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 >

2017 , Vol. 39 >Issue 4: 69 - 74

DOI: https://doi.org/10.3969/j.issn.1673-3819.2017.04.015

Theory & Research

Threat Level Assessment of Anomaly Air Situation in Air-Defense

  • LIU Qing ,
  • CUI Hao-lin ,
  • MAO Hou-chen
Expand
  • ATC and Navigation Collage, Air Force Engineering University, Xi’an 710051, China

Received date: 2017-05-02

  Revised date: 2017-06-15

  Online published: 2017-08-10

Fold

Abstract

Based on traditional model of threat assessment model, with consideration of various elements’ impacts from both sides of friend and foe, this paper puts forward a new method in order to assess the threat level of everyday anomaly air situation. This method uses the dynamic Bayesian network to analyze the attack intention of the target and its combat ability in order to deduce the air situation target information and consequently acquire the level of threat of the target which is regarded as the gain of anomaly air situation. Meanwhile, RBF fuzzy neural network is adopted to evaluate all of elements such as information acquisition, interception and strike and others that are related to our capabilities of air defense so as to access the level of capability in dealing with emergencies in anomaly air situation. Finally, this method provides the threat level of anomaly air situation in the form of sum and difference. The simulation result has proved the scientificity and effectiveness of this method and the calculation results conform to the real situation.

Key words： anomaly air situation; threat level; dynamic Bayesian network; fuzzy neural network

Cite this article

LIU Qing , CUI Hao-lin , MAO Hou-chen . Threat Level Assessment of Anomaly Air Situation in Air-Defense[J]. Command Control and Simulation, 2017 , 39(4) : 69 -74 . DOI: 10.3969/j.issn.1673-3819.2017.04.015

空军在执行国土防空任务时,常遇到各种各样的异常空情,其突出特点是突发性强、危害性大、处置时间紧,对我空防安全与稳定造成严重影响。评估异常空情威胁等级是对空情事件严重程度进行级别上的确认,是防空作战中的重要环节,对指挥员实时准确判明异常空情危机状态,做出处置决策,合理进行兵力的调配和使用,有效完成处置任务,具有举足轻重的作用。
异常空情威胁评估依赖于我情、敌情,它是对当前敌我双方兵力部署、兵力行动、处置发展状况等形成的处置进程的状态与形势的综合描述[1]。目前针对威胁评估的研究,国内外都开展了一些工作,常用的评估方法主要有模糊数学方法、多属性决策法、区间数法、集对分析法和贝叶斯网络等[2⇓-4],虽然这些方法具有一定的针对性,但都普遍存在对空中目标各因素考虑较充分,而对我方的预警探测、拦截打击等能力考虑不充足的问题,使得威胁评估结果不具有相对性与客观性,无法满足异常空情威胁等级评估的要求。所以在对异常空情进行威胁等级评估时,不仅要对不完备、不确定性的空情信息进行推理,客观反映空情目标对我空防安全的威胁程度,还须将我方应急处置能力融入其中,使得评估结果合理、科学与准确。

