基于貝葉斯網(wǎng)絡(luò)的目標(biāo)干擾優(yōu)先等級評估方法

李馮敬， 姚佩陽， 唐 劍， 張杰勇

(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)爭中，各種反偵察、反干擾等手段的大量使用，戰(zhàn)場信息呈現(xiàn)出不完整性和不確定性，因此如何有效識別敵通信系統(tǒng)中的關(guān)鍵節(jié)點、重要目標(biāo)，并迅速對目標(biāo)的干擾優(yōu)先等級作出評估是目前通信對抗指揮決策中必須要解決的關(guān)鍵問題。當(dāng)前依靠人工智能輔助決策的方式對目標(biāo)干擾優(yōu)先等級的評估成為主流趨勢，而在此基礎(chǔ)上應(yīng)用各種模型算法解決這一問題，可以有效地提高評估的速度和準(zhǔn)確性。

目前，各領(lǐng)域評估問題的研究方法很多，如文獻(xiàn)［1－2］中提出利用神經(jīng)網(wǎng)絡(luò)建立評估模型，并取得了預(yù)期效果。但由于神經(jīng)網(wǎng)絡(luò)本身是一種迭代算法需要對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，因此難以滿足在實時戰(zhàn)場環(huán)境中對目標(biāo)干擾優(yōu)先等級做出快速評估。貝葉斯網(wǎng)絡(luò)作為一種綜合利用概率論和圖論進(jìn)行不確定性分析和推理的有效工具，與其他算法相比，不但具有堅實的數(shù)學(xué)理論基礎(chǔ)，同時具有直觀的知識表示形式，能方便快速地處理不確定信息間的因果關(guān)系，且算法簡單，運(yùn)算量少，收斂性和實時性較好［3－4］，目前已在戰(zhàn)場目標(biāo)識別［5］、態(tài)勢評估［6］和威脅估計［7］等領(lǐng)域廣泛應(yīng)用。由于現(xiàn)代戰(zhàn)場環(huán)境存在大量的不確定性因素，因此對目標(biāo)干擾優(yōu)先等級的評估必定是一個概率行為，而貝葉斯網(wǎng)絡(luò)正是在非完全信息條件下進(jìn)行不確定性推理的一種有效手段［8］，可用于解決通信對抗目標(biāo)干擾優(yōu)先等級評估的問題。

通過分析通信對抗指揮決策流程，指出目標(biāo)干擾優(yōu)先等級評估在指揮決策中的重要地位，從目標(biāo)信號特征和目標(biāo)行為特征兩個方面聯(lián)合分析影響目標(biāo)干擾優(yōu)先等級的因子，構(gòu)建目標(biāo)干擾優(yōu)先等級評估的貝葉斯模型，以解決通信對抗目標(biāo)干擾優(yōu)先等級評估的問題。

1 通信對抗指揮決策概述

通信對抗指揮決策就是通信對抗指揮員在搜集、處理各種戰(zhàn)場信息的基礎(chǔ)上，對本級如何完成通信對抗任務(wù)進(jìn)行籌劃并作出決定的活動［9］。為保證決策的科學(xué)有效，通信對抗指揮決策活動要依據(jù)一定的決策準(zhǔn)則、依據(jù)和流程，其基本流程如圖1所示。

圖1 通信對抗指揮決策流程Fig.1 The command decision process of the communication countermeasures

由圖1可以看出，通信對抗目標(biāo)干擾優(yōu)先等級評估是通信對抗指揮決策環(huán)節(jié)中非常重要的組成部分，其意義在于:在先前偵察和戰(zhàn)場實時偵察的基礎(chǔ)上，對當(dāng)前敵情、我情、戰(zhàn)場環(huán)境等情報信息進(jìn)行分析評估，力圖在廣闊的電磁頻譜空間和作戰(zhàn)區(qū)域挖掘出能大幅度降低敵作戰(zhàn)能力的高價值、高威脅的敵通信系統(tǒng)目標(biāo)，進(jìn)而制定后續(xù)作戰(zhàn)方案，對敵實施干擾壓制以取得較高的作戰(zhàn)效益［10］。

