基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的意圖分析算法

樊振華，師本慧，陳金勇，段同樂

(中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081)

基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的意圖分析算法

樊振華，師本慧，陳金勇，段同樂

(中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081)

傳統(tǒng)的意圖分析方法面臨部分方法僅針對(duì)單個(gè)目標(biāo)進(jìn)行靜態(tài)分析，以及精確推理耗費(fèi)計(jì)算量過大的問題。針對(duì)上述問題，提出了一種新的基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的意圖分析算法。該算法以群目標(biāo)為對(duì)象，綜合己方意圖、交火程度、相對(duì)實(shí)力和相對(duì)速度等多種因素構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，并根據(jù)馬爾可夫性實(shí)現(xiàn)快速近似推理，進(jìn)一步通過融合估計(jì)得到對(duì)方的行動(dòng)意圖。仿真結(jié)果表明，該算法對(duì)復(fù)雜戰(zhàn)場(chǎng)環(huán)境下群目標(biāo)的行動(dòng)意圖能夠?qū)崿F(xiàn)動(dòng)態(tài)可靠的評(píng)估，輔助支撐作戰(zhàn)決策。

意圖分析；動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)；近似推理

AbstractTraditional Intention Analysis (IA) methods are confronted with the problems that most of them only focus on the static analysis of a single target and exact inference brings too much computational burden.For this reason,a novel Dynamic Bayesian Network (DBN) based IA algorithm is proposed.In the proposed algorithm,firstly,DBN is constructed with various factors,i.e.,our intention,firefight,relative strength and relative velocity,for the IA of group targets.Then,the fast approximate inference is implemented according to Markov property.Finally,the analysis result of intention is obtained by fusion.Simulation results show that the proposed algorithm can reliably and dynamically evaluate the intention of group targets in complex battlefield environment.

Keywordsintention analysis;dynamic Bayesian network;approximate reasoning

0 引言

隨著高新技術(shù)的不斷發(fā)展，當(dāng)今地區(qū)沖突呈現(xiàn)出對(duì)象多元化和環(huán)境復(fù)雜化的特點(diǎn)，面對(duì)觀測(cè)數(shù)據(jù)量急劇上升的情況，如果仍然依靠人工處理，則時(shí)效性和一致性均難以滿足實(shí)際需求[1]。因此，需要利用計(jì)算機(jī)的存儲(chǔ)和計(jì)算優(yōu)勢(shì)來處理大量重復(fù)出現(xiàn)的有規(guī)律態(tài)勢(shì)[2]，從而減輕指揮員的工作負(fù)擔(dān)，使其能夠更為快速、有效地掌握實(shí)時(shí)動(dòng)態(tài)[3]。其中，意圖分析(Intention Analysis，IA)屬于一種較高層級(jí)的態(tài)勢(shì)估計(jì)技術(shù)，能夠在提取的態(tài)勢(shì)要素基礎(chǔ)之上，通過推理預(yù)測(cè)對(duì)方的行動(dòng)意圖，從而為己方的應(yīng)對(duì)策略制定提供參考依據(jù)[4]。

目前，典型的推理分析方法主要基于D-S證據(jù)理論[5]、貝葉斯網(wǎng)絡(luò)(Bayesian Network，BN)[6]和因果網(wǎng)絡(luò)[7]等理論。但這些方法存在一些缺陷：① 部分方法只考慮各因素與關(guān)注事件之間的靜態(tài)關(guān)系，未能體現(xiàn)在時(shí)間上連續(xù)變化特性[8]；② 針對(duì)單個(gè)目標(biāo)間的意圖分析，而實(shí)際中目標(biāo)通常是以編隊(duì)群目標(biāo)的形式執(zhí)行任務(wù)[9]；③ 傳統(tǒng)動(dòng)態(tài)BN網(wǎng)絡(luò)精確推理所耗費(fèi)的計(jì)算量隨時(shí)間迅速增長(zhǎng)，難以滿足實(shí)際應(yīng)用需求[10]。

