基于本体建模的态势推理

李宝森 王浩军 穆仕博

摘要：为了克服传统推理方法在态势表示和态势推理方面的不足，本文针对态势推理问题，以本体建模储存态势推理所需要的规则知识，使得战场逻辑规则清晰化，易于扩展。结合态势本体逻辑，对基于关系数据库存储的战场数据进行识别、分类，完成态势信息从关系数据库到本体的转化，从而将态势推理问题转化为基于本体建模的战场态势推理。该方法充分考虑到了真实战场情况下的多态势要素导致的多属性决策推理问题，使得推理结果更加贴近现实，具有较好的实用性。

关键词：态势推理；本体；关系数据库；多属性决策

中图分类号：V11文献标识码：ADOI：10.19452/j.issn1007-5453.2021.02.012

基金项目：航空科学基金（2016ZC12020）

传统的态势推理方法大多是建立在战场规则知识库基础上的属性匹配[1]，根据已有的态势知识库，将当前战场观测的情报数据与知识库逐一匹配搜索[2]，这种方式的态势推理在知识库规则严格完整时，处理单个目标时能够取得很好的效果[3]。但是这种模板匹配都是对规则知识库的严格匹配，真实的战场情况中态势要素往往不能和模板规则严格匹配，这会导致对目标作战意图的态势推理没有结果。而即使推导出相应的结果，也不能给决策者相应的置信度概率参考，从而并不能发挥出有效的作用。除此以外，評估和推理目标作战意图和众多态势要素相关，为了能够实现模板的完全匹配，知识库规则需要考虑众多目标状态因素、目标属性因素、环境因素和政治背景因素等，这就使得模板匹配的规则知识库变得庞大而又复杂，所以传统的推理方法难以解决该问题[4]。

世界各国关于态势估计的系统已经有数十种，以专家系统、模板匹配、计划识别、概率推理等方法来实现[5-12]。美国在态势估计系统的研究方面比较成熟，目前已经开发了多个态势估计系统。美国利用品质因数技术开发的品质因素系统，该系统可以对战场不同实体单元进行识别，如战场中的武器、作战目标等。该系统根据战场实体单元的特点进行层次划分，并建立了一个战场分层的系统结构。战场情报准备（IPB）系统是美国军队专门开发的战场情报准备系统，该系统通过分析战场环境来描述敌人从过去到现在的行动，并对目标未来的意图进行预测。

态势估计在国内的研究起步比较晚，自20世纪80年代才有关于信息融合的报道。1991年海湾战争以后，我国开始重视信息融合，对信息融合的研究逐渐兴起。目前我国关于态势估计的研究主要以理论为主。康耀红[13]从理论层面对态势估计的目标意图识别进行了分析，认为主要使用基于模板的技术和人工智能领域的相关技术来实现意图识别，但是没有就态势的具体应用进行详细说明。姚春燕[14]从时间的角度实现态势推理，对敌意图识别看成分类问题并引入概率统计等方法来完成。姚莉[15]建立了分布式的基于人工智能协作方法的知识模型，使用人工智能领域的智能技术建立分布式处理方式。此外还有针对高层次的信息融合进行了研究，徐从富[16]从神经网络和黑板结构出发，建立关于通信数据的融合模型，使用如敌军装备水平及作战行动等来实现态势的简单描述，并建立分层的的态势模型。空军工程大学王凤山[17]使用动力学来描述参战双方的作战力量，建立了防空作战背景的实战模型，并使用势函数来分析态势规律。中国电子科技集团28所针对空军研发的专家系统，可以对战场环境下的目标进行国籍、类型以及活动进行判断，并建立了1400余条的高质量知识库系统等。

本体是一种可以在语义和知识层次上描述知识层次的工具，提供了一种对信息和知识进行规范化描述和建立模型的方法，它完全能够接受并存储复杂的知识库规则，而且建立好的专家本体知识库使得规则可视化较强，逻辑描述精确且易扩充，最终形成一种网络状的推理规则模型[5]。对于复杂战场数据处理方便，在结合对本体知识库中节点之间因果关系概率分配的基础上，最终可以得到一个数据化的推理结果，完成态势推理。

