本發(fā)明涉及一種利用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行威脅評估的建模方法。

背景技術(shù)：

對威脅源完成快速準(zhǔn)確的威脅評估是實際作戰(zhàn)的關(guān)鍵環(huán)節(jié)。一方面，在錯綜復(fù)雜、瞬息萬變的作戰(zhàn)環(huán)境中，敵方干擾及傳感器性能局限等因素導(dǎo)致獲取信息量或觀測數(shù)據(jù)量不充分；另一方面，有時為了完成“先敵決策，先敵打擊”的戰(zhàn)術(shù)任務(wù)，不得不在數(shù)據(jù)尚不充分時進(jìn)行威脅評估和作戰(zhàn)決策。因此，亟需一種能夠在不充分的數(shù)據(jù)條件下進(jìn)行威脅評估建模的方法，這里將不充分?jǐn)?shù)據(jù)稱為小數(shù)據(jù)集。目前威脅評估建模方法的主要思想是根據(jù)評估對象選取威脅因子，進(jìn)而將這些威脅因子進(jìn)行綜合。主要的方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)、vague集、專家系統(tǒng)、模糊推理、線性加權(quán)和層次分析法等。在上述的方法中，僅有貝葉斯網(wǎng)絡(luò)和支持向量機(jī)具有在小數(shù)據(jù)集條件下進(jìn)行建模的能力，與支持向量機(jī)相比，貝葉斯網(wǎng)絡(luò)具有類似人腦的概率理論基礎(chǔ)、可解釋的知識表述方式和靈活的推理機(jī)制。余舟毅等在文獻(xiàn)《基于貝葉斯網(wǎng)絡(luò)的威脅等級評估算法研究》中研究了基于貝葉斯網(wǎng)絡(luò)的推理模型和推理算法，但是其中涉及的貝葉斯網(wǎng)絡(luò)模型是根據(jù)經(jīng)驗主觀給出的，缺少結(jié)合數(shù)據(jù)進(jìn)行模型構(gòu)建的過程，同時并不具備處理小數(shù)據(jù)集的能力。覃征等人在文獻(xiàn)《基于模糊動態(tài)貝葉斯網(wǎng)絡(luò)的態(tài)勢威脅評估方法》中研究了數(shù)據(jù)模糊化過程、數(shù)據(jù)提取以及威脅評估的推理過程，但是同樣未涉及小數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)模型構(gòu)建過程。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于小數(shù)據(jù)集的威脅評估建模方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟：

步驟1，對戰(zhàn)場信息中的威脅數(shù)據(jù)進(jìn)行預(yù)處理，包括目標(biāo)速度v、進(jìn)入角之和a、敵我距離dis以及目標(biāo)威脅程度t，其中，目標(biāo)速度vu為無人機(jī)速度；進(jìn)入角之和為目標(biāo)速度方向與目標(biāo)線的夾角和無人機(jī)速度方向與目標(biāo)線夾角之和；敵我距離為目標(biāo)與無人機(jī)之間的距離；目標(biāo)威脅程度

步驟2，將威脅數(shù)據(jù)作為節(jié)點，利用領(lǐng)域知識獲取威脅數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)約束，改進(jìn)bic評分其中，mijk是樣本數(shù)據(jù)中滿足xi＝k、其父節(jié)點π(xi)＝j(luò)的樣本個數(shù)，m為樣本數(shù)據(jù)總量，e為結(jié)構(gòu)約束中對應(yīng)邊的存在概率，δ為調(diào)節(jié)參數(shù)，δ取10～100，i表示網(wǎng)絡(luò)中第i個節(jié)點變量，n為節(jié)點變量數(shù)，qi為第i個節(jié)點的父節(jié)點取值狀態(tài)數(shù)，ri為第i個節(jié)點的子節(jié)點取值狀態(tài)數(shù)；

步驟3，采用k2算法學(xué)習(xí)威脅評估網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，步驟如下：

步驟a，從一個包含n個節(jié)點變量卻沒有邊的圖出發(fā)開始搜索；

步驟b，按照節(jié)點序ρ(x1，x2，...xi...，xn)進(jìn)行搜索，在節(jié)點xi，將排在節(jié)點xi之前的變量進(jìn)行組合，并從中選出節(jié)點xi的父節(jié)點集π(xi)，找出使改進(jìn)bic評分達(dá)到最大的父節(jié)點集π(xi)；

