一种基于离散动态贝叶斯网络的气象威胁评估方法

摘要

本发明公开了一种基于离散动态贝叶斯网络的气象威胁评估方法，包括：将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；按照划分的量化等级进行量化处理，建立观测证据表；利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；运用隐马尔科夫推理算法计算出最终的气象威胁等级。本发明实现了连续观测值和离散动态贝叶斯网络的有机结合，并结合HMM推理算法推理出气象威胁程度的概率分布，使气象评估的有效性、实用性和准确性大大提升。

权利要求

1.一种基于离散动态贝叶斯网络的气象威胁评估方法，其特征在于，所述的基于离散动态贝叶斯网络的气象威胁评估方法包括：将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；

将收集的气象类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理，并建立观测证据表；

利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；

建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；

利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的气象威胁等级；

所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图，气象类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点，气象威胁等级为观测节点；

所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。

2.如权利要求1所述的基于离散动态贝叶斯网络的气象威胁评估方法，其特征在于，具体包括：系统参数λ和观测序列Y，前向-后向算法推理出概率P(Y|λ)的过程如下：前向算法，定义前向变量αt(i)＝P(y1,y2,...,yt,xt＝i|λ)初始化：α1(i)＝πibi(y1), 1≤i≤n递归运算：

结果：

后向算法，定义后向变量βt(i)＝P(yt+1,yt+2,...,yT|xt＝i,λ)初始化：βT(i)＝1, 1≤i≤n

递归运算：

结果：

将前向算法、后向算法结合起来构成前向-后向算法：最终，根据确立的观测证据表、条件转移概率表和状态转移概率表，结合前向-后向算法推理出UAV的气象威胁等级。

3.如权利要求1所述的基于离散动态贝叶斯网络的气象威胁评估方法，其特征在于，所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示，各因子用下标区分，如下所示：STT＝{恶劣，一般，温和}；

SIOE＝{强，较强，中，弱}；

SFT＝{陡飞，平飞}；

SDC＝{远，中，近}。

4.一种如权利要求1所述基于离散动态贝叶斯网络的气象威胁评估方法的气象威胁评估系统，其特征在于，所述气象威胁评估系统包括：信息收集整理模块，用于将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；

观测证据表建立模块，用于将收集的气象类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理，并建立观测证据表；

状态转移矩阵确定模块，用于利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；

模型建立模块，用于建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；

等级计算单元，用于利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的气象威胁等级。

5.如权利要求4所述的气象威胁评估系统，其特征在于，所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图，气象类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点，气象威胁等级为观测节点。

6.如权利要求4所述的气象威胁评估系统，其特征在于，所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。

说明书

一种基于离散动态贝叶斯网络的气象威胁评估方法

技术领域

[0001] 本发明属于气象评估领域，尤其涉及一种基于离散动态贝叶斯网络的气象威胁评估方法。

背景技术

[0002] 在无人机航路规划的问题当中，因气象因素产生的威胁，对无人机执行侦察作战时的飞行安全有着重要的影响。为了使无人机飞行时因气象因素受到的损失降到最低，同时在满足已有的约束条件下规划出较安全的航线，研究如何对气象威胁进行较为准确的量化评估成为迫切需求。来自气象的威胁有其独有的特点，诸如模糊性、不确定性和时效性等，因此不能用常规的方法，比如函数法来定量地分析气象威胁。在国外的一些研究当中，比如有人机气象评估方法，工程化数学模型评估法，它们都有很大的局限性，因为自身条件的约束，模拟推理出的近似效果并不乐观。国内曾有学者运用静态贝叶斯网络、神经网络对气象威胁进行了量化评估，但其缺乏对气象信息的时效性分析，不能反映气象威胁在不同时刻的变化规律。

