参数自适应动态贝叶斯舰船态势估计算法

西安电子科技大学学报Apr. 20 丄 9 Vol. 46 No. 2

JOURNAL OF XIDIAN UNIVERSITY

doi：丄 0.丄 9665/ . issnl00丄-2400.2019.02.026

参数自适应动态贝叶斯舰船态势估计算法

毕

城

丄

，

王

玲

琳

2

,

刘永信丄

(1.内蒙古大学电子信息工程学院，内蒙古自治区呼和浩特010021;

2.内蒙古大学计算机学院，内蒙古自治区呼和浩特010021)

摘要

：为减少动态海域下贝叶斯网络舰船态势估计算法较大的误差，提出了 一种改进的动态贝叶斯网络

舰船态势估计算法。该算法根据多路传感器的数据和新获取的态势信息进行推理，通过计算新态势要素 与原有态势要素间的互信息构建并更新动态贝叶斯网络参数。与传统贝叶斯网络态势估计算法对比，在 仿真情况下对10 0 0 0艘舰船进行合作态势估计，改进动态贝叶斯网络的舰船态势估计算法合作舰船错误 率降低了

7. 1 %;用实测数据，目标的合作态势提升了 42%。改进的算法不仅能够实时地反映舰船环境

变化，同时还提高了目标态势估计的准确概率，为海监提供了一种舰船态势分析与决策的技术支持。

：信息融合；态势估计；舰船目标；动态贝叶斯网络；数据分析

：TP86

文献标识码

关键词

中图分类号

：A

文章编号

：1001-2400(2019)02-0158-06

Algorithm for the assessment of ship situation based on the

parameter adaptive dynamic Bayesian network

(1. College of Electronic Information Engineering, Inner Mongolia Univ. , Hohhot 01002 1, China;

2. College of Computer Science, Inner Mongolia Univ. , Hohhot 01002 1 , China)

Abstract:

BI Cheng1 , WANG LingHn2 , LIU Yongxin1

In order to reduce the error of the Bayesian network algorithm for the assessment of ship

situation in the dynamic area of the ocean, an improved algorithm for the assessment of the ship situatioproposed based on the dynamic Bayesian network. The algorithm makes an inference based on the data frommultiple sensors and newly acquired situation information. By calculating the mutual information between new situational elements and original situational elements, the dynamic Bayesian network parameters are constructed and updated. Compared with the model of the traditional Bayesian Network, the error rate of the cooperative target of the ship reduces by 7. 1 % through simulation of about 10,000 ships. By using the improved dynamic Bayesian network algorithm for the assessment of ship situation, under the measureddata, the cooperation of situation for the target has increased by 4.2%. The algorithm proposed in this paper not only reflects the environment of ship changes in real time, but also improves the accuracy of thetarget situation, thus providing a technical support for analysis and decision-making of the for Marine Surveillance.Key Words： information fusion; situation assessment; ship target; dynamic Bayesian network; data analysis

海洋权益对于国家经济和安全十分重要，对舰船监测与管理是保障海洋权益的主要工作之一，而有效的 舰船态势评估是舰船实现有效管理的基础。因此，正确把握海面情况，了解目标舰船的变化，并进行的态势 评估，对海洋管理与舰船监测具有重大实际意义。态势估计是将来自多种传感器和信息源的数据和信息加

收稿日期2018-丄丄-19

网络出版时间2019-01-05

：作者简介：毕城（丄995 —），男，内蒙古大学硕士研究生.E-mail: bicheng_yt@163. coni通信作者：刘永信（丄955 — )，男，博士，教授，E-nlail:yxliu@inlu.edu.cn网络出版地址：http:/Vkns cnki. net/kcms/detail/61. 1076. tn. 20丄90103. 1004. 002. htrill

基金项目国家重点研究发展计划（20丄7YFC丄405204,20丄7YFC丄40560丄）国家自然科学基金（61362002,6丄701263)

2西安电子科技大学学报第46卷

以联合、相关和组合以获得精确的位置估计和身份估计，以完成对战场态势和威胁及其重要程度进行实时、 完整评价的处理过程[2]。舰船的态势估计应用于海监部门，能够对舰船不确定性信息和不完备性信息进行 估计和预测，为舰船的监控提供辅助决策依据。