步驟c，判斷i是否等于n，如果相等，則算法結(jié)束，輸出所得網(wǎng)絡(luò)結(jié)構(gòu)；否則，i值加一并返回步驟b；

步驟4，利用步驟3得到的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)獲取網(wǎng)絡(luò)參數(shù)的單調(diào)性約束，對于由n個變量x＝{x1，x2，...xn}組成的貝葉斯網(wǎng)g，設(shè)g中的節(jié)點xi有r種取值且取值狀態(tài)集合為{1，2，...，k，...r}，其父節(jié)點集π(xi)有q個取值且取值狀態(tài)集合為{1，2，...，j，...q}，令θijk＝p(xi＝k|π(xi)＝j(luò))，則有θj1≤θij2≤......≤θijr或θij1≥θij2≥......≥θijr；

步驟5，根據(jù)參數(shù)的規(guī)范性，即父節(jié)點取值狀態(tài)相同而子節(jié)點取值不同的一組參數(shù)相加的和為1，獲取參數(shù)的取值區(qū)間

步驟6，認(rèn)為參數(shù)在步驟5給出的取值區(qū)間內(nèi)服從均勻分布，設(shè)參數(shù)θ服從u(θ1，θ2)，[θ1，θ2]為參數(shù)取值范圍，用b(α1，α2)等效u(θ1，θ2)，即獲取參數(shù)貝塔先驗分布的超參數(shù)和其中，均勻分布的期望均勻分布的二階矩

步驟7，利用貝葉斯估計得到參數(shù)學(xué)習(xí)的結(jié)果式中nijk為符合父節(jié)點取值為j、子節(jié)點取值為k時的樣本數(shù)，nij為父節(jié)點取值為j時的樣本數(shù)，[αi，αj]為貝塔分布的超參數(shù)。

本發(fā)明的有益效果是：針對小數(shù)據(jù)集條件下的威脅評估建模問題，通過在結(jié)構(gòu)建模階段中引入貝葉斯網(wǎng)絡(luò)邊的存在約束，在參數(shù)建模階段引入?yún)?shù)單調(diào)性約束，彌補了小數(shù)據(jù)集所包含信息不充分導(dǎo)致建模精度差的問題，不僅為小數(shù)據(jù)集條件下的威脅評估建模問題提供了一條可行的解決途徑，而且也為其它領(lǐng)域中的小數(shù)據(jù)集建模問題提供了可參考的方法，具有較為廣泛的應(yīng)用前景。

附圖說明

圖1是無人機(jī)戰(zhàn)場想定圖；

圖2是貝葉斯網(wǎng)絡(luò)邊的存在約束示意圖；

圖3是本文結(jié)構(gòu)學(xué)習(xí)算法的中間結(jié)果示意圖；

圖4是20組數(shù)據(jù)量所得威脅評估bn結(jié)構(gòu)示意圖，其中，(a)是本文算法所得威脅評估bn結(jié)構(gòu)，(b)是原始k2算法所得威脅評估bn結(jié)構(gòu)；

圖5是k2算法5000組數(shù)據(jù)所得的威脅評估bn結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明，本發(fā)明包括但不僅限于下述實施例。

本發(fā)明提供了一種基于小數(shù)據(jù)集的威脅評估建模方法，具體包含以下幾個步驟：

步驟1：威脅數(shù)據(jù)的預(yù)處理

數(shù)據(jù)預(yù)處理包含威脅因素的選取和威脅數(shù)據(jù)的離散化。選用如圖1所示的戰(zhàn)場想定，想定中威脅目標(biāo)包括雷達(dá)和防空陣地，我方有人機(jī)指揮無人機(jī)對敵方陣地進(jìn)行防空壓制。戰(zhàn)場環(huán)境的復(fù)雜性決定了與威脅相關(guān)的因素非常多，本發(fā)明選取部分威脅因素作為威脅評估建?？紤]的因子，下面給出所選的威脅因素和離散化的方法。

(1)目標(biāo)速度(velocity，v)：特指速度大小，無人機(jī)速度記為vu

(2)進(jìn)入角之和(angel，a)：目標(biāo)速度方向與目標(biāo)線的夾角和無人機(jī)速度方向與目標(biāo)線夾角之和

(3)敵我距離(distance，dis)：目標(biāo)與無人機(jī)之間的距離

(4)目標(biāo)威脅程度(threat，t)，目標(biāo)對我方作戰(zhàn)單元威脅程度

步驟2：利用結(jié)構(gòu)約束改進(jìn)bic評分。

(1)根據(jù)領(lǐng)域知識獲取的貝葉斯網(wǎng)絡(luò)邊的存在約束如圖2所示。其中，虛線表示兩個節(jié)點之間不存在邊的概率，帶箭頭的實線表示存在邊的概率。

