基于贝叶斯网络的舰机协同动态结果预测研究.pdf

舰 船 电 子 工 程2023 年第 5 期1引言在预警机、舰载雷达等探测装备发现目标后，编队指挥官需要决定是否对其进行攻击，以及攻击结束后是否要进行二次攻击。由于航母战中参战单位数量庞大，指挥协同复杂，战场态势瞬息万变，如果战略决策仅依靠指挥官的个人经验，那显然是不够的。因此，需要开展动态过程预测，预测战争走向和己方的获胜概率，辅助编队指挥官在复杂的战场环境下迅速定下作战决心。而动态过程预测的结果是编队指挥官进行指挥决策的重要依据，能够辅助指挥官及时定下正确的战场决策。建立动态过程预测仿真模型是一个复杂的过程，但需要考虑的问题主要有以下三点：1）正确选择模型的特征量：战场上的战争要素有很多，在模型里无法全部体现出来，因此要重点地选择几个有关键性作用的变量进行分析，特征量的选取要合理且要容易获取。2）模型要有良好的实时性与动态性。现代海上战场信息化程度较高，分分秒秒的时间延误都会影响作战的效果，因此该仿真模型进行动态过程预测的实时性要高，并要能体现出战争是一个动态变收稿日期：2022年11月10日，修回日期：2022年12月29日基金项目：山东省高等学校青创科技支持计划（编号：2021KJ005）资助。作者简介：张财生，男，博士，副教授，研究方向：雷达信号处理、预警侦察。司沈闯，男，工程师，研究方向：预警侦察。基于贝叶斯网络的舰机协同动态结果预测研究张财生1司沈闯2（1.海军航空大学209教研室烟台264001）（2.中国人民解放军91856部队上海201900）摘要针对预警机支援下的舰机协同动态过程中的结果预测问题，以双方战机之间的攻防作战为研究背景，首先选取作战中的特征变量，然后根据特征变量构建了贝叶斯网络，确定各节点条件分布概率，增加与舰艇相关的新的特征量，最后通过模拟贝叶斯网络的Netica软件进行仿真分析，结果表明Netica仿真得到的动态过程预测结果符合实际且具有一定的可靠性，可以为指挥员提供决策参考。关键词预警机；舰机协同；贝叶斯网络；动态结果预测中图分类号TP181DOI：10.3969/j.issn.1672-9730.2023.05.017Research on Dynamic Cooperation Results Prediction BetweenAircraft Carrier and AEW Based on Bayesian NetworkZHANG Caisheng1SI Shenchuang2（1.Department of 209，Naval Aviation University，Yantai264001）（2.No.91856 Troops of PLA，Shanghai201900）AbstractAiming at the problem of predicting the results in the cooperative dynamic process supported by airborne earlywarning，this paper takes offensive and defensive operations between warplanes of both sides as the research background.Firstly，the characteristic variables in combat are selected，then the Bayesian network is constructed according to the characteristic variables，then the probability of condition distribution of each node is determined.Finally，the Bayesian network is simulated by Netica.The simulation results of Netica software show that the dynamic process prediction results under Netica simulation are practicaland reliable，and can provide decision-making reference for commanders.Key Wordsairborne early warning（AEW），aircraft carrier and AEW cooperation，Bayesian network（BN），dynamic process predictionClass NumberTP181总第 347 期2023 年第 5 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.575总第347期化的过程。