戰斗機行為模式序列統計技術

陳 辭

(海軍駐426廠軍代室 大連 116001)

?

戰斗機行為模式序列統計技術

陳 辭

(海軍駐426廠軍代室 大連 116001)

特定的戰斗機通常執行特定的作戰任務,在特定的時刻表現出特定的行為模式,并執行由特定行為模式順序構成的行為模式序列,這些行為模式序列可以用于對戰場態勢分析及目標意圖識別的依據。論文基于數據挖掘中經典的Apriori算法,從目標行為序列記錄中進行搜索和分析,找出符合條件的行為模式子序列,并以實例說明了統計的方法和過程。

序列模式; 戰場態勢; 數據挖掘; 序列統計

Class Number V271.4

1 引言

21世紀的戰爭是信息化的戰爭,信息化戰爭要求指揮員能夠充分利用可以獲得的各種信息資源,結合一定的戰術知識,對戰場態勢做出迅速、正確的分析和理解。目前,戰場態勢分析所用的知識主要來源于專家經驗,這些經驗對于態勢分析有一定的指導意義,但遠不能滿足實戰中態勢分析的需要,這就要求利用其它方法和手段獲取更多的知識。數據挖掘技術就是獲取戰場經驗和知識的一種行之有效的工具。充分利用數據挖掘技術相關理論模型,可以從海量的戰場態勢要素信息中找出潛在的邏輯關聯關系,從而應用于戰場態勢的分析和作戰決策的輔助制定。

數據挖掘[1]指從大量的、不完全的、有噪聲的、模糊的以及隨機的實際數據中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的知識的過程,也稱數據集合中的知識發現。數據挖掘(DataMining)技術起源于20世紀90年代,它是一個多學科交叉研究領域,涉及到數據庫(Database)技術、人工智能(ArtificialIntelligence)、機器學習(MachineLearning)、統計學(Statistics)、知識工程(KnowledgeEngineering)、面向對象方法(Object-OrientedMethod)、信息檢索(InformationRetrieval)、高性能計算(High-PerformanceComputing)以及數據可視化(DataVisualization)等最新技術的研究成果[2]。典型的數據模式挖掘算法一般包括分類分析、聚類分析、關聯分析以及時序分析等[3～5]。例如關聯分析是指分析事件屬性之間的關聯關系,目的是得出事件屬性間的規律性,關聯規則挖掘技術用于發現數據中屬性之間形如“A?B”的蘊涵式聯系。商品銷售分析中啤酒與尿不濕的關聯關系發現正是關聯分析的典型應用成果。

關聯挖掘理論及相關算法被在作戰指揮控制系統中的應用,實現了對戰場態勢要素之間關聯規律的分析和提取,為指揮員的決策分析提供了智能化、自動化的輔助手段,提高了系統的智能化程度及決策的科學性和時效性。例如用基于知識發現的模糊專家系統、遺傳算法來完成部隊的兵力區分、戰術編組、戰斗隊形配置等輔助決策,用關聯算法、統計決策理論和基于知識發現的模糊專家系統等技術確定敵人的主攻方向,確定目標的重要程度和打擊順序,進而進行威脅分析等等。文獻[6]提出了一種通過關聯規則算法對已有目標活動數據進行數據挖掘的方法,并詳細描述了數據挖掘技術在情報處理中應用的體系結構和實現方式。文獻[7]對數據挖掘的概念、過程及應用前景以及指揮挖掘系統中涉及的數據挖掘方法進行了論述。

