基于動態貝葉斯網絡的意圖分析算法

樊振華，師本慧，陳金勇，段同樂

(中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

基于動態貝葉斯網絡的意圖分析算法

樊振華，師本慧，陳金勇，段同樂

(中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

傳統的意圖分析方法面臨部分方法僅針對單個目標進行靜態分析，以及精確推理耗費計算量過大的問題。針對上述問題，提出了一種新的基于動態貝葉斯網絡的意圖分析算法。該算法以群目標為對象，綜合己方意圖、交火程度、相對實力和相對速度等多種因素構建動態貝葉斯網絡，并根據馬爾可夫性實現快速近似推理，進一步通過融合估計得到對方的行動意圖。仿真結果表明，該算法對復雜戰場環境下群目標的行動意圖能夠實現動態可靠的評估，輔助支撐作戰決策。

意圖分析；動態貝葉斯網絡；近似推理

AbstractTraditional Intention Analysis (IA) methods are confronted with the problems that most of them only focus on the static analysis of a single target and exact inference brings too much computational burden.For this reason,a novel Dynamic Bayesian Network (DBN) based IA algorithm is proposed.In the proposed algorithm,firstly,DBN is constructed with various factors,i.e.,our intention,firefight,relative strength and relative velocity,for the IA of group targets.Then,the fast approximate inference is implemented according to Markov property.Finally,the analysis result of intention is obtained by fusion.Simulation results show that the proposed algorithm can reliably and dynamically evaluate the intention of group targets in complex battlefield environment.

Keywordsintention analysis;dynamic Bayesian network;approximate reasoning

0 引言

隨著高新技術的不斷發展，當今地區沖突呈現出對象多元化和環境復雜化的特點，面對觀測數據量急劇上升的情況，如果仍然依靠人工處理，則時效性和一致性均難以滿足實際需求[1]。因此，需要利用計算機的存儲和計算優勢來處理大量重復出現的有規律態勢[2]，從而減輕指揮員的工作負擔，使其能夠更為快速、有效地掌握實時動態[3]。其中，意圖分析(Intention Analysis，IA)屬于一種較高層級的態勢估計技術，能夠在提取的態勢要素基礎之上，通過推理預測對方的行動意圖，從而為己方的應對策略制定提供參考依據[4]。

目前，典型的推理分析方法主要基于D-S證據理論[5]、貝葉斯網絡(Bayesian Network，BN)[6]和因果網絡[7]等理論。但這些方法存在一些缺陷：① 部分方法只考慮各因素與關注事件之間的靜態關系，未能體現在時間上連續變化特性[8]；② 針對單個目標間的意圖分析，而實際中目標通常是以編隊群目標的形式執行任務[9]；③ 傳統動態BN網絡精確推理所耗費的計算量隨時間迅速增長，難以滿足實際應用需求[10]。

針對上述問題，本文基于目標分群結果[11]，將群目標[12]作為意圖分析的對象，綜合多種因素構建動態貝葉斯網絡(Dynamic Bayesian Network，DBN)，并根據馬爾可夫性實現快速近似推理，能夠實現在復雜環境下對對方目標[13]行動意圖的動態估計。

1 動態貝葉斯網絡

BN網絡[14]是基于概率推理的圖形化網絡模型，通過有向無環圖表示一組隨機變量和它們之間的條件依賴性。在有向無環圖表中，節點表示隨機變量，而節點間的有向邊則表示隨機變量間的直接依賴性。

(1)

(2)

可以看出，DBN能夠結合歷史信息和當前證據信息[18]，具有信息的時間累積能力，能更有效地降低不同層次的信息融合推理過程中的不確定性，提高信息融合的準確度。然而，DBN的精確推理已被證明是一個NP問題[19]。因此，在解決實際問題時，近似推理是一種在精確度與計算量之間可接受的權衡折衷[20]。

2 意圖分析

2.1 影響因素

進行IA的首要任務是確定意圖的影響因素，以及每項因素所包含的狀態。紅藍雙方的攻守關系相互影響，盡管某些時段存在意圖的猜測和試探，但其中的作用與反作用交織構成了一個動態博弈的過程；交火激烈程度部分反映了藍方的進攻意愿；相對實力是進攻意圖的主要參考項，壓倒性的實力優勢會直接激發進攻意愿，從而預示潛在攻擊；此外，藍方的速度矢量(即行進方向和速度大小)反映了藍方主動接近或遠離的趨勢，而主動接近通常意味著進攻。因此,IA所參考影響因素及其包含狀態如表1所示。

表1 影響因素及其狀態

影響因素符號狀態紅方意圖R撤退、防御、進攻交火程度F低、中、高相對實力S優勢、相當、劣勢相對速度V反向、慢速、正向藍方意圖B撤退、防御、進攻

上述影響因素中，相對實力和相對速度需要由目標的屬性和運動參數計算得到。相對實力為：

(3)

式中，oi為紅方第i個目標的實力量化值；ej為藍方第j個目標的實力量化值；n和m分別為紅藍雙方各自的目標數。可以看出，相對實力將群目標作為整體進行分析，體現了編隊行動意圖一致性的本質。

