基于贝叶斯网络的厂房建筑毁伤效果评估

基于贝叶斯网络的厂房建筑毁伤效果评估

1及时、准确地进行打击效果评估,提高战术资源的利用效率在战争中，正确理解和评估战争影响，及时评估效果，及时组织后续行动，是士兵应关注的重要问题。在第一次进攻和进攻后，必须利用各种搜查手段和渠道，及时、准确地确定进攻的实际效果以及敌人部队的变化和修复，不断更改后的目标、作战方法和重点，组织部队迅速做好再进攻准备。及时、正确评估执行效果，不仅可以为指挥和指挥人员适应火力行动的决心，以及正确的决策和指挥，而且可以充分利用火力，提高战争资源的利用效率，避免由于错误操作和战争资源浪费。2增加了区域的破坏能力由于楼房建筑结构的不同,所采用建筑材料的不同,以及常规导弹击中建筑物部位的不同,所造成的建筑物损坏程度会有所不同.此外,所使用作战武器不同,从卫星图像上所反映出的建筑物受损情况也不同,如侵彻弹头只会在建筑物上留下一个不大的洞,至于弹头在建筑物内部爆炸所造成的毁伤程度,在图像上反映不出来;再如石墨炸弹在建筑物外表爆炸,图像上会反映出一个很大的黑斑(其实建筑物内部没造成毁伤).这些都会影响毁伤效果评估的准确性.某常规导弹爆炸产生的冲击波、热作用会对建筑物产生一定的破坏作用,但由于威力有限,很难对建筑物的承重结构造成影响.如果多枚导弹击中同一建筑的承重结构,建筑物容易造成倒塌;如果未击中承重结构,建筑物的主体不受影响,经过修复可以重新使用.地面建筑物作为很多重要军事部门的所在地,是军事打击的重要目标,对于建筑物的打击一般采用半穿甲战斗部侵彻爆破的形式.利用数值模拟方法对典型的建筑物内部爆炸问题进行研究,可以模拟出受到不同的弹头攻击下建筑结构对爆炸作用的响应及破坏过程和范围的先验概率.需要指出的是,楼房结构的破坏模式并不能从根本上反映楼房建筑物所承担的功能毁伤,它们也不存在一一对应的关系.建筑物所承担的功能不同,则对其打击方式也不一样,但是在图像中表现的形式却是一样.例如,图1所示楼房建筑物(通信楼)结构局部坍塌,如果并没有把楼房的通信设施彻底毁伤和电力设施彻底破坏,其作为通信楼的功能在战时则几乎不受影响.同样不同的战斗部类型对同一目标实施打击,即使在表面上表现相同,其内部结构损伤与功能毁伤也会不一样.3贝叶斯网络模型:不确定性证据融合和动态评估楼房建筑物的自动毁伤评估可以分两步进行,第一步是根据获得的毁伤图像对建筑物进行物理毁伤评估,获得物理毁伤信息.第二步是在建筑物物理毁伤评估的基础上进行功能毁伤估计.物理毁伤评估结果是功能毁伤评估的基础,所以在物理毁伤评估过程应该确保其过程与结果的可信性.然而由于战场环境极端复杂,情报获取过程高度对抗,情报来源多样,导致建筑物目标的打击效果证据(初始情报、中间结论、实时情报)具有一定的不确定性和延时性.为了克服这些不良影响,运用贝叶斯网络对建筑物目标打击效果进行评估,从不确定性的初始证据出发,以概率的方式表达并动态地融合各种不确定性证据,在充分利用总体信息、样本信息、先验信息的基础上最终推出具有一定不确定性但却合理或近乎合理的评估结论.由于重视先验信息的搜集、挖掘和加工,使其数量化,形成先验分布,因此能够有效地提高评估质量.3.1研究方法与模型构建构建一个指定领域的贝叶斯网络包括以下三项内容:(1)确定与建立模型有关的领域变量以及它们的可能值和解释.主要包括三方面内容:确定模型的目标,即确定相关问题的解释;确定与问题有关的很多可能的观测值,并确定其中建立模型的子集;将这些观测值组成互不相容的而且可以穷尽所有状态的变量.