中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2024 , Vol. 46 >Issue 3: 75 - 85

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.03.012

Original article

Air-ground cooperative operations intention recognition based on Dynamic Series Bayesian Network

  • YANG Rui 1 ,
  • YANG Jilong 2 ,
  • LIU Xiaofan 1 ,
  • ZHANG Yilin 1 ,
  • YAN Yunyi 1
Expand
  • 1 School of Aerospace Science And Technology, Xidian University, Xi'an 710071, China
  • 2 AVIC Chengdu Aircraft Design and Research Institute, Chengdu 610091, China

Received date: 2023-11-30

  Revised date: 2023-12-19

  Online published: 2024-05-29

Fold

Abstract

In modern military warfare, the pattern of air-ground coordination with multi-formation has become more and more important. However, the existing target intention recognition methods are effective for single formation, but lack of effective solutions for multi-formation scenarios with air and ground coordination. In this paper, Dynamic Series Bayesian Network is used to identify the intention of air-to-ground cooperative formation. This method firstly constructs an overall model of intention recognition of air-to-ground cooperative formation by using DSBN, which is used to describe the cooperative action process between air and ground formations. Then, events in different battlefield domains and their related probability relations are fused together with auxiliary battlefield information. The inference network is used to recognize the intention of enemy cooperative formation. This method fully considers the behavior rules of the air target, describes its behavior pattern and trend in detail, and is more suitable for the scenario of multi-cooperative target formation. Finally, the feasibility and effectiveness of this method is verified by simulation example.

Key words： intention recognition; air-ground coordination; Dynamic Series Bayesian Network; rule knowledge

Cite this article

YANG Rui , YANG Jilong , LIU Xiaofan , ZHANG Yilin , YAN Yunyi . Air-ground cooperative operations intention recognition based on Dynamic Series Bayesian Network[J]. Command Control and Simulation, 2024 , 46(3) : 75 -85 . DOI: 10.3969/j.issn.1673-3819.2024.03.012

近年来,地区局部冲突不断,热战硝烟弥漫,世界百年未有之大变局加速演进,国际形势的不稳定性、不确定性明显增加。俄乌冲突刺痛全球地缘政治神经。从战争实践看,无人机、地面人员和战车的协同作战[1]越来越广泛地应用于实际战场中,其中,无人机拥有广阔的视野和高度[2],可以监视和侦察更大范围的区域,将收集到的情报和目标信息迅速传递给地面人、车。战车作为未来陆军地面突击的新质战斗力量[3],具备较强的机动性能,可以快速移动和突击敌方阵地执行突击任务。地面人员承担步兵作战任务,包括搜索、巡逻和保卫地面目标,他们可与无人机和战车配合,执行实地侦察、目标攻击和战术行动。
在多编队协同作战场景中,敌目标作战意图识别至关重要,然而却面临许多研究难点:作战单元数量剧增、战场态势演变速度加快以及海量不准确的战场信息等。为了应对这些挑战,需要研究智能化推理方法来实现空中作战目标意图识别。
目前,研究目标战术意图识别的方法已经在不同的作战场景中得到了广泛应用[4⇓⇓⇓-8],主要包括规则和模板匹配[9]、D-S证据理论[10]、传统机器学习[11]、神经网络[12]和贝叶斯网络[13]等。其中,王海滨[14]等人针对意图识别方法中的不确定信息,使用了模糊置信规则库信息处理方法,但此方法仅适用于简单的作战场景。王小平[15]等人以D-S证据理论为基础,通过选取并分析合适的态势因素,建立了目标意图预测模型,但是使用D-S证据理论可能会导致庞大的计算量。翟翔宇[16]等人在全连接网络的基础上加入残差网络,在一定程度上提高了网络的自学习能力。Qu[17]等人通过构建全连接神经网络、卷积神经网络和循环神经网络,验证了模型在意图识别问题上的准确性,但是神经网络对数据需求量大且性能高度依赖于参数的选择和调整,确定最佳参数配置通常需要大量的试验和训练时间。王昊冉[18]等人应用多实体贝叶斯网络进行空中目标意图识别,但只考虑了单个目标。国海峰[19]等人提出一种基于独立动态贝叶斯网络的战术活动识别模型,但是缺乏对意图影响很大的事件序列关系的分析。杨雨田[20]等提出基于扩展的多实体贝叶斯网络并用于空中目标战术意图识别,但忽略了战车、士兵等非空中目标编队协同作战对意图识别产生的影响。陈黎[21]等人将动态贝叶斯与模板匹配相结合,根据战场实时数据判断目标行动序列,再根据模板匹配获得最终的意图,但是其需要依据作战规则事先构建目标意图模板,过分依赖于专家知识。
本文针对空地协同多编队环境中存在行为动态性和事件序列性的特点,提出了动态序列贝叶斯模型(DSBN)算法。首先,为了捕捉事件和状态随时间的变化,该方法依据不同类型目标编队的先验信息构建动态贝叶斯(Dynamic Bayesian Network,DBN)模型,理解和预测多编队动态性行为。但动态贝叶斯网络的建模假设基于时间,未充分考虑多编队因果关联,并不适用于真实的战场环境。而序列贝叶斯(Series Bayesian Network,SBN)能够对序列性事件进行因果推断,所以,可利用SBN进一步分析动态贝叶斯网络输出的编队行为,实现空地协同作战意图识别。