文献[1]介绍了一种三维威力场方法在态势估计中的应用。文献[3]介绍了一种基于动态贝叶斯网络的 方法，但是网络结构固定，无法做到自适应变化。文献[4]介绍了一种动态贝叶斯网络的参数学习方法，并应 用于态势估计，但是无法做到网络节点随时间变化而更新。基于贝叶斯网络（Bayesian Network，BN)的推 理算法不仅应用在推理预测中，还应用于态势估计中。贝叶斯网络分为静态贝叶斯网络和动态贝叶斯网络

(Dynamic Bayesian Network，DBN)。其中，静态贝叶斯网络在态势评估系统中使用较多[]。米用动态贝

叶斯网络的态势估计方法能够得到不同时刻战场信息要素之间的因果关系，并根据历史数据和新获取的态 势信息进行推理，因此动态贝叶斯网络比静态贝叶斯网络更具有合理性。但在应用动态贝叶斯网络进行舰 船态势估计时，相比贝叶斯网络虽然增加了时间序列以及积累，但动态贝叶斯网络的算法仍在推理过程中固 定不变，不能随环境和目标的变化而变化，因此无法保证推理结果的准确性[4]。

笔者提出了一种基于改进动态贝叶斯网络的舰船态势估计算法，解决了在推理过程中网络结构自适应 改变的问题。在不同时间片段的海况下，通过多传感器获取相关数据，构建自适应的目标舰船态势推理算 法，对舰船目标的态势做出分析。仿真结果表明，改进后的算法能够很好地适应海面状况的变化，获得更准 确的评估结果。

1

舰船态势估计

1. 舰船态势估计算法

在舰船监控与管理方面，态势估计主要是通过多个传感器获取当前时刻下目标舰船的状况，建立目标舰 船的事件、时间、位置和海况等多种要素组织的一张视图，将观测到的海域状况和目标状况、意图等有机地联 系起来，分析并确定事件发生的原因，并最终形成一个关于目标与周围海域的态势图。舰船目标态势估计的 结果反映了舰船的态势，因此也可为决策者提供有效的决策依据。

舰船态势估计通过高频地波雷达（High Frequency

Surface WaveRadar，HFSWR)、船舶自动识别（Automatic Identification System, AIS )、合成孑L 径雷达（Synthetic ApertureRadar，SAR)和声呐等多传感器对目标进行跟踪

和识别后，获得目标的各种属性。再从多种属性中提取态 势要素，通过对态势要素的推理估计出目标当前的态势。

图1 舰船目标态势估计的算法

态势估计是一个复杂的问题，且舰船目标态势算法也是随着不同海域、海况而改变，甚至在同一海域下，由于 海况的不同也会引起相应的算法变化。多传感器构成的态势算法如图1所示。

1.2动态贝叶斯网络算法

动态贝叶斯网络是带有时间序列以及累积的特殊贝叶斯网络，它能够学习变量间的概率依存关系及其 随时间变化的规律，是近年来新发展起来的统计算法[]。将动态贝叶斯网络应用于态势估计，不但满足态势 要素的不确定性，还能满足对态势的动态分析和预测，比静态贝叶斯网络更具有合理性[7]。动态贝叶斯网 络根据多个时刻的观测值对系统的状态进行定性推理，能够增强推理结果的准确性。其网络结构是一个有 向无环图，是依据观测数据bi，％，…，:ym}可导出隐变量X=Ui，心，…，最大可能取值的概率。

在对舰船进行态势估计时，动态贝叶斯网络中的隐变量的状态节点对应当前态势节点，而观测数据的节 点或是多传感器获取数据的节点对应于态势要素的节点。在网络的推理算法选取上，任何贝叶斯网络的推 理都是以贝叶斯公式和贝叶斯网络的条件假设为基础的。令x = ^为节点f代表的随机变量，则节点x 的联合概率4(^)=订》（^|：^(1))。其中，久（0代表父节点。对于任意随机变量，其联合概率可由局部条