(2)通過圖2中給出的邊的存在約束改進(jìn)bic評分函數(shù)。結(jié)合評分函數(shù)的可分解性，將圖2中的邊的存在約束以一種類似局部結(jié)構(gòu)先驗的方式融入到結(jié)構(gòu)學(xué)習(xí)評分中，進(jìn)而得到改進(jìn)后的bic評分如公式(1)所示。

其中，mijk是樣本數(shù)據(jù)中滿足xi＝k，其父節(jié)點π(xi)＝j(luò)的樣本個數(shù)，m為樣本數(shù)據(jù)總量，e為結(jié)構(gòu)約束中對應(yīng)邊的存在概率，δ為調(diào)節(jié)參數(shù)，建議δ在10到100之間取值，i為網(wǎng)絡(luò)中節(jié)點變量的下標(biāo)，n為節(jié)點變量數(shù)，qⁱ為父節(jié)點取值狀態(tài)數(shù)，rⁱ為子節(jié)點取值狀態(tài)數(shù)。

步驟3：結(jié)合改進(jìn)后的bic評分，采用k2算法學(xué)習(xí)威脅評估網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。具體步驟如下：

步驟a：從一個包含n個節(jié)點變量卻沒有邊的圖出發(fā)開始搜索。

步驟b：按照節(jié)點序ρ(x1，x2，...xi...，xn)進(jìn)行搜索，以xi為例，將排在節(jié)點xi之前的變量進(jìn)行組合，并從中選出xi的父節(jié)點集π(xi)，通過計算vnew＝bic((xi，π(xi))|d)，找出使vnew＝bic((xi，π(xi))|d)達(dá)到最大的父節(jié)點集π(xi)，需要注意的是：x1的父節(jié)點集是空集。這里的評分為步驟2中的改進(jìn)bic評分。

步驟c：判斷i是否等于n，如果相等，則算法結(jié)束，輸出所得網(wǎng)絡(luò)結(jié)構(gòu)。否則，執(zhí)行i＝i+1返回步驟b。

步驟4：利用步驟3得到的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)獲取網(wǎng)絡(luò)參數(shù)的單調(diào)性約束。一個由n個變量x＝{x1，x2，...xn}組成的貝葉斯網(wǎng)g，不失一般性，設(shè)g中的節(jié)點xi有r種取值且取值狀態(tài)集合為{1，2，...，k，...r}，1≤k≤r，其父節(jié)點集π(xi)有q個取值且取值狀態(tài)集合為{1，2，...，j，...q}，1≤j≤q。令θijk＝p(xi＝k|π(xi)＝j(luò))，則有θij1≤θij2≤......≤θijr或θij1≥θij2≥......≥θijr。

步驟5：結(jié)合單調(diào)性約束和參數(shù)的規(guī)范性獲取參數(shù)的取值區(qū)間。參數(shù)的規(guī)范性的含義為：父節(jié)點取值狀態(tài)相同而子節(jié)點取值不同的一組參數(shù)相加的和為1。具體的轉(zhuǎn)化過程可參考公式(2)。

步驟6：結(jié)合步驟5中參數(shù)的取值區(qū)間獲取參數(shù)貝塔先驗分布的超參數(shù)。公式(2)給出了參數(shù)的取值范圍，在無其它先驗的情況下，則可認(rèn)為參數(shù)在區(qū)間內(nèi)服從均勻分布。設(shè)參數(shù)θ服從u(θ1，θ2)，[θ1，θ2]為參數(shù)取值范圍。問題轉(zhuǎn)化為如何用b(α1，α2)等效u(θ1，θ2)，即：

采用矩估計求解公式(3)所描述的問題，具體步驟如公式(4)～(6)所示。

其中，[α1，α2]為待求貝塔分布的超參數(shù)，m1為貝塔分布的期望，m2為貝塔分布的二階矩，m1為均勻分布的期望，m2為均勻分布的二階矩。

步驟7：結(jié)合步驟6得到的貝塔先驗分布的超參數(shù)，利用貝葉斯估計得到參數(shù)學(xué)習(xí)的結(jié)果。具體方法可參考公式(7)，式中nijk為符合父節(jié)點取值為j，子節(jié)點取值為k時的樣本數(shù)，nij為父節(jié)點取值為j時的樣本數(shù)，[αi，αj]為貝塔分布的超參數(shù)。