(2)标识变量间的依赖关系,并以图形化的方式表示出来,也即建立一个条件独立的有向无环图.对于由n个节点构成的贝叶斯网络来说,n个节点所构成的所有的有向无环图都可能作为贝叶斯网络的结构.根据Robinson的研究,所有可能的贝叶斯网络结构数目至少是贝叶斯网络节点数的指数表达式,从如此大的结构假设空间中搜索出一个好的结构显然是一个NP-Hard问题,无法直接计算,需要使用其它方法如遗传算法等解决.不过,功能毁伤评估过程中,由人类专家决定因果关系,而且因果关系一般都对应于条件独立的断言.因此,可以从原因变量到结果变量以有向弧直观表示变量之间的因果关系.(3)学习变量间的分布参数,获得局部概率分布表.在离散的情形,需要为每一个变量的各个父节点的状态指派一个分布.这三项工作一般是按顺序执行的,然而在构造过程中,一般需要在下面两个方面进行折中:一方面为了达到足够的精度,需要构建一个足够大的、丰富的网络模型;另一方面,要考虑构建、维护模型的费用和考虑概率推理的复杂性.一般来讲,模型结构越复杂,其概率推理的复杂性也越高,这往往是影响贝叶斯网络效率的一个重要方面.实际上,建立一个贝叶斯网络是一个反复交互的过程,需要不断对上述三项工作进行迭代.由上可知,当确定网络的节点后,剩下的主要任务就是通过学习或者其它方法确定它的结构和参数.贝叶斯网络的结构学习是利用训练样本集并尽可能结合先验知识确定出最合适的网络拓扑结构:首先定义一个关于结构的测度,再分别计算出各个可能结构的测度值,从中选取测度值最优的结构作为贝叶斯网络结构.关于贝叶斯网络的参数学习人们已经做了大量的研究工作.常见的参数学习算法有贝叶斯算法、最大似然估计算法、EM算法等.相对于训练样本数据集完整和不完整的情况,参数学习算法也不相同.在目前的毁伤评估研究中,由于实际数据缺乏,暂时无法通过数据来对网络的结构和条件概率进行学习和训练,因此需要知识工程师和领域内的专家协力合作对网络进行建模及给定节点的CPT.3.2建立贝叶斯网络模型在分析建筑物功能毁伤评估的结构层次的基础上,建立毁伤评估贝叶斯网络模型的步骤如下:确定网络中的节点(变量);确定节点间的因果关系;简化模型.建立楼房建筑贝叶斯网络模型如图2所示.3.3其它节点状态首先要确定节点的状态:功能毁伤等级:这里,对目标的毁伤提出了四个等级,即摧毁、严重毁伤、中度毁伤和轻度毁伤.目标被摧毁,表明目标结构遭到彻底破坏,功能完全丧失;目标严重毁伤,是指目标的功能丧失了60%～80%;目标中度毁伤,是指目标的功能丧失30%～60%;目标轻度毁伤,是指目标的功能丧失30%以下.依据功能毁伤等级的划分标准,确定其它节点状态如下:战斗部类型:整体式杀伤爆破弹、侵彻爆破引燃多功能战斗部;物理毁伤等级:摧毁、严重毁伤、中度毁伤和轻度毁伤;起火:大火、小火和无火;内部结构毁伤等级:严重毁伤、中度毁伤、轻度毁伤和完好;设备毁伤等级:严重毁伤、中度毁伤、轻度毁伤和完好;人员损伤状况:重伤、轻伤、完好.贝叶斯网络结构建立之后,要利用网络进行推理、毁伤评估就必须确定网络参数:分配根节点的先验概率和每个非根节点的条件概率分布表(CPT).由于实际数据缺乏,这两项均暂时需要专家根据主观经验事先给出.虽然对一个复杂的网络结构来说,很多毁伤评估的情况具有较大的不确定性,并且有些数据即使是专家也不好随意给定,凭经验给出有可能会造成比较大的偏差.