1 异常空情威胁等级评估框架

传统的威胁评估模型是从目标攻击意图、作战能力角度出发来评估目标对我方的威胁程度,没有考虑我方的探测处置能力。在异常空情处置过程中,对不同类型的空情状况,受多种因素的影响,我方处置能力差异显著,如果能够及早发现目标并对其进行连续跟踪,应对措施充分,处置能力较强,空情目标不足以突破我方的防御时,对我方造成的损失就会较小,异常空情的威胁等级也就较低。为合理选取处置方案,在评估异常空情威胁等级时,不仅要考虑空情目标的威胁程度,还要考虑我方现有的应急处置能力。
进行威胁评估首先要考虑的是威胁评估因素的选取,参考文献[5⇓-7],结合日常防空作战实际,综合选取目标毁伤能力、目标意图、信息获取能力、指挥控制能力、拦截打击能力、人员经验素质、协同处置能力7个因素作为威胁等级评估指标。其中目标毁伤能力、目标意图作为目标威胁程度评估指标,利用动态贝叶斯网络的不确定知识表达能力对其进行推理,得到目标的威胁程度值,作为异常空情的收益;信息获取能力、指挥控制能力、拦截打击能力、人员经验素质、协同处置能力5个因素作为我方防空处置能力评价指标,利用模糊神经网络对其进行评估,得到我方处置能力水平,作为异常空情的成本,最后利用线性加权得到异常空情最终威胁等级评估值。威胁等级评估框架如图1所示。
图1 威胁等级评估框架
设α、β分别为目标威胁程度和我方处置能力的权重,D、E为对应的量化值,则异常空情威胁等级为
T=k·(α·D-β·E)
式中,k为威胁修正系数。威胁等级T处于[0,1]之间,规定当α·D-β·E≤0时,T=0。
综合考虑各种因素影响,将异常空情威胁等级划分为四个等级,如表1所示。
表1 威胁等级表
威胁等级 高 较高 中 低
评估值 (0.8,1] (0.6,0.8] (0.3,0.6] [0,0.3]

2 基于动态贝叶斯的目标威胁程度估计

2.1 目标威胁程度评估动态贝叶斯网络构建

动态贝叶斯网络是随时间发展的静态贝叶斯网络,他的每个时间片段对应一个结构和参数都相同的静态贝叶斯网络。相邻两个时间片之间有弧链接,反应相邻时间片的变量之间的依赖关系,网络中每一个节点为一个变量,变量可以有多个状态,节点与节点之间以条件概率进行更新。运用动态贝叶斯网络对目标威胁程度评估,关键在于目标企图与目标毁伤能力的获取,通常考虑目标位置、二次雷达信号(IFF)、航向、目标类型、飞行航路、飞行高度、飞行速度、空情数量、干扰能力、目标雷达反射面积等特征要素以构建静态贝叶斯网络,然后将其按照周期性的时间序列展开得到动态贝叶斯网络,网络中矩形节点作为观测节点输入证据信息,圆形节点作为隐含节点由证据信息推理得到[7⇓⇓-10]。如图2所示。
图2 目标威胁程度动态贝叶斯网络结构
网络中各节点的状态集合为:目标威胁程度(TH):高(H),较高(E),中(G),低(L);目标企图(IN):攻击(A),侦察(S),恐怖袭击(T),民用飞行(C);毁伤能力(DE):强(S),中(M),弱(W);目标类型(ID):巡航导弹(M),轰炸机、歼击机(B),预警机、侦察机(S),民航航班(C)、通用飞机(G);目标位置(P):内层防御区(I),目标识别区(R),外层防御区(O),预警区(W);航向(C):进入(E),远离(L);二次雷达(IFF):军用信号(A),民用信号(C),无信号(N),特殊信号(S);飞行航路(L):民航航路内(I),民航航路外(O);飞行高度(A):高空(H),中空(M),低空(L),超低空(S);飞行速度(V):超高速(S),高速(H),中速(M),低速(L);接空情数量(N):单架(O),双架以上(T),干扰能力(J):强(H),中(M),弱(L);雷达反射面积(σ):大(B),中(M),小(S)。

