特征進(jìn)行適合本層次時(shí)間要求和精度要求的局部推理，簡(jiǎn)化系統(tǒng)推理過程，降低通信壓力。

3.3 對(duì)貝葉斯網(wǎng)絡(luò)推理算法的分析與思考

對(duì)于算法復(fù)雜度的研究結(jié)論表明［23］，貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)、精確推理、近似推理均是NP困難的。要在NP困難的貝葉斯網(wǎng)絡(luò)概率推理中加入時(shí)間推理語義，其網(wǎng)絡(luò)學(xué)習(xí)、推理算法的復(fù)雜性更加不言而喻。在開發(fā)一般性的推理算法的同時(shí)，應(yīng)當(dāng)注意結(jié)合實(shí)際態(tài)勢(shì)評(píng)估系統(tǒng)要素、關(guān)系、層次的特征，使態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)、網(wǎng)絡(luò)片斷能夠更充分地反映這些特征，并能夠利用其作為內(nèi)置信息進(jìn)行推理。模塊化和分層貝葉斯網(wǎng)絡(luò)也是目前復(fù)雜系統(tǒng)建模的一個(gè)趨勢(shì)，針對(duì)態(tài)勢(shì)評(píng)估對(duì)應(yīng)的戰(zhàn)術(shù)、戰(zhàn)役和戰(zhàn)略層次和地理域、功能域，建立能夠互聯(lián)互通的模塊化分層貝葉斯網(wǎng)絡(luò)系統(tǒng)，研究可靠的網(wǎng)絡(luò)連接算法和更有針對(duì)性的推理算法，應(yīng)當(dāng)有助于提高態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)的推理效率。

4 常用的仿真工具

貝葉斯網(wǎng)絡(luò)的常用仿真工具［41］有以下幾種:Analytica，BayesiaLab，BNT，Genie/SMILE，Netica 等。這些工具在變量類型、支持的條件概率表以及推理方法，是否允許參數(shù)和結(jié)構(gòu)學(xué)習(xí)，是否具有圖形界面，能否允許嵌入代碼，是否具有應(yīng)用程序接口，是否免費(fèi)提供等方面各有不同，可以根據(jù)不同的需要選擇?，F(xiàn)有態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)的仿真通?；贕enie/SMILE和Netica等兩種工具，它們提供了簡(jiǎn)明易懂的圖形界面，便于建立模型，內(nèi)置了多種推理算法。BNT是K.Murphy給出的用于Matlab的一個(gè)工具箱，對(duì)編程能力要求較高，在內(nèi)置多種推理算法的基礎(chǔ)上，還允許用戶編寫網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的學(xué)習(xí)和推理算法，但沒有提供圖形界面，結(jié)果顯示不夠直觀。

5 思考與總結(jié)

從貝葉斯網(wǎng)絡(luò)誕生之初，就在態(tài)勢(shì)評(píng)估領(lǐng)域中得到了有效的應(yīng)用，出現(xiàn)了一些采用貝葉斯網(wǎng)絡(luò)聯(lián)合其他方法進(jìn)行態(tài)勢(shì)評(píng)估的實(shí)驗(yàn)室原型系統(tǒng)，并逐步走向了實(shí)用。一方面，它能夠更好地表達(dá)軍事領(lǐng)域知識(shí)，在網(wǎng)絡(luò)構(gòu)建之初就對(duì)專家知識(shí)進(jìn)行了編碼，網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接具有明顯的實(shí)際意義，符合人們對(duì)軍事領(lǐng)域知識(shí)的理解。另一方面，其推理算法具有堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)。但是，貝葉斯網(wǎng)絡(luò)在應(yīng)用于態(tài)勢(shì)評(píng)估領(lǐng)域時(shí)仍有很多問題沒有解決:一是缺乏公認(rèn)的態(tài)勢(shì)評(píng)估貝葉斯網(wǎng)絡(luò)模型，包括基于貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)評(píng)估功能模型、態(tài)勢(shì)假設(shè)模型和貝葉斯網(wǎng)絡(luò)數(shù)學(xué)模型;二是現(xiàn)有貝葉斯網(wǎng)絡(luò)對(duì)專家知識(shí)的編碼還主要是針對(duì)場(chǎng)景的，一個(gè)已確定貝葉斯網(wǎng)絡(luò)所能表達(dá)的知識(shí)有限，應(yīng)用范圍受到限制且無法重用，建立軍事知識(shí)數(shù)據(jù)庫時(shí)又缺乏有效的表示存儲(chǔ)和調(diào)用方法，無法充分利用已有知識(shí)迅速構(gòu)建適應(yīng)快速變化的戰(zhàn)場(chǎng)態(tài)勢(shì)的貝葉斯網(wǎng)絡(luò)模型;三是缺乏在貝葉斯概率推理中結(jié)合時(shí)間推理和空間推理的有效算法?，F(xiàn)有用于態(tài)勢(shì)評(píng)估的貝葉斯網(wǎng)絡(luò)的研究為解決這些問題提出了一些有益的思路，但對(duì)概念、模型、方法的改進(jìn)和創(chuàng)新有待于更加深入的研究。本文作者認(rèn)為，應(yīng)當(dāng)用系統(tǒng)的實(shí)踐的觀點(diǎn)考察態(tài)勢(shì)評(píng)估的概念、實(shí)現(xiàn)方法和評(píng)價(jià)標(biāo)準(zhǔn)，將軍事領(lǐng)域?qū)＜宜哂械闹R(shí)、指揮人員的認(rèn)知能力、軍事指揮控制系統(tǒng)的功能充分整合，實(shí)現(xiàn)知識(shí)表示、動(dòng)態(tài)存儲(chǔ)與更新、認(rèn)知模型和推理技術(shù)有效結(jié)合的態(tài)勢(shì)評(píng)估系統(tǒng)。

