基于动态贝叶斯网络的意图分析算法

樊振华，师本慧，陈金勇，段同乐

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

基于动态贝叶斯网络的意图分析算法

樊振华，师本慧，陈金勇，段同乐

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

传统的意图分析方法面临部分方法仅针对单个目标进行静态分析，以及精确推理耗费计算量过大的问题。针对上述问题，提出了一种新的基于动态贝叶斯网络的意图分析算法。该算法以群目标为对象，综合己方意图、交火程度、相对实力和相对速度等多种因素构建动态贝叶斯网络，并根据马尔可夫性实现快速近似推理，进一步通过融合估计得到对方的行动意图。仿真结果表明，该算法对复杂战场环境下群目标的行动意图能够实现动态可靠的评估，辅助支撑作战决策。

意图分析；动态贝叶斯网络；近似推理

AbstractTraditional Intention Analysis (IA) methods are confronted with the problems that most of them only focus on the static analysis of a single target and exact inference brings too much computational burden.For this reason,a novel Dynamic Bayesian Network (DBN) based IA algorithm is proposed.In the proposed algorithm,firstly,DBN is constructed with various factors,i.e.,our intention,firefight,relative strength and relative velocity,for the IA of group targets.Then,the fast approximate inference is implemented according to Markov property.Finally,the analysis result of intention is obtained by fusion.Simulation results show that the proposed algorithm can reliably and dynamically evaluate the intention of group targets in complex battlefield environment.

Keywordsintention analysis;dynamic Bayesian network;approximate reasoning

0 引言

随着高新技术的不断发展，当今地区冲突呈现出对象多元化和环境复杂化的特点，面对观测数据量急剧上升的情况，如果仍然依靠人工处理，则时效性和一致性均难以满足实际需求[1]。因此，需要利用计算机的存储和计算优势来处理大量重复出现的有规律态势[2]，从而减轻指挥员的工作负担，使其能够更为快速、有效地掌握实时动态[3]。其中，意图分析(Intention Analysis，IA)属于一种较高层级的态势估计技术，能够在提取的态势要素基础之上，通过推理预测对方的行动意图，从而为己方的应对策略制定提供参考依据[4]。

目前，典型的推理分析方法主要基于D-S证据理论[5]、贝叶斯网络(Bayesian Network，BN)[6]和因果网络[7]等理论。但这些方法存在一些缺陷：① 部分方法只考虑各因素与关注事件之间的静态关系，未能体现在时间上连续变化特性[8]；② 针对单个目标间的意图分析，而实际中目标通常是以编队群目标的形式执行任务[9]；③ 传统动态BN网络精确推理所耗费的计算量随时间迅速增长，难以满足实际应用需求[10]。

针对上述问题，本文基于目标分群结果[11]，将群目标[12]作为意图分析的对象，综合多种因素构建动态贝叶斯网络(Dynamic Bayesian Network，DBN)，并根据马尔可夫性实现快速近似推理，能够实现在复杂环境下对对方目标[13]行动意图的动态估计。

1 动态贝叶斯网络

BN网络[14]是基于概率推理的图形化网络模型，通过有向无环图表示一组随机变量和它们之间的条件依赖性。在有向无环图表中，节点表示随机变量，而节点间的有向边则表示随机变量间的直接依赖性。

(1)

(2)

可以看出，DBN能够结合历史信息和当前证据信息[18]，具有信息的时间累积能力，能更有效地降低不同层次的信息融合推理过程中的不确定性，提高信息融合的准确度。然而，DBN的精确推理已被证明是一个NP问题[19]。因此，在解决实际问题时，近似推理是一种在精确度与计算量之间可接受的权衡折衷[20]。

2 意图分析

2.1 影响因素

进行IA的首要任务是确定意图的影响因素，以及每项因素所包含的状态。红蓝双方的攻守关系相互影响，尽管某些时段存在意图的猜测和试探，但其中的作用与反作用交织构成了一个动态博弈的过程；交火激烈程度部分反映了蓝方的进攻意愿；相对实力是进攻意图的主要参考项，压倒性的实力优势会直接激发进攻意愿，从而预示潜在攻击；此外，蓝方的速度矢量(即行进方向和速度大小)反映了蓝方主动接近或远离的趋势，而主动接近通常意味着进攻。因此,IA所参考影响因素及其包含状态如表1所示。

表1 影响因素及其状态

影响因素符号状态红方意图R撤退、防御、进攻交火程度F低、中、高相对实力S优势、相当、劣势相对速度V反向、慢速、正向蓝方意图B撤退、防御、进攻

上述影响因素中，相对实力和相对速度需要由目标的属性和运动参数计算得到。相对实力为：

(3)

式中，oi为红方第i个目标的实力量化值；ej为蓝方第j个目标的实力量化值；n和m分别为红蓝双方各自的目标数。可以看出，相对实力将群目标作为整体进行分析，体现了编队行动意图一致性的本质。

