态势估计方法综述

态势估计方法综述0引言数据融合的概念是在20世纪70年代初期由美国海军首先提出的[1]。而数据融合包括态势估计这个过程（见图1），可以说态势估计这个概念就是这个时候产生的。态势估计是军事智能决策过程中的重要环节。在军事领域中，态势估计至今没有统一的定义。在大量关于态势估计的功能描述，最著名的是美国JDL的描述：态势估计是建立关于作战活动、事件、时间、位置和兵力要素组织形式的一张视图。该视图将所获得的所有战场力量的部署、活动和战场周围环境、作战意图及机动性结合起来，分析并确定发生的事件，估计敌方的兵力结构、使用特点，最终形成战场综合态势图[2]。态势估计应该包括下述过程：1，生成当前态势要素集合；2，生成态势假设集合；3，当前态势生成—通过形成最小不确定性态势假设来实现；4，估计当前态势对实现态势目标的支持程度；5，态势预测—预测下一周期出现的可能战场态势（包括战场事件和作战行为等）[1]。态势估计处理的是正在发生的事件或者活动，它的重点是所关心领域内的敌我行为模式。因此，态势估计的结果能够反映当前真实的战场态势，并提供事件、活动的预测，为最优决策和资源管理的优化提供依据。国外态势估计技术发展比较迅速，自20世纪70年代以来，许多国家对态势估计从理论体系和系统实现方法等方面进行了研究和开发，取得了很大进展。美国已经有较成熟的联合作战态势估计系统。实现态势估计系统的方法很多，主要的实现技术有：基于知识的系统（又称作专家系统）、模板技术、品质因素法、计划识别方法、贝叶斯网络、模糊逻辑技术、遗传算法等[1]。它们将军事领域知识与不确定性处理技术结合起来，用于解决态势估计中的问题。传感器像索层融合特征层融合信息源判泄层融合融合态势估计二级*融合威胁估计级合果估传感器像索层融合特征层融合信息源判泄层融合融合态势估计二级*融合威胁估计级合果估戸融效评信息源一级融合H标状态/属性估计初级处理图1数据融合体系的功能结构1态势估计方法基于贝叶斯网络的态势估计贝叶斯网络也称为信度网络、因果网络或者推理网络，是指基于概率分析和图论的一种不确定性知识的表示和推理模型 ［3］。它是一种概率推理技术，使用概率论来处理在描述不同知识成分之间的条件相关而产生的不确定性，提供了一种将知识知觉地图解为可视化的方法，是一种新的知识表示模型，知识的不完全、不确定性用概率来表示。贝叶斯网络的计算机模型化已成为建设决策支持系统的一个重要部分，并被称为职能软件，广泛应用于“信息恢复、交通管理、国防系统"等方面［4］。由于在贝叶斯网络中，所有的数据要能被概率函数描述，这在现实中是不可能的⑸。因此，马锐等将多实体贝叶斯网络（MEBN）用于态势估计。多实体贝叶斯网络能有效克服上述缺点，使得态势估计结果的精确度提高。一个MEBN是通过贝叶斯网络片BNFrags（BayesiannetfragmentS体系和结构集合来描述一个概率分布。把复杂的模型分解成概念上有意义并且可操作的 BNFrags,用以表示概率知识库中的可共享元素，每个贝叶斯网络片包含了随机变量的一个子集合的概率知识，实体结构的模型、行为和关系等均可以编码和贝叶斯网络片[1]。基于直觉模糊决策的态势估计由于常用的态势估计方法有很多种，而且它们分别适用于不同的情形，但是它们的共同点是对当前战场态势的综合评价和理解不足或缺乏[6]。因此，雷英杰，王宝树，王毅提出一种基于知觉模糊决策的方法来求解战场态势估计问题。直觉模糊集（Intuitionisticfuzzysets）叮。]是对Zadeh模糊集的一种重要扩展，直觉模糊决策是基于直觉模糊集理论的一个综合评判过程，综合评判是综合决策的数学工具。态势估计反映对战场的综合评价结果，因此可以归结为一个评价问题，从而可以用直觉模糊综合评判方法来求解。该方法的基本步骤是：（1）建立归一化的直觉模糊综合评判模型；（2）建立战场态势评估指标体系；（3）确定评估指标的权重向量；（4）计算评估指标的效用值，进行归一化处理及直觉模糊度量，形成评估矩阵；（5）进行评估计算，得到评估结果[6]。基于直觉模糊决策的战场态势评估方法，最大的优点是能适时给出对战场态势的综合评价和“直观理解”，供军事指挥人员决策时参考，可有效弥补现有方法在这方面的不足。基于直觉模糊集理论的综合评判方法，有效克服了Zadeh模糊集单一隶属度的局限性，使得评估结果的可信度更高[11]基于粒子滤波的态势估计通常，为了建模和确定物理系统的状态，系统会被描述成一个隐马尔可夫模型或者一个状态空间模型。但是，状态空间模型有如下的不足：（1）统一向量不能完全利用条件独立性，也不能有效地描述存在于变量间的相关性。（2）向量分布系数不能在混合数据中融合推理。（3）在出现大量的敌对单元时，跟踪状态变化变得几乎不可能[12]。因此，SubrataDas和DavidLawless提出了一种基于粒子滤波的态势估计方法。粒子滤波是90年代发展起来的一种基于蒙特卡罗方法和递推贝叶斯估计的新滤波方法，在处理非线性，非高斯系统的参数估计和状态滤波方面具有独到的优势[13]。在这种方法中，通过把状态空间模型向量转化为动态的置信网络，而置信网络技术能提供如下的优点：（1）它的图示的方法对于态势建模有很大的帮助；（2）通过建立概率语义，能很好的处理不确定性；而粒子滤波是一种模型估计技术，常用来估计贝叶斯模型。通过粒子滤波的建模，使得置信网络技术的优点发挥出来，从而提高态势估计的准确性[12]。基于计划识别的态势估计计划识别是根据代理的行为序列来推断代理所追求目标的过程，着重于对当前已发生行为的分析和抽象，因而对动态问题有很好的适应性，与态势估计中通过观察、分析、战场中军事单元的动态行为来识别其计划的要求相一致，因此，态势估计实际上是一个计划识别过程[14]。