iei

件概率乘积表示：，x2，…，x ) = p(xl x，…，x )…Mx)。针对后验概率、最大后验假设和最大可能解

释等这3类推理问题，常用的推理算法有消息传播算法、联合树算法和蒙特卡罗方法等[]。

http： //journal. xidian . edu . cn/xdxb

第2期毕城等：参数自适应动态贝叶斯舰船态势估计算法

3

1.3数据获取与预处理

舰船态势估计算法是一个综合多因素分析的算法。在算法中，传感器包括AIS信息系统、高频地波雷 达、合成孔径雷达和气象系统等。从AIS系统可以获取舰船的基本信息，但当目标舰船关闭AIS信息系统 时，只能通过其余传感器对其进行态势估计。通过高频地波雷达能够获取到当前船舶的速度等信息，合成孔 径雷达卫星和气象系统也可获取到当前海域的具体情况。将多种传感器获取到的信息量化分析后存储在知 识库中，方便动态贝叶斯网络的参数、结构学习以及更新。通过多传感器反馈回态势系统的数据，进行数据 预处理与分析后，可由专家指定或是数据分析，生成当前时刻下的态势要素以及态势要素属性。最后通过贝 叶斯网络方法生成舰船态势估计算法，对目标进行监测与意图分析。

2

自适应动态贝叶斯网络的态势估计算法

海面环境以及舰船目标是动态的，因此，对目标舰船的态势评估必须适应目标状况以及海面状况的变

化，否则，态势评估将失去实际意义。动态贝叶斯网络的自适应态势估计算法由4个部分组成，其中初始网 络结构是算法的初始条件，而网络节点的性检验是判断新的态势节点是否加入态势算法中的检验，最后 网络结构学习及判定是生成新的舰船态势估计算法的过程与条件。

2.1动态贝叶斯网络的初始结构

动态贝叶斯的网络初始结构为1个静态的贝叶斯网络。在当前时刻下，分析海域下对目标构成影响的 态势要素，确定贝叶斯网络的输入节点、中间节点与输出节点。根据节点间的因果关系，通过有向弧连接，建 立了当前时刻下舰船态势估计算法的网络结构。

单目标舰船以及多目标舰船群的合作意图为网络的输出，通过当前时间 片段下目标的状态属性来进行推测。因此，需要分析传感器获取到的数据以 及与该目标合作意图相关的各种属性状态。单目标舰船状况下，结合知识库 数据分析，确定初始网络的节点为舰船类型、海面天气状况、船舶航道和意图 等6个态势要素节点。对于每个节点的属性，舰船类型分为游轮、货船、快艇 和客船4个属性；天气节点分为晴天、多云、阴天、雨雪天以及雾天5个属性；舰船速度模糊化后分为快、一般、慢和静止4个属性；意图则分为合作与非合 作两个属性。依据专家知识先验算法构建初始网络如图2所示。

2.2网络节点间性检验

条件性测试是在给定条件集合下检测两个变量条件关系的一种典型度量。通常应用在贝叶斯 网络的结构学习中。条件性测试的基础是信息论中信息流的度量，通常情况下采用互信息和条件互信 息进行变量之间条件性测试。互信息是描述两个随机变量依赖程度的数学量，若两个随机变量存在相 互影响或是因果关系，则其中一个随机量会包含另一个随机量的信息。若互信息越大，则可说明两个随机量 之间依赖关系越强[]。两个变量之间的互信息为J(X:Y)，随机变量X的信息熵为H(X)，给定Y的条件下

X的信息熵为H(X/Y)，可表示如下：

KX；Y) =H(XH(X

H(X | Y)=

^ = 1

j

) - H(X | Y)

,,

t)

(1)()

)=-i = 1

^P(XI)lgP(XI)

-公 X]P(X=xI,Y = ^I)lgP(X=.xt ,Y =y

，(3)

其中，w和rn分别表示变量X和Y的状态数，表示X和Y的联合概率分布。

将网络中的所有节点看作是不同的随机量，可计算相互之间的互信息。在贝叶斯网络中，一个节点可以 跟多个节点连接，这种情况下就需要判定具体节点的相关性。同时按相关性对多个节点进行排序，排序是为 得到各个节点与其相关节点的重要性，之后再按照排序结果与设定的阈值进行对比，重新生成当前时间片段 下的贝叶斯网络。具体算法过程如下：

()若有新的节点加入，则计算节点间的互信息并排序。

http： //journal. xidian . edu . cn/xdxb

4

西安电子科技大学学报第46卷

(2) 排序后再对互信息设定阈值a(a6[0，1])。(3)

