基于本體建模的態勢推理

李寶森 王浩軍 穆仕博

摘要：為了克服傳統推理方法在態勢表示和態勢推理方面的不足，本文針對態勢推理問題，以本體建模儲存態勢推理所需要的規則知識，使得戰場邏輯規則清晰化，易于擴展。結合態勢本體邏輯，對基于關系數據庫存儲的戰場數據進行識別、分類，完成態勢信息從關系數據庫到本體的轉化，從而將態勢推理問題轉化為基于本體建模的戰場態勢推理。該方法充分考慮到了真實戰場情況下的多態勢要素導致的多屬性決策推理問題，使得推理結果更加貼近現實，具有較好的實用性。

關鍵詞：態勢推理；本體；關系數據庫；多屬性決策

中圖分類號：V11文獻標識碼：ADOI：10.19452/j.issn1007-5453.2021.02.012

基金項目：航空科學基金（2016ZC12020）

傳統的態勢推理方法大多是建立在戰場規則知識庫基礎上的屬性匹配[1]，根據已有的態勢知識庫，將當前戰場觀測的情報數據與知識庫逐一匹配搜索[2]，這種方式的態勢推理在知識庫規則嚴格完整時，處理單個目標時能夠取得很好的效果[3]。但是這種模板匹配都是對規則知識庫的嚴格匹配，真實的戰場情況中態勢要素往往不能和模板規則嚴格匹配，這會導致對目標作戰意圖的態勢推理沒有結果。而即使推導出相應的結果，也不能給決策者相應的置信度概率參考，從而并不能發揮出有效的作用。除此以外，評估和推理目標作戰意圖和眾多態勢要素相關，為了能夠實現模板的完全匹配，知識庫規則需要考慮眾多目標狀態因素、目標屬性因素、環境因素和政治背景因素等，這就使得模板匹配的規則知識庫變得龐大而又復雜，所以傳統的推理方法難以解決該問題[4]。

世界各國關于態勢估計的系統已經有數十種，以專家系統、模板匹配、計劃識別、概率推理等方法來實現[5-12]。美國在態勢估計系統的研究方面比較成熟，目前已經開發了多個態勢估計系統。美國利用品質因數技術開發的品質因素系統，該系統可以對戰場不同實體單元進行識別，如戰場中的武器、作戰目標等。該系統根據戰場實體單元的特點進行層次劃分，并建立了一個戰場分層的系統結構。戰場情報準備（IPB）系統是美國軍隊專門開發的戰場情報準備系統，該系統通過分析戰場環境來描述敵人從過去到現在的行動，并對目標未來的意圖進行預測。

態勢估計在國內的研究起步比較晚，自20世紀80年代才有關于信息融合的報道。1991年海灣戰爭以后，我國開始重視信息融合，對信息融合的研究逐漸興起。目前我國關于態勢估計的研究主要以理論為主。康耀紅[13]從理論層面對態勢估計的目標意圖識別進行了分析，認為主要使用基于模板的技術和人工智能領域的相關技術來實現意圖識別，但是沒有就態勢的具體應用進行詳細說明。姚春燕[14]從時間的角度實現態勢推理，對敵意圖識別看成分類問題并引入概率統計等方法來完成。姚莉[15]建立了分布式的基于人工智能協作方法的知識模型，使用人工智能領域的智能技術建立分布式處理方式。此外還有針對高層次的信息融合進行了研究，徐從富[16]從神經網絡和黑板結構出發，建立關于通信數據的融合模型，使用如敵軍裝備水平及作戰行動等來實現態勢的簡單描述，并建立分層的的態勢模型。空軍工程大學王鳳山[17]使用動力學來描述參戰雙方的作戰力量，建立了防空作戰背景的實戰模型，并使用勢函數來分析態勢規律。中國電子科技集團28所針對空軍研發的專家系統，可以對戰場環境下的目標進行國籍、類型以及活動進行判斷，并建立了1400余條的高質量知識庫系統等。

本體是一種可以在語義和知識層次上描述知識層次的工具，提供了一種對信息和知識進行規范化描述和建立模型的方法，它完全能夠接受并存儲復雜的知識庫規則，而且建立好的專家本體知識庫使得規則可視化較強，邏輯描述精確且易擴充，最終形成一種網絡狀的推理規則模型[5]。對于復雜戰場數據處理方便，在結合對本體知識庫中節點之間因果關系概率分配的基礎上，最終可以得到一個數據化的推理結果，完成態勢推理。