3）模型要有一定的可靠性。现代战争是一个大量使用高精尖武器的信息化战争，指挥员一旦决策失误，将使整个编队遭受毁灭性打击，因此动态过程预测结果要尽量准确，这样为战场指挥员提供的决策方案才能更加可信。在预测类似于战场胜负等不确定性较大的问题上，众多学者前后提出了诸多不同的建模理论13，其中贝叶斯理论4在结论可靠性上具有明显的优势。贝叶斯理论的基础是概率论，主要是通过贝叶斯网络和条件概率公式解决事情因果依赖比较明显的问题，因此使用贝叶斯理论对舰机协同作战中的动态过程和结果进行预测更加合理。本文针对预警机支援下的舰机协同动态过程中的结果预测问题，以双方战机之间的攻防作战为研究背景，选取作战中的特征变量，然后根据特征变量构建贝叶斯网络，确定各节点条件分布概率，最后通过模拟贝叶斯网络的Netica软件进行仿真分析。2贝叶斯网络模型分析贝叶斯网络模型中有两类不同的节点5，分别称作观测节点和隐藏节点。观测节点是指建模时选择的具有代表性的变量，即特征量，这些变量可以从战场中直接观测获得；隐藏节点无法通过观测获得，而是需要根据观测节点的实时状态依照相应原则推导计算得到。如图1所示，在实际作战中，“红方防御能力”和“红方机动能力”将会直接影响“红方毁伤程度”。其中，“红方防御能力”和“红方机动能力”为观测节点，是预定的特征量，在作战中可直接通过观测获得；“红方毁伤程度”为隐藏节点，其状态分布需通过计算获得。图1贝叶斯网络模型示意图贝叶斯公式用于贝叶斯网络的计算，而贝叶斯公式又是由条件概率公式推广而来的，可知贝叶斯模型结构能定性地表现节点之间的因果关系，条件概率可以定量地计算节点间的关联程度，因此在贝叶斯网络中的各观测节点要设置关于隐藏节点的条件概率，该贝叶斯网络才能按特定的流程进行概率计算。在图1的示例中，“红方毁伤程度”的条件概率如表1所示。表1毁伤程度条件概率示意表毁伤程度轻损重创P（防御能力丨毁伤程度）优0.80.1良0.20.9P（机动能力丨毁伤程度）强0.70.2弱0.30.8可以看出，在毁伤程度为轻损的条件下，红方单位的防御能力为优、良的概率分别为0.8、0.2，机动能力为强、弱的概率分别为0.7、0.3，这个概率可以理解为在当前状态下，红方有80%的作战单位防御能力为优，20%为良，机动能力70%为强，30%为弱；在总体毁伤程度为重创的条件下，红方单位的防御能力为优、良的概率分别为0.1、0.9，机动能力为强、弱的概率分别为0.2、0.8，可以理解为红方有10%的单位的防御能力为优，90%为良，机动能力有20%为强，80%为弱。在实际作战中，可以根据当前态势实时观测更新“红方防御能力”和“红方机动能力”这两个观测节点的状态，利用节点间的条件概率，进而反向推理出“红方毁伤程度”的状态分布。3动态过程预测建模通过对贝叶斯网络的分析，得出利用贝叶斯网络进行动态过程预测的建模流程6，如图2所示。图2中的流程关系可进一步总结为以下四个步骤。1）确定特征变量为了便于分析，本节确定以下七个变量作为战机与战机作战时的特征变量：导弹性能、飞机数量、导弹命中率、机动性、防御能力、毁伤程度及预警机性能。2）构建贝叶斯网络不同特征变量对结果有不同的影响，需要根据已经确定特征变量建立一个能反映因果关系的贝叶斯网络。目前大多数学者在利用贝叶斯网络进行动态过程预测时都没有考虑时间因素，即在一开始就根据双方的装备性能等数据直接给出战斗结果，没有考虑战场的动态过程。3）确定节点概率贝叶斯网络是由各种节点和关联线组成的，所有的子节点都要设置与其对应父节点的条件概率，表示两者的相关程度，这个条件概率应当由专家确定，或者在取得大量数据后进行数学统计得出。张财生等：基于贝叶斯网络的舰机协同动态结果预测研究76舰 船 电 子 工 程2023 年第 5 期4）使用Netica软件进行建模仿真依照构建的贝叶斯网络使用Netica软件设置节点、关联线、条件概率等。