［1］WALTZ E，LINAS J.Multi-sensor data fusion［M］.Boston MA:Artech House，1990.

［2］STEINBERG A N，BOWMAN C L，WHITE F E.Revisions to the JDL data fusion model［C］//Proceedings of 3rd NATO/IRIS Conference，Quebee，Canada，2009:45-67.

［3］ENDSLEY M R，GARLAND D J.Situation awareness analysis and measurement［M］，Lavorence Erlbaum Associates 2000:23-29.

［4］孫兆林.基于貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)估計(jì)方法研究［D］.長(zhǎng)沙:國(guó)防科技大學(xué)，2005.

［5］LASKEY K B.Hypothesis management in situation-specific network construct［C］//17th Conference on UAI，San Mateo，CA:Morgan Kanfmann，2001:301-309.

［6］許陽，潘泉，張洪才，等.一種基于機(jī)載航電的信息融合仿真系統(tǒng)［J］.系統(tǒng)仿真學(xué)報(bào)，2005，17(2):351-354.

［7］王朔.基于貝葉斯網(wǎng)絡(luò)的艦艇導(dǎo)彈防御系統(tǒng)決策模型算法研究［D］.長(zhǎng)沙:國(guó)防科技大學(xué)，2005.

［8］蔣國(guó)萍.軟件項(xiàng)目風(fēng)險(xiǎn)管理的貝葉斯網(wǎng)絡(luò)模型研究［D］.長(zhǎng)沙:國(guó)防科技大學(xué)，2005.

［9］BULLEN B.A Bayesian methodology for effects based planning［C］//Information Fusion for Command Support，2005(5):1-8.

［10］ZAIENTZ J D，DEKOVEN E，PIEGDON N，et al.Using GOMS and Bayesian plan recognition to develop recognition models of operator behavior［C］//Proc of SPIE，2006，6227OH1-12.

［11］于昕，潘泉，韓崇昭，等.基于空中平臺(tái)的態(tài)勢(shì)描述［J］.火力與指揮控制，2007，32(6):18-20.

［12］林曉強(qiáng)，常國(guó)岑，楊凡，等.模糊算法在態(tài)勢(shì)評(píng)估中的應(yīng)用［J］.電光與控制，2008，15(2):36-38.

［13］PEARL J.Probabilistic reasoning in intelligent systems:networks of plausible inference［M］.Morgan Kaufmann，San Mateo，CA，1988.

［14］PEARL J.Bayesian networks［M］.Handbook of Brain Theory and Neural Networks，MIT Press，2001.

［15］李偉生.信息融合系統(tǒng)中態(tài)勢(shì)估計(jì)技術(shù)研究［D］.西安:西安電子科技大學(xué)，2004.

［16］程岳.數(shù)據(jù)融合中態(tài)勢(shì)估計(jì)技術(shù)研究［D］.西安:西安電子科技大學(xué)，2002.