1 多编队协同过程建模

在多编队协同作战过程中,每个编队承担特定的任务和责任,分工合作实现整体目标,通过共享情报、传感器数据、位置信息等获得全局感知,提高整体作战效能。多编队协同作战过程具有行为动态性和事件序列性的特点。随着任务的进行和战场环境的变化,编队需要调整和重新协调行动,并按照一定的事件序列展开以顺利达成战术目标。传统的贝叶斯网络没有考虑作战行为动态性和事件序列性,难以对与时序相关的多层复杂问题进行有效推理和分析,因此,将适用于时间推移关系和序列转移关系的动态序列贝叶斯模型应用于多编队协同作战过程中,使其可以描述事件状态的迁移和事件序列的变化。

1.1 相关理论

1.1.1 动态贝叶斯理论

动态贝叶斯(DBN)是一种用于建模和推理的具有时间依赖性的动态模型。它是贝叶斯网络在时间序列数据中的扩展,能够捕捉变量之间的动态演化和时序关系。以下是关于动态贝叶斯的理论公式:
Bel(act)=p(act|Ch(act))=p(Ch(act)|act)p(act)/p(Ch(act))
其中,Bel(act)表示动作片段信度;Ch(act)表示动作片段的子节点,即目标的特征属性;p(act)表示动作片段的先验概率,即动作片段可能取值状态的初始分布,默认为均等分布;p(Ch(act)|act)表示从目标特征属性得到的关于动作片段的逆向诊断信息,在以下模型中表示动作片段与特征属性状态的先验概率。

1.1.2 序列贝叶斯理论

序列贝叶斯是一种对序列数据进行建模和推断的贝叶斯统计方法,通过考虑先验信息和新观测数据的更新,逐步更新概率分布,从而实现对序列数据的推理和预测。其概率公式如下:
P(I)=p(i1,i2,…,in)=α ∏ 1 np(it) ∏ 1 n - 1p(it+1|it)
其中,P(I)为某一特定状态序列的支持概率;i1,i2,…,in表示子节点的序列;p(it)表示在一定条件下t时刻序列的支持概率,即表示t时刻下,各动作片段的支持概率;p(it+1|it)表示满足马尔可夫条件下it发生后再发生it+1的转移概率,在模型中表示在一个动作片段发生之后另一个动作片段发生的转移概率;α为归一化因子。

1.2 模型的构建

图1为动态序列贝叶斯网络模型示意图,可以看出,DSBN主要由动态贝叶斯模型(DBN)和序列贝叶斯模型(SBN)两部分组成。首先,根据战场环境中存在的行为动态性,使用DBN完成动作片段的推理;再根据不同时刻的动作片段以及序列转移关系,推理得到目标批的编队行为;最后根据各目标批的编队行为以及随机事件之间的转移关系得到空地协同作战意图。其中,序列转移描述某一事件的状态随时间推移而发生变化的过程,而事件转移描述随机事件之间的因果转移关系。在事件推理过程中,编队行为的转移顺序与目标批出现的时间顺序密切相关,具体而言,较早出现的目标批其编队行为的转移顺序靠前。
图1 动态序列贝叶斯网络模型示意图

Fig.1 Schematic representation of the network

1.3 基于动态序列贝叶斯的空地协同编队模型

动态序列贝叶斯(DSBN)模型充分考虑多编队协同作战的行为动态性和事件序列性特点,在低空中小型无人机协同地面人车对抗的多域战场环境,推理计算敌方总体意图。如图2所示,本文根据战场环境将编队目标分为无人机类、战车类和地面人员类,结合各类别目标编队的运动学信息、事件信息、双方关系以及相应的战场规则对各类目标编队的战术动作进行识别,作为意图推理模型的动作片段,将目标编队的序列转移关系与各目标类型的协作关系有机结合,从而推理出敌方编队行为与意图。
图2 群意图识别模型示意图

Fig.2 Schematic representation of the group intention model

2 空地协同编队模型推理

2.1 基于动态贝叶斯的动作片段和编队行为推理

针对不同类型的目标编队,可以将其动作片段划分为不同类型,而每种动作片段又对应目标编队多个特征属性的表现。由于战场中敌方目标存在动态性变化,我方无法直接获知敌方某一时刻的动作片段,因此,本文基于动态贝叶斯(DBN)推理动作片段。其中,相关特征属性作为DBN模型中每个BN的子节点,动作片段作为DBN模型的父节点。
为了更好地描述和规划无人机编队的行为和任务,本文将无人机编队的动作片段分为6种类型,uavC={超低空巡航c11、低空巡航c12、低空盘旋c13、低空电磁盘旋c14、中空巡航c15、中空盘旋c16}。无人机编队的属性特征划分为6种,表示为uavD={飞行高度h、飞行速度v、敌我距离d、干扰信号es、航向ag、队形rk}。表1是无人机编队动作片段与特征属性状态之间的先验概率,其根据具体的应用和领域知识进行设定。
表1 无人机编队动作片段与特征属性状态的先验概率表

Tab.1 A prior probability table of UAV action segments and characteristic attribute

