-
态势估计方法综述
0
引言
<
/p>
数据融合的概念是在
20
世纪
70
年代初期由美国海军首先提出的
[
1
]
。而数据融合包括态势估计这个过程（见图<
/p>
1
）
，可以说态势估计
< br>这个概念就是这个时候产生的。
态势估计是军事智能决策过程中的重
要环节。在军事领域中，态势估计至今没有统一的定义。在大量关于
态势估计
的功能描述，最著名的是美国
JDL
的描述：态势估计是建
立关于作战活动、
事件、
时间、
位置和兵力要素组织形式的一张视图。
该视图将所获得的所有战场力量的部
署、
活动和战场周围环境、
作战
意图及
机动性结合起来，
分析并确定发生的事件，
估计敌方的兵力结<
/p>
构、
使用特点，
最终形成战场综合态势图
[
2
]
。
态势估计应该包括下述
过程：
1
，生成当前态势要素集合；
2
，生成态势假设集合
；
3
，当前
态势生成—通过形成最小不
确定性态势假设来实现；
4
，估计当前态
势对实现态势目标的支持程度；
5
，态势预测—预测下一周期
出现的
可能战场态势（包括战场事件和作战行为等）
。态势估计
处理的是
正在发生的事件或者活动，它的重点是所关心领域内的敌我行为模
式。因此，态势估计的结果能够反映当前真实的战场态势，并提供事
件、活动
的预测，
为最优决策和资源管理的优化提供依据。国外态势
估计
技术发展比较迅速，
自
20
世纪
70
年代以来，
许多国家对态势估
计从理论体系和系统实现方法等方面进行了研究和开发，
取得了很大
进展。美国已经有较成熟的联合作战态势估计系统。
实现态势估计系统的方法很多，
主要的实现技术有：
基
于知识的
系统（又称作专家系统）
、模板技术、品质因素法、计
划识别方法、
贝叶斯网络、模糊逻辑技术、
遗传算法等
[
1
]
[
1
]
。它们将军事领域知识与
不确定性处理技术结合起来，用于解决态势估计中的问题。
传感器
像素层融合
特征层融合
二级
融合
态势
估计
三级
融合
威胁
估计
四级
融合
效果
评估
与
控制
信息源
信息源
初级处
理
图
1
数据融合体系的功能结构
1
态势估计方法
1.1
基于贝叶斯网络的态势估计
贝叶斯网络也称为信度网络、因果网络或者推理网络，是指基于
概率
分析和图论的一种不确定性知识的表示和推理模型
[
3
]
概率推理技术，使用概率论来处理在描述不同知识成分之间的条件相<
/p>
关而产生的不确定性，
提供了一种将知识知觉地图解为可视化的方
法，
是一种新的知识表示模型，知识的不完全、不确定性用概率来表示。
贝叶斯网络的计算机模型化已成为建设决策支持系统的一个重要部
分，并被称为
职能软件，广泛应用于“信息恢复、交通管理、国防系
统
等方面
[
4
]
实中是不可能的
于态势估计。多实体贝叶斯网络能有效克服上述缺点，
使得态势估计
结果的精确度提高。一个
MEBN
是通过贝叶斯网络片
BNFrags
（
Bayesian net fragments
）体系和结构集合来描述一个
概率分布。把复
...
。
[
5
]
判定层融合
一级融合
目标状态
/
属性估计
。它是一种
由于在贝叶斯网络中，所有的数据要能被概
率函数描述，这在现
。因此，马锐等将多实体贝叶斯网络（
ME
BN
）用
杂的模型分解成概念上有意义并且可操作的
BNFrags
，用以表示概率
知识库中的可共享
元素，每个贝叶斯网络片包含了随机变量的一个子
集合的概率知识，实体结构的模型、行
为和关系等均可以编码和贝叶
斯网络片
。
1.2
基于直觉模糊决策的态势估计
由于常
用的态势估计方法有很多种，而且它们分别适用于不同的
情形，但是它们的共同点是对当
前战场态势的综合评价和理解不足或
缺乏
[
6
]
[
1
]
。因此，雷英杰，王宝树，王毅提出一种基于知觉模糊决策的
方法来求解战场态势估计问题。
直觉模糊集（
Intuitionistic fuzzy s
ets
）
[
7
~
10
]
是对
Zadeh
模糊集的一
种重要扩展，直觉模糊决策是基于直觉模
糊集理论的一个综合评判过
程，综合评判是综合决策的数学工具。态势估计反映对战场的
综合评
价结果，因此可以归结为一个评价问题，从而可以用直觉模糊综合评
判方法来求解。该方法的基本步骤是：
（
1
）建立归一化的直觉模糊综
合评判模型；
（
2
）建立战场态势评估指标体系；
（
3
）确定评估指标的
权重向量；
（
4
）计算评估指标的效用值，进行归一化处理及直
觉模糊
度量，形成评估矩阵；
（
5
）进行评估计算，得到评估结果
[
6
]
。
基于直觉模糊
决策的战场态势评估方法，最大的优点是能适时给
出对战场态势的综合评价和
“直观理解”
，
供军事指挥人员决策时参考，
可有效弥补现有方法在这方面的不足。基于直觉模糊集理论的综合评
判方法，有效克服了
Zadeh
模糊集单一隶属度的局限性，使
得评估结
果的可信度更高
[
11
]
1.3
基于粒子滤波的态势估计
通常，
为了建模和确定物理系统的状态，系统会被描述成一
个隐马尔可夫模型或者一个状态空间
模型。但是，状态空间模型
有如下的不足：
（
< br>1
）统一向量不能完全利用条件独立性，也不能
有效地描
述存在于变量间的相关性。
（
2
）向量
分布系数不能在混
合数据中融合推理。
（
3
）在出现大量的敌对单元时，跟踪状态变
化变得几乎不可能
[
12
]
。因
此，
Subrata
Das
和
David Lawless
提出
了一种基于粒子滤波的态势估计方法。
< br>粒子滤波是
90
年代发展起来的一种基于蒙特卡罗方法和
递
推贝叶斯估计的新滤波方法，在处理非线性，非高斯系统的参数
估计和状态滤波方面具有独到的优势
[
13
< br>]
。
在这种方法中，通过把状
态空间模型向量转化为动态的置信
网络，而置信网络技术能提供如下的优点：
（
1
）它的图示的方法
对
于态势建模有很大的帮助；
（
2
）通过
建立概率语义，能很好的
处理不确定性；而粒子滤波是一种模型估计技术，常用来估计贝
叶斯模型。通过粒子滤波的建模，使得置信网络技术的优点发挥
出来，从而提高态势估计的准确性
1.4
基于计划识别的态势估计
计划识别是
根据代理的行为序列来推断代理所追求目标的
过程，着重于对当前已发生行为的分析和抽
象，因而对动态问题
有很好的适应性，与态势估计中通过观察、分析、战场中军事单
元的动态行为来识别其计划的要求相一致，因此，态势估计实际
上是
一个计划识别过程
[
14
]
[
12
]
。
。
[
< br>15
]
计划识别问题的构成和求解首次由
Kautz
提出，但是这种
方法要求计划库完备（封闭
世界模型）
，而在现实世界中这是很
难满足的，因此李伟生等人
通过动态建立计划库，突破了这一模
型的局限性。该模型对于实时性要求很高的战场环境
是非常有用
的。