針對(duì)上述問題，本文基于目標(biāo)分群結(jié)果[11]，將群目標(biāo)[12]作為意圖分析的對(duì)象，綜合多種因素構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network，DBN)，并根據(jù)馬爾可夫性實(shí)現(xiàn)快速近似推理，能夠?qū)崿F(xiàn)在復(fù)雜環(huán)境下對(duì)對(duì)方目標(biāo)[13]行動(dòng)意圖的動(dòng)態(tài)估計(jì)。

1 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)

BN網(wǎng)絡(luò)[14]是基于概率推理的圖形化網(wǎng)絡(luò)模型，通過有向無環(huán)圖表示一組隨機(jī)變量和它們之間的條件依賴性。在有向無環(huán)圖表中，節(jié)點(diǎn)表示隨機(jī)變量，而節(jié)點(diǎn)間的有向邊則表示隨機(jī)變量間的直接依賴性。

(1)

(2)

可以看出，DBN能夠結(jié)合歷史信息和當(dāng)前證據(jù)信息[18]，具有信息的時(shí)間累積能力，能更有效地降低不同層次的信息融合推理過程中的不確定性，提高信息融合的準(zhǔn)確度。然而，DBN的精確推理已被證明是一個(gè)NP問題[19]。因此，在解決實(shí)際問題時(shí)，近似推理是一種在精確度與計(jì)算量之間可接受的權(quán)衡折衷[20]。

2 意圖分析

2.1 影響因素

進(jìn)行IA的首要任務(wù)是確定意圖的影響因素，以及每項(xiàng)因素所包含的狀態(tài)。紅藍(lán)雙方的攻守關(guān)系相互影響，盡管某些時(shí)段存在意圖的猜測(cè)和試探，但其中的作用與反作用交織構(gòu)成了一個(gè)動(dòng)態(tài)博弈的過程；交火激烈程度部分反映了藍(lán)方的進(jìn)攻意愿；相對(duì)實(shí)力是進(jìn)攻意圖的主要參考項(xiàng)，壓倒性的實(shí)力優(yōu)勢(shì)會(huì)直接激發(fā)進(jìn)攻意愿，從而預(yù)示潛在攻擊；此外，藍(lán)方的速度矢量(即行進(jìn)方向和速度大小)反映了藍(lán)方主動(dòng)接近或遠(yuǎn)離的趨勢(shì)，而主動(dòng)接近通常意味著進(jìn)攻。因此,IA所參考影響因素及其包含狀態(tài)如表1所示。

表1 影響因素及其狀態(tài)

影響因素符號(hào)狀態(tài)紅方意圖R撤退、防御、進(jìn)攻交火程度F低、中、高相對(duì)實(shí)力S優(yōu)勢(shì)、相當(dāng)、劣勢(shì)相對(duì)速度V反向、慢速、正向藍(lán)方意圖B撤退、防御、進(jìn)攻

上述影響因素中，相對(duì)實(shí)力和相對(duì)速度需要由目標(biāo)的屬性和運(yùn)動(dòng)參數(shù)計(jì)算得到。相對(duì)實(shí)力為：

(3)

式中，oi為紅方第i個(gè)目標(biāo)的實(shí)力量化值；ej為藍(lán)方第j個(gè)目標(biāo)的實(shí)力量化值；n和m分別為紅藍(lán)雙方各自的目標(biāo)數(shù)?？梢钥闯觯鄬?duì)實(shí)力將群目標(biāo)作為整體進(jìn)行分析，體現(xiàn)了編隊(duì)行動(dòng)意圖一致性的本質(zhì)。

相對(duì)速度為：

V=-vr/vsup，

(4)

式中，vr為藍(lán)方徑向速度(遠(yuǎn)離為正方向)；vsup為藍(lán)方速度上限。

在得到上述參量后，需要通過模糊映射將其轉(zhuǎn)化為相應(yīng)的模糊狀態(tài)量，用于貝葉斯推理。

2.2 網(wǎng)絡(luò)拓?fù)?/p>

進(jìn)一步需要確定這些影響因素與藍(lán)方意圖的推理拓?fù)浣Y(jié)構(gòu),如圖1所示。矩形節(jié)點(diǎn)為可觀測(cè)節(jié)點(diǎn)，而圓角矩形節(jié)點(diǎn)為隱藏節(jié)點(diǎn)。前一時(shí)刻的意圖狀態(tài)對(duì)當(dāng)前時(shí)刻的意圖狀態(tài)有直接影響，在時(shí)刻間連續(xù)性變變化。