特征
属性		 动作片段
超低空巡航
c11		 低空巡航
c12		 低空盘旋
c13		 低空电磁盘旋
c14		 中空巡航
c15		 中空盘旋
c16
中 0.05 0.05 0.05 0.05 0.8 0.8
高度 低 0.1 0.85 0.85 0.85 0.15 0.15
超低 0.85 0.1 0.1 0.1 0.05 0.05
高 0.1 0.1 0.05 0.05 0.8 0.05
速度 中 0.8 0.8 0.15 0.15 0.15 0.8
低 0.1 0.1 0.8 0.8 0.05 0.15
敌我距离 远 0.1 0.8 0.2 0.1 0.8 0.1
近 0.9 0.2 0.8 0.9 0.2 0.9
干扰信号 开 0.5 0.5 0.5 0.9 0.5 0.5
关 0.5 0.5 0.5 0.1 0.5 0.5
航向 正向 0.9 0.5 0.5 0.5 0.9 0.5
反向 0.1 0.5 0.5 0.5 0.1 0.5
队形 横队 0.05 0.8 0.8 0.05 0.1 0.05
梯队 0.05 0.05 0.05 0.1 0.05 0.8
楔形 0.8 0.1 0.05 0.05 0.8 0.05
菱形 0.1 0.05 0.1 0.8 0.05 0.1
本文将战车编队动作片段分为7种类型,将战车编队属性特征划分为7种。根据地面低空战场军事领域相关专家的先验知识,战车编队行为模式与特征属性状态之间的先验概率如表2所示。
表2 战车编队动作片段与特征属性状态之间的先验概率表

Tab.2 A prior probability table of tank action segments and characteristic attribute

特征属性 动作片段
远距离
徘徊c21		 中速行进
c22		 高速行进
c23		 低速瞄准
c24		 电磁徘徊
c25		 雷达开启
c26		 驶离
c27
高 0.1 0.1 0.8 0.05 0.05 0.05 0.1
速度 中 0.1 0.8 0.1 0.1 0.1 0.1 0.8
低 0.8 0.1 0.1 0.85 0.85 0.85 0.1
敌我
距离		 远 0.9 0.5 0.8 0.1 0.2 0.2 0.4
近 0.1 0.5 0.2 0.9 0.8 0.8 0.6
干扰 开 0.2 0.5 0.5 0.5 0.8 0.5 0.5
关 0.8 0.5 0.5 0.5 0.2 0.5 0.5
方向 正向 0.5 0.8 0.9 0.9 0.9 0.8 0.1
反向 0.5 0.2 0.1 0.1 0.1 0.2 0.9
雷达 开 0.5 0.5 0.5 0.8 0.8 0.9 0.5
关 0.5 0.5 0.5 0.2 0.2 0.1 0.5
瞄准 是 0.1 0.2 0.5 0.9 0.8 0.2 0.2
否 0.9 0.8 0.5 0.1 0.2 0.8 0.8
队形 纵队 0.1 0.1 0.7 0.05 0.05 0.1 0.8
横队 0.1 0.7 0.05 0.2 0.1 0.7 0.1
楔形 0.1 0.1 0.2 0.7 0.05 0.1 0.05
倒V 0.7 0.1 0.05 0.05 0.8 0.1 0.05
士兵编队的动作片段设定为6种类型,属性特征划分为4种,根据地面低空战场军事领域相关专家的先验知识,士兵编队动作片段与特征属性状态之间的先验概率如表3所示。
表3 士兵编队动作片段与特征属性状态之间的先验概率表

Tab.3 A prior probability table of soldier action segments and characteristic attribute

特征属性 动作片段
集结
c31		 低速靠近
c32		 中速靠近
c33		 高速靠近
c34		 近距离
徘徊c35		 远离
c36
高 0.05 0.05 0.1 0.8 0.05 0.1
速度 中 0.1 0.1 0.8 0.1 0.05 0.8
低 0.85 0.85 0.1 0.1 0.9 0.1
敌我距离 远 0.9 0.2 0.8 0.8 0.2 0.2
近 0.1 0.8 0.2 0.2 0.8 0.8
方向 正向 0.5 0.9 0.8 0.9 0.5 0.1
反向 0.5 0.1 0.2 0.1 0.5 0.9
队形 纵队 0.8 0.1 0.05 0.8 0.05 0.8
横队 0.1 0.1 0.1 0.05 0.75 0.05
梯队 0.05 0.7 0.1 0.05 0.1 0.1
楔形 0.05 0.1 0.75 0.1 0.1 0.05
无人机编队动作片段的状态转移概率如表4所示。其中,动作片段的状态转移是由行向列进行的,如超低空巡航c11到低空巡航c12的转移概率为0.3,而非0.1。同理,表6、表8的动作片段状态转移也是由行向列进行。表5是无人机编队行为与动作片段对应序列表。在低空中小型无人机战场环境下,可以由DBN推理得到编队的动作片段和编队行为序列。
表4 无人机编队动作片段的状态转移概率

Tab.4 State transition probabilities of UAV formation action segments

动作片段 超低空
巡航c11		 低空巡航
c12		 低空盘旋
c13		 低空电磁
盘旋c14		 中空巡航
c15		 中空盘旋
c16
超低空巡航c11 0.3 0.3 0.3 0.1 0 0
低空巡航c12 0.1 0.3 0.2 0.1 0.3 0
低空盘旋c13 0.3 0.1 0.2 0.3 0 0.1
低空电磁盘旋c14 0.1 0.2 0.3 0.3 0 0.1
中空巡航c15 0 0.3 0.1 0 0.3 0.3
中空盘旋c16 0 0.2 0.3 0 0.3 0.2
表5 无人机编队行为与动作片段对应序列表