在战争开始前，预警机的信息处理系统会从搜集到的战场信息中检索出需要的特征量，接着将其当前状态及时输入到观测点中，并实时调整网络的观测节点状态。仿真通过更新不同时刻的特征量，反映战斗中时间的演化过程，仿真结果会比传统的静态贝叶斯网络的预测结果可靠性更高。4仿真分析4.1仿真背景描述为了简化问题，本节仿真仅对两军舰载战斗机之间的胜负做出预测。假设两军的战机性能类似，即红方战机的攻击能力和防御能力与蓝方相同，挂载导弹性能相近，战机毁伤程度、导弹命中率的条件概率分布也相差不大。战场动态过程预测7的贝叶斯网络模型如图3所示，其中“预留”接口的作用主要是为模型扩展升级预留。在该网络模型中，每个观测节点的状态如下：飞机数量为多、中、少；防御能力为强、中、弱；机动性为好、中、差；预警机性能为优、良；导弹性能为优、良。设定每个隐藏节点的状态值如下：导弹命中率为高、中、低；毁伤程度为无损、轻损、轻微、摧毁；杀伤率为高、中、低；生存率为高、中、低；指挥决策为攻击、规避。毁伤程度包括无损、轻损、重创、摧毁，其中摧毁代表完全失去战斗能力。4.2参数选定由于建立模型时所设定的双方飞机性能大致相同，因此以下条件概率分布不分红蓝双方。1）导弹自身的性能以及预警机制导能力的强弱对命中率有重大影响，本示例确定导弹命中率的条件概率如表2所示。表2命中率的条件概率表命中率高中低P（导弹性能丨命中率）优0.80.70.4良0.20.30.6P（预警机性能丨命中率）强0.90.70.2弱0.10.30.8图2动态过程预测建模流程图3战场动态过程预测贝叶斯网络结构图问题需求与可行性分析确定网络结构确定特征变量确定概率分布推理预测结构检验与实际一致否是结束预警机/舰载雷达/卫星综合情报信息处理输入初始值更新节点概率指挥决策T-1指挥决策T杀伤率T预留T生存率T指挥决策T+1敌方飞机数量T我方飞机数量T我方导弹命中率T敌方防御能力T敌方毁伤程度T我方防御能力T我方机动能力T敌方机动能力T我方预警机性能T我方导弹性能T敌方导弹性能T敌方预警机性能T敌方导弹命中率T我方毁伤程度T77总第347期表3毁伤程度的条件概率表毁伤程度无损轻微重创摧毁P（防御能力丨毁伤程度）强0.80.60.10中0.10.30.40弱0.10.10.51P（机动能力丨毁伤程度）好0.70.40.20中0.10.50.20差0.20.10.612）飞机的毁伤程度直接影响到该飞机的防御能力和机动能力，本示例确定飞机毁伤程度的条件概率如表3所示。3）双方的飞机数量、导弹命中率和毁伤程度都会影响红方的生存率和杀伤率，本示例设定红方生存率/杀伤率的条件概率如表4所示。4）杀伤率和生存率共同影响了指挥决策，本例设定指挥决策条件下生存率和杀伤率的概率如表5所示。5）相邻时刻指挥决策的条件概率如表 6 所示。表4红方生存率/杀伤率的条件概率表生存率高中低杀伤率高中低P（蓝机数量丨生存率）多0.20.30.7P（红方机数量丨杀伤率）多0.80.60.1中0.40.30.2中0.10.30.4少0.40.40.1少0.10.10.5P（蓝方命中率丨生存率）高0.20.30.7P（红方命中率丨杀伤率）高0.70.40.2中0.10.50.2中0.10.50.2低0.70.20.1低0.20.10.6P（红方毁程度丨生存率）无损0.70.40.1P（红方毁程度丨杀伤率）无损0.70.40.1轻微0.10.20.2轻微0.10.20.2重创0.10.20.4重创0.10.20.4摧毁0.10.20.3摧毁0.10.20.3表5指挥决策的条件概率表指挥决策攻击规避P（杀伤率丨指挥决策）高0.70.2中0.20.3低0.10.5P（生存率丨指挥决策）高0.80.3中0.10.3低0.10.4表6贝叶斯网络中相邻时刻的条件概率表指挥决策（T时刻）是否P（T+1时刻攻击丨T时刻攻击）是0.50否0.51以上参数为参考公开资料 811 后设定，只起到示例作用。在实际战场中需要的参数十分严谨，可以通过综合确定特征量，再通过大量样本数据进行分析，在统计学的基础上提高条件概率的准确性，从而提高推理计算的科学性。4.3模拟仿真根据4.1节描述的战场背景，在构建贝叶斯网络结构的基础上，进行基于动态贝叶斯网络的动态过程预测仿真实验。在建模软件的选择上，选择Netica最终建立的模型如图4。