2.2 威胁程度评估网络参数设定

网络模型构建好以后,需要确定网络条件概率矩阵。条件概率可以通过大量数据样本学习或通过相关领域专家知识确定得到。本文通过专家知识进行参数学习获得相应节点的条件概率表,威胁程度高、较高、中、低的先验概率分别为0.25、0.25、0.25、0.25。由于专家凭经验知识给出,主观性较强,我们可以对样本数据进行反复调试,对条件概率矩阵中的数据适当调整,以提高数据准确性,提升评估结果的可信度。在确定网络条件概率矩阵后,就可以进行相关威胁程度的后验概率,条件概率表如表2~表6所示。
表2 动态贝叶斯网络状态转移概率
TT+1 H E G L
H 0.5 0.3 0.1 0.1
E 0.3 0.35 0.3 0.2
G 0.15 0.3 0.4 0.3
L 0.05 0.05 0.2 0.4
表3 威胁程度评估条件概率
TH IN DE
[A S T C] [S M W]
H 0.85 0.05 0.1 0 0.85 0.15 0
E 0.3 0.5 0.2 0 0.3 0.6 0.1
G 0.1 0.3 0.6 0 0.2 0.4 0.4
L 0 0.1 0.2 0.7 0.05 0.15 0.8
表4 目标意图评估条件概率
IN P C
[I R O W] [E L]
A 0.4 0.3 0.2 0.1 0.7 0.3
S 0.5 0.3 0.15 0.05 0.6 0.4
T 0.1 0.1 0.3 0.5 0.8 0.2
C 0.25 0.25 0.25 0.25 0.5 0.5
表5 目标意图及毁伤能力联合条件概率
IN DE ID IFF
[M B S C G] [A C N S]
A S 0.8 0.15 0.05 0 0 0.1 0 0.9 0
A M 0.3 0.6 0.1 0 0 0.35 0 0.65 0
A W 0.1 0.2 0.7 0 0 0.6 0 0.4 0
S S 0 0.2 0.8 0 0 0.05 0 0.95 0
S M 0 0.3 0.7 0 0 0.1 0 0.9 0
S W 0 0.4 0.6 0 0 0.2 0 0.8 0
IN DE ID IFF
[M B S C G] [A C N S]
T S 0 0 0 0.95 0.05 0 0.01 0.01 0.98
T M 0 0 0 0.9 0.1 0 0.05 0.05 0.9
T W 0 0 0 0.85 0.15 0 0.05 0.1 0.85
C S 0 0 0 0.9 0.1 0 0.98 0.02 0
C M 0 0 0 0.6 0.4 0 0.95 0.05 0
C W 0 0 0 0.4 0.6 0 0.9 0.1 0
表6 目标类型评估条件概率
ID A V L
[H M L S] [S H M L] [I O]
M 0 0.2 0.6 0.2 0.1 0.2 0.6 0.1 0 1
B 0.3 0.4 0.2 0.1 0.05 0.6 0.35 0 0.1 0.9
S 0.2 0.7 0.1 0 0 0.2 0.7 0.1 0.2 0.8
C 0.8 0.15 0.05 0 0 0.1 0.8 0.1 0.95 0.05
G 0 0.3 0.5 0.2 0 0 0.2 0.8 0 1
ID N J σ
[O T] [H M L] [B M S]
M 0.6 0.4 0 0.2 0.8 0.4 0.1 0.2
B 0.3 0.7 0.3 0.4 0.3 0.7 0.1 0.35
S 0.9 0.1 0.5 0.3 0.2 0.1 0.4 0.4
C 1 0 0 0 1 0 0.7 0.2
G 0.9 0.1 0 0 1 0.1 0.2 0.3