Tab.5 Corresponding sequences of UAV formation behavior and action segments

无人机编队行为 无人机编队动作片段序列
侦察b11 c12→c15→c16→c13
干扰b12 c12→c12→c13→c14
打击b13 c12→c12→c13→c11
巡逻b14 c12→c15→c16→c12
同理设计战车编队动作片段的状态转移概率表如表6所示,战车可能的编队行为设为4种,根据一定的战车编队动作片段序列即可推理无人机的编队行为如表7所示。
表6 战车编队动作片段的状态转移概率

Tab.6 State transition probabilities of the vehicle formation action segment

动作片段 远距离
徘徊c21		 中速
行进
c22		 高速
行进
c23		 低速
瞄准
c24		 电磁
徘徊
c25		 雷达
开启
c26		 驶离
c27
远距离徘徊c21 0.2 0.3 0.3 0 0 0 0.2
中速行进c22 0 0.1 0.1 0.2 0.2 0.2 0.2
高速行进c23 0.1 0.4 0.1 0.2 0.3 0 0
低速瞄准c24 0 0.3 0.2 0.3 0.1 0.1 0
电磁徘徊c25 0 0.3 0.1 0 0.3 0.1 0.2
雷达开启c26 0 0.2 0.1 0 0.1 0.3 0.3
驶离c27 0.4 0.1 0.1 0 0 0 0.4
表7 战车编队行为与动作片段对应序列表

Tab.7 Corresponding sequences of tank formation behavior and action segments

战车编队行为 战车编队动作片段序列
侦察b21 c21→c22→c26→c27
干扰b22 c21→c23→c22→c25
进攻b23 c21→c23→c22→c24
巡逻b24 c21→c22→c27→c21
进一步设计士兵编队动作片段在时序下的状态转移概率如表8所示,士兵可能的编队行为设为3种,根据一定的士兵编队动作片段序列即可推理人员的编队行为如表9所示。
表8 士兵编队动作片段的状态转移概率表

Tab.8 State transition probabilities of solider formation action segments

动作片段 集结
c31		 低速
靠近
c32		 中速
靠近
c33		 高速
靠近
c34		 近距离
徘徊c35		 远离
c36
集结c31 0.1 0 0.4 0.4 0 0.1
低速靠近c32 0.1 0.2 0.2 0.1 0.4 0
中速靠近c33 0 0.3 0.2 0.2 0 0.3
高速靠近c34 0.1 0.1 0.4 0.4 0 0
近距离徘徊c35 0 0.2 0 0 0.4 0.4
远离c36 0.4 0 0 0 0.2 0.4
表9 士兵编队行为与动作片段对应序列表

Tab.9 corresponding sequences of soldier formation behavior and action segments

士兵编队行为 士兵编队动作片段序列
侦察b31 c31→c33→c32→c35
进攻b32 c31→c34→c33→c32
巡逻b33 c31→c33→c36→c31

2.2 基于序列贝叶斯模型的意图推理

序列贝叶斯(SBN)模型是对动态贝叶斯模型在状态序列关系上的拓展,它描述的是随机事件在状态序列对应另一随机事件的转移关系。根据多编队协同作战过程中存在的事件序列性特点,使用SBN模型及事件在相连时刻的状态序列推理得到意图。由2.1可知,通过动作片段间的概率转移关系推理得到各编队行为,然而只获得编队行为并不能直观获得敌方集群的意图,因此,将SBN模型和各编队之间的协作关系进行结合,构建基于DSBN的意图推理模型,从而获得整个集群的意图。战场中各编队行为的转移概率与整个集群意图的关系如图3所示。
图3 各编队的转移概率与集群意图的关系

Fig.3 The relation between transition probability and cluster intention

根据专家先验知识可知,在多编队进行协同作战的过程中,一般以UAV1的侦察活动为开始,在此条件下,UAV2进行侦察、干扰、打击及巡逻的概率为0.3、0.3、0.2、0.2。当UAV1的编队行为为侦察,UAV2为侦察时,战车侦察和进攻的概率比干扰的概率大。若前3个编队的行为皆为侦察,士兵编队的侦察概率为0.5,此时集群意图为协同侦察;当UAV2为干扰,此时战车进攻的概率为0.5,士兵进攻的概率为0.6,集群意图为地面进攻,可以看出,UAV1、UAV2分别进行侦察和干扰,战车和士兵进攻,四个编队之间协同完成地面进攻;当UAV2为打击,战车进攻概率为0.7,士兵进攻概率为0.9,最终意图为集群进攻,通过高空中UAV1的侦察,为UAV2、战车和士兵的进攻提供信息支持,这是协同作战中最常见的进攻方式。当UAV2为巡逻时,战车巡逻的转移概率为1,士兵巡逻的转移概率为1,集群意图为战地巡逻,此时集群意图为监视和保护战场周边的安全,确保敌军没有潜入或发起袭击。其他编队行为的转移概率皆通过军事领域知识进行设定。通过设定各编队之间的转移概率与集群意图的关系,可形象地描述多编队作战过程中的协同性。当编队之间的转移概率较高时,意味着各编队之间配合紧密,协同完成任务。相反,当编队之间的转移概率较低时,意味着各编队更倾向于依赖自身的能力和资源独立执行任务而非协同作战。

