加入毀傷時間流的目標毀傷效果評估方法*

楊凱達

（中國人民解放軍95808部隊 酒泉 735006）

1 引言

目標毀傷效果評估（Battle Damage Assessment，BDA）是目標保障工作的一項重要內容，貫穿作戰全流程，是指揮員進行作戰決策、部隊檢驗訓練效果的重要評估手段。目前，現有評估主要通過航空、航天偵察圖像，電子偵察及抵近偵察等手段作為評估依據，在不同的戰場環境中，受限于時效性、安全性及敵方干擾和破壞等因素，制約目標毀傷效果評估工作的開展，難以實現高效準確的評估。隨著武器裝備的發展，電視制導導彈以其命中精度高、殺傷威力大和作戰效費比高等優點，被廣泛應用于實現對目標的“點穴”式毀傷。利用電視制導導彈攻擊目標時近實時的視頻圖像，進行目標毀傷效果評估，是一種全新的目標毀傷效果評估手段，便于飛行人員及武器操縱員在攻擊單目標情況下選擇目標易損傷部位，在攻擊目標群的情況下選擇體系中要害目標，進而提升實戰條件下目標選擇和戰場應用能力。

2 評估流程設計

2.1 研究現狀

基于導彈視頻圖像實現目標毀傷效果評估，相關研究鮮見于國內。美軍從1999年起，就將“武器系統視頻”（Weapon System Video，WSV）作為進行物理毀傷評估所需的數據資料來源之一[1]。John提出了從多個層面改進目標毀傷效果評估的技術解決方案，其中包含加裝彈藥傳感器（Munition Sensors）[2]這一構想。美國空軍實驗室（Air Force Research Lab）的研究人員在文獻[3]中，嘗試在精導彈藥上加裝傳感器以實現毀傷數據的收集，在安全的前提下，實現大范圍的毀傷信息的反饋。同時，他們還探索延長傳感器收集數據的時間，從而進行毀傷信息的收集、傳輸、轉發等研究。但到目前為止，還沒有哪種相關方法投入實際運用的報道。我方裝備了大量電視制導導彈，在制定作戰計劃和作戰實施階段都需要及時了解被打擊目標的毀傷情況，雖然有一些評估方法，但總體上比較簡單、科學性不強，需要進一步研究和優化[4～6]。

2.2 技術路線

目前，大部分BDA方法和系統都難以對具有大量時序信息的信息源進行信息的處理和運用，本文提出的技術路線如圖1所示，在實施首輪空地打擊時，利用導彈回傳的視頻圖像，確定導彈在被打擊目標上的落點，通過對導彈戰斗部威力和目標易損性的分析，利用動態貝葉斯網絡模型，加入毀傷時間流的演化過程，構建目標毀傷效果評估及預測模型，實現對目標的毀傷效果評估以及預測目標毀傷趨勢。

圖1 技術路線

目前，作者已完成了兩方面的研究，一是基于導彈實時傳回的視頻圖像為依據，改進圖像處理算法，實現導彈落點定位[7]；二是基于戰斗部威力/目標易損性（V/L）方法，結合戰斗部威力、雷達目標模型，建立毀傷效果模型，實現了毀傷節點數據模擬[8]。

3 加入毀傷時間流的評估模型構建

為了正確地處理、表述、轉換和評估目標毀傷情況，BDA模型不僅需要能夠系統地處理戰場的不確定性信息[9]，同時，還應該實現對目標毀傷效果進行時間流上的推理和評估[10]。BDA模型的構建應著重思考三個方面的問題[11]：一是評估信息的不確定性，戰時評估信息來源廣泛，包括各類參戰人員、武器平臺、目標整編信息等，其中，存在著大量具有時間變化和因果關系的信息；二是戰場決策的時效性，戰場決策的緊迫性要求指揮員要在極短的時間內完成決策，決策者需要了解當次打擊后目標的毀傷程度，以便對是否進行二次打擊進行決策；三是戰場態勢的動態變化性。戰場態勢的變化，對目標毀傷的要求也隨著時間的推移發生變化。

