贝叶斯网络在通信对抗系统效能评估中的应用＊

（中国洛阳电子装备试验中心 洛阳 471003）

1 引言

通信对抗通常是指破坏、干扰敌方的通信传输同时又能够保证己方通信畅通的作战手段。一个通信对抗系统一般由多个子系统构成，通过子系统间的协作共同完成所担负的使命。一个通信对抗系统往往由通信侦察系统、通信测向系统和通信干扰系统等多个子系统构成。如何评判通信对抗过程中体现出来的作战能力；如何发现部队在对抗中的不足；以及以何种方式给出部队的整体作战能力等问题成为重点研究的课题之一。

以往的通信对抗效能评估以相对独立系统效能为主，再通过综合分系统效能，给出综合效能评估，这样对训练系统内各个分系统之间的相关性考虑较少。整个系统内各个分系统之间通常具有很强的因果关系，如侦察分系统和测向分系统对于干扰分系统具有很大的直接影响，而通过建立贝叶斯网络进行通信对抗效能评估可以解决此问题。贝叶斯网络是近年来人工智能领域最重要的研究成果之一，它使用概率理论来处理不同知识成分之间由于因果相关而产生的不确定性［1］，将知识直觉地图解可视化，可为通信对抗效能评估提供一种科学合理方法。本文立足于贝叶斯网络对通信对抗效能提供评估理论和依据，定量解决通信对抗部队整体作战能力的评估问题，并指出通信对抗部队存在的问题。

2 贝叶斯网络及其推理机制

2.1 贝叶斯网络

贝叶斯网络是根据各个变量之间的概率关系，使用图论方法表示变量集合的联合概率分布的图形模型［2］。它是一个有向无环网，其中结点代表论域中的变量，有向弧代表变量的关系，变量之间的关系强弱由结点与其父结点之间的条件概率来表示。通过贝叶斯网络可以准确地反映实际应用中变量之间的依赖关系。贝叶斯网络由两部分组成，即B（Bs，Bp）。其中Bs为贝叶斯网络结构，是一个具有n个节点的有向无环图，图中的节点为随机变量，代表不同的军事事件。节点的状态对应于军事事件的信度值，节点之间的有向边表示军事事件之间的因果关系。Bp是贝叶斯网络的条件概率表集合，每个节点E都有一个条件概率表，用来表示Ei同其父节点P（Ei）的相关关系：条件概率P（Ei／Pa（Ei）），表示父节点军事事件是子节点军事事件发生的直接原因。贝叶斯网络示意图如图1所示。

图1 贝叶斯网络结构示意图

图1中节点E1、E2、E3 分别表示不同的事件，P（E3／E1）和P（E3／E2）分别表示事件E1、E2 发生的情况下，事件E3发生的概率，表明了事件E1、E2、E3之间存在着一定的因果关系。

2.2 贝叶斯网络推理机制

基于Matlab 的贝叶斯网络工具箱BNT 是Kevin P.Murphy基于Matlab语言开发的关于贝叶斯网络学习的软件包，提供了许多贝叶斯网络学习的底层基础函数库，支持多种类型的结点（概率分布）、精确推理和近似推理、参数学习和结构学习、静态模型和动态模型［3］。为了提高运算速度，使各种推理算法能够有效应用，BNT 工具箱采用了引擎机制，不同的引擎根据不同的算法来完成模型转换、细化和求解。整个推理过程如图2所示。

图2 推理过程

贝叶斯软件包BNT 提供了多种推理引擎，主要的有：

1）联合树推理引擎jtree＿inf＿engine（）；

2）全局联合树推理引擎global＿joint＿inf＿engine（）；

3）信念传播推理引擎belprop＿inf＿engine（）；

4）变量消除推理引擎var＿elim＿inf＿engine（）。

3 评估模型的建立

本文以通信对抗部队的一次对抗演练任务为例，根据贝叶斯网络原理，建立其对抗效能评估模型。应用贝叶斯网络（先验贝叶斯网络）进行评估一般分为四个步骤：

1）确定变量集和变量域，即分析评估因素；

2）确定网络结构；

3）确定局部概率分布；

4）选择合适的推理引擎，进行推理。

3.1 评估因素分析

通信对抗系统一般由多个子系统构成，通过子系统间的协作共同完成所担负的使命。如一个通信对抗系统往往由通信侦察系统、通信测向系统和通信干扰系统等子系统构成。通过对通信对抗系统效能评估可考察对抗部队有效运用装备的能力，使通信对抗部（分）队通过对抗提高自身对抗水平和作战能力，同时指出部队日后对抗时应注意的方面。因此，可通过测试对抗中某些装备技术参数，得知部队的系统效能。本文着重从侦察、测向和干扰方面来介绍通信对抗中涉及的技术指标。

