貝葉斯網絡在通信對抗系統效能評估中的應用＊

（中國洛陽電子裝備試驗中心 洛陽 471003）

1 引言

通信對抗通常是指破壞、干擾敵方的通信傳輸同時又能夠保證己方通信暢通的作戰手段。一個通信對抗系統一般由多個子系統構成，通過子系統間的協作共同完成所擔負的使命。一個通信對抗系統往往由通信偵察系統、通信測向系統和通信干擾系統等多個子系統構成。如何評判通信對抗過程中體現出來的作戰能力；如何發現部隊在對抗中的不足；以及以何種方式給出部隊的整體作戰能力等問題成為重點研究的課題之一。

以往的通信對抗效能評估以相對獨立系統效能為主，再通過綜合分系統效能，給出綜合效能評估，這樣對訓練系統內各個分系統之間的相關性考慮較少。整個系統內各個分系統之間通常具有很強的因果關系，如偵察分系統和測向分系統對于干擾分系統具有很大的直接影響，而通過建立貝葉斯網絡進行通信對抗效能評估可以解決此問題。貝葉斯網絡是近年來人工智能領域最重要的研究成果之一，它使用概率理論來處理不同知識成分之間由于因果相關而產生的不確定性［1］，將知識直覺地圖解可視化，可為通信對抗效能評估提供一種科學合理方法。本文立足于貝葉斯網絡對通信對抗效能提供評估理論和依據，定量解決通信對抗部隊整體作戰能力的評估問題，并指出通信對抗部隊存在的問題。

2 貝葉斯網絡及其推理機制

2.1 貝葉斯網絡

貝葉斯網絡是根據各個變量之間的概率關系，使用圖論方法表示變量集合的聯合概率分布的圖形模型［2］。它是一個有向無環網，其中結點代表論域中的變量，有向弧代表變量的關系，變量之間的關系強弱由結點與其父結點之間的條件概率來表示。通過貝葉斯網絡可以準確地反映實際應用中變量之間的依賴關系。貝葉斯網絡由兩部分組成，即B（Bs，Bp）。其中Bs為貝葉斯網絡結構，是一個具有n個節點的有向無環圖，圖中的節點為隨機變量，代表不同的軍事事件。節點的狀態對應于軍事事件的信度值，節點之間的有向邊表示軍事事件之間的因果關系。Bp是貝葉斯網絡的條件概率表集合，每個節點E都有一個條件概率表，用來表示Ei同其父節點P（Ei）的相關關系：條件概率P（Ei／Pa（Ei）），表示父節點軍事事件是子節點軍事事件發生的直接原因。貝葉斯網絡示意圖如圖1所示。

圖1 貝葉斯網絡結構示意圖

圖1中節點E1、E2、E3 分別表示不同的事件，P（E3／E1）和P（E3／E2）分別表示事件E1、E2 發生的情況下，事件E3發生的概率，表明了事件E1、E2、E3之間存在著一定的因果關系。

2.2 貝葉斯網絡推理機制

基于Matlab 的貝葉斯網絡工具箱BNT 是Kevin P.Murphy基于Matlab語言開發的關于貝葉斯網絡學習的軟件包，提供了許多貝葉斯網絡學習的底層基礎函數庫，支持多種類型的結點（概率分布）、精確推理和近似推理、參數學習和結構學習、靜態模型和動態模型［3］。為了提高運算速度，使各種推理算法能夠有效應用，BNT 工具箱采用了引擎機制，不同的引擎根據不同的算法來完成模型轉換、細化和求解。整個推理過程如圖2所示。

圖2 推理過程

貝葉斯軟件包BNT 提供了多種推理引擎，主要的有：

1）聯合樹推理引擎jtree＿inf＿engine（）；

2）全局聯合樹推理引擎global＿joint＿inf＿engine（）；

3）信念傳播推理引擎belprop＿inf＿engine（）；

4）變量消除推理引擎var＿elim＿inf＿engine（）。

3 評估模型的建立

本文以通信對抗部隊的一次對抗演練任務為例，根據貝葉斯網絡原理，建立其對抗效能評估模型。應用貝葉斯網絡（先驗貝葉斯網絡）進行評估一般分為四個步驟：

1）確定變量集和變量域，即分析評估因素；

2）確定網絡結構；

3）確定局部概率分布；

4）選擇合適的推理引擎，進行推理。

3.1 評估因素分析

通信對抗系統一般由多個子系統構成，通過子系統間的協作共同完成所擔負的使命。如一個通信對抗系統往往由通信偵察系統、通信測向系統和通信干擾系統等子系統構成。通過對通信對抗系統效能評估可考察對抗部隊有效運用裝備的能力，使通信對抗部（分）隊通過對抗提高自身對抗水平和作戰能力，同時指出部隊日后對抗時應注意的方面。因此，可通過測試對抗中某些裝備技術參數，得知部隊的系統效能。本文著重從偵察、測向和干擾方面來介紹通信對抗中涉及的技術指標。