相对速度为：

V=-vr/vsup，

(4)

式中，vr为蓝方径向速度(远离为正方向)；vsup为蓝方速度上限。

在得到上述参量后，需要通过模糊映射将其转化为相应的模糊状态量，用于贝叶斯推理。

2.2 网络拓扑

进一步需要确定这些影响因素与蓝方意图的推理拓扑结构,如图1所示。矩形节点为可观测节点，而圆角矩形节点为隐藏节点。前一时刻的意图状态对当前时刻的意图状态有直接影响，在时刻间连续性变变化。

图1 意图分析网络拓扑

2.3 条件概率

在DBN中，节点间的关联性具体表现为条件概率矩阵，包含2类：时刻间的状态概率转移矩阵和同一时刻内的父节点到子节点的条件概率矩阵，如表2所示。

表2 条件概率矩阵

子节点及其状态Bk撤退防御进攻Bk-1撤退防御进攻0.80.20.050.150.70.150.050.10.8éëêêêùûúúúRk撤退防御进攻0.050.10.30.30.30.50.650.60.2éëêêêùûúúúFk低中高0.80.10.050.10.50.150.10.40.8éëêêêùûúúúSk优势相当劣势0.80.40.050.150.50.250.050.10.7éëêêêùûúúúVk反向慢速正向0.70.10.10.20.80.20.10.10.7éëêêêùûúúú

2.4 近似推理

(5)

PuBk-1PRkPFkPSkPVk，

(6)

PfBk+1=PuBk，

(7)

式中，k为时刻；PuBk为后验概率；PfBk为先验概率，初始默认设置为等概率(各状态出现概率相等)，后续可参考后验概率进行更新；PBk-1Bk、PRkBk、PFkBk、PSkBk和PVkBk为似然概率(条件概率)；PBk-1、PRk、PFk、PSk和PVk为证据概率，由观测数据模糊分类后得到。

在DBN中，处于同一时刻的节点在一个时间切片上。根据拓扑关系的不同时间切片可分为2类：初始时刻切片和后续时刻切片。传统的DBN对k时刻的意图进行估计，需要对第1～k时刻所有的观测数据和相应的网络结构作支撑，如图2所示。这种累积式推理所耗费的计算量和存储空间随时间都是快速增长，难以满足实际系统的应用需求。

图2 累积式推理

为了解决该问题，根据IA随机过程所具有的马尔科夫性，采用滑动窗式的意图分析-动态贝叶斯网络(IA-DBN)，仅使用邻近时间切片(k-1时刻切片和当前k时刻切片)对k时刻的意图进行估计，如图3所示。这种滑动窗式近似推理所耗费的计算量和存储空间都较小，且不随时间变化，能够有效满足实际系统的应用需求。

图3 滑动窗式近似推理

2.5 意图融合估计

DBN分别得到撤退、防御和进攻各种意图的概率，而指挥员需要的是当前时刻的蓝方意图，所以需要对各种意图概率进行融合估计。本文选取概率最大的意图作为最终的估计结果，即

(8)

式中，I为意图融合估计，取值为1、2、3，分别对应撤退、防御和进攻；wi为撤退、防御和进攻各种意图的概率，i=1,2,3。

3 仿真实验与分析

本文实验环境为Intel Core i3-2130 3.4 GHz CPU，2 GB内存，Windows 7操作系统，Matlab R2011a仿真实验平台。

意图分析实验场景中的多编队群目标运动轨迹如图4所示，黑色六角形为各群目标观测起始位置，旁边的数字为群目标编号，各群目标编队情况如表3所示。图4所描绘的战场情况为蓝方飞机与车辆多编队突袭红方车辆集群，遭遇红方飞机群拦截后撤退。针对上述场景，通过DBN实现群目标2(蓝方)对群目标6(红方)的意图分析。

图4 意图分析实验场景

表3 各群目标编队情况

群目标编号编队内目标数类别属性红蓝属性编队队形13飞机蓝方三角形24飞机蓝方线形34车辆蓝方线形44车辆蓝方线形54飞机红方线形64飞机红方线形76车辆红方线形

DBN输入影响因素随时间变化情况，如图5所示。

图5 输入影响因素随时间变化情况

其中，随时间变化，红方意图初始为防御，后半段转为进攻；交火程度，在中间时段出现短暂交火；相对实力保持不变；相对速度初始为正向接近，后半段反向远离。

蓝方意图分析结果如图6所示。其中，撤退、防御和进攻各种意图的概率，受输入变量的影响，起伏变化；通过选取最大概率对应意图得到意图融合估计结果。通过分析可以看出，在前半段蓝方飞机编队主动靠近，意图攻击红方车辆编队；而遭遇红方拦截，发生短暂相持交火之后，蓝方飞机编队改变行动策略，选择撤退。

综上所述，所提算法能够综合多种影响因素，进行合理、智能的推理分析，实现了对蓝方目标意图的动态估计，显著提升了态势分析能力。

图6 蓝方意图分析结果

4 结束语

针对IA问题，提出一种基于DBN的IA算法，并通过仿真实验验证了所提算法能够较为全面、合理地反映各项因素对意图的影响，实现实时动态且可靠的IA。此外，所提算法是一个灵活可变的推理网络，能够根据应用环境的不同，对网络结构、输入变量和各项参数进行适应性的增删和调整，以满足各种应用需求。

[1] 洪旭,柳虔林,丁洪伟,等.应急机动指挥通信能力评估分析[J].无线电通信技术,2015,41(4)：20-23.