2.3 基于动态贝叶斯网络目标威胁程度评估的推理

任何贝叶斯网络推理的基础是贝叶斯公式和贝叶斯网络的条件独立假设,即:
p(x|y)= p ( x y ) p ( y )= p ( x y ) ∑ x p ( x y )
P(X1,X2,…,Xn)= ∏ i = 1 np(Xi|Pa(xi))
其中P(X1,X2,…,Xn)是该贝叶斯网络的所有节点的一个联合分布,Pa(Xi)为节点Xi的父节点的集合。
一个具有n个隐藏节点和m个观测节点的静态贝叶斯网络,由前式可以得到
P(x1,x2,…,xn|y1,y2,…,ym)= ∏ j p ( y j | p a ( y j ) ) ∏ i p ( x i | p a ( x i ) ) ∑ x 1 , x 2 , … x n ∏ j p ( y j | p a ( y j ) ) ∏ i p ( x i | p a ( x i ) )
式中,i=1,2,…,n;j=1,2,…m;xi表示Xi的一个取值状态,yj表示观测变量Yj的取值,Pa(xi)、Pa(yj)分别表示xi、yj的父节点集合。上述静态贝叶斯网络随时间发展就得到T个时间片的动态贝叶斯网络,当观测值只有一种组合状态时,隐藏变量的分布为
P(x11,x12,…,x1n…,xT1,xT2,…,xTn|y11,y12,…,y1m,…,yT1,yT2,…,yTm)= ∏ i j p ( y i j | p a ( y i j ) ) ∏ i k p ( x i k | p a ( x i k ) ) ∑ x 11 , x 12 , … , x 1 n … , x T 1 , x T 2 … , x T n ∏ i j p ( y i j | p a ( y i j ) ) ∏ i k p ( x i k | p a ( x i k ) )
式中,i=1,2,…,T;j=1,2,…m;k=1,2,…,n;xij表示Xij的一个取值状态。第一个下标表示第i时间片,第二个下标表示该时间片内的第j个隐藏节点。yij表示观测变量Yij的取值。Pa(yij)表示yij的父节点集合。如果观测值是多状态的,则:
P(x11,x12,…,x1n…,xT1,xT2,…,xTn|y11s,y12s,…,y1ms,…,yT1s,yT2s,…,yTms)= ∑ y 11 , y 12 , … , y T 1 , … , y T m ∏ i j p ( y i j = y i j s | p a ( y i j ) ) ∏ i k p ( x i k | p a ( x i k ) ) ∑ x 11 , x 12 , … , x 1 n … , x T 1 , x T 2 … , x T n ∏ i j p ( y i j | p a ( y i j ) ) ∏ i k p ( x i k | p a ( x i k ) )× ∏ i j p(yij=yijs)
式中,i=1,2,…,T;j=1,2,…m;k=1,2,…,n;yijs表示第i个时间片内第j个观测节点xi的观测状态。p(yij=yijs)是Yij处于对应状态的概率。
推理得到威胁程度节点的后验概率后,需要将其转化为具体的威胁程度值,定义威胁程度高、较高、中、低的望值为0.9、0.7、0.4、0.1,则威胁程度值为
D=0.9·P(H)+0.7·P(E)+0.4·P(G)+0.1·P(L)

3 基于模糊神经网络的异常空情处置能力评估

3.1 异常空情处置能力评估网络构建

模糊神经网络是将模糊系统和神经网络有机结合在一起,汇集了两者的优点,具有较强的学习能力和表达能力。本文采用的是RBF模糊神经网络,根据异常空情处置能力评价指标和RBF模糊神经网络结构特点,建立异常空情处置能力评估网络,该网络有五层组成,分别为输入层X、模糊化层A、模糊规则层R、结果层S和输出层Y[10⇓-12]。如图3所示。
图3 处置能力评估网络
第一层为输入层,输入指标为X={信息获取能力,指挥控制能力,拦截打击能力,人员经验素质,协同处置能力},每个节点对应一种指标,相应的输入向量为X=(x1,x2,…,xn)T,xi为指标权值,该层节点个数为N1=5。
第二层为模糊化层,该层每一个节点表示一个模糊语言变量值,它主要用来确定各分量隶属于各模糊语言变量值的程度。每种输入指标的模糊子集为u={优、良、中、差},该层的隶属度函数 u j i采用高斯函数,即
u j i= e - ( x i - c i j ) 2 σ i j 2
其中,i=1,2,…,5,j=1,2,3,4,cij和σij分别为输入分量xi的第j个语言变量的隶属度函数的中心和宽度。该层节点总数为N2=20。
第三层为模糊规则层,使用连乘算子作模糊算子,对各隶属度进行模糊计算。该层的每个节点只由第二层每个模糊集中的单个节点决定。输入是第二层输出的参数隶属度相乘的结果,即
θj= u 1 i 1 u 2 i 2… u n i n
其中,i1,i2,i3,i4,i5=1,2,3,4,j=1,2,…,45。该层的为节点总数N3=45。
第四层为结果层,所有规则按不同的权值组合形成不同的结果。该层每个节点都与上一层节点连接,输出为SO。wij为第三层节点到第四层节点的权值,传递函数运用logsig()函数,将输出结果进行归一化计算。输出结果为
SO= ∑ j = 1 m θ j ( p j 0 + p j 1 x 1 + p j 2 x 2 + … p j n x n ) ∑ j = 1 m θ j
其中,j=1,2,…,45,节点数N4=45。
第五层为输出层,节点数N5=1。它所实现的是解模糊化,精确化计算,得到具体的能力评估输出值,传递函数仍使用logsig()函数,输出为Y,即
Y= ∑ k = 1 n w k · S o ∑ k = 1 n w k
式中:wk为结果层各节点与输出层之间的权值。

