基于PR-OWL的戰術意圖識別概率本體建模*

陳志剛 劉志坤 楊露菁

(海軍工程大學電子工程學院 武漢 430033)

?

基于PR-OWL的戰術意圖識別概率本體建模*

陳志剛 劉志坤 楊露菁

(海軍工程大學電子工程學院 武漢 430033)

網絡中心環境下的戰術意圖識別問題具有不確定性和分布式等特點,如何描述戰術意圖領域的不確定知識是戰術意圖識別的基礎。考慮到網絡中心環境下戰術意圖識別過程中知識共享和協同識別的需要,論文首先建立一個適合網絡中心環境下戰術意圖識別系統的框架結構；然后提出一種基于PR-OWL的戰術意圖領域知識的概率本體模型建模方法；最后,給出一個戰術意圖識別概率本體模型的設計實例。

網絡中心環境; 戰術意圖識別; 概率網絡本體語言; 指定態勢貝葉斯網絡

Class Number TP391

1 引言

網絡中心環境下的戰術意圖識別問題具有不確定性、分布式特點[1～2,9]。其中,不確定性主要來源于對戰場感知的不確定性、對敵方能力分析的不確定性、關于敵方作戰知識的不確定性和環境本身的不確定性；分布式主要體現在戰術意圖識別的知識分布在海上各個兵力平臺,其推理過程可由多個兵力平臺協同完成。

針對以上特點,網絡中心環境下的戰術意圖識別系統必須具有不確定知識的表示能力以及分布式環境下的知識共享和協同推理能力。本文首先建立一個適合網絡中心環境的戰術意圖識別系統的框架結構；然后提出一種基于PR-OWL的戰術意圖領域知識的概率本體模型建模方法；最后,給出一個戰術意圖識別概率本體模型的設計實例。

2 網絡中心環境下的戰術意圖識別框架

網絡中心環境下的戰術意圖識別系統采用面向服務的體系結構,由分布在海上各兵力平臺的戰術意圖識別子系統構成,能支持網絡中心環境下的知識共享與協同推理。該系統的體系結構如圖1所示。

圖1 戰術意圖識別系統的體系結構

具體到網絡中心環境下的某一個兵力平臺而言,參照文獻[4],戰術意圖識別單元的具體模塊組成如圖2所示。

圖2 戰術意圖識別子系統的功能模塊

從圖2中可以看出戰術意圖識別單元由推理模塊、知識存儲模塊、知識管理模塊、仿真模塊、知識交換模塊等五個獨立的易于升級維護的子模塊構成。各子模塊的詳細功能如下：

1) 知識存儲模塊

整個世界模型主要是通過實體及其之間的相互關系進行描述,實體及實體之間的關系主要利用隨機變量進行定義。這樣,戰術意圖識別單元就需要對所有用于推理的實體進行跟蹤,將實體知識作為一個部件在知識存儲模塊中進行保存。

2) 知識管理模塊

知識管理模塊主要用于對當前態勢的理解,以及定義如何去處置所面臨的態勢。該模塊可分為兩個截然不同的庫：一個庫主要用于保存領域的子本體層,即與任務有直接關聯的知識；另一個庫用于保存領域的上層本體,包括主概率本體和假設管理概率本體,即與任務無直接關聯(或可用于任務任務)的知識。主概率本體庫主要用于描述實體屬性、相關術語、可能的含義及其相互關系等,假設管理概率主要聚集在假設管理過程中要用到的知識片斷。

3) 知識交換模塊

知識交換模塊主要由交換概率本體庫構成,用于管理戰術意圖識別單元的所有知識交換(包括內部與仿真模塊的交換、外部與平臺傳感器或網絡中其它平臺之間的交換)。特別需要強調的是,在與外部平臺進行知識交換時,通常遵循SOA標準協議。如果從外部平臺獲得的信息不是該標準格式,則需要利用交換概率本體庫進行格式轉換。

