基于多属性可能性网络的目标行为意图识别

张红利,吉琳娜,杨风暴

(中北大学信息与通信工程学院,山西 太原 030051)

0 引言

面对复杂海战场环境,快速、准确地掌握敌方行为意图能够使指挥员及时做出下一步的战术应对措施。通过观察目标的行为和运动状态信息,识别目标的行为意图[1]。在行为意图识别过程中,存在着许多不确定性因素。如何对不确定性信息快速准确识别行为意图是一个研究重点。

目前对目标的行为意图识别研究主要基于认知模板[2-3]、神经网络[4-6]、多属性决策[7]、灰色关联方法[8]等。文献[9]对观察的目标建立作战态势模板,从敌方目标中提取特征信息,通过与模板库中的相似度对比确定目标行为意图;而在模板匹配过程中,需要较长的时间,才能在上一时间段预先选择的模板中进一步判断行为意图,进而识别出行为意图。文献[10]将目标属性和战术意图分别作为输入、输出,利用神经网络对输入和输出特征数据进行网络模型训练,得到属性和意图之间的规则,能够有效识别意图。文献[7]基于模糊推理规则和多属性决策对目标特征进行攻击意图的判断;但基于多属性决策当输入信息的数量较多时,其计算量较大,运算时间较长,无法满足实时性。文献[11]利用高维数据相似度计算目标状态对意图的支持度,结合D-S证据理论对目标意图进行贯序识别,有实时性,但是行为意图识别准确度不理想。

文献[12]利用知识图谱具有信息过滤、快速检索的功能,结合相似度实现了舰船目标的识别。文献[13]将知识图谱用于构建知识库,将海空目标信息进行关联,并实现海空目标的准确识别。可能性网络源于贝叶斯网络思想,是可能性理论与图形模式的结合,通过构建不确定信息关系间的模型,使得可能性网络模型能够合理地描述和处理不确定信息,利用可能性推理对行为意图进行识别[14]。知识图谱可将数据转化为机器能够理解和处理的知识,具有快速查询,匹配搜索信息的优势,在行为意图识别中能够将获取到的数据进行状态特征信息提取,为行为意图识别的推理提供有利支撑。虽然知识图谱能够将海面目标的特征信息进行相互关联,但无法解决不确定性推理问题。可能性推理是基于知识图谱中匹配到的状态信息和结合可能性网络给出节点关系间的条件可能性分布,基于可能性推理规则实现目标的行为意图。知识图谱和可能性推理的结合,能够获取到目标特征信息并快速、准确地识别行为意图。因此本文利用可能性理论的思想,通过构建可能性网络模型对行为意图进行识别,将目标相关数据输入到知识图谱中来判断它所属具体等级和类型,再利用可能性分布对目标进行行为意图识别。

1 目标行为意图识别原理

1.1 基于目标特征信息的知识图谱

目标的特征信息是行为意图识别的要素,知识图谱能够将目标特征信息进行关联。知识图谱(KG)是在传统知识工程以及语义Web基础上发展而来的知识表示技术,旨在描述客观世界的概念、实体、事件及其相互间的关系,快速帮助用户获取信息[15]。知识图谱主要是对实体及其之间的相互关系进行描述,利用实体间的联系用语义信息进行实体间关系的连接。因此目标特征信息知识图谱是利用语义信息体现目标特征信息间的联系[16]。在行为意图推理过程中,将获取到的数据在知识图谱中查询推理得到目标的特征信息。基于海面目标特征知识图谱的构建及应用具体过程如图1所示。

图1 海面目标特征知识图谱的构建及应用Fig.1 Construction and application of knowledge graph of surface target feature

1.2 可能性网络推理原理

推理模块是行为意图识别的核心,负责相关的推理任务,主要利用可能性网络构成推理模型,与知识图谱中存储的信息之间进行交互,将知识图谱中的信息转化为可能性推理中使用的信息,具有处理不确定性信息的能力。如“今天有可能下雨,实现某种行为意图的可能性”都是对未来发生结果的一种不确定性估计。

可能性网络以可能性理论为基础,用于处理不确定性信息的问题,通过图形形象化地表述出来。选取输入变量(目标特征信息)、输出变量(行为意图)作为可能性网络的节点,用有向边来表示变量之间的关系。可能性网络节点个数由输入变量和输出变量的个数来决定。

可能性网络使用可能性来表示不确定性。设X=(X1,…,Xn)为论域U=U1×…×Un的n维可能性变量,πx是与x相关联的可能性分布,且πx(x1,…,xn)为πx的可能性分布函数,即[17]

∀(x1,…,xn)∈X1×…×Xn
πx(x1,…,xn)=p(X=x1,…,X=xn),

(1)

则称πx(x1,…xn)为与X=(X1,…,Xn)相关联的多元可能性分布函数。

在可能性推理过程中将会用到多元可能分布公式进行计算,公式为

(2)

式(2)中,πX|Y(x|y)为Y=y下X的条件可能性分布函数。

当输入变量为多个变量时,有

(3)