3.2 异常空情处置能力评估网络训练

能力评估网络在运用前需要进行一定的训练。首先采用层次分析法或专家调查法对数据样本(x1,x2,x3,x4,x5,Y)进行预处理和归一化处理,得到5个输入要素的指标权值,以及输出节点的期望值。然后运用数据样本对RBF模糊神经网络进行训练,计算输出误差 e,误差函数为
e= 1 2(yd-yc)2
式中,yd和yc分别表示期望输出和实际输出。
隐含层节点误差为
ei= y c ∑ j e j w i j 1 - y c
式中,wij为隐含层节点i到下层节点j的权重;ej为下层单元j的误差。
若误差e未满足精度要求,则使用梯度下降法对网络系数pjn、cij和σij进行修正,直到达到要求为止。算法函数为
pjn(k+1)=pjn(k)-ρ ( y d - y c ) θ j ∑ j = 1 m θ j x n
cij(k+1)=cij(k)-2ejwijL ∂ e ∂ c i j
σij(k+1)=σij(k)-2ejwijL ∂ e ∂ σ i j
式中,ρ为神经网络学习速率,L为计算步长,L∈[0,1]。

4 仿真算例

本文运用Matlab R2012b和Genie软件进行仿真。假设某时刻我方雷达探测发现一个异常空情目标,持续对空情目标进行搜索和跟踪,记录其5个时间片的观测数据进行分析,证据信息模糊离散化后得到5个时刻数据,如表7所示。
表7 不同时刻证据信息概率表
P C J L
1 (0.188,0.171,0.245,0.396) (0.617,0.383) (0,0.036,0.964) (0,0.368,0.632) (0,1)
2 (0.263,0.219,0.224,0.294) (0.644,0.356) (0,0.021,0.979) (0,0.271,0.729) (0,1)
3 (0.315,0.245,0.224,0.216) (0.669,0.331) (0,0.019,0.981) (0,0.186,0.814) (0,1)
4 (0.339,0.267,0.204,0.190) (0.671,0.328) (0,0.022,0.978) (0,0.251,0.749) (0,1)
5 (0.389,0.294,0.201,0.116) (0.695,0.305) (0,0.017,0.983) (0,0.199,0.801) (0,1)
T IFF A V N
1 (0,0,1,0) (0.143,0.423,0.298,0.136)) (0,0.179,0.607,0.214) (1,0)
2 (0,0,1,0) (0.131,0.375,0.326,0.168)) (0,0.228,0.573,0.199) (1,0)
3 (0,0,1,0) (0.118,0.360,0.341,0.181) (0,0.234,0.578,0.188) (1,0)
4 (0,0,1,0) (0.117,0.310,0.373,0.200) (0,0.273,0.544,0.182) (1,0)
5 (0,0,1,0) (0.107,0.288,0.391,0.214) (0,0.287,0.539,0.174) (1,0)
将威胁程度高、较高、中、低的先验概率分别为0.25、0.25、0.25、0.25输入后,便可开始贝叶斯网络的推理过程。得到T5时刻的威胁程度推理结果以及各时刻的目标威胁程度变化趋势如图4、图5所示。
图4 T5时刻的威胁程度推理结果
图5 目标威胁程度变化趋势
从图4与图5的仿真结果可以看出,在初始时刻,目标的各属性值相对比较接近,随着时间的推进以及证据信息的更新输入,经过动态贝叶斯网络的综合,目标威胁程度判别结果为“高”的概率逐渐增大,在T5时刻得到目标的威胁程度结果概率分别为(0.73,0.16,0.08,0.04),计算值为0.805;得到目标类型推理结果概率分别为(0.85,0.05,0.06,0,0.04),即巡航导弹的可能性最大;得到的目标企图结果概率分别为(0.89,0.01,0.07,0.02),可以基本确定目标意图是进攻。
选取训练样本80组数据对RBF模糊神经网络进行训练,训练误差曲线如图6所示,利用训练好的RBF模糊神经网络,对我方处置能力进行评价,输入向量为X=(0.229,0.122,0.458,0.069,0.122),最终在T5时刻得到的处置能力水平值及威胁等级总值如表8所示。
图6 训练样本误差曲线
表8 威胁等级评估值
信息
获取
能力		 指挥
控制
能力		 拦截
打击
能力		 人员
经验
素质		 协同
处置
能力		 处置
能力
水平		 威胁
等级
值		 专家
评估
值
0.229 0.122 0.458 0.069 0.122 0.706 0.854 0.866
式中k、α、β分别设定为1.7、0.8、0.2,由表8可知,我方处置能力水平值为0.706,威胁等级计算值为0.854,最终评估结果为“高”,符合实际处置情况。