在戰場態勢分析中,敵方作戰計劃的推理識別是當前一個研究熱點,它對應于人工智能領域中的規劃識別[8],是指根據Agent的行為序列推斷Agent所追求的目標的過程,即根據觀察到的片斷、瑣碎的現象,推出具有合理因果關系的完整的、全面的計劃描述。該定義在軍事領域中由于特指識別敵方的計劃,故稱為“計劃識別”。為了實現對敵方作戰計劃的推理識別,敵方兵力的行為序列是一種重要的模式規律,對于以作戰計劃識別為代表的戰場態勢分析應用中,行為序列模式更是一種必不可少的作戰計劃推理識別背景知識。因為由計劃識別的定義可知,推理敵方的作戰計劃,必須先驗性的知道敵方的行為序列模式和當前行為片斷,而這個行為序列模式的獲取,最理想的手段就是對敵方的作戰行為進行分析和挖掘,運用相關理論統計出來。

2 序列模式分析

2.1 貝葉斯網絡模型

BN模型是1986年美國加州大學Pearl教授將貝葉斯理論和圖模型有機結合提出來的一種有向無環的概率網絡模型[9],因其嚴密的數學邏輯表達能力和因果概率推理能力而受到廣泛關注和應用。一個BN模型包括一個節點集,一個有向邊集和一個概率分布關系描述集。節點集中每個元素表示一個邏輯事件,有向邊集中每個元素表示兩個邏輯事件之間的有向邏輯關系,概率分布關系描述集中每個元素表示一組邏輯關系的概率依賴分布。在BN模型描述的事件關系中,每個事件節點的狀態概率受到與之相關的父節點和子節點狀態概率的影響,因此理論上,可以根據對應的概率依賴關系由其父節點和子節點狀態對該節點狀態概率進行推理和確定。節點狀態概率的計算方法為

Bel(X)=αp(X|Parent(X))p(Children(X)|X)=απλ

其中,p(X|Parent(X))為父節點對該節點的因果信息,用π表示;p(Children(X)|X)為子節點對該節點的診斷信息,用λ表示,α為歸一化計算因子。

2.2 行為序列模式

事實上,對于特定的作戰目標,受限于其自身的物理性能和作戰特點,其行為分量表現出一些相對穩定的取值狀態。例如,圖1所示為艦載戰斗機執行炸彈空襲任務時典型的高度剖面圖。顯然,在不同的空襲的過程中,戰斗機飛行的幾個階段一般都有相對固定的高度,形成與行為模式對應的高度模式特征。

圖1 戰斗機突襲高度剖面圖

類似的,作戰目標的速度、高度、加速度、電磁輻射等特征相應也表現出一定的模式特征。這些模式特征的組合,形成該作戰目標的若干種作戰行為模式。而戰場中作戰目標在遂行特定的作戰任務時,其行為序列模式是按一定的規律被順序執行的。形成其特有的行為模式序列。

3 算法設計

序列分析是指統計和分析事件之間的先后序列關系,目的是發現事件間的時序和因果關系,進而轉化成瑣碎事件的組合規則。主要是對大規模的具有時間先后特征的數據庫進行分析,從中發現出感興趣的或有用的規則、規律等。Han J.W.在文獻[1]中對序列模式的挖掘進行了較為全面的論述。當前,幾乎所有的序列統計算法都是基于Agrawal等提出的Apriori算法[10]發展而來。序列模式挖掘首先需要明確幾個概念:

· 記錄庫(Transaction Database):存儲著二維結構的記錄集,定義為D;

· 記錄(Transaction):在記錄庫中的一條記錄,定義為T且T∈D;

· 項集(Itemset):序列出現的項的集合,定義為K-itemset(K項集),K-itemset∈T,一般K表示項數;

· 支持度(Support):定義為Sup(X)=occur(X)/count(D)=p(X);

· 候選集(Candidateitemset):通過向下合并得出的項集,定義為C[k];