2 基于貝葉斯網(wǎng)絡(luò)的干擾優(yōu)先等級評估模型

2.1 貝葉斯網(wǎng)絡(luò)概述

貝葉斯網(wǎng)絡(luò)(Bayesian Networks，BN)也稱為信度網(wǎng)絡(luò)或推理網(wǎng)絡(luò)，是基于概率分析和圖論的一種不確定知識的表示和推理模型［11］。作為圖模型范疇之一，BN是人工智能學(xué)科中處理不確定問題的新興分支，在處理不確定性復(fù)雜問題方面有其獨(dú)特的優(yōu)點［12］。

貝葉斯網(wǎng)絡(luò)主要由兩部分構(gòu)成:網(wǎng)絡(luò)結(jié)構(gòu)和條件概率表。一個貝葉斯網(wǎng)絡(luò)可以用一個二元組B=(G，P)表示。其中:1)G=(V，E)是一個網(wǎng)絡(luò)結(jié)構(gòu)，代表一個有向無環(huán)圖，V= {V1，V2，…，Vn}，n≥1為有向無環(huán)圖中的節(jié)點，代表隨機(jī)變量，可以是任何問題的抽象，而E=代表有向邊的集合，用來表達(dá)各個節(jié)點信息要素之間的關(guān)聯(lián)關(guān)系，通常認(rèn)為有向邊表達(dá)了一種因果關(guān)系;2)P代表貝葉斯網(wǎng)絡(luò)中的條件概率表集合，每一個節(jié)點Vi都有一個條件概率表，用來表示節(jié)點Vi與其父節(jié)點Pa(Vi)的關(guān)系表示在父節(jié)點Pa(Vi)發(fā)生的條件下子節(jié)點Vi發(fā)生的概率。沒有任何父節(jié)點的條件概率為其先驗概率［13］。

2.2 目標(biāo)干擾優(yōu)先等級評估的貝葉斯網(wǎng)絡(luò)模型

2.2.1 模型分析

在通信對抗作戰(zhàn)中，依據(jù)目標(biāo)的特征越多，目標(biāo)識別就越準(zhǔn)確，對目標(biāo)的威脅等級評估就越科學(xué)，目標(biāo)的干擾優(yōu)先等級就越容易判斷。模型主要從目標(biāo)行為特征和目標(biāo)信號特征兩個方面聯(lián)合判斷目標(biāo)的威脅等級，進(jìn)而確定干擾優(yōu)先等級。如圖2表示了干擾優(yōu)先等級評估的過程。

圖2 干擾優(yōu)先等級評估過程Fig.2 The process for evaluating priority level of jamming

由圖2可以看出，對敵通信目標(biāo)意圖威脅的評估是基于對威脅行為的識別，對通信目標(biāo)的身份威脅的評估則主要是基于對目標(biāo)信號特征的分析。

1)基于貝葉斯網(wǎng)絡(luò)的目標(biāo)意圖威脅等級評估模型。

對敵通信目標(biāo)意圖威脅(Act)的分析，主要就是判斷目標(biāo)的作戰(zhàn)行為。模型中主要考慮的敵作戰(zhàn)行為包括:無線電靜默(Mic)、無線電佯動(Pact)、無線電干擾壓制(Dsb)3種行動，其評估模型如圖3所示。

圖3 目標(biāo)意圖威脅等級評估模型Fig.3 The model for evaluating threat level of target's intent

模型中節(jié)點變量的狀態(tài)集合如下:

意圖威脅等級(Act)={高(Hight)，中(Middle)，低(Low)};

無線電靜默(Mic)={無線電靜默真(True)，無線電靜默假(Flase)};

無線電佯動(Pact)={無線電佯動真(True)，無線電佯動假(Flase)};