1本体知识建模

1.1本体的构建方法

为了构建能够体现战场态势推理的网络结构，需要首先完成对战场态势要素的提取以及分析，将其作为本体网络中的节点，然后分析节点之间的关系，对本体构建的逻辑进行专家检验，若合理则进一步检查逻辑的完整性，最终使用本体建模工具Protégé完成对本体的构建。

（1）战场关键态势要素的分析

为了达到对战场目的和行动的精准描述的目标，首先应该对战场相关的态势要素进行一定的归纳分析，态势要素就是战场中一些比较重要的数据类型的总结。

（2）态势要素间关系分析

在完成第一步对态势要素的分析之后，需要进一步考虑各态势要素之间的逻辑以及作用关系，使得战场层级推理的逻辑清晰化。

（3）本体逻辑及完整性检验

在态势要素之间关系确定的基础上，需要对关系的逻辑进行检查，确保其合乎专家经验，并且在合理的基础上尽可能完善逻辑。这是战场态势推理的关键知识规则，也只是规则存储在本体中的重要体现。

1.2确定本体关键态势要素

对目标的态势推理需要考虑战场上复杂的环境，在使用基于本体推理的基础上，只需要根据专家经验选取能够影响目标态势推理的核心态势要素。通常用于进行敌方目标意图推理的因素有以下几种。

（1）目标固态属性

目标固态属性主要考虑平台、目标类型等。平台属性指对目标类型的判断，在能判断出目标飞机或者舰船的具体型号时，将具体型号作为目标属性，否则平台属性为飞机或者舰船。

（2）目标变化属性

目标变化属性主要考虑目标的高度、速度的状态以及经纬度、航向角以及持续时间，确定节点的速度状态（高速度、中速度和低速度）、高度状态（低、中和高）、离目标距离状态（远、中和近）、电磁行为状态等。

速度和高度是体现目标运动属性最重要的信息之一，同时也可以充分体现目标此时的机动性能，某一目标某时刻的意图往往是和它的速度、高度的运动信息密切相关，即使是目标的固态属性相同，也会因为速度高度信息的不同，推理出截然不同的结果。

而经纬度和航向角同样是重要的动态属性，以防空作战场景为例，敌方目标在与我方进行空战之前，必然会在航向角上朝向我方，因此航向角和经纬度相对于我们的程度会给态势推理提供重要的线索。

速度状态、高度状态则主要是对目标速度高度的模糊化处理，通过选定的隶属度函数和目标不同类型对应的速度范围，将目标的速度进行模糊化处理。

目标距离状态作为动态属性，考虑到敌方若要发动攻击，一定会先调整位置使得雷达能够探测到我方，因此双方之间的距离状态在一定程度上可以反映我们所要推理的目的。

电磁行为主要考虑电磁装备、武器装备、通信装备，确定节点为电磁开关状态（探察设备开关、保障设备开关以及武器装备开关）；电磁设备属性可以统称为辐射源属性，以飞机目标为例，在飞机从航母起飞、空中拦截、返航的过程中都有对应的辐射源开关，因此，辐射源属性也可以作为目标态势推理的重要来源。

（3）目标军事属性

目标军事属性首要判别的是在军事活动的活跃区域、重要的军事范围，确定节点为军事区域状态，以及目标的战场、历史、文化、经济和政治知识。

（4）战役级态势推理要素

战役级态势推理要素是态势推理的终点，也就是前面几种态势要素的逻辑组合会共同推理出这一级的态势推理要素，图1中列出了越界、攻击、巡逻、侦察、转场这几种态势推理结果。本文主要考虑侦察、巡逻、攻击这三种态势要素。

1.3基于本体表示态势推理逻辑

通过构建的本体态势要素中的普通态势要素和最终的战役级态势推理要素，构建出侦察、巡逻和攻击这三种模式的本体推理逻辑判断，将三种本体逻辑连接起来就是最终的本体态势推理逻辑。