并删除。

()再判定互信息小于阈值的节点为当前时间片段下不相关的节点，并删除。

()若新加入节点的互信息大于阈值，则保留并重新进行网络结构学习，生成新的网络。

2.3

网络结构性学习与输出判定

若排序后最末端的节点互信息值与阈值小于0.05,则认为该节点为当前时间片段下不相关的节点

贝叶斯网络的结构学习是从给定的数据集中学出贝叶斯网络结构，即只有确定各节点之间的依赖关系， 才能进行网络的参数输入或参数学习。常用的结构学习方法有基于搜索评分的方法、基于约束的方法等。 K2算法是基于搜索评分的方法，并以下式为评分函数来学习贝叶斯网络结构：

max[P(Bs，D)] =c立 max JJ ( ~士…JJNtJk !

bs i=i n Lj=i (Nj 十r 丄八 k=i -

， ()

其中，数据集为D;贝叶斯网络的结构为Bs;c为每一个网络结构Bs的先验概率PBs)，为常数;w为节点个

数r为节点^的取值个数^为节点^的父节点集；^为〜的配置数。

在由K2算法生成的舰船态势估计贝叶斯网络结构后，需要对生成的结构进行判断：其是否符合当前时 刻下的因果关系。由专家给出的基本因果关系存储在知识库中，选取生成的网络中的部分节点因果关系与 生成的网络对比，若符合，则输出当前时刻下的态势估计贝叶 斯网络算法;若不符合，则重新返回网络学习。

2.4

自适应舰船态势估计算法设计

在网络节点的性测试的基础上，给出文中所提出的 态势估计算法。在文中的算法中，主要是通过将态势节点转 化成随机变量，再通过计算随机变量间的互信息，得到节点间 的相关性。当有新的态势要素出现时，重新计算每个态势要 素之间的互信息，通过对比和排序，选定当前时刻下态势要 素，排除不相关的节点，再进行网络结构学习，生成当前时刻 下的贝叶斯网络。最后，再对生成的网络进行判定，通过选取 部分节点以及其因果关系，与知识库中已知的基本因果关系 对比，输出当前时间片段的贝叶斯网络。文中算法的流程如 图3所示。

图3 文中算法的流程图

3

3.1

仿真与结果分析

为了验证动态贝叶斯网的自适应态势估计算法的有效性，在Visual Stdi〇2013C和Python2. 7的环境下

进行了仿真与实验。

算法性能仿真实验

为验证算法的合理性，仿真实验假定500平方海里的海域，并设定需要对10 000艘舰船进行态势估计。 其中合作舰船目标5 000艘，非合作舰船目标5 000艘，态势的更新周期为1h。在6个时间片段内对算法的 性能进行检测，并假定传感器获取目标在第2个时间片段内出现了更改航道，行驶入其他航道，最后在第4 个时间片段内回归了原先给定的航道行驶。动态贝叶斯舰船态势估计算法与改进后的算法均采用图2所示 的网络初始结构。

在算法的仿真实验中，设定阈值《对网络的生成有一定的影响。在&时间片段内，设定阈值的值分别 为0,0. 10,0. 20,0. 250,0. 30和0. 40,可以得到不同阈值下的态势推理的结果。当阈值取0和大于等于 0. 40时，整个网络最后生成不符合知识库中的因果关系，判定失败，无法进行态势估计。当阈值取0. 10时， 算法最后在生成网络时，得到合作船只数为3 756艘，但有12%的概率生成的网络局部不符合知识库中的因 果关系。当阀值取0. 30时，得到合作船只数为3 210艘，算法则有4%的概率生成失败；当阈值取0. 20时， 得到合作船只数为3 543艘。因此实验中选取阈值为0. 20。

http： //journal. xidian . edu . cn/xdxb

第2期毕城等：参数自适应动态贝叶斯舰船态势估计算法

5

采用动态贝叶斯网络的舰船态势算法与文中设计的算法所检测到合作与非合作船只如表1所示。文中 算法在^时间片段内，检测到了

4 210艘合作船只；在^时间片段内，因外部环境发生变化，算法检测到

3 543艘合作船只；在^时间片段内，算法检测到3 712艘合作船只，检测结果优于未改进的算法。

在6个时间片段内，综合对仿真实验的结果进行错误率分析，得到了如图4所示的两种算法对比检测错 误率图。通过对比图4中所示的两种算法的错误率变化，在时刻^下对10 000艘舰船的合作与非合作态势 判断的错误率为40. 9%，而采用文中设计的算法错误率是29.1%，错误率降低了 11. 8%。采用动态贝叶斯 网络舰船态势估计算法在6个时间片段内整体合作属性的态势错误率是29. 4%，而采用文中算法的错误率 降低了 7. 1%，为22. 3%，体现了文中设计算法的有效性与合理性。

