航母编队反潜目标识别和威胁评估仿真
陈 龙1，马亚平2
（1.国防大学研究生院，北京 100091；2.国防大学公共平台中心，北京 100091）
摘 要： 采用贝叶斯网络模型对目标识别、威胁评估是一种有效的定量分析方法。这里首次将贝叶斯网络模型运用到航母编队作战决策中识别水下目标和评估威胁等级。结合部队实际情况分别构建目标识别和威胁评估贝叶斯网络模型；基于部队实践数据、院校专家和查阅资料构建符合实际情况的条件概率表；最后通过仿真实验对水下目标进行识别和评估威胁等级，对比部队相关数据验证了贝叶斯网络对航母编队目标识别和威胁评估的有效性，能够为航母编队指挥员反潜作战提供一定的辅助决策。
关键词： 贝叶斯网络，目标识别，威胁评估，航母编队
0 引言
现代战争已经演变为高技术信息化战争，是一场全域多维一体化较量的战争。现代战争是一个典型的系统，该系统具有复杂性特征，面对这样一个战争系统，指挥员在作战时需要考虑的因素是多方面的，只有充分利用现有条件优势，根据敌我双方的态势，迅速定下行动决策，才能在瞬息万变的战争中赢得主动权。当前，我航母编队战斗力逐渐形成，随着战场空间的扩展，航母编队面临的威胁是多方向、多方面，其中水下方面最为严峻，水下威胁具有不确定性、不透明性等特点，一旦遭遇攻击将更加致命。航母编队投入战场开始作战时，指挥员面对稍纵即逝的反潜战机时，单凭指挥员能力和水平来作出决策几乎是不可能的。如何有效利用现有战场态势、综合因素服务于指挥员作战将是迫切需要解决的棘手问题。
在现代海战场环境中，航母编队的反潜任务非常艰巨，反潜作战的前提是进行有效的目标威胁判断，这也是航母编队对潜防御的一个先决条件，是对潜火力防御的重要依据。当前，利用多种传感器技术对海域能够实现全方位、多层面的侦察，实现多层次发现目标，但同时传感器收集到的信息源种类繁多，信息容量较大，会造成“海量”的数据信息，给信息准确判断带来了巨大困难，同时也给指挥员定下作战决心带来很多不确定性，如何对搜集到的目标信息进行综合分析、凝练出有效价值信息，从而进行目标识别和威胁评估是一项充满挑战的研究，这项研究具有重要的理论价值和应用价值。
跑步运动不仅是个体实现自我价值的舞台而且是寻求群体认同的载体。尤其是像各地雨后春笋般兴起的马拉松赛事，它将不同阶层、职业、年龄的人群拉聚在一起，从各自分立到彼此对话，实则演绎了一场“群体狂欢”，消解了群体性的孤独。
目标识别是威胁评估的前提，目标识别服务于目标威胁评估，神经网络法[1]、贝叶斯网络法[2]、云模型理论法[3]、直觉模糊集法[4]等方法经常用来进行威胁评估，但尚未运用于航母编队作战决策中，本文首次运用贝叶斯网络定量分析航母编队反潜作战，通过综合部队实际数据、院校专家和资料构建新的贝叶斯网络模型，将目标信息输入，定量定性分析后推理出识别结果和威胁属性，与实际作战部队数据进行对比，结果较好地验证了模型的有效性。
1 贝叶斯网络
众所周知，贝叶斯网络模型可用二元组表示：B=<G，P>，其中：G表示网络结构，P表示条件概率表集合。G=<V，A>是一个有向无环图，V表示节点，A表示节点之间的因果关系。节点与概率相互对应，P（Vi|Pa（Vi））表示节点vi与其父节点Pa（Vi）之间的关系。假设存在另一个节点Vj，节点Vj是Vi除了父节点之外的其他节点，在满足条件独立性情况下有式（1）：
则根据条件独立性，可求得其他变量n个节点的联合概率式（2）：
科学合理的建筑规划和形态设计能够适应恶劣的气候环境，它包括建筑物整体容积的确定、建筑物的形状和建筑形式的组合、建筑物的日照和朝向。譬如，阳光和方向的选择原则是获得充足的阳光，避免冬天流通的强风，在夏季利用自然通风来防止太阳辐射。同时，建筑受社会历史条件、历史条件、地理条件、城市规划、道路、环境等因素的制约，建筑物楼面的朝向和设计应考虑多种影响因素。
给定变量Vi，Vj的条件概率由P（Vi|Vj）表示。对于变量 Vi，Vj的任何值，可以给出式（3）：
式中：P（Vi|Vj）是Vi，Vj的联合概率；P（Vj）是Vj的边缘概率。从上式看出，联合概率可表示如式（4）：
现有各种目标的参数信息如表7所示。