根据4.2节设定的条件概率分布参数对网络进行初始化，在相应的节点输入对应的条件概率，如图4中的杀伤率（SSL）节点表示：在指挥决策（ZHJC）为攻击（state0）时，杀伤率为高（state0）的概率为70%，为中（state1）的概率为20%，为低（state2）的概率为10%；在指挥决策（ZHJC）为规避（state1）时，杀伤率为高（state0）的概率为 20%，为中（state1）的概率为 30%，为低（state2）的概率为50%，使所有节点的条件概率与4.2节设定的参数一一对应。贝叶斯网络模型的关联线连接完毕后，点击运行图标以运行网络，系统会根据数学概率公式自动计算节点概率，然后系统会进入待命状态。在第一时刻获取到新的战场信息后，更新网络模型中的观测节点数据，网络推理开始，得出的结果会是关于指挥决策各状态的概率分布。表7为特征量在每一时刻的状态值12。从表7数据来看，蓝方飞机数量、防御能力、机动性都有不断下降的趋势，而红方飞机数量、防御能力、机动性大体保持稳定；双方预警机由于初始设定性能相近，又不参与直接作战，故保持不变；导弹性能上红方总体稍优于蓝方。根据上面给出的观测数据，利用Netica模型计算可以得到各个时刻的杀伤率、生存率、指挥决策的概率分布如表8、表9、表10所示，第1时刻和第5时刻的模型如图5、6所示。张财生等：基于贝叶斯网络的舰机协同动态结果预测研究78舰 船 电 子 工 程2023 年第 5 期表7特征量在每一时刻的变化值时刻蓝方飞机数量红方飞机数量蓝方防御能力红方防御能力蓝方机动性红方机动性蓝方预警机性能红方预警机性能蓝方导弹性能红方导弹性能多中少多中少强中弱强中弱好中差好中差优良优良优良优良10.70.20.10.80.10.10.80.10.10.80.10.10.80.10.10.80.10.10.80.20.80.20.60.40.80.220.70.10.20.80.10.10.70.10.20.80.10.10.60.10.30.80.10.10.80.20.80.20.60.40.80.230.50.30.20.70.10.20.30.40.30.80.10.10.40.30.30.70.10.20.80.20.80.20.60.40.80.240.40.20.40.70.20.10.20.30.50.70.10.20.30.40.30.70.20.10.80.20.80.20.50.50.70.350.30.30.40.60.30.10.10.20.70.70.20.10.30.20.50.70.20.10.70.30.70.30.60.40.70.3表8杀伤率的动态贝叶斯推理结果杀伤率高中低10.7890.1910.02020.7420.2250.03430.6260.2780.09640.5280.3320.14050.3830.3620.256表9生存率的动态贝叶斯推理结果杀伤率高中低10.8560.1240.02020.8300.1440.02630.7610.1850.05440.6980.2060.09650.6080.2470.145表10指挥决策的动态贝叶斯推理结果指挥决策进攻规避10.7840.21620.6940.30630.5840.41640.4760.52450.3350.6654.4仿真结果分析表7中的观测数据反映出：随着时间的推移，蓝方的机动能力、防御能力逐渐减弱，飞机数量逐渐减少，表明蓝方作战力量在不断削弱；而红方的观测节点数值变化不大，说明红方作战单元仍处在良好的状态。表8和表9给出了贝叶斯网络仿真下5个时刻的杀伤率和生存率的概率值，可以看出杀伤率和生存率为高的概率在逐渐减小，为低的概率在不断增大，这是由于蓝方的毁伤程度不断增大，红方在后一时刻摧毁的单位相较之前会有减少，并且红方由于连续作战，没有其他支援兵力的补充，即便红方的胜率很大，也会不断有伤亡发生，但总体上红方图4动态过程预测Netica仿真模型指挥决策T攻击 50.0规避 50.0敌方毁伤程度T高 45.0中 25.0低 30.0无损 44.5轻损 15.5重创 21.5摧毁 18.5敌方防御能力T强 49.0中 17.0弱 33.1我方导弹命中率T多 54.0中 24.0少 22.0高 47.5中 23.0低 29.5多方飞机数量T高 55.0中 20.0低 25.0杀伤率T生存率T敌方飞机数量T多 58.5中 21.5少 20.0敌方导弹命中率T高 51.5中 20.5低 28.0我方毁伤程度T无损 49.0轻损 14.5重创 19.5摧毁 17.0敌方防御能力T敌方防御能力T强 47.0中 17.7弱 35.2我方防御能力T敌方机动能力T好 41.6中 16.5差 41.9我方导弹性能T敌方导弹性能T优 65.9良 34.1优 66.8良 33.3我方机动能力T好 44.0中 16.0差 40.0我方预警机性能T优 64.7良 35.3敌方预警机性能T优 66.3良 33.779总第347期生存率较高。