4) 推理模塊

推理模塊是戰術意圖識別單元的核心,負責所有相關的推理服務。主要由貝葉斯網絡推理器(包括MEBN推理和DBN推理)構成,與知識存儲模塊、知識管理模塊和知識交換模塊之間進行交互,協調指定態勢貝葉斯網絡(SSBN)的構建和推理。針對提交的問題,首先,推理器依靠知識管理模塊去定義與回答問題相關的必要信息；然后,通過連續不斷地訪問知識存儲模塊,獲取所有可能的信息用于支持假設的生成、評估和裁剪這一循環過程,直到能成功地構建一個能夠回答用戶所提交的問題的最小SSBN為止。在這個過程中,如果需要用到外部信息的話,可以通過知識交互模型從外部獲得必要的知識。

5) 仿真模塊

仿真模塊可提供相應的作戰想定,發送模擬的態勢信息來訓練或評估戰術意圖識別單元的性能。

3 基于PR-OWL的戰術意圖本體建模方法

3.1 PR-OWL簡介

概率網絡本體語言PR-OWL(probabilistic web ontology language)[3]是一種基于MEBN對OWL進行擴展的語言。一方面,通過概率本體對OWL進行擴展,使得PR-OWL具有不確定的網絡本體表達能力；另一方面,MEBN采用一階謂詞邏輯對貝葉斯網進行擴展,使得PR-OWL同時具有一階謂詞表示能力和貝葉斯網絡的概率推理能力。因此,PR-OWL非常適合用于描述網絡中心環境下的戰術意圖識別概率本體模型。PR-OWL的概念模型如圖3所示[5]。

圖3 PR-OWL的概念模型

一個概率本體至少包含一個MTheory類,通過MTheory將用于表示知識的MEBN片斷(MFrag)集進行組織,以確保MFrag的組合滿足一致性約束條件,在這個條件下,所涉及到的隨機變量實例才存在唯一的聯合概率分布。PR-OWL的詳細模型如圖4所示[6～7]。

圖4 PR-OWL的詳細模型

一個MFrag包括一些隨機變量,并以片斷圖的形式來表示這些隨機變量之間的依賴關系。通常,MFrag包含的隨機變量分成上下文、輸入和固有三類節點來表示。其中,上下文節點表示該MFrag被應用是必須滿足的條件概率分布；輸入節點的概率分布可以影響該MFrag中其他節點的概率分布,但其概率分布值在父MFrag中定義；固有節點的分布被定義成本地分布,表示片斷內常駐節點的每個狀態與其父節點取值之間的條件概率分布。

3.2 基于PR-OWL的本體建模過程

基于PR-OWL的海戰場環境下戰術意圖識別概率本體模型的構建是實現意圖識別的基礎。該過程是一個循環建模過程,主要包括四個環節：

1) 明確領域建模目標；

2) 分析和確定領域中的實體類、實體屬性、實體之間的關系以及有關規則；

3) 將2)中分析和確定的要素用PR-OWL進行描述,從而形成戰術意圖識別問題領域的PO模型；

4) 利用規則來驗證PO模型,判斷其能否滿足所明確的目標。

PO模型中的知識片段作為一種可重復的知識模式可根據具體態勢被多次實例化,因而可作為一個用于構建和組合成一個貝葉斯網絡片段集的模板,這就為動態構建戰術意圖模型提供一種可行的途徑。

4 戰術意圖識別本體模型設計與實現

4.1 明確目標

海戰場環境下的戰術意圖識別[10～11]在識別出海戰場態勢基本元素的基礎上,綜合考慮其特征信息以及它們之間的時空關系,并結合領域專家知識對當前態勢進行理解,構建針對當前態勢的意圖識別模型并進行推理,以判斷敵方作戰部署和行動企圖,進而識別出敵方的戰術意圖。因此,如何確定戰術意圖識別問題包含的要素,以及如何描述各要素之間的關系是定義該問題的關鍵。

4.2 分析與設計

為了靈活構建一個能滿足當前態勢的戰術意圖識別模型,需要在領域知識的基礎上提供一種動態構建戰術意圖識別模型的機制。為此,將戰術意圖領域知識分上層本體和下層本體兩層來建立,以滿足網絡中心環境下戰術意圖識別的需要。