3 仿真实验分析

3.1 场景设定

为了验证所设计的DSBN的有效性,本文设定的空中地面协同作战场景如下:在某一地域内连续时刻,我方传感器探测到敌方4批编队目标,包括两个无人机编队、一个战车编队和一个士兵编队。具体作战场景如表10所示。
表10 无人机低空地面作战场景

Tab.10 UAV low-altitude ground combat scene

时刻 具体表现
T1 经雷达探测识别,1号无人机编队到达我方防区5.5 km处,整体高度为0.6 km,速度为50 km/h,干扰信号无,正向我方,队形大概率为横队
T2 1号无人机编队距离我方4 km,整体高度为0.8 km,速度为76 km/h,干扰信号无,正向我方,队形大概率为梯形;2号无人机编队距离我方4.8 km,整体高度为0.6 km,速度为50 km/h,干扰信号无,正向我方,队形大概率为横队
T3 1号无人机编队距离我方防区2 km处,整体高度为0.9 km,速度为48 km/h,无干扰,正向我方,队形大概率为横队;2号无人机编队距离我方3.8 km处,整体高度为0.57 km,速度为57 km/h,干扰信号无,航向正向我方,队形为横队;战车编队距离我方防区4.5 km,速度为24 km/h,无干扰,雷达关,正向我方,无瞄准,队形大概率为倒V形
T4 1号无人机编队距离我方1 km,整体高度为0.4 km,速度为35 km/h,无干扰,正向我方,队形为横队;2号无人机编队距离我方2 km,高度为0.45 km,速度为36 km/h,无干扰,正向我方,队形大概率为横队;战车编队距离我方3.6 km,速度为58 km/h,无干扰,雷达关,正向我方,无瞄准,队形为纵队;士兵编队距离我方3.2 km,速度为3 km/h,正向我方,队形大概率为纵队
T5 1号无人机编队远离我方防区,此时距离3.2 km处,高度为0.57 km,速度为35 km/h,无干扰,航向反向,队形为横队;2号无人机编队距离我方0.6 km,高度为0.35 km,速度为20 km/h,干扰信号有,正向我方,队形为菱形;战车编队距离我方2.5 km,速度为42 km/h,干扰信号无,雷达关,正向我方,无瞄准,队形大概率为横队;士兵编队到达距离我方防区2.5 km处,速度为6.2 km/h,正向我方,队形大概率为纵队
T6 2号无人机编队距离我方0.3 km,整体高度为0.35 km,速度为15 km/h,干扰信号有,正向我方,队形为菱形;战车编队距离我方0.6 km,速度为26 km/h,无干扰信号,雷达关,正向我方,瞄准我方,队形为楔形;士兵编队距离我方2 km,速度为3.8 km/h,正向我方,队形大概率为楔形
T7 2号无人机编队远离我方防区,此时距离2.5 km处,整体高度为0.58 km,速度为52 km/h,无干扰信号,航向反向,队形为横队;战车编队距离我方0.3 km,速度为10 km/h,无干扰,雷达关,正向我方,瞄准我方,队形楔形;士兵编队距离我方1.1 km,速度为2.6 km/h,正向我方,队形大概率为梯队

3.2 指标划分与模糊化处理

由3.1中的场景设定可得目标集群各个时刻的特征属性,为了便于进行意图推理,还需要将各类型目标的相关指标进行划分。目标集群的类型与军事领域相关专家的先验知识不同,各指标划分的范围也不同,例如,无人机相比战车速度更快,而战车相比士兵的行进速度更快,而由于战场环境主要为低空和地面,因此无人机飞行高度主要划分为中、低、超低三种。根据意图推理的需要,对各类集群相关指标划分如表11所示。
表11 各类集群相关指标划分

Tab.11 Classification of related indicators of clusters

集群类型 指标类型 划分范围
无人机编队 高度 中:H>1 km,低:0.1 km<H<1 km,超低:H<0.1 km
速度 高:v>80 km/h,中:30 km/h<v<80 km/h,低:v<30 km/h
距离 远:D>5 km,近:D<5 km
干扰信号 有,无
航向 正向(朝向我方),反向
队形 横队:常用于低空巡逻、侦察等;V形:常用于中空巡逻、侦察等;梯队:常用于打击、摧毁等;菱形:常用于干扰
战车编队 速度 高:H>60 km/h,中:20 km/h<H<60 km/h,低:H<20 km/h
距离 远:D>5 km,近:D<5 km
干扰 有,无
方向 正向(朝向我方),反向
雷达 开,关
瞄准 是,否
队形 纵队:常用于快速行军;横队:常用于巡逻、侦察等;楔形:常用于突防、打击等;倒V形:常用于防御等
作战人员编队 速度 高:H>8 km/h,中:2 km/h<H<8 km/h,低:H<2 km/h
距离 远:D>3 km,近:D<3 km
方向 正向(朝向我方),反向
队形 纵队:常用于快速行军;横队:常用于巡逻侦察等;梯队:常用于警惕推进等;楔形:常用于突防、进攻等
在对数据进行处理时,若输入为离散变量,可直接输入贝叶斯网络进行计算。判断当前是否有干扰信号,有的概率为1,没有则为0;若敌方雷达开启,概率为1,否则为0。若输入为连续变量,则利用模糊函数对各编队的速度、敌我相对距离以及无人机飞行高度等连续型属性信息进行离散化,本文主要采用三角形隶属函数对连续型输入数据进行模糊化处理。此处不赘述。