但就目前的情况,为了降低概率推导的难度和模型的建立,需要假定这是一个完备的数据结构,所有的先验概率和CPT都能够由专家给出.例如:内部结构毁伤节点由专家建议建立战斗部节点CPT见表1.其它节点的先验概率也可以照此法建立.4软件的推理与评估为了说明模型的应用方法,这里运用贝叶斯网络推理软件MSBNx对模型进行推理.需要说明的是,导弹打击效果评估系统中应该集成网络推理功能才能实现打击效果自动评估.具体评估过程如下:(1)毁伤前后屋顶对照由于不能得到真实的建筑物毁伤图,所以通过对图3(a)做适当变化的毁伤仿真图3(b)和图3(c)是提取毁伤建筑物前后屋顶对照图.图像来源于文献.(2)毁伤参数对照基于实际应用需要,这里给出的是楼房建筑打击前后部分参数的对比,建筑依据不同的特征提取的参数有所区别,为毁伤研究的需要,在陈光研究的基础上,选取图像的清晰度、图像清晰度图、图像细节能量、图像边缘能量等纹理特征和屋顶面积为毁伤参数.表2列出的毁伤参数对照为图3(c)图中屋顶特征毁伤前后的对比.(3)屋顶毁伤评估物理毁伤等级确定方法是由计算的屋顶毁伤比例确定.计算屋顶毁伤比例:P=(2392−640)/2392=0.73.Ρ=(2392-640)/2392=0.73.屋顶毁伤比例为0.73,根据评估准则可以确定楼房建筑的物理毁伤等级为B级——重度毁伤.也可以根据其它的纹理特征确定物理毁伤结果,这里不重点讨论.(4)节点cpt和评估结果a.建立毁伤评估模型:MSBNx是微软公司开发的贝叶斯网络推理工具,它能够支持贝叶斯网络模型的建立、推理及评估整个过程.根据3.2节建立的模型见图4.建立好贝叶斯网络模型后要确立贝叶斯节点参数,贝叶斯节点参数的确定按照3.2节进行确定,由于此软件不支持中文显示,所以要把楼房建筑的节点简单地翻译成英语,表3是节点中英文对照表.b.确定节点状态:各个节点的表示方法均使用ABCD级的表示方法,具体表示根据参考3.3节建立.图5是结构损伤节点的状态表示法,其它节点表示方法相同.c.确定节点CPT:建立贝叶斯网络模型最重要的是确立各个节点的CPT,如前所述,为了说明模型的实用性,这里采用专家评判法给出各个节点的先验概率,在实际应用中,这些参数也是通过实验取得或者专家给出.由于有7个节点,限于篇幅,这里只给出结构毁伤节点的CPT,其它节点略去.d.评估结果:贝叶斯网络参数确立好之后,就可以运用软件计算出各个在节点的毁伤等级状态,如图7所示.图7显示了各个节点的不同毁伤级别的状态值(概率),图中显示战斗部位侵彻爆破引燃多功能战斗部,外部物理毁伤评估结果毁伤等级为B级时,推理出的功能毁伤等级概率值保留小数点两位为A级:0.3267(0.33);B级:0.2499(0.25);C级:0.2141(0.21);D级:0.2080(0.21).e.结果分析:贝叶斯网络评估的结果是以各个状态发生的概率的形式呈现,而且在大多数情况下,相邻等级的两个状态发生的概率相差不大,为了操作方便,有必要对结果进行适当的分析处理.在此尝试使用最大概率法对结果进行分析.由于结果表现为概率形式,一般可以用毁伤等级发生概率最大的等级作为最后的功能毁伤等级.即:XL=max(P(A),⋯,P(L),⋯,P(D)),L=A‚B‚C‚D.XL=max(Ρ(A),⋯,Ρ(L),⋯,Ρ(D)),L=A‚B‚C‚D.则L为评估毁伤等级.以上结果显示:XL=max(P(A),⋯,P(L),⋯,P(