圖1 意圖分析網(wǎng)絡(luò)拓?fù)?/p>

2.3 條件概率

在DBN中，節(jié)點(diǎn)間的關(guān)聯(lián)性具體表現(xiàn)為條件概率矩陣，包含2類：時(shí)刻間的狀態(tài)概率轉(zhuǎn)移矩陣和同一時(shí)刻內(nèi)的父節(jié)點(diǎn)到子節(jié)點(diǎn)的條件概率矩陣，如表2所示。

表2 條件概率矩陣

子節(jié)點(diǎn)及其狀態(tài)Bk撤退防御進(jìn)攻Bk-1撤退防御進(jìn)攻0.80.20.050.150.70.150.050.10.8é?êêêù?úúúRk撤退防御進(jìn)攻0.050.10.30.30.30.50.650.60.2é?êêêù?úúúFk低中高0.80.10.050.10.50.150.10.40.8é?êêêù?úúúSk優(yōu)勢(shì)相當(dāng)劣勢(shì)0.80.40.050.150.50.250.050.10.7é?êêêù?úúúVk反向慢速正向0.70.10.10.20.80.20.10.10.7é?êêêù?úúú

2.4 近似推理

(5)

PuBk-1PRkPFkPSkPVk，

(6)

PfBk+1=PuBk，

(7)

式中，k為時(shí)刻；PuBk為后驗(yàn)概率；PfBk為先驗(yàn)概率，初始默認(rèn)設(shè)置為等概率(各狀態(tài)出現(xiàn)概率相等)，后續(xù)可參考后驗(yàn)概率進(jìn)行更新；PBk-1Bk、PRkBk、PFkBk、PSkBk和PVkBk為似然概率(條件概率)；PBk-1、PRk、PFk、PSk和PVk為證據(jù)概率，由觀測(cè)數(shù)據(jù)模糊分類后得到。

在DBN中，處于同一時(shí)刻的節(jié)點(diǎn)在一個(gè)時(shí)間切片上。根據(jù)拓?fù)潢P(guān)系的不同時(shí)間切片可分為2類：初始時(shí)刻切片和后續(xù)時(shí)刻切片。傳統(tǒng)的DBN對(duì)k時(shí)刻的意圖進(jìn)行估計(jì)，需要對(duì)第1～k時(shí)刻所有的觀測(cè)數(shù)據(jù)和相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)作支撐，如圖2所示。這種累積式推理所耗費(fèi)的計(jì)算量和存儲(chǔ)空間隨時(shí)間都是快速增長(zhǎng)，難以滿足實(shí)際系統(tǒng)的應(yīng)用需求。

圖2 累積式推理

為了解決該問題，根據(jù)IA隨機(jī)過程所具有的馬爾科夫性，采用滑動(dòng)窗式的意圖分析-動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(IA-DBN)，僅使用鄰近時(shí)間切片(k-1時(shí)刻切片和當(dāng)前k時(shí)刻切片)對(duì)k時(shí)刻的意圖進(jìn)行估計(jì)，如圖3所示。這種滑動(dòng)窗式近似推理所耗費(fèi)的計(jì)算量和存儲(chǔ)空間都較小，且不隨時(shí)間變化，能夠有效滿足實(shí)際系統(tǒng)的應(yīng)用需求。

圖3 滑動(dòng)窗式近似推理

2.5 意圖融合估計(jì)

DBN分別得到撤退、防御和進(jìn)攻各種意圖的概率，而指揮員需要的是當(dāng)前時(shí)刻的藍(lán)方意圖，所以需要對(duì)各種意圖概率進(jìn)行融合估計(jì)。本文選取概率最大的意圖作為最終的估計(jì)結(jié)果，即

(8)

式中，I為意圖融合估計(jì)，取值為1、2、3，分別對(duì)應(yīng)撤退、防御和進(jìn)攻；wi為撤退、防御和進(jìn)攻各種意圖的概率，i=1,2,3。

3 仿真實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)環(huán)境為Intel Core i3-2130 3.4 GHz CPU，2 GB內(nèi)存，Windows 7操作系統(tǒng)，Matlab R2011a仿真實(shí)驗(yàn)平臺(tái)。