后循环缺血是一种缺血性脑血管病，在临床上十分常见，严重危害患者身心健康。后循环缺血主要包括后循环短暂性脑缺血及脑梗死，以中老年人为主要患病人群[1] 。该病可导致患者出现头晕、呕吐、四肢无力、面部麻木等症状，严重者甚至出现偏盲、肢体瘫痪等临床表现。马来酸桂哌齐特是一种钙离子阻滞剂，可有效改善机体微循环及颅脑缺血情况。本文探讨应用马来酸桂哌齐特治疗后循环缺血的临床疗效，现报告如下。
变量Vi的组合方式影响表达式，链式规则可简洁表示如式（6）：
在语言习得领域,多模态理论和POA理论有着很大的适切性。在教学驱动环节,多模态理论能够很好地激发学生的兴趣,但是从两者的适切性角度探讨英语教学的研究鲜有涉及。更从未见在多模态环境下,以POA教学法展开的关于高校非英语专业大学生英语听说课的相关研究。
由此得到贝叶斯法则或者贝叶斯定理式（7）：
②汉江中下游部分地区灌溉条件大为改善。大坝加高并对灌区实行续建配套后，引丹灌区由抽水灌溉变为自流灌溉，襄阳市北部253万亩（15亩=1 hm2）农田基本避免旱灾，同时为沿引丹灌区的老河口市和襄阳市襄州区30多个乡镇提供了清洁水源。
经过几个月的生产实践，通过以上一系列措施，在电解锌厂新液含Cu2+波动不大，基本在0.4 mg/L左右的条件下，阴极锌含Cu均小于0.001%，阴极锌含Cu最好水平为0.000 39%，平均水平为0.000 50%，完全满足生产高标准阴极锌的要求。
在某些证据e上有式（9）：
假设网络的节点值起点为 Y1，Y2，Y3，即战场综合信息和目标信息，设Xi为网络的终点输出值，用于航母编队中威胁等级用高、中、低来表示，A，B，C是网络起点和终点的中间桥梁节点，可以对捕获到的目标i信息进行威胁等级评估，可得式（10）：
除“庖丁解牛”外,还有“痀偻者承蜩”、“津人操舟若神”、“吕梁丈夫蹈水”、“梓庆削木为鐻”等故事,他们不外乎都是超脱了利害得失的考虑,通过长期刻苦的实践,物我合一,达到出神入化的技艺,即悟“道”、求“道”。
进一步可以表示为式（12）：
根据贝叶斯规则，对于多值随机变量的更一般情况如式（8）：
2 构建航母编队目标识别网络
2010年开展的“青海库郎米其—布伦台地区1∶25万区域化探”采样截取粒级为-10～+60目，平均采样密度为2.97个点/4km2；针对残山景观区水系极不发育且风成物严重干扰情况下，用有效控制汇水域的思想，多点组合采集岩屑样代替水系沉积物样。
图1 目标识别的贝叶斯网络图
其中假定变量为识别的目标类型，其取值范围为可能的目标类型，用根节点表示。目标类型有核潜艇（NSM）、常规潜艇（SM）、鱼雷（TOD）、鱼群（FS）、其他（OH）；观测变量目标速度、回声强度、回声类型、目标深度。对目标识别是首先通过各类传感器根据自身收集到的战场信息，输入到网络中进行计算，得到融合结果，然后根据融合结果进行识别估计，最后根据识别的概率值范围来确定目标类型的最大可能性，由此可得目标识别的框架，如表1 所示[5-6]。
表1 目标融合识别节点框架表
由于缺乏实际作战样本，不可能通过学习得到条件概率，本文是基于现有条件，结合院校和部队实践中得到的数据，经过去保密化和适当调式对比，得到较为可靠的数据，在一定程度上提高了网络评估结果的真实性和有效性。条件概率表如下页表2所示。
3 构建航母编队威胁评估网络
根据传感器捕获到的目标信息参数，进行提炼和过程处理，建立具体的分层贝叶斯网络模型，使用条件概率进行初始赋值处理，得出节点概率数值，基于威胁评估规则，在网络中计算威胁程度概率值，输出判断目标威胁等级。推理流程如图2所示。
构建网络中的各层变量：假定变量、观测变量和中间变量，建立如图1所示的目标识别贝叶斯网络模型。
图2 威胁评估分层贝叶斯网络推理流程图
潜艇编队意图可分解为平台威胁1、平台威胁2和平台威胁n等，潜艇编队依托各自意图进行作战行动，潜艇编队对水面舰艇的威胁是由各子平台威胁组合而成。威胁组合内部是因果关系，可根据这样的关系构建评估威胁的分层贝叶斯网络模型。其灵活性在于不同的平台更换不影响网络的连续性和稳定性，平台不同只需更换相应子网络模块，其他部分能够保持不变，具备了较好的网络适应能力，增强了网络适用的范围，能够用于敌情变化复杂的战场。如图3所示，图中方形叶子节点为推理的起点，经过中间节点，过渡到网络推理结果输出点，即为判断潜艇编队威胁等级[7-8]。