3.1 動態貝葉斯網絡

貝葉斯網絡（Bayesian Network，BN）[12]主要包括靜態貝葉斯網絡（Static Bayesian Network，SBN）和動態貝葉斯網絡（Dynamic Bayesian Network，DBN）兩種[13]，是一種基于貝葉斯定理和貝葉斯假設，描述各變量之間概率關系，進行不確定事件分析和推理的工具[14]。戰爭條件下，戰場環境不斷變化，利用SBN網絡模型無法處理動態系統中存在的問題，特征變量在不同時刻下會呈現出不同的狀態。評估實驗將毀傷時間流引入BN，構建可以處理時間序列數據的動態貝葉斯網絡模型。

利用狀態空間模型可以實現在時間流上基于先驗知識的預測，構建包括先驗概率P(Χ1) 、狀態轉換模型P(Χt|Χt-1)及觀測函數P(Yt|Χt) 的模型。設一個隨時間變化的變量 Zt，用 Ut、Xt、Yt表示狀態空間的三個部分，即輸入、隱含和輸出變量[15]。設一個D維實值觀測向量{Y1，Y1，…，YT}，在每一個時間步Yt中，利用Χt進行建模，則：

模型構成結構為隱含狀態變量Χ={x0，x1，…，xT-1}序列的概率分布函數和觀測變量Y={y0，y1，…，yT-1}的序列，變量數為T，表示系統發生的時間界，即：

一般要求模型滿足如下兩個假設：一是時不變假設，即條件概率變化一直平穩，表示為P(Χt|Χt-1)與時間t無關；二是馬爾科夫假設，即P(Χt+1|Χ1，Χ2，…，Χt)=P(Χt+1|Χt)。

2時間片貝葉斯網是一個貝葉斯網絡片段，節點有Χ∪Χ'。其中，Χ的節點沒有雙親節點，Χ'的節點條件概率分布為P(Χ′|Pa(Χ′))，該片段表現的條件概率分布為

DBN由先驗網B1和轉移網B→兩部分構成，B1為先驗分布P(Χ1)的BN，B→為一個2時間片貝葉斯網，通過有向無環圖對P(Χt|Χt-1)定義為

給定窗口長度T，通過疊加(B1，B→) 形成一個完整的BN，擴展到計算DBN中每一個點的聯合概率分布。

3.2 模型結構及參數

3.2.1 拓撲結構

BN模型拓撲結構主要體現變量之間的相互關系，各個變量對于目標毀傷效果評估的決定權重是不同的，需要將所有因素融合處理，才能降低不確定性對評估結果的影響[16]。建立DBN模型是一個逐層推理的過程，先根據評估特征變量確定BN拓撲結構，再利用轉移BN模型，對先驗BN模型進行擴展，根據相鄰時刻特征變量之間的相互影響程度，建立因果關系，充分反映特征變量之間的概率依賴關系和毀傷時間流下的演化過程。將SBN網絡沿時間流展開，得到DBN目標毀傷效果評估模型，如圖2所示。

圖2 DBN評估模型結構

3.2.2 評估變量

將｛武器威力，武器落點，目標類型，目標作戰能力，目標防御能力，目標修復能力｝作為目標毀傷效果評估的特征變量屬性集，其子變量的節點狀態集合如表1所示。

表1 模型各節點狀態集合

4 仿真實驗及分析

4.1 加入毀傷時間流的BDA

采用Netica軟件開展仿真，依據DBN模型，建立推理圖形。模型初始化后，加入初始數據，通過仿真，得到的模擬導彈落點及V/L結果，更新模型節點數據。網絡推理被觸發，各網絡節點的概率分布數據更新，獲得T時刻的評估結果。設定兩種典型作戰想定方案，如表2所示。

表2 兩種典型作戰想定

打擊目標為某雷達永備陣地，配屬維修分隊，維修實力較強，對遭受中度和輕度的打擊，具有一定的抗毀傷能力。相鄰時刻的條件轉移概率的取值與相鄰時刻的選取密不可分，間隔時刻不同，條件概率也就隨之變化。根據維修的成效性評估，設定條件轉移評估時刻的間隔為1天，評估時刻為時刻T1至時刻T10。模型時刻間的條件轉移概率表見表3。