[0003] 离散动态贝叶斯网络是一种对动态不确定事件进行建模和推理的工具，近几年正日益应用于众多领域。

发明内容

[0004] 本发明的目的在于提供一种基于离散动态贝叶斯网络的气象威胁评估方法，旨在解决现有的气象威胁指数评估方法有效性、实用性和准确性不够高的问题。

[0005] 本发明是这样实现的，一种基于离散动态贝叶斯网络的气象威胁评估方法，所述的基于离散动态贝叶斯网络的气象威胁评估方法包括：

[0006] 将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；

[0007] 将收集的气象类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理，并建立观测证据表；

[0008] 利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；

[0009] 建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；

[0010] 利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的气象威胁等级。

[0011] 进一步，所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图，气象类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点，气象威胁等级为观测节点。

[0012] 进一步，所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。

[0013] 进一步，具体包括：系统参数λ和观测序列Y，前向-后向算法推理出概率P(Y|λ)的过程如下：

[0014] 前向算法。定义前向变量αt(i)＝P(y1,y2,...,yt,xt＝i|λ)

[0015] 初始化：α1(i)＝πibi(y1),1≤i≤n

[0016] 递归运算：

[0017] 结果：

[0018] 后向算法。定义后向变量βt(i)＝P(yt+1,yt+2,...,yT|xt＝i,λ)[0019] 初始化：βT(i)＝1,1≤i≤n

[0020] 递归运算：

[0021]

[0022] 结果：

[0023] 将前向算法、后向算法结合起来构成前向-后向算法：

[0024]

[0025] 最终，根据确立的观测证据表、条件转移概率表和状态转移概率表，结合前向-后向算法推理出UAV的气象威胁等级。

[0026] 进一步，所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示，各因子用下标区分，如下所示：

[0027] STT＝{恶劣，一般，温和}；

[0028] SIOE＝{强，较强，中，弱}；

[0029] SFT＝{陡飞，平飞}；

[0030] SDC＝{远，中，近}。

[0031] 本发明的另一目的在于提供一种所述基于离散动态贝叶斯网络的气象威胁评估方法的气象威胁评估系统，所述气象威胁评估系统包括：

[0032] 信息收集整理模块，用于将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；

[0033] 观测证据表建立模块，用于将收集的气象类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理，并建立观测证据表；

[0034] 状态转移矩阵确定模块，用于利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；

[0035] 模型建立模块，用于建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；

[0036] 等级计算单元，用于利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的气象威胁等级。

[0037] 进一步，所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图，气象类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点，气象威胁等级为观测节点。

[0038] 进一步，所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。

[0039] 本发明提出的基于离散动态贝叶斯网络的气象威胁度综合评估方法，实现了连续观测值和离散动态贝叶斯网络的有机结合，将所有可观测的与气象威胁度相关的重要因子综合起来进行判断推理，建立了适用于气象威胁度推理的离散动态贝叶斯网络模型(见图2)，并结合HMM推理算法(见步骤5前向-后向推理算法)推理出气象威胁程度的概率分布；使气象评估的有效性、实用性和准确性大大提升；与静态贝叶斯网络相比，离散动态贝叶斯网络由于利用了临近时间段的节点信息，因此推理结果准确性更高，且当数据存在异常或不确定情况下，离散动态贝叶斯网络仍能够推理出较为正确的威胁等级(具体见表6)。结合无人机飞行背景和多种证据信息的观测收集，此方法可以进一步推广战场态势评定和目标类型估计等诸多领域，具有较大的应用前景。

附图说明

[0040] 图1是本发明实施例提供的基于离散动态贝叶斯网络的气象威胁评估方法流程图；

[0041] 图2是本发明实施例提供的无人机气象威胁评估模型。

具体实施方式

[0042] 以下结合附图对本发明做进一步描述：

[0043] 如图1所示，本发明实施例的基于离散动态贝叶斯网络的气象威胁评估方法包括：

[0044] S101、将观测到的气象类型、强度信息和UAV位置、姿态信息收集整理；

[0045] S102、将收集的气象类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理，并建立观测证据表；