無線電干擾壓制(Dsb)={無線電干擾壓制真(True)，無線電干擾壓制假(Flase)}。

2)基于貝葉斯網(wǎng)絡(luò)的目標(biāo)身份威脅等級評估模型。

敵通信目標(biāo)識別的問題主要是通過目標(biāo)信號的特征識別來確定目標(biāo)本身的重要程度，而不考慮該敵目標(biāo)是什么型號的電臺，是什么屬性的通信網(wǎng)(專)等問題。由于不同的信號都會在時域、頻域、空域中表現(xiàn)出不同的特征［9］，因此主要考慮的目標(biāo)信號特征包括:信號出聯(lián)時間(時域)、頻段、信號源方向(空域)，其評估模型如圖4所示。

圖4 目標(biāo)身份威脅等級評估模型Fig.4 The model evaluating threat level of target's identity

模型中各節(jié)點變量的狀態(tài)集合如下:

目標(biāo)身份威脅等級(Sgb)={高(Hight)，中(Middle)，低(Low)};

出聯(lián)時間(Tm)={新出聯(lián)(New)，出聯(lián)較久(Past)};

頻段(Sb)={戰(zhàn)時頻段(Wb)，平時頻段(Pb)};信號來源區(qū)域(Scz)={作戰(zhàn)主要區(qū)域(Mz)，作戰(zhàn)次要區(qū)域(Sz)，敵后方區(qū)域(Bz)}。

根據(jù)上述分析，在模型設(shè)計中主要立足于戰(zhàn)場敵通信目標(biāo)信號表現(xiàn)出來的，且易被我方通信偵察設(shè)備獲取的信號時域、頻域和地域特征，而不過多關(guān)注通信信號的細(xì)微特征。在通信對抗行動中，時效性要求特別高，往往新出聯(lián)的電臺干擾價值最大，隨著干擾壓制時間的延長，其干擾價值就越來越小，因此，偵察到的新信號應(yīng)優(yōu)先干擾［9］。對于頻域特征，通過戰(zhàn)場全面?zhèn)刹炫c重點偵察相結(jié)合的方法，同時結(jié)合平時偵察的情況，就可以確定哪些信號是平時經(jīng)常出現(xiàn)的，沒用的，哪些信號是戰(zhàn)時出現(xiàn)的，是有用的。

3)基于貝葉斯網(wǎng)絡(luò)的目標(biāo)干擾優(yōu)先等級評估模型。

通過對干擾優(yōu)先等級評估過程以及上述貝葉斯模型的分析，根據(jù)網(wǎng)絡(luò)各節(jié)點的因果影響關(guān)系，建立目標(biāo)干擾優(yōu)先等級模型，如圖5所示。

圖5 干擾優(yōu)先等級評估模型Fig.5 The model for evaluating priority level of jamming

根結(jié)點目標(biāo)干擾優(yōu)先等級(PRI)={高(Hight)，中(Middle)，低(Low)}。在整個模型中，把目標(biāo)干擾優(yōu)先等級、目標(biāo)意圖威脅等級、目標(biāo)身份威脅等級看作原因，偵察到的各種數(shù)據(jù)及事件看作結(jié)果。目標(biāo)干擾優(yōu)先等級評估從獲取的戰(zhàn)場情報信息開始，在獲取戰(zhàn)場情報信息后，結(jié)果對原因的影響可以通過評估模型向后傳播來更新，更新后的評估結(jié)果則又通過前向推理來預(yù)測事件的發(fā)生;當(dāng)有新的戰(zhàn)場信息輸入時，又開始下一輪等級評估?？梢钥闯?，這種目標(biāo)干擾優(yōu)先等級評估模型較好地將軍事專家的知識隱含在該貝葉斯網(wǎng)絡(luò)節(jié)點之間的因果關(guān)系中。