由表10可以看出进攻的概率是递减的，但若将每个时刻“指挥决策”之间的连线断开，使各自相互独立，进攻的概率仍会很大。这是因为如果断开以后相当于静态的贝叶斯网络，每一时刻之间并没有任何联系，进攻或是规避的判定完全由此刻双方的状态判定，红方状态好则进攻，蓝方状态好则规避。在创建的动态贝叶斯网络中，前一刻的判定会影响后一刻，因为把“指挥决策”的条件概率设为当前一时刻为规避时，后一时刻规避的概率为1。这就使得整个网络本身即使在不输入任何观测值的时候，每一时刻的进攻概率都在成倍降低，因此，在建立的这个动态贝叶斯网络中，得出的进攻概率不断降低的结论符合规律。之所以在己方状态明显好于蓝方的情况下，进攻概率却在不断减小的原因是第1时刻蓝方的毁伤程度较低，双方状态相当，图5第1时刻各节点概率图6第5时刻各节点概率指挥决策1攻击 78.4规避 21.6敌方毁伤程度1高 78.9中 19.1低 1.99无损 87.6轻损 9.73重创 2.17摧毁 0.51敌方防御能力1强 95.1中 2.33弱 2.57我方导弹命中率1多 95.1中 2.77少 2.15高 47.5中 23.0低 29.5多方飞机数量1高 85.6中 12.4杀伤率1生存率1敌方飞机数量1多 92.6中 5.22少 2.21敌方导弹命中率T高 76.7中 14.6低 8.73我方毁伤程度1无损 88.6轻损 8.89重创 2.00摧毁 0.47强 94.9中 2.40弱 2.67我方防御能力1敌方机动能力1好 92.8中 2.95差 4.28我方导弹性能1敌方导弹性能1优 92.1良 7.93优 81.4良 18.6我方机动能力1好 93.0中 2.84差 4.21我方预警机性能T优 93.0良 7.00敌方预警机性能T优 92.1良 7.85DFFJSL=state0 0.7,state 1 0.2,state 2 0.1指挥决策5攻击 33.5规避 66.5敌方毁伤程度5高 38.3中 36.2低 25.6无损 22.1轻损 6.09重创 25.6摧毁 46.2敌方防御能力5强 89.1中 6.84弱 4.04我方导弹命中率5多 70.3中 22.6少 7.08高 56.1中 27.8低 16.1多方飞机数量5高 60.8中 24.7低 14.5杀伤率5生存率5敌方飞机数量5多 62.7中 18.0少 19.3敌方导弹命中率5高 63.9中 21.5低 14.6我方毁伤程度5无损 77.2轻损 16.2重创 5.59摧毁 1.01强 12.9中 9.18弱 77.9我方防御能力5敌方机动能力5好 20.6中 6.15差 73.2我方导弹性能5敌方导弹性能5优 83.9良 16.1优 78.8良 21.2我方机动能力5好 86.3中 8.00差 5.73我方预警机性能5优 82.9良 17.1敌方预警机性能5优 84.5良 15.5DFFJSL4=state0 0.3,state 1 0.3,state 2 0.4张财生等：基于贝叶斯网络的舰机协同动态结果预测研究80舰 船 电 子 工 程2023 年第 5 期因此需要在下一时刻“继续攻击”的概率接近80%；从时刻3开始，蓝方的毁伤程度增高，红方已经初步具备了一些优势但并不明显，因此需要二次进攻，但是“继续攻击”的概率比第1时刻有所降低；到了第5时刻，蓝方单元已经接近被全部摧毁，此时需要“继续攻击”的概率为33.5%，说明继续攻击的价值很低，可以判定为如果继续作战，红方胜率虽然很高，但因为蓝方有生作战力量很少，所以实际意义不大、性价比不高，可以选择停止攻击（规避）。在这个动态贝叶斯网络中的“攻击”实际上是“二次攻击”。从以上分析可以看出，在Netica仿真下的动态过程预测结果符合实际且具有一定的可靠性，可以起到为指挥员提供决策参考的作用。另外在进行航母战的动态过程预测时，可以使用这个网络模型，通过增加有关舰艇的新的特征量使仿真结果更接近舰机协同作战。