基于动态贝叶斯网络的意图分析方法技术

本发明专利技术公开了基于动态贝叶斯网络的意图分析方法，涉及态势估计技术领域。本方法实现步骤是：1.数据汇集整理，提取态势要素；2.综合多种态势要素，建立动态贝叶斯网络拓扑；3.网络参数学习与设置；4.根据马尔可夫性实现快速近似贝叶斯推理；5.将各种意图的后验概率融合为当前时刻蓝方意图；6.输出意图分析结果。本发明专利技术能够综合多种态势要素，进行合理、智能的推理分析，实现了对蓝方群目标意图的动态估计，可用于态势估计、指挥控制系统。

Method of intention analysis based on Dynamic Bayesian network

The invention discloses an intention analysis method based on a dynamic Bayesian network, which relates to the technical field of situation estimation. This method comprises the following steps: 1. data collection, extraction of situational factors; 2. comprehensive situational factors, establish a dynamic Bayesian network parameter learning and network topology; 3. set; 4. according to the Markov chain of fast approximate Bayesian inference; 5. the intention of the posterior probability of fusion for the current moment blue intention; 6. output intention analysis results. The invention can synthesize various situation factors, carry out rational and intelligent reasoning analysis, and realize dynamic estimation of intentions of the blue square group, and can be used for situation estimation and command and control systems.

【技术实现步骤摘要】
基于动态贝叶斯网络的意图分析方法
本专利技术属于态势估计
，特别涉及一种基于动态贝叶斯网络的意图分析方法，可用于态势估计、指挥控制系统。
技术介绍
当今地区冲突呈现出对象多元化和环境复杂化的特点，面对观测数据量急剧上升的情况，如果仍然依靠人工处理，则时效性和一致性均难以满足实际需求。因此，需要利用计算机的存储和计算优势来处理大量重复出现的有规律态势，从而减轻指挥员的工作负担，使其能够更为快速有效地掌握实时动态。其中，意图分析属于一种较高层级的态势估计技术，能够在提取的态势要素基础之上，通过推理预测蓝方的行动意图，从而为红方的应对策略制定提供参考依据。目前，典型的推理分析方法主要基于以下理论：D-S证据理论、贝叶斯网络、因果网络等。现有方法存在的缺陷主要有：a)部分方法只考虑各因素与关注事件之间的静态关系，未能体现在时间上连续变化特性；b)针对单个目标间的意图分析，而实际中目标通常是以编队群目标的形式执行任务；c)传统动态贝叶斯网络精确推理所耗费的计算量随时间迅速增长，难以满足实际应用需求。
技术实现思路
本专利技术的目的在于针对上述已有技术中的不足，采用动态贝叶斯网络，综合多种态势本文档来自技高网...

【技术保护点】
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；(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...

【技术特征摘要】
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；(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；(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(2c)所述的结合性能参数和...

【专利技术属性】
技术研发人员：樊振华，师本慧，陈金勇，段同乐，齐小谦，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北,13