（1）侦察模式

这种模式是敌方为了收集我方的军事战斗数据所进行的侦察与探察。在这种模式下，当目标被捕获之后，通过目标基础运动态势要素可以得到目标是否以固定航向在做非机动飞行，再根据目标的距离状态我们可以得到飞机是否再进行侦察或者是其他行状态。最终再以目标电磁设备属性作为辅助的态势要素，最终确定目标是否再进行侦察。

（2）巡逻模式

巡逻是指为了避免被攻击的警戒行为。这种模式下的飞机一般会将火控雷达关闭，只开启用于巡逻的设备，而且在固定区域以固定航线进行飞行。

（3）攻击模式

攻击是敌方目标正式对我们发起进攻的行为模式，这种情况的飞机的辐射源会将指定型号的火控雷达打开，飞机进行战术机动行为，飞机速度和高度会因为攻击的飞机型号与飞机前一个状态发生明显变化。

2战场关系数据库到本体的转换

将知识规则存储到了本体中，但是只有本体中的推理逻辑不能进行战场态势推理。因此需要对战场数据进行快速识别、组织和分类，将其转换为有关联的战场关系数据库，在此基础上，再结合我们的本体推理逻辑，实现实时数据库到本体模型的转化，从而拥有了进一步战场态势推理的基础。

2.1构建战场关系数据库

2.1.1战场数据库的预处理

原始的战场数据比较复杂。可以直接获取的数据，如静态数据目标型号、属性和动态数据目标经纬度、高度、速度等。直接数据经过处理可以得到间接数据（如速度的加减速状态、高度的升降状态等）。数据的分类结构如图2所示。

2.1.2建立战场关系数据库

在对原始战场数据进行了分类和预处理后，以本体中的目标固有属性为参考，对数据进行合理的组织描述，通过以下几步完成关系数据库的建立。

（1）明确目标的所有类型

在明确战场上所有目标类型基础上，可以建立出一张含有所有目标类型的总表（见表1）。

（2）明确所有目标的属性

对于目标类型的总表中列出的目标，需要对每个目标的属性进行确定（见表2）。

（3）最终目标表结构确定

完成了属性分析后，根据每个目标所拥有的属性，建立对应的目标表，以战斗机为例，其表结构，如行为属性目标表，包含类、属性、实例、关系等字段。主要包含飞机标识号、型号、经度、纬度、高度、速度、升高状态、雷达工作模式、记录时间等字段。

（4）目标关联表

目标关联表表达目标之间的关系，对应于本体中概念及属性间的关系。以飞机和机场间的关系为例，其表结构包含飞机标识号和机场标识号。

2.2数据库到本体的转换

在完成了基于態势要素的战场本体构建和基于数据分类的战场数据库构建后，需要将关系数据库实例化到态势估计领域本体。根据数据库和专家本体知识库的特性，可以得到数据库到本体的语义映射和转换原则：（1）数据库目标表到本体的转换，将一个目标表名转换为一个本体类或一个本体关系；（2）数据库表中字段到本体的转换，将目标表中字段转换为本体属性或本体关系；（3）数据库表中记录到本体的转换，将目标表中记录转换为一个本体实例；（4）数据库表中外键到本体的转换，将目标表中外键转换为一个本体关系；（5）数据库表中主键到本体的转换，将目标表中主键转换为一个本体属性或与其他目标表之间的本体关系。

通过以上对战场关系数据库的实体识别，属性识别以及关系识别，将关系数据库转化为给具有语义信息的态势领域的本体模型。

综上，在完成了本体知识库的建立和战场关系数据库到本体模型的转换后，可以将战场关系数据库转化的本体实例整合到专家本体知识库中。专家知识库负责整体推理结构和逻辑的完整性，而本体实例负责与专家知识库的实际信息匹配，为最终的态势推理计算提供好数据完整性支持和逻辑推理支持。

3战场态势推理及试验仿真

在完成了态势推理的底层数据与态势推理逻辑保障后，本节将实现对当前战场态势的实时计算感知和理解。

3.1分配专家概率及计算推理

根据本体专家知识库的态势推理逻辑，针对目标的非战役级态势推理要素和战役级态势推理元素之间存在明显的因果关系，如图3所示，顶层为最终所要的态势推理的最终结果，而底层为目标固态属性、行为动态属性等基本态势要素。