· 頻繁集(Frequentitemset):支持度不小于最小支持度的項集,定義為L[k]。顯然,頻繁集的子集必為頻繁集。

以Apriori算法為基礎的各序列模式統計挖掘算法的基本思想是先讀入數據記錄集及最小支持度(min_sup)值,然后從單條記錄開始,掃描記錄集,搜索滿足最小支持度要求的單項集合,然后按照遞歸的思想,依次在上一步搜索結果基礎上,搜索滿足最小支持度要求的長度增1的項目序列,直到搜索結果集合為空為止。最后得到的項目子序列集合中的元素就是從給定數據記錄中統計得出的滿足支持度要求的序列模式。序列模式統計挖掘的含義是從給定的記錄庫中找出以最小支持度為統計概率出現的元素子序列,反映了以整體為單位的元素序列模式。

因為是通過序列統計來分析敵方目標的行為模式,進而進行戰術意圖識別,顯然序列統計分析的對象應該是目標的行為。也就是說,序列統計分析和目的是挖掘敵方目標行為的序列模式,得出其行為序列模式。然而在戰場上,作為非合作目標,敵方目標的行為是無法直接獲得的,需要由多方面的屬性特征綜合分析推理得到。即首先由探測獲取得到目標不同側面的狀態數據計算目標處于哪種特定的行為,進而對按時間產生的行為進行序列分析,得出該類目標的行為模式序列。

算法分為兩個步驟:第一步,建立行為與特征的關系BN模型,根據不同時刻的目標特征計算目標對應的行為置信度,按照最大概率置信其行為狀態并依時間順序形成行為狀態序列,由若干行為狀態記錄形成的記錄庫D;第二步,運用序列統計方法進行記錄庫模式挖掘,掃描行為記錄庫,根據給定的最小支持度值統計出該目標的行為模式K-itemset。

圖2 目標行為推理BN模型圖及序列統計Apriori算法

第一步中基于目標特征來推理行為是典型的逆向推理過程,根據BN推理的計算公式Bel(x)=απλ進行計算,式中π為外部環境對目標行為的因果信息,λ為目標特征對行為推理的診斷信息,α為歸一化因子。因為該BN模型反映的是目標各行為下相應特征狀態,因此中模型中沒有考慮環境信息,計算式簡化為Bel(x)=αλ,即Bel(目標行為)=αPr(目標行為)λ,其中Pr(目標行為)為目標行為的先驗信息,在通常情況下,可以認為目標行為在其若干值域內先驗等概率。

第二步是基于時序下推理得到的行為序列記錄運用Apriori算法進行統計分析,從數據集中得到該目標的行為模式規律,依此可以實現對該目標的行為預測,用于戰場態勢分析和推理。

4 算法實驗驗證

以空中目標行為模式為例說明本文序列統計方法過程:按照文獻[11]中的例子,假設敵方空中目標的行為劃分為七種,分別用M1～M7表示,各行為的表征及與行為之間按一定的概率分布關系確定,其中高度狀態空間為{4.2,>10,<1,6～10},單位為km;速度狀態空間為{1000～1200,1200～1800},單位為km/h;距離狀態空間為{<135,>135},單位為km;電磁信號狀態空間為{有,無}:

假如某時刻有一批目標距離我方270km,高度4200m,速度800km/h,未明確檢測到電磁輻射信號,對這四個特征狀態進行概率空間映射得到高度向量為[1,0,0,0],速度向量為[1,0],距離向量為[1,0],電磁信號向量為[0.5,0.5],則根據給定的概率分布關系進行該目標當前行為計算得到目標為中空巡航的概率為

Bel(M1)=αPr(action)λ

=Pr(action)p(h,sp,s,em|M1)/p(h,sp,s,em)

=(1/7×0.8×0.8×0.9×(0.5×0.5+0.5×0.5))

/(1/4×1/2×1/2×1)=0.65

類似的計算出其它幾種行為的概率,得到行為概率向量為[0.65,0.16,0.14,0.01,0.01,0.02,0]。因此根據可能性判定該目標當前行為是M1。同樣的方法對若干時刻目標的行為進行推理分析,可以得到目標歷史行為記錄庫。假設根據歷史數據計算得到目標行為序列記錄如表1所示。