3.3 数据分析

针对3.1场景中敌目标的动态性特点,分别对连续时刻四个编队的各项特征信息进行描述,将1号、2号无人机编队、战车编队和士兵编队分别记为UAV1、UAV2、TAK、SOD,其中,UAV1和UAV2编队动作片段向量为UAV1={超低空巡航C11,低空巡航C12,低空盘旋C13,低空电磁盘旋C14,中空巡航C15,中空盘旋C16},TAK编队动作向量为TAK={远距离徘徊C21,中速行进C22,高速行进C23,低速瞄准C24,电磁徘徊C25,雷达开启C26,驶离C27},SOD编队动作向量为SOD={集结C31,低速靠近C32,中速靠近C33,高速靠近C34,近距离徘徊C35,远离C36}。根据设定场景以及3.2节各指标的划分可知,T1时刻UAV1的特征属性值经模糊化处理后,高度:[0.11,0.89,0],速度[0,0.8,0.2],距离:[1,0],干扰:[0,1],方向:[1,0],队形:[0.94,0.02,0.04,0]。其中,队形模糊集的隶属度与当前时刻敌方队形识别概率有关。根据式(1)和特征属性之间的状态转移,可得超低空巡航C11的支持概率为
Bel(act)=p(act|Ch(act))=p(Ch(act)|act)p(act)/p(Ch(act))=(0.11×0.05+0.89×0.1)×(0.8×0.8+0.2×0.1)
×(1×0.1)×(1×0.5)×(1×0.9)×(0.94×0.05+0.02×0.05+0.04×0.8)=0.000 2,
同理,推得低空巡航C12的支持概率为0.0761,低空盘旋C13支持概率为0.008,低空电磁盘旋C14支持概率为0.000 1,中空巡航C15支持概率为0.001 3,中空盘旋C16支持概率为0.000 2,经归一化处理后,得UAV1编队在T1时刻的编队动作片段支持概率为(0.003,0.885,0.094,0,0.015,0.003)。通过指标离散化的模糊方法计算各时刻各编队的特征属性概率,将模糊后的各编队特征属性值与先验概率合并计算并进行归一化处理,得到表12。
表12 各编队动作片段支持概率

Tab.12 The probability of each formation action segment

时刻 编队 各编队动作片段支持概率 各编队最有可能的动作片段
T1 UAV1 (0.003,0.885,0.094,0,0.015,0.003) 低空巡航
T2 UAV1 (0.019,0.02,0.002,0,0.951,0.008) 中空巡航
UAV2 (0.004,0.862,0.11,0.001,0.017,0.006) 低空巡航
T3 UAV1 (0.022,0.011,0.011,0.006,0.023,0.927) 中空盘旋
UAV2 (0.009,0.865,0.101,0.001,0.014,0.01) 低空巡航
TAK (0.908,0.048,0.01,0.001,0.015,0.015,0.003) 远距离徘徊
T4 UAV1 (0.035,0.078,0.867,0.015,0,0.005) 低空盘旋
UAV2 (0.018,0.176,0.786,0.011,0.002,0.007) 低空盘旋
TAK (0.036,0.037,0.891,0,0,0.002,0.034) 高速行进
SOD (0.701,0.035,0.055,0.182,0.01,0.017) 集结
T5 UAV1 (0.001,0.717,0.27,0.003,0,0.009) 低空巡航
UAV2 (0.013,0.002,0.071,0.907,0,0.007) 低空电磁盘旋
TAK (0.017,0.923,0.011,0.003,0,0.028,0.018) 中速行进
SOD (0.052,0.011,0.212,0.668,0.002,0.054) 高速靠近
T6 UAV2 (0.007,0.001,0.059,0.93,0,0.003) 低空电磁盘旋
TAK (0.004,0.019,0.013,0.916,0.034,0.012,0.002) 低速瞄准
SOD (0.026,0.210,0.683,0.022,0.051,0.008) 中速靠近
T7 UAV2 (0.013,0.672,0.289,0.004,0.007,0.015) 低空巡航
TAK (0.004,0.004,0.01,0.949,0.021,0.012,0) 低速瞄准
SOD (0.009,0.795,0.012,0.003,0.176,0.005) 低速靠近
由表12可以直观地看到各编队的动作片段识别结果。利用这些信息,进一步推理各编队行为。以UAV1为例,根据各编队行为与动作片段序列表可知,其侦察的支持概率为0.885×0.3×0.951×0.3×0.927×0.3×0.867=1.8264×10-2,干扰和打击支持概率为0,巡逻支持概率为0.885×0.3×0.951×0.3×0.927×0.2×0.078=1.095 4×10-3,归一化之后,UAV1的侦察、干扰、打击和巡逻的支持概率分别为0.944、0、0、0.056。同理分别取各编队前4个时刻的动作片段识别结果,推理计算各编队行为的支持概率,归一化处理后,各编队行为最有可能为侦察、干扰、进攻、进攻,如表13所示。
表13 各编队行为支持概率