图3 航母编队分层贝叶斯网络图
分层贝叶斯网络中以搭载武器、回声特征、目标深度、目标速度、目标位置、目标航向作为叶节点，节点的选取因目标不同而异。
目标的静态特性，诸如类型和武器样式决定了能力大小；水下目标的动态特性，诸如位置、航向、航速等决定了意图类型。网络模型中平台威胁（Ptr）节点用根节点表示，取值状态为高（H）、中（M）、低（L）3种状态，具体各节点取值如表3所示[9-10]。
根据院校与部队相结合原则，基于实践中得到的数据，经过去保密化和适当调式对比后，得到的条件概率表如下页表4所示。
表2 条件概率表
表3 节点框架表
4 仿真实验与结果分析
4.1 目标识别实验结果分析
目标参数信息采集是通过航母编队内部布设的各类型传感器捕获得到，初步处理后得到各种目标的参数信息如表5所示。
其中，α表示归一化参数，结合联合概率公式，可得式（11）：
使用构建的目标识别网络进行目标识别结果输出如表6所示。
从图4可以看出，A目标为核潜艇，其概率达到PA=0.502 23，B目标为常规潜艇，其概率达到PB=0.582 34。
4.2 威胁评估实验结果分析
任务条件概率可从联合概率计算而来表示为式（5）：
使用构建的评估网络进行威胁评估结果输出如下页表8所示。
表4 条件概率表
表5 目标参数表
表6 目标识别结果概率表
从图5可以看出，影响因素中搭载武器与否影响较大，B目标的威胁等级降低较多；目标处于的状态也对评估威胁等级有一定程度的影响，如目标C进攻威胁较大；敌潜艇编队中威胁最大的是目标E，威胁概率PE=0.812 08，对于航速达到40 kn的目标，根据常识可判为敌鱼雷，优先对其进行防御；G目标和H目标威胁较小，在防御顺序上可放置末尾，待进一步判定后再行动。
反转构造是继伸展构造、逆冲推覆构造、走滑构造之后，含油气盆地分析的一个重要地质概念。反转构造分为两种类型：正反转构造和负反转构造。正反转构造存在较普遍，认识较多，是已存在了正断层和地堑系体系后，被挤压成为褶皱和逆冲构造；对负反转构造研究较晚，认识较少，是已存在褶皱和逆冲断层后，被拉伸成为正断层和地堑系［1-4］。反转构造几何形态的演化，对油气运移影响很大，是油气评价的重点内容，已成为构造模拟剖面重建、油气分区分带以及井位部署的重要依据［5］。应用勘探地震资料和地质资料，对桩西中古生界潜山带的负反转构造样式进行深入研究，具有重要的理论与实践意义。
图4 A、B目标识别图
表7 目标参数信息表
表8 目标威胁评估结果概率表
从图6可以看出，各目标的高威胁等级概率变化情况。
从图7可以看出，目标的威胁等级变化直观情况。
4.2 做好病虫害预测预报工作 认真做好病虫害预测预报工作，提高病虫害情报发布的准确率与时效性。病虫害预测预报是正确指导烟农用药的关键，可以让烟农提前预防，增加农药品种选择准确性，减少农药使用量。通过及时、准确发布病虫害情报，为指导烟农合理采购农药与防治最佳时期提供科学依据。
图5 A、B目标威胁评估图
图6 高威胁等级评估图
图7 威胁等级评估图
图8 航母编队威胁等级评估图
5 结论
从表6可以看出，A目标为核潜艇，其概率达到PA=0.502 23，B目标为常规潜艇，其概率达到PB=0.582 34。C目标为鱼雷，其概率达到PC=0.509 52，D目标为鱼群，其概率达到PD=0.730 59，E目标为其他目标（一般有可能为海底电缆、光纤等），其概率达到PE=0.418 28，F目标为常规潜艇，其概率达到PF=0.404 41。
从图8可以看出，最终我方对敌潜艇编队做出威胁评估判断，通过威胁评估得到PL=0.184 45，PM=0.303 69，PH=0.511 87，敌潜艇编队威胁等级评估为高威胁等级。
通过对比部队演习情况，构建的评估网络推理得到的仿真结果有一定的参考价值，能够为指挥员作战提供一定的决策建议，有利于缩短作战反应时间。该网络模型能够用于对敌水下目标识别和评估威胁，为指挥员决策部署提供了一种定量定性分析的方法手段，起到了一定的辅助参考作用。
参考文献：
[1]韩斌，苏奎峰.改进型RBF神经网络下目标威胁评估[J].价值工程，2015（6）：306-307.