1本體知識建模

1.1本體的構建方法

為了構建能夠體現戰場態勢推理的網絡結構，需要首先完成對戰場態勢要素的提取以及分析，將其作為本體網絡中的節點，然后分析節點之間的關系，對本體構建的邏輯進行專家檢驗，若合理則進一步檢查邏輯的完整性，最終使用本體建模工具Protégé完成對本體的構建。

（1）戰場關鍵態勢要素的分析

為了達到對戰場目的和行動的精準描述的目標，首先應該對戰場相關的態勢要素進行一定的歸納分析，態勢要素就是戰場中一些比較重要的數據類型的總結。

（2）態勢要素間關系分析

在完成第一步對態勢要素的分析之后，需要進一步考慮各態勢要素之間的邏輯以及作用關系，使得戰場層級推理的邏輯清晰化。

（3）本體邏輯及完整性檢驗

在態勢要素之間關系確定的基礎上，需要對關系的邏輯進行檢查，確保其合乎專家經驗，并且在合理的基礎上盡可能完善邏輯。這是戰場態勢推理的關鍵知識規則，也只是規則存儲在本體中的重要體現。

1.2確定本體關鍵態勢要素

對目標的態勢推理需要考慮戰場上復雜的環境，在使用基于本體推理的基礎上，只需要根據專家經驗選取能夠影響目標態勢推理的核心態勢要素。通常用于進行敵方目標意圖推理的因素有以下幾種。

（1）目標固態屬性

目標固態屬性主要考慮平臺、目標類型等。平臺屬性指對目標類型的判斷，在能判斷出目標飛機或者艦船的具體型號時，將具體型號作為目標屬性，否則平臺屬性為飛機或者艦船。

（2）目標變化屬性

目標變化屬性主要考慮目標的高度、速度的狀態以及經緯度、航向角以及持續時間，確定節點的速度狀態（高速度、中速度和低速度）、高度狀態（低、中和高）、離目標距離狀態（遠、中和近）、電磁行為狀態等。

速度和高度是體現目標運動屬性最重要的信息之一，同時也可以充分體現目標此時的機動性能，某一目標某時刻的意圖往往是和它的速度、高度的運動信息密切相關，即使是目標的固態屬性相同，也會因為速度高度信息的不同，推理出截然不同的結果。

而經緯度和航向角同樣是重要的動態屬性，以防空作戰場景為例，敵方目標在與我方進行空戰之前，必然會在航向角上朝向我方，因此航向角和經緯度相對于我們的程度會給態勢推理提供重要的線索。

速度狀態、高度狀態則主要是對目標速度高度的模糊化處理，通過選定的隸屬度函數和目標不同類型對應的速度范圍，將目標的速度進行模糊化處理。

目標距離狀態作為動態屬性，考慮到敵方若要發動攻擊，一定會先調整位置使得雷達能夠探測到我方，因此雙方之間的距離狀態在一定程度上可以反映我們所要推理的目的。

電磁行為主要考慮電磁裝備、武器裝備、通信裝備，確定節點為電磁開關狀態（探察設備開關、保障設備開關以及武器裝備開關）；電磁設備屬性可以統稱為輻射源屬性，以飛機目標為例，在飛機從航母起飛、空中攔截、返航的過程中都有對應的輻射源開關，因此，輻射源屬性也可以作為目標態勢推理的重要來源。

（3）目標軍事屬性

目標軍事屬性首要判別的是在軍事活動的活躍區域、重要的軍事范圍，確定節點為軍事區域狀態，以及目標的戰場、歷史、文化、經濟和政治知識。

（4）戰役級態勢推理要素

戰役級態勢推理要素是態勢推理的終點，也就是前面幾種態勢要素的邏輯組合會共同推理出這一級的態勢推理要素，圖1中列出了越界、攻擊、巡邏、偵察、轉場這幾種態勢推理結果。本文主要考慮偵察、巡邏、攻擊這三種態勢要素。

1.3基于本體表示態勢推理邏輯

通過構建的本體態勢要素中的普通態勢要素和最終的戰役級態勢推理要素，構建出偵察、巡邏和攻擊這三種模式的本體推理邏輯判斷，將三種本體邏輯連接起來就是最終的本體態勢推理邏輯。