侦察系统指标包括侦察频率范围、侦察信号体制、侦察信号种类、灵敏度、侦察动态范围、选择性、中频抗拒比（SI）、镜频抗拒比（SJ）、频率测量精度、频率分辨率、电平测量精度、可判别调制信号的种类、半功率角等；测向系统指标包括测向频率范围、测向体制、测向灵敏度、测向时间、取向时间、方位分辨力、抗扰性、测向精度等；干扰系统指标包括干扰频率范围、干扰信号体制、干扰样式、干扰方式、干扰带宽、同时干扰目标数、频率瞄准精度（瞄准式干扰机）、干扰反应时间、谐波抑制能力、杂散抑制能力、扫频速率、天线增益、干扰输出功率、半功率角等［4］。

这些指标指的是通信对抗装备的技术指标，但是在对抗中有些指标并不适合作为评估指标，如干扰系统的“干扰频率范围”指标，它虽然是装备的重要指标，但装备一旦研制完毕，这个指标就不会再改变，如果以此作为评估指标，意义不大。事实上，通信对抗系统中技术评估指标主要指的是那些在对抗中随操作员的发挥水平而变化的指标［5］。因此选取表1中技术指标作为通信对抗系统效能评估因素。

表1 通信对抗系统系效能评估因素

3.2 网络结构建立［6］

在通信对抗演练中，通信侦察系统对通信信号进行搜索、截获、初步分析、记录与显示。通信测向对通信辐射源进行测向和定位，使侦察数据除了频率、时间等属性外，增加了地理位置信息。通信干扰是在通信侦察和通信测向定位的基础上，对重点目标进行干扰。所以根据分析各分系统之间的关系和选取的评估因素，可建立如图3所示网络结构。

图3 通信对抗系统效能网络结构图

根据实际情况，各因素的状态集合可设为：A＝｛综合效能好，综合效能差｝；a1＝｛侦察效能好，侦察效能差｝；a2＝｛测向效能好，测向效能差｝；a3＝｛干扰效能好，干扰效能差｝；b11＝b12＝b13＝b14＝b21＝b22＝b23＝b31＝b32＝｛好、一般、差｝。

在本文中对各项技术指标划分为三个灰类：好、一般、差类［7］。相应地对技术指标的取值范围也划分为三个灰类，如将指标j的取值范围［a1，a4］划分为［a1，a2］、［a2，a3］、［a3，a4］等分别对应好、一般、差。阈值ak的值可根据实际问题的要求或定性研究结果确定，根据具体情况指标的阈值向左、向右延拓至a0，a5。本文对于测向时间、信号截获时间等指标的灰类阈值确定，采用的是“专家”打分法，这里的“专家”是指参试参训经验丰富的某一类装备的操作手和负责人。比如信号截获时间指标，严格按照装备操作规程实施，则发现信号和分析信号时间27s为合格，因此，这里规定［35，45］为较差类，［25，35］为一般类，［15，25］为较好类，延拓值分别为50s和10s。其他指标的灰类阈值划分类似，不再赘述。

3.3 网络局部概率分布

网络中各因素均采用概率形式描述［8］。在完成对各因素和指标的划分后，还要进一步确定指标间的概率联系［9］。根据装备操作手和负责人的经验，确定局部概率分布如表1～12所示。

表1 侦察效果a1的条件概率

表2 测向效果a2 的条件概率

表3 干扰效果a3 的条件概率

表4 频率测量误差b11的条件概率

表5 信号截获时间b12的条件概率

表6 精识别时间b13的条件概率

表7 频率测量误差b14的条件概率

表8 测向时间b21的条件概率

表9 测向方位误差b22的条件概率

表10 平均交汇定位时间b23的条件概率

表11 干扰等级b31的条件概率

表12 干扰反应时间b32的条件概率

3.4 推理

通过建立网络结构和确定网络局部概率分布，即可建立基于贝叶斯网络的通信对抗系统效能评估模型［11］，这样就可以按照图2所示流程进行推理了，本文采用的是联合树推理引擎。