相對速度為：

V=-vr/vsup，

(4)

式中，vr為藍方徑向速度(遠離為正方向)；vsup為藍方速度上限。

在得到上述參量后，需要通過模糊映射將其轉化為相應的模糊狀態量，用于貝葉斯推理。

2.2 網絡拓撲

進一步需要確定這些影響因素與藍方意圖的推理拓撲結構,如圖1所示。矩形節點為可觀測節點，而圓角矩形節點為隱藏節點。前一時刻的意圖狀態對當前時刻的意圖狀態有直接影響，在時刻間連續性變變化。

圖1 意圖分析網絡拓撲

2.3 條件概率

在DBN中，節點間的關聯性具體表現為條件概率矩陣，包含2類：時刻間的狀態概率轉移矩陣和同一時刻內的父節點到子節點的條件概率矩陣，如表2所示。

表2 條件概率矩陣

子節點及其狀態Bk撤退防御進攻Bk-1撤退防御進攻0.80.20.050.150.70.150.050.10.8é?êêêù?úúúRk撤退防御進攻0.050.10.30.30.30.50.650.60.2é?êêêù?úúúFk低中高0.80.10.050.10.50.150.10.40.8é?êêêù?úúúSk優勢相當劣勢0.80.40.050.150.50.250.050.10.7é?êêêù?úúúVk反向慢速正向0.70.10.10.20.80.20.10.10.7é?êêêù?úúú

2.4 近似推理

(5)

PuBk-1PRkPFkPSkPVk，

(6)

PfBk+1=PuBk，

(7)

式中，k為時刻；PuBk為后驗概率；PfBk為先驗概率，初始默認設置為等概率(各狀態出現概率相等)，后續可參考后驗概率進行更新；PBk-1Bk、PRkBk、PFkBk、PSkBk和PVkBk為似然概率(條件概率)；PBk-1、PRk、PFk、PSk和PVk為證據概率，由觀測數據模糊分類后得到。

在DBN中，處于同一時刻的節點在一個時間切片上。根據拓撲關系的不同時間切片可分為2類：初始時刻切片和后續時刻切片。傳統的DBN對k時刻的意圖進行估計，需要對第1～k時刻所有的觀測數據和相應的網絡結構作支撐，如圖2所示。這種累積式推理所耗費的計算量和存儲空間隨時間都是快速增長，難以滿足實際系統的應用需求。

圖2 累積式推理

為了解決該問題，根據IA隨機過程所具有的馬爾科夫性，采用滑動窗式的意圖分析-動態貝葉斯網絡(IA-DBN)，僅使用鄰近時間切片(k-1時刻切片和當前k時刻切片)對k時刻的意圖進行估計，如圖3所示。這種滑動窗式近似推理所耗費的計算量和存儲空間都較小，且不隨時間變化，能夠有效滿足實際系統的應用需求。

圖3 滑動窗式近似推理

2.5 意圖融合估計

DBN分別得到撤退、防御和進攻各種意圖的概率，而指揮員需要的是當前時刻的藍方意圖，所以需要對各種意圖概率進行融合估計。本文選取概率最大的意圖作為最終的估計結果，即

(8)

式中，I為意圖融合估計，取值為1、2、3，分別對應撤退、防御和進攻；wi為撤退、防御和進攻各種意圖的概率，i=1,2,3。

3 仿真實驗與分析

本文實驗環境為Intel Core i3-2130 3.4 GHz CPU，2 GB內存，Windows 7操作系統，Matlab R2011a仿真實驗平臺。

意圖分析實驗場景中的多編隊群目標運動軌跡如圖4所示，黑色六角形為各群目標觀測起始位置，旁邊的數字為群目標編號，各群目標編隊情況如表3所示。圖4所描繪的戰場情況為藍方飛機與車輛多編隊突襲紅方車輛集群，遭遇紅方飛機群攔截后撤退。針對上述場景，通過DBN實現群目標2(藍方)對群目標6(紅方)的意圖分析。

圖4 意圖分析實驗場景

表3 各群目標編隊情況

群目標編號編隊內目標數類別屬性紅藍屬性編隊隊形13飛機藍方三角形24飛機藍方線形34車輛藍方線形44車輛藍方線形54飛機紅方線形64飛機紅方線形76車輛紅方線形

DBN輸入影響因素隨時間變化情況，如圖5所示。

圖5 輸入影響因素隨時間變化情況

其中，隨時間變化，紅方意圖初始為防御，后半段轉為進攻；交火程度，在中間時段出現短暫交火；相對實力保持不變；相對速度初始為正向接近，后半段反向遠離。

藍方意圖分析結果如圖6所示。其中，撤退、防御和進攻各種意圖的概率，受輸入變量的影響，起伏變化；通過選取最大概率對應意圖得到意圖融合估計結果。通過分析可以看出，在前半段藍方飛機編隊主動靠近，意圖攻擊紅方車輛編隊；而遭遇紅方攔截，發生短暫相持交火之后，藍方飛機編隊改變行動策略，選擇撤退。

綜上所述，所提算法能夠綜合多種影響因素，進行合理、智能的推理分析，實現了對藍方目標意圖的動態估計，顯著提升了態勢分析能力。

圖6 藍方意圖分析結果

4 結束語

針對IA問題，提出一種基于DBN的IA算法，并通過仿真實驗驗證了所提算法能夠較為全面、合理地反映各項因素對意圖的影響，實現實時動態且可靠的IA。此外，所提算法是一個靈活可變的推理網絡，能夠根據應用環境的不同，對網絡結構、輸入變量和各項參數進行適應性的增刪和調整，以滿足各種應用需求。

[1] 洪旭,柳虔林,丁洪偉,等.應急機動指揮通信能力評估分析[J].無線電通信技術,2015,41(4)：20-23.