（1）偵察模式

這種模式是敵方為了收集我方的軍事戰斗數據所進行的偵察與探察。在這種模式下，當目標被捕獲之后，通過目標基礎運動態勢要素可以得到目標是否以固定航向在做非機動飛行，再根據目標的距離狀態我們可以得到飛機是否再進行偵察或者是其他行狀態。最終再以目標電磁設備屬性作為輔助的態勢要素，最終確定目標是否再進行偵察。

（2）巡邏模式

巡邏是指為了避免被攻擊的警戒行為。這種模式下的飛機一般會將火控雷達關閉，只開啟用于巡邏的設備，而且在固定區域以固定航線進行飛行。

（3）攻擊模式

攻擊是敵方目標正式對我們發起進攻的行為模式，這種情況的飛機的輻射源會將指定型號的火控雷達打開，飛機進行戰術機動行為，飛機速度和高度會因為攻擊的飛機型號與飛機前一個狀態發生明顯變化。

2戰場關系數據庫到本體的轉換

將知識規則存儲到了本體中，但是只有本體中的推理邏輯不能進行戰場態勢推理。因此需要對戰場數據進行快速識別、組織和分類，將其轉換為有關聯的戰場關系數據庫，在此基礎上，再結合我們的本體推理邏輯，實現實時數據庫到本體模型的轉化，從而擁有了進一步戰場態勢推理的基礎。

2.1構建戰場關系數據庫

2.1.1戰場數據庫的預處理

原始的戰場數據比較復雜。可以直接獲取的數據，如靜態數據目標型號、屬性和動態數據目標經緯度、高度、速度等。直接數據經過處理可以得到間接數據（如速度的加減速狀態、高度的升降狀態等）。數據的分類結構如圖2所示。

2.1.2建立戰場關系數據庫

在對原始戰場數據進行了分類和預處理后，以本體中的目標固有屬性為參考，對數據進行合理的組織描述，通過以下幾步完成關系數據庫的建立。

（1）明確目標的所有類型

在明確戰場上所有目標類型基礎上，可以建立出一張含有所有目標類型的總表（見表1）。

（2）明確所有目標的屬性

對于目標類型的總表中列出的目標，需要對每個目標的屬性進行確定（見表2）。

（3）最終目標表結構確定

完成了屬性分析后，根據每個目標所擁有的屬性，建立對應的目標表，以戰斗機為例，其表結構，如行為屬性目標表，包含類、屬性、實例、關系等字段。主要包含飛機標識號、型號、經度、緯度、高度、速度、升高狀態、雷達工作模式、記錄時間等字段。

（4）目標關聯表

目標關聯表表達目標之間的關系，對應于本體中概念及屬性間的關系。以飛機和機場間的關系為例，其表結構包含飛機標識號和機場標識號。

2.2數據庫到本體的轉換

在完成了基于態勢要素的戰場本體構建和基于數據分類的戰場數據庫構建后，需要將關系數據庫實例化到態勢估計領域本體。根據數據庫和專家本體知識庫的特性，可以得到數據庫到本體的語義映射和轉換原則：（1）數據庫目標表到本體的轉換，將一個目標表名轉換為一個本體類或一個本體關系；（2）數據庫表中字段到本體的轉換，將目標表中字段轉換為本體屬性或本體關系；（3）數據庫表中記錄到本體的轉換，將目標表中記錄轉換為一個本體實例；（4）數據庫表中外鍵到本體的轉換，將目標表中外鍵轉換為一個本體關系；（5）數據庫表中主鍵到本體的轉換，將目標表中主鍵轉換為一個本體屬性或與其他目標表之間的本體關系。

通過以上對戰場關系數據庫的實體識別，屬性識別以及關系識別，將關系數據庫轉化為給具有語義信息的態勢領域的本體模型。

綜上，在完成了本體知識庫的建立和戰場關系數據庫到本體模型的轉換后，可以將戰場關系數據庫轉化的本體實例整合到專家本體知識庫中。專家知識庫負責整體推理結構和邏輯的完整性，而本體實例負責與專家知識庫的實際信息匹配，為最終的態勢推理計算提供好數據完整性支持和邏輯推理支持。