表

1

算法仿真测试结果

^

目标时亥|J

---------------------------------------DBN算法 文中算法4210 2 951 3 412

42103 5433 712

合作船只数量

t1 t2 t4

3.2算法实测数据实验

实验以某海域内监控船发现目标A的情况下，判断该目标的意图，并对 其进行跟踪探测。实验数据来源于高频地波雷达数据。初始网络采用图2基 于专家知识的先验算法。按照态势要素进行分析和提取后，将推断当前态势 状态的节点设置为态势节点，观测到发生事件的节点设置为事件节点。t

时

更新后贝叶斯网络结构

刻下的网络参数由专家指定，之后的网络参数由多传感器数据组成的知识库

中学习给定。通过8个时间片段给定目标A的意图变化。 图5

设置相关海域面积为200平方海里的区域，并设态势更新的周期为1通过动态贝叶斯网络算法对态势进行估计。目标A在势估计，主要体现在舰船意图态势的变化。

表

h。首先在未考虑多种影响条件下

3个时间片段内相关海域态势要素的属性概率发生 了变化，通过动态贝叶斯网络推理算法以及更新参数，可以得到该目标这3个时间片段内的态势。舰船的态

0.8

■

2算法实测目标A在3个时刻的态势变化

文中算法

H ^il日标时刻

vt-Tir Rvh t

合作态势推理概率

DBN算法0. 623 40. 563 30. 580 8

tt

2

0.6234

0. 604 40. 622 2

时间/h

4

图6

合作态势概率变化曲线

通过合成孔径雷达以及高频地波雷达等传感器发现，实际情况在^时间片段内发现目标A未离幵相关 海域，但偏离航道航行，同时在^时间片段内恢复了正常航行。多个传感器获取信息后，将数据存储在知识 库中进行分析与存储，之后通过文中算法重新生成当前时刻下的网络结构算法，如图5所示。更新后的贝叶 斯网络算法中类型、天气、岛屿为初始节点，速度、航向为隐节点，意图为输出节点。

对比图2与图5可以发现，在时间片段内，动态贝叶斯网络的结构发生了变化。原先结构中的航道节点 被航向节点替代，同时增加了岛屿节点，并构成了因果关系。网络计算可以得到原结构中的航道态势要素节 点与速度节点和意图节点的互信息分别为0. 201 2和0. 842 5,通过排序后发现，航道节点为最末端节点，并 与设定的阈值小于0.05,即可认为是当前状况下不相关节点。而通过文中算法替换的航向节点与速度节 点、意图节点和岛屿节点的互信息分别是0. 3540、. 912 2和0. 743 2。最后生成了更新后的舰船态势估计网 络算法。传感器获得到的新态势要素数据并构成更新的态势估计算法，通过文中设计的算法可以得到该目

h 七七 p: //」〇uma l.xidicrn.edu. cn/xdxb

6

西安电子科技大学学报第4 6卷

标在这3个时间片段内的态势，如表2所示。

表2给出了在相关海域下，通过动态贝叶斯网络计算目标A的态势估计合作概率值的变化。通过对比 两种算法的结果可以得到，在^时刻，因初始网络，合作概率相同；而在^时刻，舰船A离开航道后，改进后 的算法计算出意图态势中，合作属性的概率为0 604 4,而未改进的动态贝叶斯网络算法输出的合作属性概 率为0. 563 3,文中提出的改进后的算法提升了 3. 7 %,具有一定的有效性。