在各输入变量相互独立的假设下,式(3)可具体化为

(4)

1.3 信息熵原理

依据不同因素在行为意图下的可能度,采用信息熵的思想对每一个因素计算其熵值,公式为

i=1,2,…,n,

(5)

式(6)中,Ej表示因素j的信息熵,I表示因素的总体个数。

最后得到各行为意图的可能性为

(7)

2 基于可能性网络的目标行为意图识别

行为意图识别的过程一般为:依据目标的实时信息分析目标行为意图目标特征信息,采用推理机制对目标实时行为意图进行推理,最终获得目标行为意图识别结果。本文具体识别方法如图2所示。

图2 目标行为意图识别流程图Fig.2 Flowchart of target behavior intent recognition

2.1 基于目标特征知识图谱的构建

目标的特征信息能够显示出目标真实的行为意图,本文选取的目标特征信息与行为意图有直接或间接关联和影响。通过目标类型、目标地理位置、目标航行方向、目标航行速度、目标雷达工作状态、目标行为等目标的特征核心要素,构建要素及要素间关系的语义表示结构,完成知识图谱的构建。

根据相关领域的专家知识,不同目标类型对行为意图影响的程度不同。大型舰艇具有较强的打击能力;中型舰艇相比大型舰艇,攻击能力较弱;小型舰艇相比大中型舰艇攻击能力弱,但中型舰艇和小型舰艇侦察能力较强。因此将军舰按照大型、中型和小型三个等级进行归类,如图3(a)所示为大型舰艇类型。

目标在航行过程中会开启雷达,对于雷达工作状态而言,雷达不同工作频率范围内工作状态不同,依据载频、重频和脉冲宽度的不同工作频率内对应工作状态为锁定、搜索和扫描三类[18]。

目标航行方向指目标对于我方位置的朝向,如果目标航向角度较小,说明目标是朝着我方前进,其相应威胁程度较高。因此按照目标在不同航向角下对应的威胁程度不同,将其划分为大、中、小三个等级。

在分析行为意图相关要素时,在海战场环境中军舰航行一般为直航、驻留和拐弯三种类型。

目标航行速度是一种表示行为意图的特征,以高速机动的方式令敌意料不到的速度实施攻击。根据海上不同类型目标在不同行为意图中都能够达到的最高速度及行驶的最低速度将其划分高速和低速两种类型。

将影响海面目标行为意图的要素进行特征信息知识图谱的构建,其构建的图谱如图3所示。

图3 基于目标特征知识图谱的构建Fig.3 Construction of knowledge graph based on target feature

2.2 可能性网络的构建

利用可能性网络模型解决行为意图识别实际上是利用可能性推理来实现,构建3层的可能性网络模型,需要经过以下步骤:

1) 首先确定节点内容,节点对应着不同事件,将目标属性作为影响行为意图的原因,行为意图的判定为结果,即确定行为意图为进攻、侦察、撤离,选取的行为意图具有代表性,威胁程度各不相同。因此最上层为结果行为意图,下层目标行为意图的表现因素,包括目标间的相对距离、目标行为、目标间的相对角度、目标携带武器装备状态和目标类型,目标行为考虑速度和岛礁对其的影响,武器装备状态依据雷达状态进行调整,如图4所示。

图4 可能性网络结构图Fig.4 Possible network structure diagram

2) 按照构建的可能性网络的节点关系,通过分层模型,根据专家经验和先验知识确定事件间的条件可能性分布表,如表1—表5所示,然后根据获取的信息进行推理。

表1 目标行为与行为意图的条件可能性分布表Tab.1 Conditional probability distribution of target behavior and behavioral intention

表2 目标行为航行速度、岛礁的条件可能性分布表Tab.2 Conditional probability distribution table of target behavior sailing speed and reef

表3 目标行为意图与目标距离、武器装备的条件可能性分布表Tab.3 Conditional probability distribution table of target behavior intention, target distance and weapon equipment

表4 目标行为意图与目标类型、航向角的条件可能性分布表Tab.4 Conditional possibility distribution table of target behavior intention, target type and heading angle

表5 武器与雷达工作状态的条件可能性分布表Tab.5 Conditional probability distribution table of weapon and radar operating state

3 仿真实验

为验证本文算法的有效性,将实验结果与基于多属性决策的方法及D-S证据理论进行了比较。假设我方发现目标在1 200 km处正向我方军事基地方向匀速航行,我方要对敌方的海面目标进行行为意图识别。

观测证据1:T1时刻,有一艘巡逻舰航向角为85°,距离我方810 km,速度为13 kn时,行驶的前方有岛礁,接收到雷达的重频为15 kHz,脉冲宽度为9 μs,载频为2 700 MHz。

观测证据2:T2时刻,有一艘巡逻舰航向角为25°,距离我方180 km,速度为17 kn,行驶的前方有岛礁,接收到雷达的重频为15 kHz,脉冲宽度为9 μs,载频为2 750 MHz。