[0046] S103、利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；

[0047] S104、建立气象威胁等级与气象因素和UAV间的离散动态贝叶斯网络模型；

[0048] S105、利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的气象威胁等级。

[0049] 所述条件概率矩阵是领域专家对于模型中各节点因果关系转移的知识表示，如当天气类型为恶劣情况下，下一状态保持为恶劣天气或转移为一般或者温和的概率由专家经验确定，也可通过对大量数据样本集训练获取。同样，威胁等级随时间轴的状态转移也可通过领域专家的经验和知识确定。最终根据专家知识或经验确定状态间的条件概率转移矩阵和时间片段间的状态转移矩阵。

[0050] 所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图，气象类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点，气象威胁等级为观测节点。观测节点和状态节点之间的网络拓扑结构以尽量精确、简洁的方式建立条件独立关系，贝叶斯网络能更加直观、准确的描述网络节点间的因果关系和条件相关性，利用离散动态贝叶斯网络的时间特性能够进一步阐述出各节点间的时间相关性，且离散动态贝叶斯网络允许不确定性信息，能在有限的、不完整的、不确定的条件下推理出更符合实际的较为准确的结果，满足气象学处理不确定性信息的要求。因此，抽取出气象对UAV影响较大的几种因素作为状态节点，以气象威胁等级为观测节点建立随时间轴变化的离散动态贝叶斯网络模型能够较准确的评估出UAV的威胁程度。

[0051] 根据建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的威胁等级即为贝叶斯推理过程。其目的为依据大量状态节点数据推理出观测节点最大可能取值的概率。当状态节点为离散变量时，离散动态贝叶斯网络实质上等同于隐马尔科夫模型。因此，采用隐马尔科夫推理算法进行离散动态贝叶斯网络推理具有指导意义。隐马尔科夫模型为典型的随机有限自动机，对于给定结构的推理问题，前向-后向算法和Viterbi解码算法应用最为广泛，但对于结构简单的网络模型，前向-后向算法求解效率更高。已知系统参数λ和观测序列Y，前向-后向算法推理出概率P(Y|λ)的过程如下：

[0052] (1)前向算法。定义前向变量αt(i)＝P(y1,y2,...,yt,xt＝i|λ)[0053] 初始化：α1(i)＝πibi(y1),1≤i≤n

[0054] 递归运算：

[0055] 结果：

[0056] (2)后向算法。定义后向变量βt(i)＝P(yt+1,yt+2,...,yT|xt＝i,λ)[0057] 初始化：βT(i)＝1,1≤i≤n

[0058] 递归运算：

[0059]

[0060] 结果：

[0061] 将前向算法、后向算法结合起来构成前向-后向算法：

[0062]

[0063] 最终，根据确立的观测证据表、条件转移概率表和状态转移概率表，结合前向-后向算法推理出UAV的气象威胁等级。

[0064] 为建立基于离散动态贝叶斯网络的无人机气象威胁度模型，本发明实施例分别从确立影响威胁度的气象相关因子、对各因子进行量化分析、确立条件概率分布表、确立转移概率表这4步对气象威胁模型进行完善。

[0065] (1)影响气象威胁度的相关因子

[0066] 为了比较准确地推理出气象的威胁等级，需要选择有代表性的气象因子，但影响无人机飞行安全的气象条件众多，为了研究方便，突出离散动态贝叶斯网络的特点，本发明实施例选取了四个方面的因素，作为气象威胁推理的决定因素：

[0067] 威胁等级(Threat Level，TL)：作为父节点，评估各种气象因素的作用下的在某一点对无人机飞行威胁情况的概率大小；

[0068] 气象类型(Weather Type，WT)：为了研究的方便，本文采用恶劣(如雷暴、风切变、冰雹、狂风等)、一般(如中雨、清劲风等)和温和(微风、小雨和晴朗)等三种等级作为评估的参数，这样的选择使得威胁有了区分度，便于对离散动态贝叶斯的性能进行评估；