偵察系統指標包括偵察頻率范圍、偵察信號體制、偵察信號種類、靈敏度、偵察動態范圍、選擇性、中頻抗拒比（SI）、鏡頻抗拒比（SJ）、頻率測量精度、頻率分辨率、電平測量精度、可判別調制信號的種類、半功率角等；測向系統指標包括測向頻率范圍、測向體制、測向靈敏度、測向時間、取向時間、方位分辨力、抗擾性、測向精度等；干擾系統指標包括干擾頻率范圍、干擾信號體制、干擾樣式、干擾方式、干擾帶寬、同時干擾目標數、頻率瞄準精度（瞄準式干擾機）、干擾反應時間、諧波抑制能力、雜散抑制能力、掃頻速率、天線增益、干擾輸出功率、半功率角等［4］。

這些指標指的是通信對抗裝備的技術指標，但是在對抗中有些指標并不適合作為評估指標，如干擾系統的“干擾頻率范圍”指標，它雖然是裝備的重要指標，但裝備一旦研制完畢，這個指標就不會再改變，如果以此作為評估指標，意義不大。事實上，通信對抗系統中技術評估指標主要指的是那些在對抗中隨操作員的發揮水平而變化的指標［5］。因此選取表1中技術指標作為通信對抗系統效能評估因素。

表1 通信對抗系統系效能評估因素

3.2 網絡結構建立［6］

在通信對抗演練中，通信偵察系統對通信信號進行搜索、截獲、初步分析、記錄與顯示。通信測向對通信輻射源進行測向和定位，使偵察數據除了頻率、時間等屬性外，增加了地理位置信息。通信干擾是在通信偵察和通信測向定位的基礎上，對重點目標進行干擾。所以根據分析各分系統之間的關系和選取的評估因素，可建立如圖3所示網絡結構。

圖3 通信對抗系統效能網絡結構圖

根據實際情況，各因素的狀態集合可設為：A＝｛綜合效能好，綜合效能差｝；a1＝｛偵察效能好，偵察效能差｝；a2＝｛測向效能好，測向效能差｝；a3＝｛干擾效能好，干擾效能差｝；b11＝b12＝b13＝b14＝b21＝b22＝b23＝b31＝b32＝｛好、一般、差｝。

在本文中對各項技術指標劃分為三個灰類：好、一般、差類［7］。相應地對技術指標的取值范圍也劃分為三個灰類，如將指標j的取值范圍［a1，a4］劃分為［a1，a2］、［a2，a3］、［a3，a4］等分別對應好、一般、差。閾值ak的值可根據實際問題的要求或定性研究結果確定，根據具體情況指標的閾值向左、向右延拓至a0，a5。本文對于測向時間、信號截獲時間等指標的灰類閾值確定，采用的是“專家”打分法，這里的“專家”是指參試參訓經驗豐富的某一類裝備的操作手和負責人。比如信號截獲時間指標，嚴格按照裝備操作規程實施，則發現信號和分析信號時間27s為合格，因此，這里規定［35，45］為較差類，［25，35］為一般類，［15，25］為較好類，延拓值分別為50s和10s。其他指標的灰類閾值劃分類似，不再贅述。

3.3 網絡局部概率分布

網絡中各因素均采用概率形式描述［8］。在完成對各因素和指標的劃分后，還要進一步確定指標間的概率聯系［9］。根據裝備操作手和負責人的經驗，確定局部概率分布如表1～12所示。

表1 偵察效果a1的條件概率

表2 測向效果a2 的條件概率

表3 干擾效果a3 的條件概率

表4 頻率測量誤差b11的條件概率

表5 信號截獲時間b12的條件概率

表6 精識別時間b13的條件概率

表7 頻率測量誤差b14的條件概率

表8 測向時間b21的條件概率

表9 測向方位誤差b22的條件概率

表10 平均交匯定位時間b23的條件概率

表11 干擾等級b31的條件概率

表12 干擾反應時間b32的條件概率

3.4 推理

通過建立網絡結構和確定網絡局部概率分布，即可建立基于貝葉斯網絡的通信對抗系統效能評估模型［11］，這樣就可以按照圖2所示流程進行推理了，本文采用的是聯合樹推理引擎。

