[发明专利]一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法

权利要求书

1.一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法，其特征在于：包括

步骤一：针对战场中空中目标动作的战术意图，分析防空反导战场目标意图层次，进行意图推理，得到基于意图分解的目标意图的根意图I；

步骤二：以贝叶斯基础理论为基础，对根意图I中的元素进行推理，动态贝叶斯网络结构N；

步骤二所说的动态贝叶斯网络结构N的得到过程包括：

S201.在时刻变化的战场环境中，将根意图集I中的每一时刻的静态贝叶斯网络根据时序排列规则串联起来，形成反应动态战场态势变化的动态贝叶斯网络；

S202.设贝叶斯的网络节点为(X₁,X₂,…,X_m)，节点X_i事件发生的先验概率为P(X_i)，X_i节点的父节点的集合表示为Pa(X_i)，由于贝叶斯网络结构具有条件独立关系，可得贝叶斯推理公式为：

P(X_i)＝P(X_i|Pa(X_i)) (3)

则m个节点的联合概率为：

S203.将贝叶斯模型扩展成n个时间片的动态贝叶斯网络，其联合概率分布可以表示为：

其中：N_t,t∈[1,n]表示第t个时间片的静态贝叶斯网络，表示N_t内的第i个节点；

步骤三：依据战场态势时序变化的特征，通过控制贝叶斯网络结构N中窗口的大小和窗口滑动的步幅来控制根意图推理粒度的大小，设计基于滑动时间窗的根意图；

步骤三所述的基于滑动时间窗的根意图的设计过程包括：

S301.设滑动窗口大小为k，步长为l，目标根意图集I＝{I₁,I₂,…I_i,…I_n}，则贝叶斯网络结构N中一个窗口内元意图对第i个根意图的支持度为：

其中：p_j表示滑动窗口内第j个元意图的先验概率，p_ji表示第j个元意图对第i个根意图支持的条件概率；

S302.则滑动窗口目标意图推理结果为：

步骤四：根据基于意图分解的滑动时间窗动态贝叶斯目标意图推理方法对根意图进行意图推理，获得目标根意图的推理结果，得到目标元意图，并对元意图进行进行推导，得到目标的终极意图。

2.根据权利要求1所述的一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法，其特征在于：步骤一所述的根意图的具体推理得到过程包括：

S101.在战场环境中，设目标的状态集为V＝{v₁,v₂,v₃,v₄,v₅}，目标元意图集为G＝{g₁,g₂,g₃}，根意图集为I＝{I₁,I₂}；

S102.依据知识库中存储的目标意图和行为分解关系，通过在不同时刻，战场上的传感器观测获得的空中目标的具体行为V，推断出当前目标的元意图G；

S103.根据不同时刻的元意图组合g₁g₂，得到目标的根意图为I₁。