[2] 田聚波.面向图形作业的协同指挥系统设计与实现[J].无线电通信技术,2016,42(2)：92-95.

[3] 梁健,陈晧晖.基于全分布式处理的统一态势生成技术研究[J].无线电工程,2016,46(1)：12-15.

[4] 陈勇.一种目标航迹数据聚类挖掘分析方法[J].无线电工程,2015,45(3):22-24.

[5] RASMI M,JANTAN A.AIA：Attack Intention Analysis Algorithm Based on D-S Theory with Causal Technique for Network Forensics- A Case Study[J].International Journal of Digital Content Technology and its Applications,2011,5(9)：230-237.

[6] AHMED A A,ZAMAN N A K.Attack Intention Recognition：A Review[J].International Journal of Network Security,2017,19(2)：244-250.

[7] RASMI M,AL-QAWASMI K E.Improving Analysis Phase in Network Forensics By Using Attack Intention Analysis[J].International Journal of Security and Its Applications,2016,10(5)：297-307.

[8] PENG W,YAO S,CHEN J.Recognizing Intrusive Intention and Assessing Threat Based on Attack Path Analysis[C]∥Multimedia Information Networking and Security,MINES′09.International Conference on IEEE,2009(2)：450-453.

[9] ZAN X,GAO F,HAN J,et al.A Hidden Markov Model Based Framework for Tracking and Predicting of Attack Intention[C]∥Multimedia Information Networking and Security,MINES′09,International Conference on IEEE,2009(2)：498-501.

[10] BAI H,WANG K,HU C,et al.Boosting Performance in Attack Intention Recognition By Integrating Multiple Techniques[J].Frontiers of Computer Science in China,2011,5(1)：109-118.

[11] 樊振华,师本慧,陈金勇,等.基于改进空间划分的目标分群算法[J].系统工程与电子技术,2017,39(5)：991-995.

[12] 段同乐,张冬宁.二叉树多分类SVM在目标分群中的应用[J].无线电工程,2015,45(6)：88-91.

[13] 艾伟,张冬宁.一种基于分群矩阵的目标动态分群算法[J].无线电工程,2015,45(11)：64-68.

[14] MURPHY K P.Dynamic Bayesian Networks：Representation,Inference and Learning[D].Berkeley：University of California,2002.

[15] KIM S,IMOTO S,MIYANO S.Dynamic Bayesian Network and Nonparametric Gression for Nonlinear Modeling of Gene Networks from Time Series Gene Expression Data[J].BioSystems,2004,75(1)：57-65.

[16] 朱浩.一类动态贝叶斯网络模型及其应用研究[D].重庆：重庆大学，2012.

[17] 高晓光,陈海洋,史建国.变结构动态贝叶斯网络的机制研究[J].自动化学报,2011,37(12)：1435-1444.

[18] YU J,SMITH V A,WANG P P,et al.Advances to Bayesian Network Inference for Generating Causal Networks from Observational Biological Data[J].Bioinformatics,2004,20(18)：3594-3603.

[19] BOUDALI H,DUGAN J B.A Discrete-time Bayesian Network Reliability Modeling and Analysis Framework[J].Reliability Engineering & System Safety,2005,87(3)：337-349.

[20] 胡大伟.动态贝叶斯网络的近似推理算法研究[D].合肥：合肥工业大学,2009.

ANovelDBNBasedonIntentionAnalysisAlgorithm

FAN Zhen-hua,SHI Ben-hui,CHEN Jin-yong,DUAN Tong-le

(The54thResearchInstituteofCETC,ShijiazhuangHebei050081,China)

TP391

A

1003-3106(2017)11-0041-04

樊振华男，(1985—)，博士，工程师。主要研究方向：态势估计、目标分群和计算机视觉。

10.3969/j.issn.1003-3106.2017.11.09

樊振华,师本慧,陈金勇,等.基于动态贝叶斯网络的意图分析算法[J].无线电工程,2017,47(11):41-44,78.[FAN Zhenhua,SHI Benhui,CHEN Jinyong,et al.A Novel DBN Based on Intention Analysis Algorithm[J].Radio Engineering,2017,47(11)：41-44,78.]

2017-04-30

海洋公益性科研专项基金资助项目(201505002)。

师本慧男，(1965—)，研究员。主要研究方向：指挥控制、态势估计、航天地面应用和测控。