4 運用實例

通信對抗系統演練任務開始后，采集各參加演練部隊的偵察、測向和干擾數據，在每個科目的（如：短波、超短波、定頻、跳頻等）演練中將多個工作周期獲取的訓練數據進行概率計算，將結果作為評估模型輸入，評估某科目演練的綜合效能。該評估系統工作過程如下：初始化完成以后，評估系統進入等待狀態，當系統得到新的情報信息，即網絡的子節點信息更新，則觸發網絡推理，更新整個網絡節點狀態的概率分布，最終獲取節點狀態的概率分布情況，完成對參加演練部隊演練效果的一次評估，得到的結果為該項目演練的通信系統綜合效果。演練中有如下一組因素概率輸入：λ（b11）＝（0.7 0.2 0.1），λ（b12）＝（0.6 0.2 0.2），λ（b13）＝（0.8 0.1 0.1），λ（b14）＝（0.6 0.1 0.3），λ（b21）＝（0.8 0.2 0.0），λ（b22）＝（0.6 0.3 0.1），λ（b23）＝（0.7 0.2 0.1），λ（b31）＝（0.6 0.3 0.1），λ（b32）＝（0.8 0.2 0.0）。根據建立的貝葉斯模型及推理機制，可通過仿真得到初步的評估結果：綜合效果＝（0.7987 0.2013），即此次參加演練部隊體現的作戰能力綜合效果得分為79.87分，該部隊作戰效果較好。

采用本文建立的評估模型，通過比較不同參加演練部隊相同演練科目的作戰綜合效能得分，可以發現哪支部隊作戰能力較高；通過比較相同參加演練部隊不同操作手相同演練科目的作戰綜合效能得分，可以發現哪些人員作戰能力較高；通過比較相同操作手在不同演練科目下的作戰綜合效能得分，可以發現參加演練的裝備系統在哪種工作方式或工作頻率上更具有優勢。演練評估結果與專家的評估結果也十分吻合，具有較高的可信度。

5 結語

貝葉斯網絡作為目前不確定知識表達和推理領域最有效的模型之一，近年來得到了廣泛的應用。本文通過對通信對抗系統進行研究，確定了影響其綜合效能的各項因素，并對各因素涉及的相應指標進行了選取和灰類劃分，同時通過分析確定該網絡的局部概率分布，建立基于貝葉斯網絡的通信對抗效能評估模型，采用聯合樹推理引擎，得出參加演練部隊作戰能力綜合效能，定量解決通信對抗部隊整體作戰能力的評估問題，并指出通信對抗部隊存在的問題，可以提高部隊的對抗水平和作戰能力。

［1］蔣望東，林士敏.基于貝葉斯網絡工具箱的貝葉斯學習和推理［J］.信息技術，2007，2：5-8.

［2］胡玉勝，涂序彥.基于貝葉斯網絡的不確定性知識的推理方法［J］.計算機集成制造系統，2001，7（12）：65-68.

［3］張少中，楊南海，王秀坤.貝葉斯網絡參數的在線學習算法及應用［J］.小型微型計算機系統，2004，10：63-67.

［4］侯印鳴.綜合電子戰［M］.北京：國防工業出版社，2000：118-126.

［5］郭齊勝.裝備效能評估概論［M］.北京：國防工業出版社，2005：83-97.

［6］胡笑旋.貝葉斯網建模技術及其在決策中的應用［D］.博士學位論文.合肥工業大學研究生院，2006，9：11-13.

［7］張偉.支持探索性分析的仿真試驗設計研究［C］.系統仿真技術及其應用學術會議論文集，2007，9：2＿59-263.

［8］薛萬欣，劉大有，張弘.Bayesian網中概率參數學習方法［J］.電子學報，2003：11.

［9］張學工.關于統計學習理論與支持向量機［J］.自動化學報，2000，1：32-36.

［10］彭善國，王希武，王寅龍.基于貝葉斯網絡的裝備保障能力評估建模研究［J］.計算機與數字工程，2011，39（6）.

［11］彭征明.基于貝葉斯網的作戰效能評估方法研究［J］.裝備指揮技術學院學報，2007，2：105-109.