[发明专利]基于动态贝叶斯网络的意图分析方法

权利要求书

1.基于动态贝叶斯网络的意图分析方法，其特征在于，包括以下步骤：

(1)初始设置为训练模式；

(2)数据汇集整理，具体包括以下步骤：

(2a)初始化性能参数，包括：蓝方目标速度上限；

(2b)读入当前时刻观测数据，包括：红方意图、交火程度、蓝方目标数、红方目标数、蓝方目标实力量化数据、红方目标实力量化数据和蓝方目标径向速度；

(2c)结合性能参数和观测数据，得到相对实力连续值和相对速度连续值；具体为：

计算相对实力连续值

其中，o_i表示红方第i个目标实力量化值，i为红方目标标号，取值为1,2,···,n_k，n_k为红方目标数，e_j表示蓝方第j个目标实力量化值，j为蓝方目标标号，取值为1,2,···,m_k，m_k为蓝方目标数；

计算相对速度连续值

其中，v_k为蓝方目标径向速度，v_sup为蓝方目标速度上限；

(2d)对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度；

(3)建立动态贝叶斯网络拓扑，具体包括以下步骤：

(3a)建立意图分析动态贝叶斯网络拓扑，网络节点包括：可观测节点和隐藏节点，所述的可观测节点包括：红方意图、交火程度、相对实力和相对速度，所述的隐藏节点为蓝方意图；所述蓝方意图为红方意图、交火程度、相对实力和相对速度的融合；

(3b)设置各网络节点概率分布，包括红方意图概率分布、交火程度概率分布、相对实力概率分布、相对速度概率分布和蓝方意图先验概率分布；

(4)训练模式下对动态贝叶斯网络参数进行学习与设置，具体包括以下步骤：

(4a)判断当前模式是否为训练模式，若是，则执行步骤(4b)，若否则执行步骤(5)；

(4b)判断是否达到设定的学习次数，若是，则通过对观测数据学习，得到各网络节点间的条件概率分布；否则返回步骤(1)；所述的各网络节点间的条件概率分布包括：当前时刻红方意图和蓝方意图的条件概率分布，当前时刻交火程度和蓝方意图的条件概率分布，当前时刻相对实力和蓝方意图的条件概率分布，当前时刻相对速度和蓝方意图的条件概率分布，上一时刻蓝方意图和当前时刻蓝方意图的条件概率分布；

(4c)将训练所得各网络节点间的条件概率分布设置为动态贝叶斯网络参数；

(4d)将当前模式设置为应用模式，返回步骤(2)；

(5)根据各网络节点概率分布和各网络节点间的条件概率分布，经贝叶斯推理得到当前时刻蓝方意图的后验概率分布，具体包括以下步骤：

(5a)结合当前时刻的红方意图、交火程度、相对实力、相对速度、上一时刻蓝方意图和当前时刻的蓝方意图先验概率分布经贝叶斯推理得到当前时刻蓝方意图的后验概率分布；

(5b)根据马尔可夫性，更新得到下一时刻的蓝方意图先验概率分布；具体为：

P_f(B_k+1)＝P_u(B_k)；

其中，P_u(B_k)为k时刻威胁的后验概率分布，P_f(B_k+1)为k+1时刻的蓝方意图先验概率分布；

(6)将当前时刻蓝方意图的后验概率分布融合为当前时刻蓝方意图，具体包括以下步骤：

(6a)从当前时刻蓝方意图的后验概率分布中提取各种意图的后验概率；

(6b)将各种意图的后验概率融合为当前时刻蓝方意图；

(7)输出当前时刻蓝方意图，检查下一时刻的观测数据是否到达，若是，将下一时刻更新为当前时刻，跳转到步骤(2)；否则，结束本流程；

完成基于动态贝叶斯网络的意图分析。

2.根据权利要求1所述的基于动态贝叶斯网络的意图分析方法，其特征在于，步骤(2d)所述的对相对实力连续值和相对速度连续值进行离散化，得到相对实力和相对速度，具体为：

离散化相对实力S_k

离散化相对速度V_k