假定設定最小支持度為20%,采用Apriori算法來統計分析表1中的若干條記錄,統計得到M1M2M5和M2M4M7兩個序列分別有25%的支持度,這兩個序列為當前目標行為記錄庫中的最大頻繁子序列。也就是說,該敵方空中目標具有[中空巡航→中空加速巡航→高空電磁徘徊]和[中空加速巡航→超高空徘徊→超高空徘徊]兩種行為模式。統計的結果正與實際情況一致:第一種行為模式可以看作到達目標區域上空施放電磁干擾的過程,第二種行為模式可以看作突擊進入目標區域后擇機進行俯沖佯動的過程。

表1 目標行為記錄表

通過BN模型和序列統計方法得到戰場目標運動行為的模式規律后可以以該規則庫為依據進行戰場上敵方目標戰術意圖的推理和分析,例如發現敵方空中目標經歷了中空巡航和中空加速巡航后,根據相應目標的統計行為模式,有理由認為該目標可以以一定的信度進行電磁干擾施放,且接下來該目標可能作高空電磁徘徊動作。

5 結語

本文提出對敵方目標的行為序列進行分析和統計來建立敵方目標行為序列模式的規則的思路,并采用了先建立和通過BN模型通過目標狀態對目標行為進行概率計算,然后利用Apriori算法進行統計以得到敵方目標行為的序列模式的方法。實驗證明該思路可以用于抽取目標行為模式,為進行相應戰場態勢分析和戰術意圖推理提供了分析依據。

[1] Han J W, Micheline K. Data Mining: Concepts and Techniques[M].北京:機械工業出版社,2001.

[2] Mao G. J.數據挖掘技術與關聯規則挖掘算法研究[D].北京:北京工業大學博士學位論文,2003.

[3] Chun-Wei LIN, Tzung-Pei HONG, Wen-Hsiang LU. Using the Structure of Prelarge Trees to Incrementally Mine Frequent Itemsets. New Generation Computing,2010:5-20.

[4] Agrawal R, Srikant R. Fast algorithms for mining association rules[C]//Proceedings of the 20th International Conference on Very large Databases. Santiago: Morgan Kaufmann,1994:487-499.

[5] Agrawal R, Shafer J C. Parallel mining of association rules[J]. IEEE Transaction on Knowledge and Data Engineering,1996,8(6):962-969.

[6] Yuan J. S., Li X. H. Application of Data Mining Technology in Information Processing[J]. Radio Engineering,2008,38(2):29-31.

[7] Zheng H. T., Qian P. H. Data Miningin Command and Control System[J]. Fire Control & Command Control,2004,29:59-61.

[8] SCHMID C F, SRIDHARAN. The Plan Recognition Problem: An Intersection of Psychology and Artificial Intelligence[J]. AI,1978(11):45-83.

[9] Pearl J. Fusion, propagation and structuring in belief networks[J]. Artificial Intelligence,1986,29(3):241-288.

[10] Agrawal R, Shafer J C. Parallel mining of association rules[J]. IEEE Transaction on Knowledge and Data Engineering,1996,8(6):962-969.

[11] Ge S, Xia X Z. Dynamic series BN used for recognition of tactical intention[J]. Systems Engineering and Electronics,2014,36(1):76-83.

Study of Aircraft Target Behavior Sequence Statistics

CHEN Ci

(Navy Force Representative Bueau in 426 Factory, Dalian 116001)

Special aircraft target usually executes special tasks. It acts as special behavior mode at some special time, and forms special behavior mode sequences, which may be used for battlefield situation evaluation and target intention recognition. Based on classical Apriori algorithm of data mining theory, the paper studies the way to find some special behavior mode sequences from behavior records of special target, and shows the processes of the model with instance.

series model, battle-field situation, data mining, sequence statistics

2015年1月5日,

2015年2月27日 作者簡介:陳辭,男,碩士,工程師,研究方向:自動控制與系統集成。

V271.4

10.3969/j.issn1672-9730.2015.07.017