在得到战机对战机的胜率后，可同理获得舰艇对舰艇、舰艇对潜艇、飞机对舰艇等其他交战结果，然后在专家意见下获取各作战类型相对于整个舰机协同作战的条件分布概率，就可获得该航母战的获胜概率。5结语本文基于动态贝叶斯网络对舰机协同作战动态过程预测进行了仿真模拟。在分析舰机协同作战的相关问题后，确定了七个特征变量，并根据特征变量之间的相互联系确定了贝叶斯网络结构，设定了一个案例背景进行仿真，在使用Netica软件建立基于贝叶斯网络的仿真模型后，对网络进行模拟，然后对结果进行了分析评估，评估结果符合战场实际，可以达到对战争进行动态过程预测，为编队指挥员提供正确决策的目的。参 考 文 献1Mehrabian A.R.，Lucas C.A.Novel Numerical Optimization Algorithm Inspired from Weed ColonizationJ.Ecological Informatics，2006，1（4）：355-366.2Ravindra A.，Arvind K.，Krishna J.，et al.Exact and Heuristic Methods for the Weapon Target Assignment ProblemJ.Operations Research，2007，55（6）1136-1146.3 SONG Chenyang，ZHANG Yixin，XU Zeshui.An improved structure learning algorithm of Bayesian Networkbased on the hesitant fuzzy information flowJ.AppliedSoft Computing Journal，2019（10）：49-55.4刘艳杰，李霞.基于贝叶斯网络的学生成绩预测 J.山东理工大学学报（自然科学版），2019（05）：75-78.5牛兆捷.基于贝叶斯网络的NBA比分预测和球员能力评估模型 D.武汉：华中科技大学，2012：1-26.6陈固胜.基于动态贝叶斯网络的战场信息预测与评估D.南京：南京理工大学，2013：30-46.7张亮，彭欣.基于贝叶斯网络的态势评估 C/中国国防科学技术信息学会雷达专业情报网，2011：93-95.8张财生，腊笑璞.航母编队作战中预警机阵位配置研究J.舰船电子工程，2022，42（6）：5-9.9张财生，司沈闯.美军预警机与舰载雷达协同预警探测J.指挥控制与仿真，2020，42（3）：3-7.10叶海军，雷川.E-2D 预警机形成初始作战能力的实质J.指挥与控制学报，2017（2）165-170.11朴成日.航母编队远程防空兵力配置方法 J.舰船电子工程，2020，40（8）：5-9.12梅权，陈金良，王三强.预警机伴随支援下的飞机整体作 战 能 力 评 估J.火 力 与 指 挥 控 制，2013（7）：178-180.J.电子世界，2013（12）：164-165.6王宏安.智能人机交互 M.北京：电子工业出版社，2020：54-80.7Yoshikuni Shinohara，Hozumi Usui，Yoshio Fujii.Development of telerobotic manipulators for reactor dismantlingwork J.Advanced Robotics，2012，8（1）：95-119.8Rautaray S S，Agrawal A.Vision based hand gesture recognition for human computer interaction：a survey J.Artificial intelligence review，2015，43（1）：1-54.9卞迁，齐薇，刘志方，等.当代眼动记录技术述评 J.心理研究，2009（01）：34-37.10阎国利.眼动分析法在心理学中的应用 M.天津：天津教育出版社，1998：45-58.11陈霞，刘双.海军装备领域人因工程研究现状及发展J.舰船科学技术，2017，39（4）：8-13.12赵其杰，邵辉，卢建霞.基于头眼行为的交互意图检测方法 J.仪器仪表学报，2014，35（10）：2313-2320.13徐晓玲.基于眼动追踪技术的视觉认知研究 J.美术教育研究，2012，19：44-45.（上接第66页）81