3戰場態勢推理及試驗仿真

在完成了態勢推理的底層數據與態勢推理邏輯保障后，本節將實現對當前戰場態勢的實時計算感知和理解。

3.1分配專家概率及計算推理

根據本體專家知識庫的態勢推理邏輯，針對目標的非戰役級態勢推理要素和戰役級態勢推理元素之間存在明顯的因果關系，如圖3所示，頂層為最終所要的態勢推理的最終結果，而底層為目標固態屬性、行為動態屬性等基本態勢要素。

可以得知，除底層態勢要素的每一個節點，都是由多個節點共同推理出的，直至推理出最終態勢。因此針對推理出的每一個節點，可以給推導出它的所有節點都賦給一個和為1的概率，這個概率一般是由專家給出。

將分配好的概率存入本體邏輯結構中，導入實例化的關系數據庫，推理并進行計算，最終戰役級態勢概率值最大的態勢節點即為我們所推理出的最終態勢。

3.2仿真結果

在完成了邊的概率分配后，設計相應的劇情并生成對應的仿真數據存入關系數據庫，得到如下仿真結果。

（1）偵察模式及巡邏模式

仿真劇情：捕捉到敵方飛機后，發現敵方飛機航向角為飛向我方關鍵區域，并對我方實施偵察行為，我方飛機正常巡邏，偵察行為實施結束后，敵方飛機按照固定航向進入日常巡邏模式，如圖4所示。

經過本體態勢網絡計算推理，可以得到兩種模式的最終概率，見表3和表4。

（2）攻擊模式

仿真劇情：捕捉到敵方飛機后，發現敵方飛機迅速靠近我方，我方飛機根據指令起飛，對敵方飛機進行阻擊，如圖5所示。

經過本體態勢網絡計算推理，可以得到攻擊模式的最終概率，見表5。

由以上三種模式的計算結果可知，最大概率所對應的戰役模式剛好符合實際情況，態勢推理正確。

4智能化態勢技術研究

4.1 LSTM智能態勢推理算法

基于長短時記憶網絡（long short-term memory networks， LSTM）的智能態勢推理算法利用了LSTM算法在具有時間序列的數據上分析優勢，將戰場編碼后作為LSTM的輸入，通過對時間軸上的數據進行關聯推理，輸出目標意圖的結果。

本文建立基于模板匹配和LSTM智能算法組合的態勢推理算法，將其稱為基于組合智能的態勢推理算法，充分利用兩者優勢進行融合。

如圖6所示，基于組合智能的態勢推理模型由三個部分組成：LSTM網絡推理算法模塊、模板匹配算法模塊和推理結果校正模塊。該模型將LSTM推理結果和模板匹配結果相互校正，并更新歷史數據和補充作戰經驗，從而改進推理結果。

4.2基于組合智能的態勢推理算法流程

上節給出了基于組合智能的態勢推理模型，該模型由三個部分組成，其中的LSTM推理模塊和模板匹配模塊在前面均已說明。推理結果校正模塊主要作用是對兩個推理模型的結果進行比較，當結果出現不合理的時候解決沖突，給出最佳的推理結果，并改進LSTM模型和模板匹配模型。

定義模板匹配輸出結果的匹配度為matchT，輸出結果為rT，匹配度閾值為LimtT；定義LSTM推理輸出結果的最大概率為Pmax，輸出結果為rLSTM（輸出結果為概率最大對應的結果），概率閾值為LimtP；組合智能態勢推理的輸出結果為Result。給出推理結果校正規則見表6。

考慮了LSTM推理和模板匹配結果的各種情況：當兩個模型的結果一致且可信度比較高時直接輸出結果；當兩個模型結果不一致時取可信度較高的結果，并且更新可信度低的模型，即將新的數據重新訓練LSMT模型或擴展模板規則庫；當兩個模型的結果可信度都比較低時取模板匹配的結果，并同時更新兩個模型。因為模板匹配是將當前戰場數據與通過歷史經驗建立的規則庫進行匹配，因此該規則庫的可靠性較高得到的結果比較符合實際。而LSTM是通過不斷的學習和訓練模型從而輸出結果，存在一定的不確定性，因此當兩個模型的結果發生沖突時選擇模板匹配的結果更符合實際情況。