可以得知，除底层态势要素的每一个节点，都是由多个节点共同推理出的，直至推理出最终态势。因此针对推理出的每一个节点，可以给推导出它的所有节点都赋给一个和为1的概率，这个概率一般是由专家给出。

将分配好的概率存入本体逻辑结构中，导入实例化的关系数据库，推理并进行计算，最终战役级态势概率值最大的态势节点即为我们所推理出的最终态势。

3.2仿真结果

在完成了边的概率分配后，设计相应的剧情并生成对应的仿真数据存入关系数据库，得到如下仿真结果。

（1）侦察模式及巡逻模式

仿真剧情：捕捉到敌方飞机后，发现敌方飞机航向角为飞向我方关键区域，并对我方实施侦察行为，我方飞机正常巡逻，侦察行为实施结束后，敌方飞机按照固定航向进入日常巡逻模式，如图4所示。

经过本体态势网络计算推理，可以得到两种模式的最终概率，见表3和表4。

（2）攻击模式

仿真剧情：捕捉到敌方飞机后，发现敌方飞机迅速靠近我方，我方飞机根据指令起飞，对敌方飞机进行阻击，如图5所示。

经过本体态势网络计算推理，可以得到攻击模式的最终概率，见表5。

由以上三种模式的计算结果可知，最大概率所对应的战役模式刚好符合实际情况，态势推理正确。

4智能化态势技术研究

4.1 LSTM智能态势推理算法

基于长短时记忆网络（long short-term memory networks， LSTM）的智能态势推理算法利用了LSTM算法在具有时间序列的数据上分析优势，将战场编码后作为LSTM的输入，通过对时间轴上的数据进行关联推理，输出目标意图的结果。

本文建立基于模板匹配和LSTM智能算法组合的态势推理算法，将其称为基于组合智能的态势推理算法，充分利用两者优势进行融合。

如图6所示，基于组合智能的态势推理模型由三个部分组成：LSTM网络推理算法模块、模板匹配算法模块和推理结果校正模块。该模型将LSTM推理结果和模板匹配结果相互校正，并更新历史数据和补充作战经验，从而改进推理结果。

4.2基于组合智能的态势推理算法流程

上节给出了基于组合智能的态势推理模型，该模型由三个部分组成，其中的LSTM推理模块和模板匹配模块在前面均已说明。推理结果校正模块主要作用是对两个推理模型的结果进行比较，当结果出现不合理的时候解决冲突，给出最佳的推理结果，并改进LSTM模型和模板匹配模型。

定义模板匹配输出结果的匹配度为matchT，输出结果为rT，匹配度阈值为LimtT；定义LSTM推理输出结果的最大概率为Pmax，输出结果为rLSTM（输出结果为概率最大对应的结果），概率阈值为LimtP；组合智能态势推理的输出结果为Result。给出推理结果校正规则见表6。

考虑了LSTM推理和模板匹配结果的各种情况：当两个模型的结果一致且可信度比较高时直接输出结果；当两个模型结果不一致时取可信度较高的结果，并且更新可信度低的模型，即将新的数据重新训练LSMT模型或扩展模板规则库；当两个模型的结果可信度都比较低时取模板匹配的结果，并同时更新两个模型。因为模板匹配是将当前战场数据与通过历史经验建立的规则库进行匹配，因此该规则库的可靠性较高得到的結果比较符合实际。而LSTM是通过不断的学习和训练模型从而输出结果，存在一定的不确定性，因此当两个模型的结果发生冲突时选择模板匹配的结果更符合实际情况。