其中,上層本體用UML描述如圖5所示。上層本體描述了一個作戰單元意圖、資源、能力、行為、環境和特征之間的關系,該本體可作為一種通用本體適用于其它領域知識建模。

圖5 基于UML的戰術意圖上層本體

下層本體利用時間影響網絡(Timed Influence Nets,TIN)對海戰場環境下戰術意圖識別的各要素之間的關系進行描述,如圖6所示。

圖6 基于TIN的戰術意圖識別下層本體

4.3 基于PR-OWL的本體模型描述

在分析和確定戰術意圖識別的各要素及其相互關系后,可建立滿足PR-OWL規范的PO模型,該PO模型的基本框架如圖7所示。該框架基于圖4中的PR-OWL詳細模型利用Pretege軟件實現。

圖7 PO模型的基本框架

在戰術意圖識別領域的PO模型中包含一個MTheory,該Mtheory包含多個MFrag片斷。

在完成在戰術意圖識別領域的PO模型構建后,可根據獲得的證據,基于概率本體模型構建符合當前態勢的SSBN[8]用于意圖的推理。

5 結語

本文針對面向網絡中心環境下戰術意圖識別的不確定性和分布式特點,提出了一種基于SOA的戰術意圖識別系統的體系結構框架,重點分析如何利用PR-OWL進行戰術意圖識別領域概率本體模型的建模過程,為構建符合當前態勢的SSBN用于推理意圖奠定了基礎。如何基于概率本體構建SSBN是下一步研究的重點內容。

[1] D.Shen,G.Chen.A game theoretic approach to threat intent inference[C]//CCRTS,2006:17-22.

[2] G.M.Levchuk,D.Grande.Mission Plan Recognition: Developing Smart Automated Opposing Forces for Battefield Simulations and Intelligence[C]//13thICCRTS,2008:74-78.

[3] K.B.Laskey,MEBN: A Language for First-Order Bayesian Knowledge Bases[M].Virginia: George Mason University Press,2007:124-128.

[4] R.N.Carvalho,P.C.G.Costa,K.B.Laskey,et al.PROGNOS: predictive situational awareness with probabilistic ontologies[C]//Proceedings of the 13th International Conference on Information Fusion,Edinburgh,UK,Jul.,2010:214-218.

[5] R.N.Carvalho.PO: Represention and Modeling Methodology [D].Virginia: George Mason University,2011.

[6] R.N.Carvalho.A GUI Tool for Plausible Reasoning in the semantic web using MEBN[C]//Seventh International Conference on Intelligent System Design and Applications,2007:381-386.

[7] Frank.M,Frans Voorbraak.A formal description of tactical plan recognition[J].Information Fusion,2003(4):47-61.

[8] Kevin P.M.Dynamic Bayesian Networks: Representation,Inference and Learning[D].Berkeley: University of California,Berkeley,2002.

[9] 王磊,孫增圻.基于行為的多機器人對手意圖識別二次估計方法[J].清華大學學報(自然科學版),2005,45(10):1421-1424.

[10] 冷畫屏,吳曉鋒,胡劍光.海上目標戰術意圖序貫識別技術研究[J].系統工程與電子技術,2008,30(3):462-465.

[11] 鄧海軍,尹全軍,胡記文.基于MEBN的戰術意圖識別[J].系統工程與電子技術,2010,32(11):2374-2379.

Modeling of a PO for Tactical Intention Recognition Based on PR-OWL

CHEN Zhigang LIU Zhikun YANG Lujing

(Electronics Engineering College,Naval University of Engineering,Wuhan 430033)

In network centric environment,tactical intention recognition is an uncertain and distributed problem.It is very important to efficiently and promptly predict the enemy’s or adversary tactical intention from the lower level spatial,temporal and feature information.How to discribe the tactical intention recognition domain knowledge is the fundamential issue.In this paper,an arthitecture of the tactical intention recognition system based on SOA is proposed.Through analyzing the factors that impact tactical intentions of the enemy and the methods that denote uncertain relations among these factors,an example of modeling probabilistic ontology is presented based on PR_OWL.

network centric environment,tactical intention recognition,PR-OWL,situation-specific bayesian network

2014年8月6日,

2014年9月19日基金項目:博士后基金項目(編號:2012M521892)資助。

陳志剛,男,博士,講師,研究方向:作戰輔助決策。劉志坤,男,博士,講師,研究方向:系統工程。楊露菁,女,博士,教授,研究方向:數據融合。

TP391

10.3969/j.issn1672-9730.2015.02.024