2.2.2 節(jié)點條件概率

條件概率矩陣是網(wǎng)絡(luò)結(jié)構(gòu)中關(guān)聯(lián)節(jié)點之間的因果關(guān)系，是一種專家知識。在對有限樣本數(shù)據(jù)反復(fù)驗證的基礎(chǔ)上，通過對通信對抗戰(zhàn)術(shù)行為的分析，結(jié)合專業(yè)知識，給出如表1～表3所示的條件概率矩陣。

表1 節(jié)點條件概率矩陣aTable 1 Condition probability matrix a of node

表2 節(jié)點條件概率矩陣bTable 2 Condition probability matrix b of node

表3 節(jié)點條件概率矩陣cTable 3 Condition probability matrix c of node

2.2.3 模型推理流程

目標(biāo)干擾優(yōu)先等級評估模型的貝葉斯網(wǎng)絡(luò)推理過程如圖6所示。

Step1 初始化網(wǎng)絡(luò)。輸入先驗信息π，觸發(fā)網(wǎng)絡(luò)節(jié)點更新，初始化評估系統(tǒng)。

Step2 觸發(fā)網(wǎng)絡(luò)推理。當(dāng)獲取到新的戰(zhàn)場信息λ時，網(wǎng)絡(luò)結(jié)構(gòu)的葉節(jié)點信息更新，觸發(fā)網(wǎng)絡(luò)推理，通過貝葉斯公式，得到節(jié)點置信度即后驗概率PBel，從而更新整個網(wǎng)絡(luò)節(jié)點狀態(tài)的概率分布。如果有新的目標(biāo)信息獲取則把更新后的后驗概率分布作為下一次推理的先驗分布;如果沒有新的目標(biāo)信息獲取則進(jìn)入下一步。

Step3 統(tǒng)計輸出結(jié)果。獲取根節(jié)點(PRI)狀態(tài)的概率分布情況，根據(jù)判決規(guī)則，將最大后驗概率判定為優(yōu)先干擾的通信目標(biāo)，即

式中:i=1，2，3分別代表目標(biāo)Tj干擾優(yōu)先等級“高”、“中”、“低”;P(Tji)是目標(biāo)Tj干擾優(yōu)先等級為i的先驗概率;是當(dāng)目標(biāo)Tj在干擾等級為i時特定的觀測S的觀測條件概率，α為歸一化因子，保證所有的后驗概率之和為1。如果先驗信息未知，則對目標(biāo)Tj干擾優(yōu)先等級i的先驗概率進(jìn)行平均分配。

圖6 目標(biāo)干擾優(yōu)先等級評估推理過程Fig.6 Inference process for evaluating priority level of target jamming

3 仿真驗證

采用Norsys軟件公司的貝葉斯網(wǎng)絡(luò)工具平臺Netica對目標(biāo)干擾優(yōu)先等級評估模型進(jìn)行仿真驗證。

場景1 假設(shè)在一次敵我戰(zhàn)斗中，由于我通信偵察部隊沒有對敵進(jìn)行任何預(yù)先偵察，設(shè)定某一目標(biāo)干擾優(yōu)先等級的可能性相近，即威脅源的干擾優(yōu)先等級先驗信息 πPRI=(0.33，0.34，0.33)。這反映了通信對抗指揮員由于戰(zhàn)場信息匱乏導(dǎo)致對目標(biāo)干擾優(yōu)先等級可能性估計不充分，認(rèn)為各種情況的可能性相近。