通過計算機(jī)仿真對本算法進(jìn)行了虛擬實施，具體實施過程如下：

步驟1通過對圖1所示的戰(zhàn)場任務(wù)想定進(jìn)行仿真，獲取戰(zhàn)場信息并進(jìn)行離散化，進(jìn)而得到威脅信息數(shù)據(jù)，如表1所示。

表1經(jīng)過數(shù)據(jù)預(yù)處理后的部分威脅信息數(shù)據(jù)

步驟2利用領(lǐng)域知識獲取的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)約束如圖2所示。目標(biāo)威脅節(jié)點為1號節(jié)點，目標(biāo)距離、目標(biāo)與無人機(jī)的進(jìn)入角之和以及目標(biāo)速度節(jié)點分別為2、3、4號節(jié)點。

步驟3結(jié)合步驟2中的結(jié)構(gòu)約束和公式(1)給出的改進(jìn)后的bic評分，采用k2算法學(xué)習(xí)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

步驟a：從一個包含4個節(jié)點變量卻沒有邊的圖出發(fā)開始搜索。

步驟b：按照節(jié)點序ρ(x1，x2，x3，x4)進(jìn)行搜索，x1的父節(jié)點集是空集，從i＝2開始，通過計算vnew＝bic((xi，π(xi))|d)，找出使vnew＝bic((xi，π(xi))|d)達(dá)到最大的父節(jié)點集π(xi)，這里的評分為步驟2中的改進(jìn)bic評分，d為樣本數(shù)據(jù)。

步驟c：判斷i是否等于4，如果相等，則算法結(jié)束，返回所得網(wǎng)絡(luò)結(jié)構(gòu)。否則，執(zhí)行i＝i+1返回步驟b。

圖3給出了結(jié)構(gòu)學(xué)習(xí)算法的中間結(jié)果，最終得到的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。圖4(a)給出了利用本文算法得到的威脅評估bn結(jié)構(gòu)。圖4(b)給出了經(jīng)典k2算法得到的威脅評估bn結(jié)構(gòu)。圖5給出了樣本數(shù)據(jù)為5000時經(jīng)典k2算法所得的威脅評估bn結(jié)構(gòu)。通過對比分析發(fā)現(xiàn)，與經(jīng)典k2算法相比，本文算法在數(shù)據(jù)量為20時所得的威脅評估bn結(jié)構(gòu)與數(shù)據(jù)量為5000時所得的結(jié)構(gòu)更為接近，說明本文算法能夠更好的適應(yīng)小數(shù)據(jù)集，在小數(shù)據(jù)集條件下能夠獲得較高的結(jié)構(gòu)學(xué)習(xí)精度。

步驟4結(jié)合步驟3得到的威脅評估bn結(jié)構(gòu)獲取參數(shù)的單調(diào)性約束，如公式(8)～(10)所示。

步驟5利用公式(2)并結(jié)合步驟4給出的參數(shù)單調(diào)性計算得到參數(shù)的取值范圍，具體如公式(11)所示。

步驟6利用公式(3)～(6)和步驟5中得到的參數(shù)區(qū)間求解參數(shù)貝塔先驗的超參數(shù)，具體如公式(12)～(13)所示。

步驟7利用公式(7)和步驟6中得到的參數(shù)貝塔先驗的超參數(shù)計算威脅評估bn參數(shù)，具體結(jié)果如表2～4所示。表2是數(shù)據(jù)量為5000時最大似然估計算法所得的參數(shù)，表3是數(shù)據(jù)量為20時最大似然估計算法所得參數(shù)，表4是數(shù)據(jù)量為20時本文算法所得參數(shù)。

表2數(shù)據(jù)量為5000時最大似然估計所得參數(shù)

表3數(shù)據(jù)量為20時最大似然估計所得參數(shù)

表4數(shù)據(jù)量為20時本文算法所得參數(shù)

通過對比分析發(fā)現(xiàn)，在數(shù)據(jù)量為20時，與最大似然估計算法相比，本文算法所得的參數(shù)更接近于數(shù)據(jù)量為5000時所得的參數(shù)，說明本文算法更適應(yīng)于小數(shù)據(jù)集條件下的bn參數(shù)學(xué)習(xí)問題，具有更高的學(xué)習(xí)精度。