李旭辉，顾颖彦，韩兴豪

(江苏自动化研究所，江苏 连云港 222061)

0 引 言

随着现代信息化战争中各种高精尖武器的使用，现代战场态势更加复杂化。指挥员需要在短时间之内处理海量多元信息，这便对现代指控系统的智能评估提出要求。

威胁评估是舰艇作战火力分配和机动指挥的前提，是舰艇作战指挥中的重要一环。威胁评估[1-2]能够根据实时态势分析各个目标的威胁值，并基于威胁程度对各个目标进行排序。目前威胁评估的主要方法有线性加权法、神经网络[3]、贝叶斯网络、层次分析法、模糊理论等。文献[4]提出了基于模糊分类的动态贝叶斯网络模型，有效地解决了舰艇防空威胁评估问题，但是该方法在随机性知识表达方面存在缺陷。文献[5]提出了一种离散动态贝叶斯网络模型，用约束最大后验概率估计算法学习网络参数，能有效处理不确定对抗下的威胁评估任务。但贝叶斯网络(BN)模型结构由领域专家直接提出，具有较强的主观性。基于结合作战数据学习和专家知识的BN结构模型更加客观，能够有更强的模型适应性和实用性。

基于上述思考，本文提出了一种基于结构学习的动态云贝叶斯网络的威胁评估模型，利用云模型知识表达模糊性和随机性的特点，对连续的威胁因子进行离散化；再采用爬山算法对贝叶斯网络进行结构学习，综合学习结果和专家知识构建模型网络结构；最后使用最大似然估计算法和联合树算法学习网络参数和推理，评估观测目标威胁等级的后验分布。……