輸入先驗信息后，整個網(wǎng)絡(luò)其他節(jié)點信息得到初始更新，網(wǎng)絡(luò)進(jìn)入等待狀態(tài)如圖7所示。

圖7 系統(tǒng)等待狀態(tài)Fig.7 Latency state of the system

隨著通信偵察行動的開展，網(wǎng)絡(luò)各節(jié)點得到新的情報信息，節(jié)點狀態(tài)概率分布發(fā)生變化，隨之觸發(fā)網(wǎng)絡(luò)推理，最終獲取根結(jié)點狀態(tài)的概率分布情況，完成對目標(biāo)干擾優(yōu)先等級的一次判斷。表4為部分仿真結(jié)果。由第1組數(shù)據(jù)可以看出，當(dāng)敵對我方采取通信干擾壓制行為，且偵察到目標(biāo)信號來源于作戰(zhàn)主要方向并且為新出聯(lián)的戰(zhàn)時頻段時，系統(tǒng)評估結(jié)果為“高”的概率高于其他;第2組數(shù)據(jù)表示當(dāng)前目標(biāo)信號特征的各狀態(tài)概率基本接近，目標(biāo)干擾壓制行為概率雖然較高，但系統(tǒng)評估的結(jié)果卻與第1組結(jié)果差距較大，干擾優(yōu)先等級為“中”的概率高于其他兩種狀態(tài)。

表4 仿真結(jié)果1Table 4 Simulating result 1

場景2 假設(shè)在一次敵我戰(zhàn)斗中，我通信偵察部隊提前進(jìn)入預(yù)定的集結(jié)地域，組織開展戰(zhàn)前的預(yù)先偵察行動，熟悉戰(zhàn)區(qū)電磁環(huán)境，通過通信偵察和測向定位，初步了解了主要作戰(zhàn)方向上敵通信對抗部隊的部署，以及部分電臺、通信專網(wǎng)信號在時域、頻域、空域上的特征，初步確定了某一目標(biāo)的干擾優(yōu)先級 πPRI=(0.7，0.2，0.1)。輸入先驗信息后，網(wǎng)絡(luò)得到初始化，進(jìn)入等待狀態(tài)，如圖8所示。

圖8 系統(tǒng)等待狀態(tài)Fig.8 Latency state of the system

通過比較圖7與圖8可以看出，當(dāng)先驗信息發(fā)生變化時，網(wǎng)絡(luò)各節(jié)點的初始狀態(tài)概率也將發(fā)生變化。

假定敵我雙方戰(zhàn)斗正式打響后，我方主要通信偵察力量對預(yù)先的目標(biāo)采取分頻控守的方法，進(jìn)一步確定相關(guān)目標(biāo)信號在時域、頻域、地域上的特性，以及敵目標(biāo)的作戰(zhàn)行為，即網(wǎng)絡(luò)部分節(jié)點狀態(tài)信息得到更新，最終獲得根結(jié)點狀態(tài)的概率分布，完成對干擾優(yōu)先等級的一次實時評估。

表5 仿真結(jié)果2Table 5 Simulating result 2

由表5可以看出，在敵對我采取通信干擾壓制行為時，偵察到目標(biāo)信號來源于作戰(zhàn)主要方向并且為新出聯(lián)的戰(zhàn)時頻段，系統(tǒng)評估結(jié)果為“高”的概率是0.862，遠(yuǎn)遠(yuǎn)高于表4中0.562“高”的概率;同樣第2組數(shù)據(jù)在所有節(jié)點輸入狀態(tài)相同的情況下，系統(tǒng)評估結(jié)果表示干擾等級為“高”的概率是0.700，遠(yuǎn)遠(yuǎn)高于表4中0.369“高”的概率。

通過兩組仿真結(jié)果的比較，可以看出先驗信息π的變化對評估結(jié)果的明顯影響。相同的子節(jié)點輸入相同的狀態(tài)信息λ，由于先驗信息π不同，評估結(jié)果截然不同。結(jié)合假設(shè)的仿真場景，可以看出先驗信息對后期評估結(jié)果有著直接影響，因此在通信對抗行動中，通信偵察部隊先期對目標(biāo)偵察探測是非常必要的。

同時結(jié)合算法，可以從算法的初始化和運(yùn)行兩個階段來理解先驗信息。在算法的初始化階段，為了算法的啟動，根據(jù)通信對抗指揮員的預(yù)期判斷或戰(zhàn)場情報的預(yù)期偵察結(jié)果設(shè)定先驗信息;在算法的運(yùn)行階段，先驗信息認(rèn)為是上一次系統(tǒng)評估的結(jié)果。