5 结束语

本文在传统威胁评估模型的基础上,综合考虑敌我双方多种因素的影响,将动态贝叶斯网络和RBF模糊神经网络相结合,对异常空情威胁等级进行总体评估,即对飞行速度、飞行高度、目标位置等不完备、不确定性信息进行推理得到目标威胁程度,运用RBF模糊神经网络对影响我方防空作战能力的各种因素进行评估得到我方异常空情应急处置能力评估值,最后以和差的形式给出异常空情威胁值。该方法弥补了传统态势评估模型的不足,评估结果更具有针对性,能够更好地为指挥员的处置决策提供支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
付涛, 王军. 防空系统中空中目标威胁评估方法研究[J]. 指挥控制与仿真, 2016, 38(3):63-69.

[2]
唐长青, 郭立红, 罗艳春, 等. 基于模糊贝叶斯网络的态势威胁评估模型[J]. 光电工程, 2008, 35(5):1-5.

[3]
纪军, 田淑荣, 马培蓓. 基于动态贝叶斯网络的防空作战态势分析[J]. 海军航空工程学院学报, 2013, 28(6):679-683.

[4]
卞泓斐, 杨根源. 基于动态贝叶斯网络的舰艇防空作战威胁评估研究[J]. 兵工自动化, 2015, 34(6):14-19.

[5]
孟杰, 郝强, 王栋梁. 联合战斗防空体系作战能力模糊综合评价[J]. 舰船电子工程, 2012, 32(1):14-16.

[6]
李志军, 王巨海, 安庆杰. 基于模糊理论的地面防空效能评估[J]. 防空兵指挥学院学报, 2005, 22(2):28-30.

[7]
陈晓曦, 姚景顺, 沈振华, 等. 海上不明空情威胁评估模型研究[J]. 指挥控制与仿真, 2010, 32(5):13-16.

[8]
邸若海, 高晓光. 模糊离散动态贝叶斯网络的目标威胁等级评估[J]. 火力与指挥控制, 2012, 37(4):14-17

[9]
沈薇薇, 肖兵, 丁文飞, 等. 动态贝叶斯网络在态势评估中的应用[J]. 空军雷达学院学报, 2010, 24(6):414-417.

[10]
吴天俣, 张安, 李亮. 基于离散模糊动态贝叶斯网络的空战威胁估计[J]. 火力与指挥控制, 2009, 34(10):56-59.

[11]
巩微, 冯欣. 一种粗糙模糊神经网络模型的研究及应用[J]. 计算机工程与科学, 2010, 32(6):132-134.

[12]
刘婧, 冒长礼, 赵呈阳. RBF模糊神经网络在舰载C3I系统效能评估中的应用[J]. 解放军理工大学学报(自然科学版), 2013, 14(6):674-678.

Options
Outlines

/

〈 〉