意圖分析實(shí)驗(yàn)場(chǎng)景中的多編隊(duì)群目標(biāo)運(yùn)動(dòng)軌跡如圖4所示，黑色六角形為各群目標(biāo)觀測(cè)起始位置，旁邊的數(shù)字為群目標(biāo)編號(hào)，各群目標(biāo)編隊(duì)情況如表3所示。圖4所描繪的戰(zhàn)場(chǎng)情況為藍(lán)方飛機(jī)與車輛多編隊(duì)突襲紅方車輛集群，遭遇紅方飛機(jī)群攔截后撤退。針對(duì)上述場(chǎng)景，通過DBN實(shí)現(xiàn)群目標(biāo)2(藍(lán)方)對(duì)群目標(biāo)6(紅方)的意圖分析。

圖4 意圖分析實(shí)驗(yàn)場(chǎng)景

表3 各群目標(biāo)編隊(duì)情況

群目標(biāo)編號(hào)編隊(duì)內(nèi)目標(biāo)數(shù)類別屬性紅藍(lán)屬性編隊(duì)隊(duì)形13飛機(jī)藍(lán)方三角形24飛機(jī)藍(lán)方線形34車輛藍(lán)方線形44車輛藍(lán)方線形54飛機(jī)紅方線形64飛機(jī)紅方線形76車輛紅方線形

DBN輸入影響因素隨時(shí)間變化情況，如圖5所示。

圖5 輸入影響因素隨時(shí)間變化情況

其中，隨時(shí)間變化，紅方意圖初始為防御，后半段轉(zhuǎn)為進(jìn)攻；交火程度，在中間時(shí)段出現(xiàn)短暫交火；相對(duì)實(shí)力保持不變；相對(duì)速度初始為正向接近，后半段反向遠(yuǎn)離。

藍(lán)方意圖分析結(jié)果如圖6所示。其中，撤退、防御和進(jìn)攻各種意圖的概率，受輸入變量的影響，起伏變化；通過選取最大概率對(duì)應(yīng)意圖得到意圖融合估計(jì)結(jié)果。通過分析可以看出，在前半段藍(lán)方飛機(jī)編隊(duì)主動(dòng)靠近，意圖攻擊紅方車輛編隊(duì)；而遭遇紅方攔截，發(fā)生短暫相持交火之后，藍(lán)方飛機(jī)編隊(duì)改變行動(dòng)策略，選擇撤退。

綜上所述，所提算法能夠綜合多種影響因素，進(jìn)行合理、智能的推理分析，實(shí)現(xiàn)了對(duì)藍(lán)方目標(biāo)意圖的動(dòng)態(tài)估計(jì)，顯著提升了態(tài)勢(shì)分析能力。

圖6 藍(lán)方意圖分析結(jié)果

4 結(jié)束語(yǔ)

針對(duì)IA問題，提出一種基于DBN的IA算法，并通過仿真實(shí)驗(yàn)驗(yàn)證了所提算法能夠較為全面、合理地反映各項(xiàng)因素對(duì)意圖的影響，實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)且可靠的IA。此外，所提算法是一個(gè)靈活可變的推理網(wǎng)絡(luò)，能夠根據(jù)應(yīng)用環(huán)境的不同，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、輸入變量和各項(xiàng)參數(shù)進(jìn)行適應(yīng)性的增刪和調(diào)整，以滿足各種應(yīng)用需求。

[1] 洪旭,柳虔林,丁洪偉,等.應(yīng)急機(jī)動(dòng)指揮通信能力評(píng)估分析[J].無線電通信技術(shù),2015,41(4)：20-23.

[2] 田聚波.面向圖形作業(yè)的協(xié)同指揮系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].無線電通信技術(shù),2016,42(2)：92-95.

[3] 梁健,陳晧暉.基于全分布式處理的統(tǒng)一態(tài)勢(shì)生成技術(shù)研究[J].無線電工程,2016,46(1)：12-15.

[4] 陳勇.一種目標(biāo)航跡數(shù)據(jù)聚類挖掘分析方法[J].無線電工程,2015,45(3):22-24.