因此，基于组合模型的态势推理算法处理流程图如图7所示。具体流程为：（1）获取战场观测数据并作为组合模型的输入；（2）对输入数据进行处理，如剔除无用信息、数据编码、事件检测等；（3）分别使用LSTM网络算法和模板匹配算法进行态势推理；（4）分别对LSTM网络算法和模板匹配算法输出结果进行分析，以确定它们是否满足输出阈值要求；（5）根据表6的规则来处理冲突结果：当LSMT算法输出结果不满足条件时，补充LSTM算法的训练样本对其重新训练；当模板匹配输出不满足条件时，补充态势模板库；（6）根据表6中定义的输出结果输出算法的最终结果。

4.3試验仿真及分析

通过试验仿真，分析目标在不同时刻的态势模式以及与模板的相似度。

图8是截取了目标在30个仿真周期内的态势匹配值，在仿真初期目标的侦察态势比较明显，而且追踪的相似度也比较高。随着仿真的继续，目标侦察态势相似度逐渐下降，目标转向攻击态势，并且随着攻击态势的相似度逐渐升高，其他态势模式相似度在降低。在仿真过程中，目标不存在集结态势。

图9截取了65个仿真周期的目标态势变化，目标在不同仿真时刻的态势如图所示，在第45个仿真周期时目标的攻击态势达到了100%。

将仿真期间一个群内的4个目标在不同仿真周期内的态势模式进行了统计（见表7），4个目标的态势在不同时刻的态势模式保持一致。

表7内所列目标在仿真周期内分别经历了态势为：集结、巡航、侦察、追踪、攻击、巡航等，根据态势的变化过程来看，目标执行了一个作战周期的作战任务。

为了验证模板匹配算法对战场态势推理的应用，试验以空中目标作战为背景，对态势推理进行了可视化仿真，试验配置了16个不同的目标。并对相同类型的目标用同一种颜色表示，其中红色目标表示战斗机，黄色表示轰炸机，蓝色表示侦察机，黑色表示预警机，航迹颜色与类型颜色相对应。

图10中将三个目标划分为两个群，分别为04和05号，其中04号群为一个单目标，正在执行侦察任务，05号群有两个目标同时执行侦察任务。

图11中包含了6架战斗机目标，经模板匹配得到的态势模式为聚集。

图12中有5个目标，其中左边编号为01的群两个目标处于追踪模式，右边的三个战斗机目标在执行攻击任务。

图13中的两个黄色目标为轰炸机，它们被划分为同一个目标群（群编号为05），经过模板匹配对它们的态势模式进行推理后得到的结果为巡航模式。

试验设置了10组仿真数据，分别进行模板匹配算法验证，统计结果见表8。

4.4基于LSTM试验仿真及分析

试验设置场景包括12个目标从不同的地方出发执行任务，实现态势推理，试验设置了6种态势模式，分别为攻击、追踪、聚集、侦察、巡逻、未知。表9为12个目标的配置，分为战斗机、侦察机、轰炸机、预警机和民航飞机5种目标类型。

图14是目标的初始化显示，包含目标位置、航迹、编号以及态势模式等。

界面中将相同类型的目标用同一种颜色表示，其中红色目标表示战斗机，黄色表示轰炸机，蓝色表示侦察机，绿色表示民航飞机，航迹颜色与类型颜色相对应。

在仿真开始阶段，各个目标单独为一个群，即存在12个目标群，且无法判断态势模式，所以初始态势模式为未知。各个目标旁边标注了该目标的目标编号和群编号以及目标态势模式。如图14所示部分目标的信息表示，GroupID为群编号，TargetID为目标编号，Model表示态势模式。

在图15中，随着目标的运动状态在不断的变化，目标的群组关系也在不断变化，此时只有6个群，在分群后只对于同一个群内的目标只进行信息表示。结果如图15所示。

在图16中，该时刻的6号、7号、11号三个目标被划分为一个群（GroupID=4），且经过推理后得到这三个目标的态势为集结模式；群编号为3的两个目标4号、5号处于巡航模式；9号目标是民航飞机，为一个单目标群；3号目标由于和其他目标的距离和方向相差较大，也被划分为一个单独的目标群，该目标处于追踪模式。