從仿真結(jié)果可以看出，評估模型不僅綜合了最新的戰(zhàn)場實時信息，而且還考慮了前一階段的歷史評估結(jié)果，具有信息的累積性，因此能夠?qū)δ繕?biāo)干擾優(yōu)先等級進(jìn)行實時合理的評估。

4 結(jié)論

文中針對通信對抗指揮決策中干擾優(yōu)先等級評估問題，提出了采取貝葉斯網(wǎng)絡(luò)進(jìn)行評估的方法，分析了影響干擾優(yōu)先等級評估的主要因素，并建立相應(yīng)的貝葉斯網(wǎng)絡(luò)模型。設(shè)定兩種場景進(jìn)行仿真驗證，結(jié)果表明貝葉斯網(wǎng)絡(luò)是一種進(jìn)行不確定分析和推理的有效方法，基于該模型的評估系統(tǒng)可以有效綜合當(dāng)前信息和歷史信息，具有信息的累積能力，能較好地解決通信對抗中目標(biāo)干擾優(yōu)先等級實時評估的問題。但由于復(fù)雜戰(zhàn)場環(huán)境下影響通信對抗目標(biāo)干擾優(yōu)先等級評估的因素眾多，因此如何更加全面分析影響因素，研究不同因素之間的影響關(guān)系，構(gòu)建更加合理的模型結(jié)構(gòu)將是下一步工作的重點。

［1］ BRENAN K E，CAMPBELL S L，PETZOLD L R.Nemerical solution of initial value problem in differetial-algebraic equations［M］.2nd ed.New York，USA:SIAM，1996.

［2］ CASH J，CONSIDINE S.An MEBDF code for stiff initial value problems［J］.Acm Trans Math Software(S0098-3500)，1992，18(2):142-155.

［3］ 王福軍，梅衛(wèi)，王春平，等.基于戰(zhàn)術(shù)意圖的空中目標(biāo)機(jī)動態(tài)勢估計［J］.電光與控制，2009，16(2):51-55.

［4］ 稅薇，葛艷，韓玉.基于貝葉斯網(wǎng)絡(luò)的火力威脅等級評估算法［J］.系統(tǒng)仿真學(xué)報，2009，21(15):4625-4628.

［5］ GOSLIGA P V，JANSEN H.A Bayesian network for combat identfication［J］.RTO-MP-IST-040，2004(3):1-11.

［6］ 楊永剛，寇應(yīng)展，楊杰，等.基于貝葉斯網(wǎng)絡(luò)的態(tài)勢估計模型研究［J］.科學(xué)技術(shù)與工程，2007，24(12):6434-6436.

［7］ 王朔，周少平，黃教尼.基于貝葉斯網(wǎng)絡(luò)的威脅識別［J］.計算機(jī)工程與設(shè)計，2006，18(9):3442-3446.

［8］ RUSSEL S，NORVIG P.Artificial intelligence:A modern approach［M］.Englewood Cliffs New Jersey:Prentice Hall，1995.

［9］ 李新生，單琳鋒.高技術(shù)條件下通信對抗指揮決策［M］.北京:解放軍出版社，1999.

［10］ 張鑒，黃健，石銳.通信電子戰(zhàn)目標(biāo)選擇問題研究［J］.通信對抗，2006(2):37-40.

［11］ 孫兆林，楊宏文，胡衛(wèi)東.基于貝葉斯網(wǎng)絡(luò)的態(tài)勢評估方法［J］.計算機(jī)應(yīng)用，2005，25(4):745-747.

［12］ 肖秦琨，高嵩，高曉光.動態(tài)貝葉斯網(wǎng)絡(luò)推理與學(xué)習(xí)理論［M］.北京:國防工業(yè)出版社，2007.

［13］ 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］.長沙:國防科學(xué)技術(shù)大學(xué)，2005:12-40.