表3 相鄰時刻的條件轉移概率表

初始數據輸入后，得到兩種想定條件下的評估模型推理結果（時刻T1），各節點狀態概率如圖3、圖4所示。

圖3 想定方案A模型推理結果（時刻T1）

圖4 想定方案B模型推理結果（時刻T1）

BDA與V/L（LE、VU）三個關鍵節點在各時刻的概率分布表如表4、表5所示。

表4 關鍵節點概率分布表（想定方案A）

表5 關鍵節點概率分布表（想定方案B）

4.2 未加入時間流的BDA

不考慮時間流對目標毀傷效果評估的影響，只能實現基于輸入數據的靜態評估，初始數據輸入后，BDA與V/L（LE、VU）三個關鍵節點的概率分布表如表6所示。

表6 關鍵節點概率分布表

4.3 結果分析

如圖5所示，想定方案A條件下，隨著時間流的演進，目標處于重度毀傷（T）、中度毀傷（M）、輕度毀傷（L）三個狀態的概率分布，在10個時刻內變化較為明顯。目標處于T、M、L狀態的概率演化分別呈現遞減、平穩、上升的趨勢。T1時刻的目標狀態，表現為其遭受打擊后實時的毀傷情況，目標處于T狀態的概率較高，達56.7%。T1～T6時刻期間，隨著維修力量的介入，目標整體毀傷情況有所緩解。T6時刻目標處于T狀態的概率達50.1%，與處于M、L狀態的概率之和基本持平，之后目標毀傷情況明顯好轉，其處于T狀態的下降趨勢加快，相對應的，處于L狀態的趨勢明顯增強。T6～T7時刻之間，目標處于M、L狀態的概率分布交匯，T9～T10時刻之間，目標處于T、L狀態的概率分布交匯，目標毀傷狀態明顯好轉。通過分析可知，T6時刻是實施二次打擊的最佳時機。

圖5 想定方案A條件下目標毀傷狀態分布趨勢

如圖6所示，想定方案B條件較為有利，我方已部分取得制空權，敵方無干擾，導彈制導精度較高，在T8時刻之前，目標處于T狀態的概率，一直處于80%以上，反映此次毀傷效果較為嚴重，取得了較好的打擊效果。整體上看，目標處于T狀態的概率經歷了小幅度提升，在T4時刻達到峰值，達83.8%，說明有毀傷二次效應出現；在T7時刻后，概率下降趨勢開始加強，目標處于M狀態、L狀態的概率同步有所提升，但都在10%之內。通過分析可知，目標在較長時間內毀傷較為嚴重，功能恢復的可能性較小，沒有二次打擊的必要。

圖6 想定方案B條件下目標毀傷狀態分布趨勢

在同樣觀測數據下，兩種模型在T1時刻的毀傷評估等級基本一致，未加入時間流的BN模型只能評估T1時刻目標的毀傷情況，而加入時間流的DBN模型可以對T1～T10時刻的目標毀傷情況進行評估，實現對時刻間毀傷情況的利用與轉化，較好地展示了目標毀傷情況在時間流下的變化。

4.4 評估驗證

結合某次實彈演練數據，對DBN模型的可行性進行驗證。演練主要對某型雷達目標進行打擊，打擊共分為兩個階段：第一階段載機在較遠距離發射導彈，對雷達目標進行打擊，打擊后由情報人員進行目標的毀傷效果判定；第二階段在第一階段的基礎上，對目標進行二次打擊，打擊后由情報人員進行目標的毀傷效果判定。導彈采用爆破戰斗部，由視頻監視設備確定導彈在目標上的落點。第一階段打擊結束后，目標受損，經專家綜合評估后，判定目標的毀傷為輕度毀傷。通過DBN模型的計算，得到第一階段打擊后雷達處于T、M和L狀態的概率分別為14%、21%和65%，目標處于L狀態的概率最大，模型計算結果與專家評估相一致。第二階段的打擊結束后，經專家綜合評估后，判定雷達的毀傷為中度毀傷。DBN模型計算得到目標處于T、M和L狀態的毀傷概率分別為37%、48%和15%。目標處于M狀態的概率最大，模型計算結果與專家評估相一致，基本符合時間演化過程毀傷評估結果變化。綜上所述，利用DBN模型開展目標毀傷效果評估的準確性較高，與人工評估結果基本一致。

5 結語

構建基于DBN的目標毀傷效果評估模型，根據V/L變量分析結果，建立拓撲結構并確定節點參數，實現了典型作戰想定下的目標毀傷效果評估。通過與BN模型的實驗對比，DBN模型能夠實現對時間演化過程的描述，評估目標實時毀傷效果及趨勢，模型評估結果準確性較高，有效克服了傳統評估方法的主觀性和不確定性。