Tab.13 The probability of each formation behavior

编队 侦察 干扰 打击/进攻 巡逻
UAV1 0.944 0 0 0.056
UAV2 0 0.986 0.014 0
TAK 0 0.037 0.963 0
SOD 0.021 - 0.979 0
由表13所示,各编队依次对我方进行侦察→干扰→进攻→进攻的序列意图可能性最大。根据式(2)给出的SBN公式及编队行为与集群意图转移概率,可知地面攻击的概率为
P(I)=p(i1,i2,…in)=α ∏ 1 np(it) ∏ 1 n - 1p(it+1|it)=0.944×0×0.986×0.4×0.963×0.8×
0.979+0.944×0.3×0.986×0.5×0.963×0.6×0.979=0.079。
同理根据各编队之间的序列性特点,结合序列转移概率与集群意图的关系,可得协同侦察概率为0,突袭概率为0.002 9,电磁压制概率为0,机械化推进概率为0.001 1,集群进攻概率为0.001 6,骚扰概率为0,战地巡逻概率为0。归一化后,敌方集群意图的支持概率如表14所示。
表14 集群意图支持概率

Tab.14 The probability of group intention

协同
侦察		 突袭 电磁
压制		 机械化
推进		 地面
进攻		 集群
进攻		 骚扰 战地
巡逻
支持
概率		 0 0.035 0 0.013 0.933 0.019 0 0
从图3编队行为序列与集群意图的转移概率表可以看出,当编队行为支持概率为0时,意图推理结果为0,当编队行为支持概率及相应转移概率较小时,意图的推理结果较小。由表13可知,UAV2、TAK侦察支持概率为0,推理出其协同侦察的支持概率为0,如表14所示。同理,电磁压制、骚扰、占地巡逻的集群意图支持概率为0,突袭、机械化推进、集群进攻的支持概率较小,地面进攻的支持概率最大,因此敌方大概率对我方进行地面进攻。
依据仿真作战场景可知,UAV1不断进行低空巡航、中空巡航、低空盘旋等动作,有明显的侦察意图,UAV2各时刻动作片段最可能的序列为低空巡航→低空巡航→低空盘旋→低空电磁盘旋→低空电磁盘旋→低空巡航,有较高的干扰意图,战车先远距离徘徊再低速瞄准,进攻意图明显。士兵由最开始集结到高速靠近,再到最后低速靠近,进攻意图明显。集群总体意图为地面进攻的可能性很大,设计的仿真作战场景与实验结果相符。

4 结束语

本文针对复杂战场中敌方目标战术意图的动态性和序列性问题,提出了一种基于DSBN的战术意图识别模型,并将其应用于空地协同编队作战场景下。DSBN的战术意图识别模型在空地协同编队作战场景中展现了良好的性能,能够有效地解决复杂战场中敌方目标意图识别的问题。通过对多域信息的综合处理,验证了DSBN模型在空地协同作战意图识别方面的可行性和有效性。实验结果表明,该方法能够准确地推断敌方编队的意图,为指挥员提供准确的战场态势认知和决策依据。
但是,在构建DSBN模型时,需要提供关于变量之间的依赖关系和动态演化的先验知识。如果缺乏准确的先验知识,模型的性能可能会受到影响。在SBN模型推理过程中使用初始编队行为进行意图判断时,一旦各敌编队出现时刻相差较大,就会导致意图识别不准确,因此下一步将针对这两方面进行重点研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
袁博, 冯晓容, 常琨. 基于智能化技术的协同作战方式[J]. 国防科技, 2019, 40(5): 127-132.

YUAN B, FENG X R, CHANG K. The cooperation combat mode based on AI technology[J]. National Defense Technology, 2019, 40(5): 127-132.

[2]
刘钻东, 陈谋, 吴庆宪, 等. 非完备信息下无人机空战目标意图预测[J]. 中国科学: 信息科学, 2020, 50(5): 704-717.

LIU Z D, CHEN M, WU Q X, et al. Prediction of unmanned aerial vehicle target intention under incomplete information[J]. Scientia Sinica(Informationis), 2020, 50(5): 704-717.

[3]
刘诗瑶, 王明, 习朝辉, 等. 基于动态贝叶斯网络的无人战车目标威胁评估[J]. 火力与指挥控制, 2021, 46(4): 59-64.

LIU S Y, WANG M, XI Z H, et al. Threat assessment of unmanned combat vehicle target based on dynamic Bayesian network[J]. Fire Control & Command Control, 2021, 46(4): 59-64.

[4]
张最良. 军事运筹学[M]. 北京: 军事科学出版社, 1993.

ZHANG Z L. Military operations research[M]. Beijing: Military Science Press, 1993.

[5]
王端龙, 吴晓锋, 冷画屏. 对敌战场意图识别的若干问题[J]. 舰船电子工程, 2004, 24(6): 4-9.

WANG D L, WU X F, LENG H P. Some problems for intention assessment to foe in battle-field[J]. Ship Electronic Engineering, 2004, 24(6): 4-9.

[6]
张晨浩, 周焰, 蔡益朝, 等. 空中目标作战意图识别研究综述[J/OL]. 现代防御技术:1-16 [2023-0911].