因此，基于組合模型的態勢推理算法處理流程圖如圖7所示。具體流程為：（1）獲取戰場觀測數據并作為組合模型的輸入；（2）對輸入數據進行處理，如剔除無用信息、數據編碼、事件檢測等；（3）分別使用LSTM網絡算法和模板匹配算法進行態勢推理；（4）分別對LSTM網絡算法和模板匹配算法輸出結果進行分析，以確定它們是否滿足輸出閾值要求；（5）根據表6的規則來處理沖突結果：當LSMT算法輸出結果不滿足條件時，補充LSTM算法的訓練樣本對其重新訓練；當模板匹配輸出不滿足條件時，補充態勢模板庫；（6）根據表6中定義的輸出結果輸出算法的最終結果。

4.3試驗仿真及分析

通過試驗仿真，分析目標在不同時刻的態勢模式以及與模板的相似度。

圖8是截取了目標在30個仿真周期內的態勢匹配值，在仿真初期目標的偵察態勢比較明顯，而且追蹤的相似度也比較高。隨著仿真的繼續，目標偵察態勢相似度逐漸下降，目標轉向攻擊態勢，并且隨著攻擊態勢的相似度逐漸升高，其他態勢模式相似度在降低。在仿真過程中，目標不存在集結態勢。

圖9截取了65個仿真周期的目標態勢變化，目標在不同仿真時刻的態勢如圖所示，在第45個仿真周期時目標的攻擊態勢達到了100%。

將仿真期間一個群內的4個目標在不同仿真周期內的態勢模式進行了統計（見表7），4個目標的態勢在不同時刻的態勢模式保持一致。

表7內所列目標在仿真周期內分別經歷了態勢為：集結、巡航、偵察、追蹤、攻擊、巡航等，根據態勢的變化過程來看，目標執行了一個作戰周期的作戰任務。

為了驗證模板匹配算法對戰場態勢推理的應用，試驗以空中目標作戰為背景，對態勢推理進行了可視化仿真，試驗配置了16個不同的目標。并對相同類型的目標用同一種顏色表示，其中紅色目標表示戰斗機，黃色表示轟炸機，藍色表示偵察機，黑色表示預警機，航跡顏色與類型顏色相對應。

圖10中將三個目標劃分為兩個群，分別為04和05號，其中04號群為一個單目標，正在執行偵察任務，05號群有兩個目標同時執行偵察任務。

圖11中包含了6架戰斗機目標，經模板匹配得到的態勢模式為聚集。

圖12中有5個目標，其中左邊編號為01的群兩個目標處于追蹤模式，右邊的三個戰斗機目標在執行攻擊任務。

圖13中的兩個黃色目標為轟炸機，它們被劃分為同一個目標群（群編號為05），經過模板匹配對它們的態勢模式進行推理后得到的結果為巡航模式。

試驗設置了10組仿真數據，分別進行模板匹配算法驗證，統計結果見表8。

4.4基于LSTM試驗仿真及分析

試驗設置場景包括12個目標從不同的地方出發執行任務，實現態勢推理，試驗設置了6種態勢模式，分別為攻擊、追蹤、聚集、偵察、巡邏、未知。表9為12個目標的配置，分為戰斗機、偵察機、轟炸機、預警機和民航飛機5種目標類型。

圖14是目標的初始化顯示，包含目標位置、航跡、編號以及態勢模式等。

界面中將相同類型的目標用同一種顏色表示，其中紅色目標表示戰斗機，黃色表示轟炸機，藍色表示偵察機，綠色表示民航飛機，航跡顏色與類型顏色相對應。

在仿真開始階段，各個目標單獨為一個群，即存在12個目標群，且無法判斷態勢模式，所以初始態勢模式為未知。各個目標旁邊標注了該目標的目標編號和群編號以及目標態勢模式。如圖14所示部分目標的信息表示，GroupID為群編號，TargetID為目標編號，Model表示態勢模式。

在圖15中，隨著目標的運動狀態在不斷的變化，目標的群組關系也在不斷變化，此時只有6個群，在分群后只對于同一個群內的目標只進行信息表示。結果如圖15所示。

在圖16中，該時刻的6號、7號、11號三個目標被劃分為一個群（GroupID=4），且經過推理后得到這三個目標的態勢為集結模式；群編號為3的兩個目標4號、5號處于巡航模式；9號目標是民航飛機，為一個單目標群；3號目標由于和其他目標的距離和方向相差較大，也被劃分為一個單獨的目標群，該目標處于追蹤模式。

