有限样本下基于DBN的目标威胁估计方法研究

作     者：毛莹 

作者单位：哈尔滨工程大学 

学位级别：硕士

导师姓名：叶方

授予年度：2023年

学科分类：11[军事学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 1109[军事学-军事装备学] 

主      题：目标威胁估计 动态贝叶斯网络 结构学习 参数学习 威胁等级推理 

摘      要：威胁估计是指挥决策和行动控制的基础,是作战辅助决策研究的重要内容。目标威胁估计是威胁估计中的重要组成部分。现代战争的作战手段以及作战方式多样化导致战场上的信息具有不完全性和不确定性,影响目标威胁估计的准确性,进而影响战场上的指挥决策。动态贝叶斯网络(Dynamic Bayesian Network,DBN)作为静态贝叶斯网络的时间扩展,由于其良好的对变量间的相互依赖关系的建模能力、随时间演化能力以及对不确定信息的处理能力,十分适合应用于目标威胁估计。但是在有限样本下,存在目标威胁估计特征量间的因果关系以及因果关系的强弱描述不清晰,进而导致目标威胁估计准确性降低的问题,因此本文开展有限样本下基于动态贝叶斯网络的目标威胁估计研究。由于样本数据有限无法正确表明目标威胁估计特征量间的因果关系,影响了结构学习的效果,从而降低了目标威胁估计准确性。针对该问题,本文提出了一种基于改进黏菌算法(Improved Slime Mold Algorithm,ISMA)的DBN混合结构学习方法。该算法首先通过条件独立性检验删除了无直接因果关系的特征量间的连接边,减少了搜索空间,提高了学习效率。然后结合交叉算子和变异算子改进黏菌算法使其更加适用于目标威胁估计的DBN结构的搜索,利用ISMA进行变量间边的搜索,获得每个特征量之间的因果关系,从而得到目标威胁估计的DBN的最佳网络结构。实验结果表明,基于ISMA的DBN混合结构学习方法的准确性和时效性均优于其他同类对比算法,且该算法能够学习到正确的目标威胁估计DBN结构。由于有限样本数据无法正确描述目标威胁估计特征量间因果关系的强弱,影响了参数学习的准确性,进而降低了目标威胁估计的准确性。针对此问题,本文提出了一种基于特征量相关性的模糊K近邻算法(Correlation of Feature-Fuzzy K Nearest Neighbor,CF-FKNN)用于DBN参数学习。首先计算特征量之间的相关性,并将其作为参考因子引入到模糊K近邻算法(K Nearest Neighbor,KNN)进行数据填充,将不完备数据变为完备数据,扩大了可使用的样本数据容量;利用基于贝叶斯估计的参数学习算法得到DBN的参数。实验结果表明,CF-FKNN填充的准确性优于其他同类型的算法,且该算法能够获得更加贴合于目标威胁估计的DBN参数,更能够准确地描述特征量间因果关系的强弱,将其应用到战场环境下的目标威胁估计中,目标威胁等级估计结果与假设一致。针对利用DBN进行目标威胁等级推理时需要将DBN沿时间片展开,导致推理计算量大,计算复杂度高的问题,本文提出了一种基于灰狼优化的三角化算法(Triangulation Optimization Algorithm based on Gray Wolf Optimization,TOA-GWO)的DBN连结树推理算法。该方法首先利用TOA-GWO完成DBN的三角化,得到最优的特征量节点消去顺序,从而生成最小状态空间的连结树;并在此基础上进行目标威胁估计的消息传递,进而完成目标威胁等级的推理。实验结果表明,TOA-GWO较同类型的算法具有更好的收敛速度并且能够得到更低状态空间值的连结树。此外,将基于TOA-GWO的DBN连结树推理算法应用到战场环境下的目标威胁估计中,目标威胁等级估计结果与假设完全一致。