ZHANG C H, ZHOU Y, CAI Y C, et al. A Review of research on target operational intention recognition[J/OL]. Modern Defence Technology: 1-16[2023-0911].

[7]
姚庆锴, 柳少军, 贺筱媛, 等. 战场目标作战意图识别问题研究与展望[J]. 指挥与控制学报, 2017, 3(2): 127-131.

YAO Q K, LIU S J, HE X Y, et al. Research and prospect of battlefield target operational intention recognition[J]. Journal of Command and Control, 2017, 3(2): 127-131.

[8]
曾鹏, 吴玲达, 魏迎梅. 战术计划识别模型的分析、描述与设计[J]. 计算机与数字工程, 2006, 34(9): 1-4, 11.

ZENG P, WU L D, WEI Y M. Analysis, description and design for A tactical plan recognition model[J]. Computer & Digital Engineering, 2006, 34(9): 1-4, 11.

[9]
史浩宇, 赵克新. 无人作战飞机自主空战战术动作的分层识别方法[J]. 火力与指挥控制, 2019, 44(12): 51-55, 60.

SHI H Y, ZHAO K X. The hierarchical recognition method of autonomous air combat tactical action of unmanned combat aircraft[J]. Fire Control & Command Control, 2019, 44(12): 51-55, 60.

[10]
黄洁, 刘伟, 赵拥军. 直觉云推理及其在空中目标意图分析中的应用[J]. 运筹与模糊学, 2014, 4(4): 60-69.

HUANG J, LIU W, ZHAO Y. Intuitionistic cloud reasoning and its application in aerial target intention analysis[J]. Operations Research and Fuzzy Theory, 2014, 4(4): 60-69.

[11]
ZHANG H H, YAN Y J, LI S, et al. UAV behavior-intention estimation method based on 4-D flight-trajectory prediction[J]. Sustainability, 2021, 13(22): 12 528.

[12]
王家鑫, 王瑞琪, 孟海波, 等. 基于深度神经网络AdaMod优化模型的来袭目标攻击意图识别[J]. 计算机测量与控制, 2023, 31(6): 274-279.

WANG J X, WANG R Q, MENG H B, et al. Target attacking intention identification of AdaMod optimization model based on deep neural network[J]. Computer Measurement & Control, 2023, 31(6): 274-279.

[13]
XU Y H, CHENG S Y, ZHANG H B, et al. Air target combat intention identification based on IE-DSBN[C]// 2020 International Workshop on Electronic Communication and Artificial Intelligence (IWECAI), Shanghai, 2020: 36-40.

[14]
王海滨, 关欣, 衣晓, 等. 基于改进模糊置信规则的意图识别方法[J]. 电子与信息学报, 2023, 45(3): 941-948.

WANG H B, GUAN X, YI X, et al. An intention recognition method based on fuzzy belief-rule-base[J]. Journal of Electronics & Information Technology, 2023, 45(3): 941-948.

[15]
王小平, 夏命辉, 林秦颖, 等. 接敌前基于D-S理论的空战意图预测[J]. 火力与指挥控制, 2016, 41(9): 185-188.

WANG X P, XIA M H, LIN Q Y, et al. Combat intent forecast based on D-S evidence theory before contecting the enemy[J]. Fire Control & Command Control, 2016, 41(9): 185-188.

[16]
翟翔宇, 杨风暴, 吉琳娜, 等. 面向空中目标作战意图分析的标准化全连接残差网络模型[J]. 国外电子测量技术, 2019, 38(12): 1-6.

ZHAI X Y, YANG F B, JI L N, et al. Standardized fully connected residual network model for combat intention analysis of air targets[J]. Foreign Electronic Measurement Technology, 2019, 38(12): 1-6.

[17]
QU C X, GUO Z C, XIA S J, et al. Intention recognition of aerial target based on deep learning[J]. Evolutionary Intelligence, 2022: 1-9.

[18]
王昊冉, 老松杨, 白亮, 等. 基于MEBN的战术级空中目标意图识别[J]. 火力与指挥控制, 2012, 37(10): 133-138.

WANG H R, LAO S Y, BAI L, et al. Tactical air target intention recognition based on multi-entities Bayesian network[J]. Fire Control & Command Control, 2012, 37(10): 133-138.

[19]
国海峰, 刘宏强, 荘炎龙, 等. 基于CIDBN的战术活动识别模型及在线精确推理[J]. 北京航空航天大学学报, 2020, 46(6): 1 097-1 107.

GUO H F, LIU H Q, YANLONG, et al. Tactical activity recognition model and online accurate inference based on CIDBN[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(6): 1 097-1 107.

[20]
杨雨田, 杨杰, 李建国. 基于EMEBN的空中目标战术意图识别方法[J]. 火力与指挥控制, 2022, 47(5): 163-170.

YANG Y T, YANG J, LI J G. Research on air target tactical intention recognition based on EMEBN[J]. Fire Control & Command Control, 2022, 47(5): 163-170.

[21]
陈黎, 李芳芳, 邹长虹. 基于动态贝叶斯网络和模板匹配的空中目标意图识别[J]. 现代防御技术, 2023, 51(2): 62-70.

DOI

CHEN L, LI F F, ZOU C H. Intension recognition of air-defense target based on dynamic Bayesian network and template matching[J]. Modern Defence Technology, 2023, 51(2): 62-70.

Options
Outlines

/

〈 〉