基于模糊动态贝叶斯网络的态势威胁评估方法

摘要

本发明公开了一种基于模糊动态贝叶斯网络的态势威胁评估方法，包括：从采集到的数据中提取出所要处理的数据；对所获取的数据进行抗干扰处理，对经抗干扰处理的数据进行模糊化处理；对战场态势威胁评估过程进行知识表达，确定事件和属性的概念和表示，构建关于战场威胁评估的动态贝叶斯网络模型；将模糊变量输入至网络模型以得到模糊动态贝叶斯网络，对模糊动态贝叶斯网络进行推理得到态势预测结果，并基于态势预测结果得到威胁评估等级。本发明在构建动态贝叶斯网络，对随时间变化的数据进行知识表达，加强了数据的实时性与有效性，并且将模糊化处理后的数据作为输入证据输入，提高推理的精度与效率，更好的表述态势威胁评估的语义模型。

主权项

一种基于模糊动态贝叶斯网络的态势威胁评估方法，包括：数据提取步骤，从采集到的数据中提取出所要处理的数据；数据预处理步骤，对所获取的数据进行抗干扰处理，然后对经抗干扰处理的数据进行模糊化处理以得到模糊变量；模型构建步骤，对战场态势威胁评估过程进行知识表达，确定事件和属性的概念和表示，构建关于战场威胁评估的动态贝叶斯网络模型，所述动态贝叶斯网络模型包括态势预测和威胁评估两方面的语义表示；推理步骤，将所述模糊变量作为输入证据输入至所述动态贝叶斯网络模型以得到模糊动态贝叶斯网络，然后对所述模糊动态贝叶斯网络进行推理得到态势预测结果，并基于所述态势预测结果得到威胁评估等级，在所述推理步骤中，进一步包括：将所述模糊动态贝叶斯网络转化为隐马尔科夫模型；采用改进的前向后向算法对所述隐马尔科夫模型进行推理得到关于态势预测的态势节点以及关于威胁评估的目标属性节点，其中，所述改进的前向后向算法表达式包括：前向推理表达式：$\begin{array}{c}P(Z_t,X_{t1},X_{t2},\mathrm{...},X_{tn}|y_{t1},y_{t2},\mathrm{...},y_{tm})\\ =\frac{1}{{\Sigma }_{C_{t1},C_{t2,\mathrm{...},}{C}_{tm}}{\Pi }_{j}P(y_{tj}\in c_{tj})}\times \underset{C_{t1},C_{t2,\mathrm{...},}{C}_{tm}}{\Sigma }[\underset{j}{\Pi }P(y_{tj}\in c_{tj})\times \\ \frac{{\Pi }_{j}P(C_{tj}=c_{tj}|Pa\left(C_{tj}\right)){\Pi }_{i}P(X_{ti}=x_{ti}|Pa\left(X_{ti}\right))P\left(Z_t\right|y_{11,}{y}_{12},\mathrm{...},y_{(t-1)m})}{{\Sigma }_{Z_t,X_{t1},\mathrm{...},X_{tm}}{\Pi }_{j}P(C_{tj}=c_{tj}|Pa\left(C_{tj}\right)){\Pi }_{i}P(X_{ti}=x_{ti}|Pa\left(X_{ti}\right))P\left(Z_t\right|y_{11},y_{12},\mathrm{...},y_{(t-1)m})}]\\ i\in [1,n],j\in [1,m],\end{array}$其中，Z_t表示最上层的隐藏变量，X_ti和Y_tj分别表示其它n个隐藏变量和m个观察变量，x_ti表示隐藏变量X_ti在t时间下的取值，y_tj表示观测变量Y_tj在t时间下的取值，c_ti表示模糊变量C_ti在t时间下的取值，Pa(X_ti)表示隐藏变量X_ti的父节点集合在t时间下的取值，Pa(C_tj)表示模糊变量C_tj的父节点集合在t时间下的取值，前向推理中的P(Z_t|y₁₁₁,y₁₂,…,y_(t‑1)m)可通过t‑1时刻的隐藏变量和观察节点序列值计算得到；后向推理表达式：$\begin{array}{c}P(Z_t,X_{t1},X_{t2},\mathrm{...},X_{tn}|y_{t1},y_{t2},\mathrm{...},y_{Tm})\\ =\frac{1}{{\Sigma }_{C_{(t+1)1},C_{(t+1)2},\mathrm{...},C_{tm}}{\Pi }_{j=1:m,t^{\prime }=t+1:T}P(y_{t^{\prime }j}\in c_{i^{\prime }j})}\\ \times \underset{C_{(t+1)1,}{C}_{(t+1)2},\mathrm{...},C_{Tm}}{\Sigma }[\underset{j=1:m,t^{\prime }=t+1:T}{\Pi }P(y_{t^{\prime }j}\in c_{t^{\prime }j})\times \\ \frac{P(C_{(t+1)1}=c_{(t+1)1},\mathrm{...},C_{Tm}=c_{Tm}|Z_t)P(Z_t,X_{t1},\mathrm{...},X_{tm}|y_{t1},y_{t2},\mathrm{...},y_{tm})}{P(C_{T1}=c_{T1},\mathrm{...},C_{Tm}=c_{Tm}|y_{11},y_{12},\mathrm{...},y_{(T-1)m})\times \mathrm{...}\times P(C_{(t+1)1}=c_{(t+1)1},\mathrm{...},C_{(t+1)m}=c_{(t+1)m}|y_{11},\mathrm{...},y_{tm})}]\end{array}$其中，$\begin{array}{c}P(y_{T1},\mathrm{...},y_{Tm},y_{(t+1)1},\mathrm{...},y_{(t+1)m}|Z_t)\\ =\underset{Z_{t+1},X_{(t+1)1},\mathrm{...},X_{(t+1)n}}{\Sigma }P(y_{T1},\mathrm{...},y_{(t+2)1,\mathrm{...},}{y}_{(t+2)m}|Z_{t+1})P(X_{(t+1)1},\mathrm{...},X_{(t+1)n},y_{(t+1)1},\mathrm{...}{y}_{(t+1)m},Z_{t+1}|Z_t)\\ i\in [1,n],j\in [1,m],\end{array}$其中，Z_t表示最上层的隐藏变量，x_ti表示隐藏变量X_ti在t时间下的取值，y_tj表示观测变量Y_tj在t时间下的取值，c_ti表示模糊变量C_ti在t时间下的取值，T表示整个时间片。