[發(fā)明專利]基于模糊動態(tài)貝葉斯網絡的態(tài)勢威脅評估方法

有效

• 申請?zhí)枺?/td>: 201310418696.5
• 申請日: 2013-09-13
• 公開（公告）號: CN103488886A
• 公開（公告）日: 2014-01-01
• 發(fā)明（設計）人: 覃征;祝東征;張海生;盧正才;金橋;李鳳翔;繆嬋娜
• 申請（專利權）人: 清華大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 吳大建;劉華聯(lián)

1.一種基于模糊動態(tài)貝葉斯網絡的態(tài)勢威脅評估方法，包括：

數據提取步驟，從采集到的數據中提取出所要處理的數據；

數據預處理步驟，對所獲取的數據進行抗干擾處理，然后對經抗干擾處理的數據進行模糊化處理以得到模糊變量；

模型構建步驟，對戰(zhàn)場態(tài)勢威脅評估過程進行知識表達，確定事件和屬性的概念和表示，構建關于戰(zhàn)場威脅評估的動態(tài)貝葉斯網絡模型，所述動態(tài)貝葉斯網絡模型包括態(tài)勢預測和威脅評估兩方面的語義表示；

推理步驟，將所述模糊變量作為輸入證據輸入至所述動態(tài)貝葉斯網絡模型以得到模糊動態(tài)貝葉斯網絡，然后對所述模糊動態(tài)貝葉斯網絡進行推理得到態(tài)勢預測結果，并基于所述態(tài)勢預測結果得到威脅評估等級。

2.根據權利要求1所述態(tài)勢威脅評估方法，其特征在于，在所述數據預處理步驟中，進一步包括：

對于出現數據缺失或者數據錯誤時，采用回歸分析對數據進行修正和補齊以實現對所獲取的數據的抗干擾處理；

使用隸屬度值法來對經抗干擾處理的數據進行模糊化處理得到模糊變量。

3.根據權利要求1或2所述的態(tài)勢威脅評估方法，其特征在于，在所述推理步驟中，進一步包括：

將所述模糊動態(tài)貝葉斯網絡轉化為隱馬爾科夫模型；

采用改進的前向后向算法對所述隱馬爾科夫模型進行推理得到關于態(tài)勢預測的態(tài)勢節(jié)點以及關于威脅評估的目標屬性節(jié)點，其中，

所述改進的前向后向算法表達式包括：

前向推理表達式：

P(Zt,Xt1,Xt2,...,Xtn|yt1,yt2,...,ytm)]]>

=1ΣCt1,Ct2,...,CtmΠjP(ytj∈ctj)×ΣCt1,Ct2,...,Ctm[ΠjP(ytj∈ctj)×]]>

ΠjP(Ctj=ctj|Pa(Ctj))ΠiP(Xti=xti|Pa(Xti))P(Zt|y11,y12,...,y(t-1)m)Σzt,xt1,...,xtmΠjP(Ctj=ctj|Pa(Ctj))ΠiP(Xti=xti|Pa(Xti))P(Zt|y11,y12,...,y(t-1)m)]]]>

i∈[1,n],j∈[1,m],

其中，Z_t表示最上層的隱變量，X_ti和Y_tj分別表示其它n個隱變量和m個觀察變量，x_ti表示隱藏變量X_i在t時間下的取值，y_tj表示觀測變量Y_j在t時間下的取值，c_ti表示模糊變量C_i在t時間下的取值，Pa(X_ti)表示隱藏變量X_i的父節(jié)點集合在t時間下的取值，Pa(C_tj)表示模糊變量C_j的父節(jié)點集合在t時間下的取值，

前向推理中的P(Z_t|y₁₁，y₁₂，…，y_(t一1)m)可通過t-1時刻的隱變量和觀察節(jié)點序列值計算得到；

后向推理表達式：

P(Zt,Xt1,Xt2,...,Xtn|yt1,yt2,...,yTm)]]>

=1ΣC(t+1)1,C(t+1)2,...,CTmΠj=1:m,t′=t+1:TP(yt′j∈ci′j)]]>

×ΣC(t+1)1,C(t+1)2,...,CTm[Πj=1:m,t′=t+1:TP(yt′j∈ct′j)×]]>

P(C(t+1)1=c(t+1)1,...,CTm=cTm|Zt)P(Zt,Xt1,...,Xtm|yt1,yt2,...,ytm)P(CT1=cT1,...,CTm=cTm|y11,y12,...,y(T-1)m)×...×P(C(t+1)1=c(t+1)1,...,C(t+1)m=c(t+1)m|y11,...,ytm)]]]>

其中，

P(yT1,...,yTm,y(t+1)1,...,y(t+1)m|Zt)]]>

=Σzt+1,x(t+1)1,...,x(t+1)nP(yT1,...,y(t+2)1,...,y(t+2)m|Zt+1)P(X(t+1)1,...,X(t+1)n,y(t+1)1,...y(t+1)m,Zt+1|Zt)]]>

i∈[1,n],j∈[1,m],

其中，Z_t表示最上層的隱變量，x_ti表示隱藏變量X_i在t時間下的取值，y_tj表示觀測變量Y_j在t時間下的取值，c_ti表示模糊變量C_i在t時間下的取值，T表示整個時間片。