在图17中，两架侦察机和一架预警机划分为一个群，这三个目标在进行执行侦察任务。大部分目标都集结在一起，该时刻将所有目标划分为4个群组，航迹信息清楚地描述了各个目标的运动过程。其中1号群包含了所有的战斗机和轰炸机以及一架侦察机，推理结果表明这8个目标处于攻击态势，如图18所示。左边的侦察机和预警机已经分开，划分为了两个群，此外，侦察机群（GroupID=04）在执行追踪任务，预警机群（GroupID=02）执行侦察任务。

图19和图20是侦察机、预警机和民航飞机的态势，其中两架侦察机为一个群组（GroupID=04），预警机和民航飞机分别单独成为一个群组（GroupID=02和GroupID=03）。

通過对10组仿真数据进行验证，计算不同推理模型的平均准确率和推理时间（见表10）。其中组合智能模型提高了态势推理的准确性，并且推理时间合理，满足战场环境的实时性要求。

上述仿真将当前时刻目标的属性、运动特征等要素，通过模型的推理得到了最终的态势模式，可视化仿真动态描述了不同目标的运动状态、目标之间的群组关系以及目标态势的变化过程，将战场环境转化为战场态势图，方便指挥员快速准确地理解战场态势，从而采取正确的战术决策。

5结束语

本文基于专家本体知识库进行战场任务态势推理，针对战场多变的环境，通过关键态势要素和典型的态势模式，构建出用于战场态势推理的专家本体网络结构，该网络能够通过将实时的战场数据转化为本体实例并与其进行推理交互和匹配，最终将计算所得的最大推理概率所代表的任务推理作为最终的推理结果，从而正确的战场态势推理。另外，本文建立基于模板匹配和LSTM智能算法组合的态势推理算法，将其称为基于组合智能的态势推理算法，充分利用两者优势进行融合，并对算法进行仿真得出其实际运行效率对比。

参考文献

[1]张明远.多源数据融合系统中态势评估技术的研究[D].西安：西安电子科技大学，2004. Zhang Mingyuan. Research on situation assessment technology in multi-source data fusion system [D]. Xian： Xian University of Electronic Science and Technology， 2004.（in Chinese）

[2]柴慧敏.态势估计中的关键技术研究[D].西安：西安电子科技大学，2009. Chai Huimin. Research on key technologies in situation assessment[D]. Xian： Xian University of Electronic Science and Technology， 2009.（in Chinese）

[3]Endsley M R. Toward a theory of situation awareness in dynamic systems[J]. The Journal of the Human Factors and Ergonomics Society，1995，37（1）：32-64.

[4]Daum F. Handbook of multisensor data fusion[J]. IEEE Signal Processing Magazine，2002，19（2）：94-94.

[5]韩占朋，王玉惠，程聪.态势估计方法研究综述[J].航空兵器， 2013（1）：14-19. Han Zhanpeng， Wang Yuhui， Cheng Cong. Overview of situation assessment method research [J]. Aviation Weapons， 2013 （1）： 14-19.（in Chinese）

[6]葛顺.基于规则发现和贝叶斯推理的战术意图识别技术[D].哈尔滨：哈尔滨工程大学，2015. Ge Shun. Tactical intention recognition technology based on rule discovery and Bayesian reasoning [D]. Harbin： Harbin Engineering University， 2015.（in Chinese）

[7]陶景，于淼.联合作战筹划中的态势评估[J].国防科技，2018， 39（4）：119-122. Tao Jing， Yu Miao. Situation assessment in joint operation planning [J]. National Defense Science and Technology， 2018， 39 （4）： 119-122.（in Chinese）

[8]孟贺.一种基于智能计算的态势推理方法研究[D].西安：西安电子科技大学，2017. Meng He. Research on situation reasoning method based on IntelligentComputing[D].Xian：XianUniversityof Electronic Science and technology， 2017.（in Chinese）

[9]王熠，邱雷，袁慎芳.基于ADALINE网络的导波载荷影响补偿方法[J].航空科学技术， 2020， 31（1）：17-24. Wang Yi， Qiu Lei， Yuan Shenfang. Guided wave load effect compensation method based on ADALINE network [J]. Aeronautical Science & Technology， 2020， 31 （1）： 17-24.（in Chinese）