计划识别问题的构成和求解首次由Kautz[15]提出，但是这种方法要求计划库完备（封闭世界模型），而在现实世界中这是很难满足的，因此李伟生等人通过动态建立计划库，突破了这一模型的局限性。该模型对于实时性要求很高的战场环境是非常有用的。基于模糊概念层次分解的态势估计邢清华，刘付显给出了战场态势的一种全新定义，分析了“态”与“势”的本质含义，提出了空袭态势和防空态势的概念，给出了一种新的因素表征值的确定方法。并在此基础上建立了基于模糊概念层次分解的战场态势综合评估模型[16]。此种方法的贡献在于：针对空战提出了一种新的关于战场态势的定义，并将影响态势的因素分为动态和静态两类。这种方法目前已被用于某些指挥自动化系统中。基于期望模板的态势估计在现代战场上，一些重要的态势要素如兵力结构、兵力使用、行为序列等的先验模型称为模板：人及其军事行动、武器装备及部署使用成为行为。基于模板期望的方法就是通过开发这类先验模型来得到态势估计。模板结构形成反映要素之间关系得抽象框架，用以在实际应用中挖掘多源信息的有效性[1]。基于期望模板理论的优点是：容易理解，能直接表示和聚类大量的数据，并且模板的范围和复杂性是可选的。其缺点是：结构相对固定，模板未必总能用数据填满。基于D-S证据理论的态势估计D-S证据理论是一种处理不确定性的推理方法，满足概率论弱的条件，能够区分“不确定”与“不知道”的差异，并能灵活处理由“不知道”引起的不确定性，具有较大的灵活性，在不确定信息的表达及合成方面具有很大的优点，因此可以采用它来完成对信息的融合，完成对战场态势的评估[17]。因此，徐晓辉，刘作良提出用D-S证据理论来构造态势估计模型。态势估计从检测事件发生开始，在检测到事件后，由领域知识产生对某些命题的度量，这些度量即构成了证据，并利用这些证据通过构造相应的基本概率分配函数，对所有的命题赋予一个置信度。在态势估计系统中，先得到一次对基本概率的分配，再使用Dempster合成规则得到新的基本概率分配，并把合成后的结果送到决策逻辑进行判断，将具有最大置信度的命题作为备选命题。当不断有事件发生时，这个过程便得以继续，直到备选命题的置信度超过了一定的阈值，即认为该命题成立[17]。在应用此方法进行的仿真中，得到的结果比较准确 "I。D-S证据理论用于态势估计是一种有前景的方法。2总结和未来关注的问题目前态势估计存在的问题：（1）态势估计理论体系需要进一步完善。（2）通用性不够—由于各阶段知识表示推理方法存在较大的差异，使得态势估计构建存在着很大的困难。这也因此极大的限制了态势估计系统的应用于发展。未来关注的问题：（1）知识表示技术仍然是态势估计领域研究的难点和人们课题。（2）态势估计系统不再使用单一的技术，而是各种技术进行有机的结合。参考文献：巴宏欣，赵宗贵，杨飞，董强，张涛.态势估计—概念、内容与方法[J].解放军理工大学学报（自然科学版），2004,5（6）:10-16.孙兆林•基于贝叶斯网络的态势估计方法研究 [D]•国防科学技术大学.2005.李曼，冯新喜，陈玉•基于贝叶斯网络的态势估计研究[J].微计算机信息（管控一体化）,2008,24（6-3）：233-235.程岳，王宝树，李伟生•贝叶斯网络在态势估计中的应用[J].计算机工程与应用，2002.23：206-208.AlessioBenavoli,BrankoRistic,AlfonsoFarina,MartinOxenham,LuigiChisci.AnApproachtoThreatAssessmentBasedonEvidentialNetworks[J].InformationFusion,200710thInternationalConference.2007:1-8.雷英杰，王宝树，王毅.基于知觉模糊决策的战场态势评估方法 [J].电子学报，2006，34（12）:2175-2179.AtanassovK.Intuitionisticfuzzysets[J].FuzzySetsandSystems,1986,20（1）:87-96.AtanassovK.Moreonintuitionfuzzysets[J].FuzzySetsandSystems,1989,33(1):37-46.AtanassovK,KacprzykJ,SzmidtE,etal.OnSeparabilityofIntuitionisticFuzzySets[J].LectureNotesinArtificialIntelligence,2003,2715:285-292.AbbasSE.Onintuitionisticfuzzycompactness[J].InformationScience,2005,173(1-3):75-91.雷英杰，王宝树.直觉模糊逻辑的语义算子研究[J].计算机科学，2004，31(11)：4-6.SubrataDas,avidLawlessBrendaNg,AviPffeffer.FactordeParticleforDataFusionandSituationAssessmentinUrbanEnvironments[C].InformationFusion,20057thInternationalConference.2005:955-962.CaronF,DavyM,DoucetA,DuflosE,VanheeghPh.BayesianInferenceforLinearDynamicModelswithDirichletProcessMixture.IEEETrans.SignalProcessing.2007李伟生