观测证据3:T3时刻,有一艘巡逻舰航向角为10°,距离我方10 km,速度为26 kn,已经绕过岛礁,接收到雷达的重频为42 kHz,脉冲宽度为18 μs,载频为2 850 MHz。

观测证据4:T4时刻,有一艘巡逻舰航向角为90°,距离我方90 km,速度为25 kn,在它的前方有岛礁,接收到雷达的重频为35 kHz,脉冲宽度为18 μs,载频为2 850 MHz。

观测证据5:T5时刻有一艘巡逻舰航向角为170°,距离我方100 km,速度为26 kn,在它的前方有岛礁,接收到雷达的重频为15 kHz,脉冲宽度为8 μs,载频为2 550 MHz。

依据战场环境和目标属性要素,目标速度、距离、航向角及雷达型号的工作频率,基于知识图谱中先验知识将其转化为不同状态值如表6所示。

表6 不同状态转换表Tab.6 Conversion table of different states

利用式(5),得到各行为意图在不同属性下的信息熵值为E1=0.788 1,E2=0.818 0,E3=0.682 7,E4=0.900 7,E5=0.901 5。

再依据式(6)得各目标属性权重为w1=0.233 1,w2=0.200 2,w3=0.349 1,w4=0.109 2,w5=0.108 4。

设节点行为意图的可能度分别为

p(Y1)=p(Y2)=p(Y3)=0.5。

依据可能性网络中的层次划分及条件可能性分布表,通过条件可能性分布公式得知在雷达不同状态(L0、L1、L2分别表示锁定、搜索、扫描)条件下武器装备(W0和W1分别表示开和关)的可能性。根据式(2)当雷达的工作状态为扫描时,武器装备状态计算如下:

所以在T1时刻,雷达工作状态为扫描时,武器装备状态为关。

p(W=W0|L=L0)=0.409 1,

p(W=W1|L=L0)=0.590 9,

p(W=W0|L=L1)=0.828 9,

p(W=W1|L=L1)=0.171 1。

类似地,可以得到在T2和T3时刻雷达工作状态为跟踪时,武器装备状态为关,在T2时刻雷达工作状态为锁定时,武器装备状态为开。

当速度为低速时,有岛礁时,由于当行为(B1、B2、B3分别表示直航、驻留、拐弯)已知时,目标属性速度(S0和S1分别表示低和高)和岛礁(D0和D1分别表示有和无)相互独立,根据式(4)得

p(B=B1|S=S0,D=D0)=0,
p(B=B2|S=S0,D=D0)=0.385 4,
p(B=B3|S=S0,D=D0)=0.331 8。

所以在T1当速度为低速,无岛礁时,目标所属行为可能性为直航状态。

p(B=B1|S=S0,D=D1)=0.246 3,
p(B=B2|S=S0,D=D1)=0.133 2,
p(B=B3|S=S0,D=D1)=0.093 8。

同理,在T3时刻速度为高速时,有岛礁时,目标所属行为为拐弯状态。在T2时刻速度为高速时,无岛礁时,目标所属行为为直航状态。

引入信息熵,对目标属性客观分配不同权重,计算不同时刻各属性组合下目标行为意图。为了验证本文方法的准确性和实时性,采用相同数据通过多属性决策和D-S证据理论验证,结果如表7和表8所示。连续输入5个观测时刻,可得到5个时刻目标行为意图的可能性变化如图5所示。

表7 不同方法行为意图识别可能性大小Tab.7 Possibility of behavior intention identification by different methods

表8 不同方法行为意图识别耗费的时间Tab.8 Time consumption of behavior intention identification by different methods

通过仿真实验,本文方法和基于多属性决策方法在5个时刻得出的结果一致,目标行为意图在5个时刻分别为侦察、侦察、进攻、进攻、撤离,证明本文方法较为准确。而D-S证据理论在T1时刻的行为意图识别结果有偏差,在其他时刻行为意图识别与本文方法和多属性决策方法得出的结果一致,可能是由于T1时刻的距离和航向角特征在侦察和撤离时区分度不大,导致识别有误差。本文方法与多属性决策方法相比,虽多属性决策方法能够准确识别行为意图,但耗费时间较长,而本文方法不仅能准确识别行为意图且耗时短。而D-S证据理论耗费的时间最短,但行为意图识别准确性较差,本文方法具有准确性。因此本文方法在行为意图识别方面较为准确,且具有实时性。

图5 行为意图识别结果图Fig.5 Result diagram of behavior intention recognition

4 结论

针对复杂海战场中行为意图准确识别的关键问题,本文构建了行为意图要素的知识图谱,借助信息熵权为目标不同属性客观分配权重,结合可能性网络在推理方面的优势进行行为意图识别。根据海战场提供的几个时刻的证据信息进行推理分析,能够快速准确识别出敌方目标的行为意图,该方法在一定程度上能够克服专家经验带来的主观性,使得结果准确客观。