[2]BEAVER J M，KEREKES R A，TREADWELL J N.An information fusion framework for threat assessment[C]//International Conference on Information Fusion.IEEE，2009：1903-1910.
[3]张银燕，李弼程.基于MIN-MAX云重心推理的目标威胁评估方法[J].系统仿真学报，2014，26（2）：411-418.
[4]DUBEY D，CHANDRA S，MEHRA A.Fuzzy linear programming under interval uncertainty based on IFS representation[J].Fuzzy Sets&Systems，2012，188（1）：68-87.
[5]王巍.基于云参数贝叶斯网络的威胁评估方法[J].计算机技术与发展，2016，26（6）：106-110.
[6]翟贵敏，董龙明，邱瑞波，等.基于贝叶斯网络的空中目标威胁估计算法[J].火力与指挥控制，2016，41（11）：90-93.
[7]周晓光，张佳利，何晓蕾，等.基于预定作业周期的航母作战部署调度研究 [J]. 火力与指挥控制，2016，41（8）：70-74.
[8]孟庆操，杨光.航母编队防空作战编成评判方法[J].火力与指挥控制，2017，42（6）：51-55.
[9]付涛，王军.防空系统中空中目标威胁评估方法研究[J].指挥控制与仿真，2016，38（3）：63-69.
[10]夏命辉，王小平，林秦颖，等.复杂环境下基于动态贝叶斯网络的目标识别[J].空军工程大学学报（自然科学版），2016，17（4）：24-28.
Simulation Research on Anti-submarine Target Identification and Threat Assessment of Aircraft Carrier Formation
CHEN Long1，MA Ya-ping2
（1.Graduate School of National Defense University，Beijing 100091，China；2.National Defense University Public Platform Center，Beijing 100091，China）
Abstract： Bayesian network model is a kind of effective quantitative analysis method for target recognition and threat assessment.The Bayesian network model is used to identify underwater targets and assess threat levels in aircraft carrier battle operations for the first time.Firstly，the bayesian network model of target recognition and threat assessment is constructed according to the actual situation of the troops；Secondly，the condition probability table is constructed based on the force practice data，the institution expert and the access information，which conforms to the actual situation；Finally，the underwater targets are identified and threat level is evaluated by simulation experiments，the validity of the Bayesian network on the target identification and threat assessment of the aircraft carrier formation is verified by the relevant data of the comparative forces，which can provide some auxiliary decision for the anti-submarine warfare of the aircraft carrier formation commander.
Key words： bayesian network，target recognition，threat assessment，aircraft carrier formation
中图分类号： TJ86；TP391.9
文献标识码： A
DOI： 10.3969/j.issn.1002-0640.2019.03.028
引用格式： 陈龙，马亚平.航母编队反潜目标识别和威胁评估仿真[J].火力与指挥控制，2019，44（3）：153-158.
文章编号： 1002-0640（2019）03-0153-06
收稿日期： 2018-02-11
修回日期： 2018-03-15
作者简介：
陈 龙（1988- ），男，福建仙游人，在读硕士研究生。研究方向：作战模拟系统工程。
马亚平（1957- ），男，教授，博导。
Citation format： CHEN L，MA Y P.Simulation research on anti-submarine target identification and threat assessment of aircraft carrier formation[J].Fire Control&Command Control，2019，44（3）：153-158.
标签：贝叶斯网络论文; 目标识别论文; 威胁评估论文; 航母编队论文; 国防大学研究生院论文; 国防大学公共平台中心论文;