在圖17中，兩架偵察機和一架預警機劃分為一個群，這三個目標在進行執行偵察任務。大部分目標都集結在一起，該時刻將所有目標劃分為4個群組，航跡信息清楚地描述了各個目標的運動過程。其中1號群包含了所有的戰斗機和轟炸機以及一架偵察機，推理結果表明這8個目標處于攻擊態勢，如圖18所示。左邊的偵察機和預警機已經分開，劃分為了兩個群，此外，偵察機群（GroupID=04）在執行追蹤任務，預警機群（GroupID=02）執行偵察任務。

圖19和圖20是偵察機、預警機和民航飛機的態勢，其中兩架偵察機為一個群組（GroupID=04），預警機和民航飛機分別單獨成為一個群組（GroupID=02和GroupID=03）。

通過對10組仿真數據進行驗證，計算不同推理模型的平均準確率和推理時間（見表10）。其中組合智能模型提高了態勢推理的準確性，并且推理時間合理，滿足戰場環境的實時性要求。

上述仿真將當前時刻目標的屬性、運動特征等要素，通過模型的推理得到了最終的態勢模式，可視化仿真動態描述了不同目標的運動狀態、目標之間的群組關系以及目標態勢的變化過程，將戰場環境轉化為戰場態勢圖，方便指揮員快速準確地理解戰場態勢，從而采取正確的戰術決策。

5結束語

本文基于專家本體知識庫進行戰場任務態勢推理，針對戰場多變的環境，通過關鍵態勢要素和典型的態勢模式，構建出用于戰場態勢推理的專家本體網絡結構，該網絡能夠通過將實時的戰場數據轉化為本體實例并與其進行推理交互和匹配，最終將計算所得的最大推理概率所代表的任務推理作為最終的推理結果，從而正確的戰場態勢推理。另外，本文建立基于模板匹配和LSTM智能算法組合的態勢推理算法，將其稱為基于組合智能的態勢推理算法，充分利用兩者優勢進行融合，并對算法進行仿真得出其實際運行效率對比。

參考文獻

[1]張明遠.多源數據融合系統中態勢評估技術的研究[D].西安：西安電子科技大學，2004. Zhang Mingyuan. Research on situation assessment technology in multi-source data fusion system [D]. Xian： Xian University of Electronic Science and Technology， 2004.（in Chinese）

[2]柴慧敏.態勢估計中的關鍵技術研究[D].西安：西安電子科技大學，2009. Chai Huimin. Research on key technologies in situation assessment[D]. Xian： Xian University of Electronic Science and Technology， 2009.（in Chinese）

[3]Endsley M R. Toward a theory of situation awareness in dynamic systems[J]. The Journal of the Human Factors and Ergonomics Society，1995，37（1）：32-64.

[4]Daum F. Handbook of multisensor data fusion[J]. IEEE Signal Processing Magazine，2002，19（2）：94-94.

[5]韓占朋，王玉惠，程聰.態勢估計方法研究綜述[J].航空兵器， 2013（1）：14-19. Han Zhanpeng， Wang Yuhui， Cheng Cong. Overview of situation assessment method research [J]. Aviation Weapons， 2013 （1）： 14-19.（in Chinese）

[6]葛順.基于規則發現和貝葉斯推理的戰術意圖識別技術[D].哈爾濱：哈爾濱工程大學，2015. Ge Shun. Tactical intention recognition technology based on rule discovery and Bayesian reasoning [D]. Harbin： Harbin Engineering University， 2015.（in Chinese）

[7]陶景，于淼.聯合作戰籌劃中的態勢評估[J].國防科技，2018， 39（4）：119-122. Tao Jing， Yu Miao. Situation assessment in joint operation planning [J]. National Defense Science and Technology， 2018， 39 （4）： 119-122.（in Chinese）

[8]孟賀.一種基于智能計算的態勢推理方法研究[D].西安：西安電子科技大學，2017. Meng He. Research on situation reasoning method based on IntelligentComputing[D].Xian：XianUniversityof Electronic Science and technology， 2017.（in Chinese）