[2] 田聚波.面向圖形作業的協同指揮系統設計與實現[J].無線電通信技術,2016,42(2)：92-95.

[3] 梁健,陳晧暉.基于全分布式處理的統一態勢生成技術研究[J].無線電工程,2016,46(1)：12-15.

[4] 陳勇.一種目標航跡數據聚類挖掘分析方法[J].無線電工程,2015,45(3):22-24.

[5] RASMI M,JANTAN A.AIA：Attack Intention Analysis Algorithm Based on D-S Theory with Causal Technique for Network Forensics- A Case Study[J].International Journal of Digital Content Technology and its Applications,2011,5(9)：230-237.

[6] AHMED A A,ZAMAN N A K.Attack Intention Recognition：A Review[J].International Journal of Network Security,2017,19(2)：244-250.

[7] RASMI M,AL-QAWASMI K E.Improving Analysis Phase in Network Forensics By Using Attack Intention Analysis[J].International Journal of Security and Its Applications,2016,10(5)：297-307.

[8] PENG W,YAO S,CHEN J.Recognizing Intrusive Intention and Assessing Threat Based on Attack Path Analysis[C]∥Multimedia Information Networking and Security,MINES′09.International Conference on IEEE,2009(2)：450-453.

[9] ZAN X,GAO F,HAN J,et al.A Hidden Markov Model Based Framework for Tracking and Predicting of Attack Intention[C]∥Multimedia Information Networking and Security,MINES′09,International Conference on IEEE,2009(2)：498-501.

[10] BAI H,WANG K,HU C,et al.Boosting Performance in Attack Intention Recognition By Integrating Multiple Techniques[J].Frontiers of Computer Science in China,2011,5(1)：109-118.

[11] 樊振華,師本慧,陳金勇,等.基于改進空間劃分的目標分群算法[J].系統工程與電子技術,2017,39(5)：991-995.

[12] 段同樂,張冬寧.二叉樹多分類SVM在目標分群中的應用[J].無線電工程,2015,45(6)：88-91.

[13] 艾偉,張冬寧.一種基于分群矩陣的目標動態分群算法[J].無線電工程,2015,45(11)：64-68.

[14] MURPHY K P.Dynamic Bayesian Networks：Representation,Inference and Learning[D].Berkeley：University of California,2002.

[15] KIM S,IMOTO S,MIYANO S.Dynamic Bayesian Network and Nonparametric Gression for Nonlinear Modeling of Gene Networks from Time Series Gene Expression Data[J].BioSystems,2004,75(1)：57-65.

[16] 朱浩.一類動態貝葉斯網絡模型及其應用研究[D].重慶：重慶大學，2012.

[17] 高曉光,陳海洋,史建國.變結構動態貝葉斯網絡的機制研究[J].自動化學報,2011,37(12)：1435-1444.

[18] YU J,SMITH V A,WANG P P,et al.Advances to Bayesian Network Inference for Generating Causal Networks from Observational Biological Data[J].Bioinformatics,2004,20(18)：3594-3603.

[19] BOUDALI H,DUGAN J B.A Discrete-time Bayesian Network Reliability Modeling and Analysis Framework[J].Reliability Engineering & System Safety,2005,87(3)：337-349.

[20] 胡大偉.動態貝葉斯網絡的近似推理算法研究[D].合肥：合肥工業大學,2009.

ANovelDBNBasedonIntentionAnalysisAlgorithm

FAN Zhen-hua,SHI Ben-hui,CHEN Jin-yong,DUAN Tong-le

(The54thResearchInstituteofCETC,ShijiazhuangHebei050081,China)

TP391

A

1003-3106(2017)11-0041-04

樊振華男，(1985—)，博士，工程師。主要研究方向：態勢估計、目標分群和計算機視覺。

10.3969/j.issn.1003-3106.2017.11.09

樊振華,師本慧,陳金勇,等.基于動態貝葉斯網絡的意圖分析算法[J].無線電工程,2017,47(11):41-44,78.[FAN Zhenhua,SHI Benhui,CHEN Jinyong,et al.A Novel DBN Based on Intention Analysis Algorithm[J].Radio Engineering,2017,47(11)：41-44,78.]

2017-04-30

海洋公益性科研專項基金資助項目(201505002)。

師本慧男，(1965—)，研究員。主要研究方向：指揮控制、態勢估計、航天地面應用和測控。