[10]李伟生，王宝树.实现态势估计的一种模板匹配算法[J].计算机科学， 2006， 33（5）：229-230. Li Weisheng， Wang Baoshu. A template matching algorithm for situation assessment [J]. Computer Science， 2006， 33 （5）： 229-230.（in Chinese）

[11]徐琳，宋萬强.基于动态网格的多体分离计算技术研究[J].航空科学技术， 2019， 30（2）：11-17. Xu Lin， Song Wanqiang. Research on multi-body separation based on dynamic grid[J]. Aeronautical Science & Technology， 2019， 30 （2）： 11-17.（in Chinese）

[12]马博平，王刚，叶坤，等.基于RBF神经网络和遗传算法的超声速Licher双翼优化设计研究[J].航空科学技术， 2019， 30（9）：73-80. Ma Boping， Wang Gang， Ye Kun， et al. Optimization design of supersonic licher wing based on RBF neural network and genetic algorithm [J]. Aeronautical Science & Technology， 2019， 30 （9）： 73-80.（in Chinese）

[13]康耀红.数据融合理论与应用[M].2版.西安：西安科大出版社， 2006. Kang Yaohong. Data fusion theory and application [M]. 2nd Edition. Xian：Xian University of Science and Technology Press， 2006.（in Chinese）

[14]姚春燕，郁文贤，庄钊文.态势估计中一种基于贝叶斯估计的统计时间推理方法[J].火力与指挥控制， 1999，24（1）：48-52. Yao Chunyan， Yu Wenxian， Zhuang Zhaowen. A statistical time reasoning method based on Bayesian estimation in situation assessment [J]. Firepower and command control， 1999，24（1）：48-52.（in Chinese）

[15]姚莉，龚勇，王长缨，等.一种基于BDI Agent的复杂系统设计建模方法[J].小型微型计算机系统， 2005（4）：133-138. Yao Li， Gong Yong， Wang Changying， et al. A modeling method for complex system design based on BDI Agent [J]. Minicomputer System， 2005 （4）： 133-138.（in Chinese）

[16]徐从富，耿卫东，潘云鹤.面向数据融合的DS方法综述[J].电子学报， 2001，29（3）：393-396. Xu Congfu， Geng Weidong， Pan Yunhe. A survey of DS method for data fusion [J]. Acta Electronica Sinica， 2001，29（3）： 393-396.（in Chinese）

[17]商长安，刘志杰，王凤山.系统动力学防空战场信息战模型[J].火力与指挥控制， 2005（6）：10-12. Shang Changan， Liu Zhijie， Wang Fengshan. System dynamics airdefensebattlefieldinformationwarfaremodel[J]. Firepower and Command Control， 2005 （6）： 10-12.（in Chinese）

（责任编辑王为）

作者简介

李宝森（1973-）男，硕士，研究员。主要研究方向：雷达系统设计、微波设计。

Tel：13937998086

王浩军（1977-）男，硕士，高级工程师。主要研究方向：雷达接收机设计、微波设计。

Tel：15038522006

E-mail：chinacommwhj@21cn.com

Situation Reasoning Based on Ontology Modeling

Li Baosen1，Wang Haojun1，*，Mu Shibo2

1. China Air-to-Air Missile Academy，Luoyang 471009，China 2. Military Deputy Bureau in China Air-to-Air Missile Academy，Luogang 471009，China

Abstract： In order to overcome the shortcomings of traditional reasoning methods in situational representation and situational reasoning， this paper aims at situational reasoning， and uses ontology modeling to store the knowledge of the rules needed for situational reasoning， making the battlefield logic rules clear and easy to expand. Combining situational ontology logic， it can identify and classify battlefield data stored based on relational databases， and complete the transformation of situational information from relational database to ontology， thereby transforming situational reasoning problems into battlefield situational reasoning based on ontology modeling. This method fully takes into account the multi-attribute decision-making reasoning problem caused by the multi-situation factors in the real battlefield situation， making the reasoning result closer to reality and has better practicability.

Key Words： situational reasoning； ontology； relational database； multi-attribute decision making