[9]王熠，邱雷，袁慎芳.基于ADALINE網絡的導波載荷影響補償方法[J].航空科學技術， 2020， 31（1）：17-24. Wang Yi， Qiu Lei， Yuan Shenfang. Guided wave load effect compensation method based on ADALINE network [J]. Aeronautical Science & Technology， 2020， 31 （1）： 17-24.（in Chinese）

[10]李偉生，王寶樹.實現態勢估計的一種模板匹配算法[J].計算機科學， 2006， 33（5）：229-230. Li Weisheng， Wang Baoshu. A template matching algorithm for situation assessment [J]. Computer Science， 2006， 33 （5）： 229-230.（in Chinese）

[11]徐琳，宋萬強.基于動態網格的多體分離計算技術研究[J].航空科學技術， 2019， 30（2）：11-17. Xu Lin， Song Wanqiang. Research on multi-body separation based on dynamic grid[J]. Aeronautical Science & Technology， 2019， 30 （2）： 11-17.（in Chinese）

[12]馬博平，王剛，葉坤，等.基于RBF神經網絡和遺傳算法的超聲速Licher雙翼優化設計研究[J].航空科學技術， 2019， 30（9）：73-80. Ma Boping， Wang Gang， Ye Kun， et al. Optimization design of supersonic licher wing based on RBF neural network and genetic algorithm [J]. Aeronautical Science & Technology， 2019， 30 （9）： 73-80.（in Chinese）

[13]康耀紅.數據融合理論與應用[M].2版.西安：西安科大出版社， 2006. Kang Yaohong. Data fusion theory and application [M]. 2nd Edition. Xian：Xian University of Science and Technology Press， 2006.（in Chinese）

[14]姚春燕，郁文賢，莊釗文.態勢估計中一種基于貝葉斯估計的統計時間推理方法[J].火力與指揮控制， 1999，24（1）：48-52. Yao Chunyan， Yu Wenxian， Zhuang Zhaowen. A statistical time reasoning method based on Bayesian estimation in situation assessment [J]. Firepower and command control， 1999，24（1）：48-52.（in Chinese）

[15]姚莉，龔勇，王長纓，等.一種基于BDI Agent的復雜系統設計建模方法[J].小型微型計算機系統， 2005（4）：133-138. Yao Li， Gong Yong， Wang Changying， et al. A modeling method for complex system design based on BDI Agent [J]. Minicomputer System， 2005 （4）： 133-138.（in Chinese）

[16]徐從富，耿衛東，潘云鶴.面向數據融合的DS方法綜述[J].電子學報， 2001，29（3）：393-396. Xu Congfu， Geng Weidong， Pan Yunhe. A survey of DS method for data fusion [J]. Acta Electronica Sinica， 2001，29（3）： 393-396.（in Chinese）

[17]商長安，劉志杰，王鳳山.系統動力學防空戰場信息戰模型[J].火力與指揮控制， 2005（6）：10-12. Shang Changan， Liu Zhijie， Wang Fengshan. System dynamics airdefensebattlefieldinformationwarfaremodel[J]. Firepower and Command Control， 2005 （6）： 10-12.（in Chinese）

（責任編輯王為）

作者簡介

李寶森（1973-）男，碩士，研究員。主要研究方向：雷達系統設計、微波設計。

Tel：13937998086

王浩軍（1977-）男，碩士，高級工程師。主要研究方向：雷達接收機設計、微波設計。

Tel：15038522006

E-mail：chinacommwhj@21cn.com

Situation Reasoning Based on Ontology Modeling

Li Baosen1，Wang Haojun1，*，Mu Shibo2

1. China Air-to-Air Missile Academy，Luoyang 471009，China 2. Military Deputy Bureau in China Air-to-Air Missile Academy，Luogang 471009，China

Abstract： In order to overcome the shortcomings of traditional reasoning methods in situational representation and situational reasoning， this paper aims at situational reasoning， and uses ontology modeling to store the knowledge of the rules needed for situational reasoning， making the battlefield logic rules clear and easy to expand. Combining situational ontology logic， it can identify and classify battlefield data stored based on relational databases， and complete the transformation of situational information from relational database to ontology， thereby transforming situational reasoning problems into battlefield situational reasoning based on ontology modeling. This method fully takes into account the multi-attribute decision-making reasoning problem caused by the multi-situation factors in the real battlefield situation， making the reasoning result closer to reality and has better practicability.

Key Words： situational reasoning； ontology； relational database； multi-attribute decision making