[发明专利]一种基于专家经验和贝叶斯网络的敌我目标识别效能分析方法

说明书

本发明涉及一种基于专家经验和贝叶斯网络的敌我目标识别效能分析方法，属于目标识别技术领域。建立包括6个父节点的敌我目标识别的贝叶斯网络结构；由专家给出网络中6个父节点间强弱关系的模糊先验知识；计算过渡矩阵MAT；由过渡矩阵得到敌我目标识别能力的CPT表。本发明方法无需训练数据，解决了受限于网络数据匮乏的问题，且提高了敌我目标识别效能分析精度。

技术领域

本发明属于目标识别技术领域，涉及一种基于专家经验和贝叶斯网络的敌我目标识别效能分析方法。

背景技术

敌我目标目标识别在攻防之中具有重要地位，是攻防体系中不可缺少的重要环节，其涉及技术较为繁杂，对其进行效能分析，找到对敌我目标识别能力最具影响力的因素是非常有必要的，因此有必要对敌我目标识别进行效能分析。

复杂系统关键因素效能分析最常用、最简单的方法是层次分析法(AnalyticHierarchy Process，AHP)，AHP是将与决策有关的因素分解成不同层次，在此基础上进行定性和定量的分析，从而达到效能分析的目的。然而，层次分析法只考虑了专家的经验，忽略了节点原始数据所包含的信息，主观性较高，客观性较差。为了使分析的过程可以从节点数据中获取信息，使效能分析的结果更加客观，一般使用贝叶斯网络(Bayesian Network)对复杂系统关键因素进行效能分析。

贝叶斯网络可以很好地表达变量之间存在的随机不确定性和相关性，并且，可以进行不确定性的相关推理，贝叶斯网络既可以实现正向推理，以先验概率为基础推导后验概率，即由原因推理结果，也可通过贝叶斯公式由后验概率计算出节点的先验概率，即由结果推理原因。这种因果关系的双向推理，使贝叶斯网络效能分析应用于很多领域，例如，目标识别、毁伤效果评估，信息安全评估，医疗诊断。在这些领域中，贝叶斯网络都展现了很好的性能，效能评估的结果也比较理想。

在构建贝叶斯网络时，贝叶斯网络节点的状态数设置一般不超过3个，节点所对应的父节点个数一般不超过4个。如果这些值偏大，贝叶斯网络的参数数目将会非常庞大，难以训练。以状态个数3、父节点个数4的贝叶斯网络为例，这个网络的子节点拥有243个参数。从认知的角度，我们很难从专家那里获得如此之多的参数，从统计的角度，如果希望从数据中学习参数，需要规模非常庞大的训练数据才能可靠地估计出这么多参数。

在复杂系统中，各因素对于结果的影响是非常复杂的，很难通过人脑判定因素与因素之间的关系以及关联强弱。一般用于复杂系统关键因素效能分析的贝叶斯网络，研究者将节点的可能取值设定成2，以武器攻击距离为例一般取值为{攻击距离远，攻击距离近}。使用贝叶斯网络对节点进行效能分析，是对定性问题进行定量分析的一种简便、灵活的多准则决策办法，通过对每个节点的参数值(即条件概率)进行设置，再经过效能分析，即可对目标节点的重要性进行定量描述。

在实际使用中网络的部分节点因为网络训练数据难以获得，或者是父节点的个数及其取值范围太大，导致条件概率表(CPT)难以通过专家赋予，使得通过贝叶斯网络进行效能分析的方法在这种条件下很难使用。

发明内容

要解决的技术问题

现有的目标识别效能评估方法可以分为两种，知识驱动型和数据驱动型方法。在无训练数据的情况下，参数只能通过专家经验获取，即知识驱动。目标识别领域涉及的因素有很多，针对其构建的贝叶斯网络需要的参数数量很大。在这种情况下，通过专家经验构建概率表是非常困难的，对于这种网络的参数数量非常多通常只能给出节点强弱关系的模糊先验知识。为此，本发明在敌我目标识别效能分析领域提出了一种无需训练数据，仅需给出父节点强弱关系即可估计贝叶斯网络参数的方法。

技术方案

一种基于专家经验和贝叶斯网络的敌我目标识别效能分析方法，其特征在于步骤如下：