[5] RASMI M,JANTAN A.AIA：Attack Intention Analysis Algorithm Based on D-S Theory with Causal Technique for Network Forensics- A Case Study[J].International Journal of Digital Content Technology and its Applications,2011,5(9)：230-237.

[6] AHMED A A,ZAMAN N A K.Attack Intention Recognition：A Review[J].International Journal of Network Security,2017,19(2)：244-250.

[7] RASMI M,AL-QAWASMI K E.Improving Analysis Phase in Network Forensics By Using Attack Intention Analysis[J].International Journal of Security and Its Applications,2016,10(5)：297-307.

[8] PENG W,YAO S,CHEN J.Recognizing Intrusive Intention and Assessing Threat Based on Attack Path Analysis[C]∥Multimedia Information Networking and Security,MINES′09.International Conference on IEEE,2009(2)：450-453.

[9] ZAN X,GAO F,HAN J,et al.A Hidden Markov Model Based Framework for Tracking and Predicting of Attack Intention[C]∥Multimedia Information Networking and Security,MINES′09,International Conference on IEEE,2009(2)：498-501.

[10] BAI H,WANG K,HU C,et al.Boosting Performance in Attack Intention Recognition By Integrating Multiple Techniques[J].Frontiers of Computer Science in China,2011,5(1)：109-118.

[11] 樊振華,師本慧,陳金勇,等.基于改進(jìn)空間劃分的目標(biāo)分群算法[J].系統(tǒng)工程與電子技術(shù),2017,39(5)：991-995.

[12] 段同樂,張冬寧.二叉樹多分類SVM在目標(biāo)分群中的應(yīng)用[J].無線電工程,2015,45(6)：88-91.

[13] 艾偉,張冬寧.一種基于分群矩陣的目標(biāo)動(dòng)態(tài)分群算法[J].無線電工程,2015,45(11)：64-68.

[14] MURPHY K P.Dynamic Bayesian Networks：Representation,Inference and Learning[D].Berkeley：University of California,2002.

[15] KIM S,IMOTO S,MIYANO S.Dynamic Bayesian Network and Nonparametric Gression for Nonlinear Modeling of Gene Networks from Time Series Gene Expression Data[J].BioSystems,2004,75(1)：57-65.

[16] 朱浩.一類動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型及其應(yīng)用研究[D].重慶：重慶大學(xué)，2012.

[17] 高曉光,陳海洋,史建國(guó).變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的機(jī)制研究[J].自動(dòng)化學(xué)報(bào),2011,37(12)：1435-1444.

[18] YU J,SMITH V A,WANG P P,et al.Advances to Bayesian Network Inference for Generating Causal Networks from Observational Biological Data[J].Bioinformatics,2004,20(18)：3594-3603.

[19] BOUDALI H,DUGAN J B.A Discrete-time Bayesian Network Reliability Modeling and Analysis Framework[J].Reliability Engineering & System Safety,2005,87(3)：337-349.

[20] 胡大偉.動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的近似推理算法研究[D].合肥：合肥工業(yè)大學(xué),2009.

ANovelDBNBasedonIntentionAnalysisAlgorithm

FAN Zhen-hua,SHI Ben-hui,CHEN Jin-yong,DUAN Tong-le

(The54thResearchInstituteofCETC,ShijiazhuangHebei050081,China)

TP391

A

1003-3106(2017)11-0041-04

樊振華男，(1985—)，博士，工程師。主要研究方向：態(tài)勢(shì)估計(jì)、目標(biāo)分群和計(jì)算機(jī)視覺。

10.3969/j.issn.1003-3106.2017.11.09

樊振華,師本慧,陳金勇,等.基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的意圖分析算法[J].無線電工程,2017,47(11):41-44,78.[FAN Zhenhua,SHI Benhui,CHEN Jinyong,et al.A Novel DBN Based on Intention Analysis Algorithm[J].Radio Engineering,2017,47(11)：41-44,78.]

2017-04-30

海洋公益性科研專項(xiàng)基金資助項(xiàng)目(201505002)。

師本慧男，(1965—)，研究員。主要研究方向：指揮控制、態(tài)勢(shì)估計(jì)、航天地面應(yīng)用和測(cè)控。