［17］LVANSSON J.Situation assessment in a stochastic environment using Bayesian networks［D］.Linkoping University，2002.

［18］MAHONEY S M，LASKEY K B.Constructing situation specific belief networks［C］//Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence，1998:370-378.

［19］CHEN B.A Bayesian sampling approach to decision fusion［C］//Proceedings of the Forth International Conference of Information Fusion，2001.

［20］蔣國(guó)萍，陳英武.時(shí)間貝葉斯網(wǎng)絡(luò)及其概率推理.［J］管理科學(xué)學(xué)報(bào)，2007，10(2):12-18.

［21］柴慧敏，王寶樹.基于分層貝葉斯網(wǎng)絡(luò)的計(jì)劃識(shí)別方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30(5):964-967.

［22］VAN GOSLIGA I S P，JANSEN M I H.A Bayesian network for combat identification［C］//RTO IST Symposium on Military Data and Information Fusion，2003(14):1-11.

［23］KRIEG M.Multi-sensor kinematic and attribute tracking using a Bayesian belief network framework［C］//RTO IST Symposium on Military Data and Information Fusion，2003.

［24］張明遠(yuǎn)，王寶樹.態(tài)勢(shì)覺察中目標(biāo)分群技術(shù)的實(shí)現(xiàn)［J］.電光與控制，2004，11(1):40-43.

［25］BAKERT T，LOSIEWICZ P B.Force aggregation via Bayesian nodal analysis［C］//IEEE，1998:6-9.

［26］霍利民，朱永利，賈蘭英，等.基于貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障診斷方法［J］.華北電力大學(xué)學(xué)報(bào)，2004，31(3):30-34.

［27］BRYNIELSSON J，ARNBORG S.Bayesian games for threat prediction and situation analysis［C］//Proceedings of the Seventh International Conference on Information Fusion，2005:1-8.

［28］SHI J G，GAO X G，LIU Z，et al.Studies for hierarchy DDBN and its inference algorithm［J］.International Journal of Information Technology，2005，11(6):124-132.

［29］KOLLER D，PFEFFER A.Object-oriented Bayesian networks［C］//Proceedings of the Thirteenth Annual Conference on Uncertainty in Artificial Intelligence(UAI-97)，August 1-3，1997:302-313.

［30］WEIDL G，MADSEN A L，DAHLQUIST E D.Object oriented Bayesian network for industrial process operation［EB/OL］.［2009-09-11］.The First Bayesian Applications Modeling Workshop，2003.http://citeseerx.ist.psu.edu/viewdoc.

［31］MURPHY K P.Dynamic Bayesian networks［EB/OL］.［2009-09-11］.http://www.ai.mit.edu/murphyk.

［32］MURPHY K P.Dynamic Bayesian networks:representa-tion，inference and learning［D］.Berkley:University of California，2002.

［33］史建國(guó)，高曉光，李相民.基于離散模糊動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的空戰(zhàn)態(tài)勢(shì)評(píng)估及仿真［J］.系統(tǒng)仿真學(xué)報(bào)，2006，18(5):1093-1100.

［34］史建國(guó)，高曉光.離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的直接計(jì)算推理算法［J］.系統(tǒng)工程與電子技術(shù)，2005，27(9):1626-1630.

［35］康長(zhǎng)青，郭立紅，羅艷春，等.基于模糊貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)威脅評(píng)估模型［J］.光電工程，2008，35(5):1-5.

［36］高曉光，史建國(guó).變結(jié)構(gòu)離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)及其推理算法［J］.系統(tǒng)工程學(xué)報(bào)，2001，22(1):9-14.

［37］NODELMAN U，SHELTON C R，KOLLER D.Continuous time Bayesian networks［D］.Stanford University，2007.

［38］YOUNG J D.On Unifying time and uncertainty:the probabilistic temporal network［D］.Xi'an:Air University，Air Force Institute of Technology，1996.

［39］程岳，王寶樹，李偉生.貝葉斯網(wǎng)絡(luò)在態(tài)勢(shì)估計(jì)中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2002，23:206-208.

［40］PFEFFER A，TAI T.Asynchronous dynamic Bayesian networks［Z］.2006.

［41］Appendix B，Software packages［EB/OL］.［2009-09-11］.http://csse.monash.edu.au/bai/book/appendix B.pdf.2003-11-25.