综合表2以及实验结果，在8个时间片段内对目标舰船A的意图变化进行分析。通过文中算法与未改 进的动态贝叶斯网络舰船态势估计算法对比，态势的变化曲线图如图6所示。对比图6中两种算法的性能 可得到，在^时刻舰船发生了变化，而网络的结构也进行了改变，文中设计的算法能够更好地计算出目标A 的合作态势。而在^时刻，目标舰船A重新返回既定航道，改进后的算法计算出概率同样优于未改进的动 态贝叶斯网络态势估计算法计算的概率。文中算法能够很好地适应并计算出改变后态势的变化。

4

结束语

针对贝叶斯网络舰船态势估计算法中，网络结构参数不能随海面状况及目标舰船改变的问题，文中依据

多个传感器的数据和新获取的态势信息进行推理，且设计了一个舰船态势估计算法。该算法通过计算新态 势要素与原有态势要素间的互信息，最后对比专家库中的基本信息，完成对动态贝叶斯网络结构参数的构建 与更新。通过仿真实验并与动态贝叶斯网络态势估计算法相对比，在海面环境和目标状况发生了改变的情 况下，完成了对舰船的态势推理，提升了合作意图的概率，降低了合作船只的错误率，验证了该算法的可行性 和有效性。

参考文献：

[1] 孙庆鹏，李战武，常一哲.三维威力场在空战态势评估模型中的应用0J].空军工程大学学报（自然科学版），2018, 19(1):

3742.

SUN Qingpcng, LI Zhanwu, CHANG Yizhc. ThcAir Combat Situation 八sscssmcntModcl Based onThrcc-dimcnsional Combat Power Field[J] . Journal of Air Forcc Engineering University: Natural Scicncc Edition, 2018, 19(1 ) : 37-42.[2] 任佳，崔亚妮，张婧.基于时变I)BN的UAV航路威胁评估模型J]计算机仿真，2014, 31 (6): 60.

REN Jia, CUI Yani, ZHANG Jing. ThrcatAsscssmcnt Model ofUAV Path-planning Base on Time-varying Dynamic Bayesian Network [J] . Computer Simulation, 2014, 31 (6) : 60- .[3] 孟光磊，马晓玉，刘昕，等.基于混合动态贝叶斯网的无人机空战态势评估[J.指挥控制与仿真，207, 39(4): 1-6.

MENG Guanglii, MA Xiaoyu, LIU Xin, ct al Situation Assessment for Unmanned Aerial Vehicles Air Combat Based on Hybrid Dynamic Bayesian Network [J] . Command Control and Simulation, 2017, 39(4): 1-6.[4] 梁洪泉，吴巍.利用节点可信度的安全链路状态路由协议J]西安电子科技大学学报，2016,43(5): 121-127.

LIANG Hongquan, WU Wei. Secure Link Status Routing ProtocolBascd on Node Trustworthiness [J]. Journal ofXidian University, 2016， 43(5): 121-127.

[5] XU X M, YANG R, YU Y. Situation Assessment for AirCombat Based on Novel Semi-supervised Naive Bayes [J].

Journal of Systems Engineering and Electronics, 2018, 29(4 ) : 768-779.

[6] ONTANON S, MONTANA J L，GONZALEZ A J. A Dynamic-Baycsian Network Framework for Modeling and

Evaluating Learning from Observation [J] . Expert Systems with Applications, 2014，4 1 ( 1 1 ): 5212-5226.[7] IIU H, ZHOUS, LAM W, ct al • A New Hybrid Method for Learning BayesianNetwo

Knowledge-Based Systems, 2017， 121: 185-197.[8] 景国彬，张云骥，孙光才，等.一种三维地面场景SAR回波仿真的快速实现方法[J].西安电子科技大学学报，2017,

44(3): 1-7.

JINGGuobin, ZHANG Yunji, SUN Guangcai, ct al. Fast Method forSAR EchoSimulationof a Three-dimensional Ground Scene [J] . Journal of Xidian University, 2017, 4 4(3) : 1-7.[9] 邸若海，高晓光.基于型粒子群优化的贝叶斯网络结构学习[J.系统工程与电子技术，2011，33( 1 1 ): 2423-2427.

DI Ruohai, GAO Xiaoguang. Bayesian Network Structure Learning Based on Restricted Particle Swarm Optimization [J] . Systems Engineering and Electronics, 2011，33( 1 1 ): 24 23-24 27.

(编辑：齐淑娟）

h七七p: / /」ouma 1. xid ian. edu. cn/xdxb