4 运用实例

通信对抗系统演练任务开始后，采集各参加演练部队的侦察、测向和干扰数据，在每个科目的（如：短波、超短波、定频、跳频等）演练中将多个工作周期获取的训练数据进行概率计算，将结果作为评估模型输入，评估某科目演练的综合效能。该评估系统工作过程如下：初始化完成以后，评估系统进入等待状态，当系统得到新的情报信息，即网络的子节点信息更新，则触发网络推理，更新整个网络节点状态的概率分布，最终获取节点状态的概率分布情况，完成对参加演练部队演练效果的一次评估，得到的结果为该项目演练的通信系统综合效果。演练中有如下一组因素概率输入：λ（b11）＝（0.7 0.2 0.1），λ（b12）＝（0.6 0.2 0.2），λ（b13）＝（0.8 0.1 0.1），λ（b14）＝（0.6 0.1 0.3），λ（b21）＝（0.8 0.2 0.0），λ（b22）＝（0.6 0.3 0.1），λ（b23）＝（0.7 0.2 0.1），λ（b31）＝（0.6 0.3 0.1），λ（b32）＝（0.8 0.2 0.0）。根据建立的贝叶斯模型及推理机制，可通过仿真得到初步的评估结果：综合效果＝（0.7987 0.2013），即此次参加演练部队体现的作战能力综合效果得分为79.87分，该部队作战效果较好。

采用本文建立的评估模型，通过比较不同参加演练部队相同演练科目的作战综合效能得分，可以发现哪支部队作战能力较高；通过比较相同参加演练部队不同操作手相同演练科目的作战综合效能得分，可以发现哪些人员作战能力较高；通过比较相同操作手在不同演练科目下的作战综合效能得分，可以发现参加演练的装备系统在哪种工作方式或工作频率上更具有优势。演练评估结果与专家的评估结果也十分吻合，具有较高的可信度。

5 结语

贝叶斯网络作为目前不确定知识表达和推理领域最有效的模型之一，近年来得到了广泛的应用。本文通过对通信对抗系统进行研究，确定了影响其综合效能的各项因素，并对各因素涉及的相应指标进行了选取和灰类划分，同时通过分析确定该网络的局部概率分布，建立基于贝叶斯网络的通信对抗效能评估模型，采用联合树推理引擎，得出参加演练部队作战能力综合效能，定量解决通信对抗部队整体作战能力的评估问题，并指出通信对抗部队存在的问题，可以提高部队的对抗水平和作战能力。

［1］蒋望东，林士敏.基于贝叶斯网络工具箱的贝叶斯学习和推理［J］.信息技术，2007，2：5-8.

［2］胡玉胜，涂序彦.基于贝叶斯网络的不确定性知识的推理方法［J］.计算机集成制造系统，2001，7（12）：65-68.

［3］张少中，杨南海，王秀坤.贝叶斯网络参数的在线学习算法及应用［J］.小型微型计算机系统，2004，10：63-67.

［4］侯印鸣.综合电子战［M］.北京：国防工业出版社，2000：118-126.

［5］郭齐胜.装备效能评估概论［M］.北京：国防工业出版社，2005：83-97.

［6］胡笑旋.贝叶斯网建模技术及其在决策中的应用［D］.博士学位论文.合肥工业大学研究生院，2006，9：11-13.

［7］张伟.支持探索性分析的仿真试验设计研究［C］.系统仿真技术及其应用学术会议论文集，2007，9：2＿59-263.

［8］薛万欣，刘大有，张弘.Bayesian网中概率参数学习方法［J］.电子学报，2003：11.

［9］张学工.关于统计学习理论与支持向量机［J］.自动化学报，2000，1：32-36.

［10］彭善国，王希武，王寅龙.基于贝叶斯网络的装备保障能力评估建模研究［J］.计算机与数字工程，2011，39（6）.

［11］彭征明.基于贝叶斯网的作战效能评估方法研究［J］.装备指挥技术学院学报，2007，2：105-109.