[0069] 威胁作用强度(Intensity of Effect，IOE)：每种天气类型都有各自的作用强度，对气象威胁的大小有着重要的作用，本发明实施例把作用强度进行了量化分级；

[0070] 相对位置(Distance from Circle，DC)：气象的作用中心是不断变化的，无人机实时位置也在动态更新，进而无人机在不同时刻与气象作用中心的距离也在不断变化，受到的气象威胁也会有所变化，所以相对位置也是一个不得不考虑的重要因素；

[0071] 飞行种类(Fly Type，FT)：无人机在飞行时，根据情况的不同，有多种飞行姿态，比如急速爬升、快速转弯、俯冲、平稳飞行等，在相同的情况下无人机受到损害的概率也是不尽相同，本发明实施例把无人机的飞行姿态大致分为两种，把急速爬升、俯冲这一类归为陡然飞行，认为收到威胁的概率较大，而视小转弯和平稳飞行归为平飞，认为受到威胁的概率较小；

[0072] 综上所述，通过对无人机飞行过程的分析，确定了上述因子作为无人机气象威胁的决定因子，再加上时间因素，得出如图2所示的无人机气象威胁评估模型：

[0073] (2)各因子的量化

[0074] 模型中各节点的状态集合用S表示，各因子用下标区分，如下所示：

[0075] STT＝{恶劣，一般，温和}；

[0076] SIOE＝{强，较强，中，弱}；

[0077] SFT＝{陡飞，平飞}；

[0078] SDC＝{远，中，近}；

[0079] 其中，天气类型选择了三种典型的天气情况，恶劣天气对于无人机是重大的威胁，而一般天气的威胁要小一些，温和天气条件下对无人机的威胁最小；对天气作用的强度采用了4级量化，这样作用强度的区别就划分得较为精确；对无人机的飞行姿态总体上分为两类，因为考虑到了急速飞行、俯冲、大角度转弯对无人机来说都有较大的威胁，而相对平稳的飞行，在无人机性能稳定的情况下威胁度较小，为了研究的简便，只把飞行姿态按大致的方向划分；与能量中心的距离也是一个重要的因素，采用3级量化可以表示无人机与气象能量中心的距离对所受威胁度的影响大小；

[0080] (3)条件概率表的确定

[0081] 对于离散动态贝叶斯网络中威胁等级与相关因子之间的因果关系，需用条件概率表来表示，它反映的是一种专家知识，即根据专家的经验和先验知识得到。但专家知识也会存在一定的主观性，与实际结果会有一定的偏差，这也需要在条件允许的情况下，要对条件概率表进行一定的修正。气象威胁评估模型中的相关因子的条件概率表如表1和表2所示：

[0082] 表1气象要素条件概概率表1

[0083]

[0084] 表2气象要素条件概概率表2

[0085]

[0086] 对于表1中第一栏P(WT|TL)条件概率解释为：如果威胁等级TL为低，那么气象类型WT的概率分别为15％，25％，60％；如果威胁等级TL为中，那么气象类型WT为恶劣、一般、温和的概率分别20％，45％，35％；如果威胁等级TL为高，那么气象类型WT为恶劣、一般、温和的概率分别80％，15％，5％。对于其它各条件概率矩阵的理解同此法。

[0087] (4)确定转移概率表

[0088] 在网络随时间变化的同时，两个时间片之间的状态转移概率是随机概率，如表3所示。

[0089] 表3离散动态贝叶斯网络的转移概率表

[0090]

[0091] 下面结合仿真对本发明的应用效果做进一步的说明。

[0092] 仿真结果及分析

[0093] 此处仿真的目的是验证在已知证据(目标特征参数)的前提下，应用上述基于离散动态贝叶斯网络的气象威胁评估模型进行推理估计不同气象威胁度的概率。从而正确地推理出气象对无人机的威胁程度，为无人机的飞行航迹决策提供依据，在没有任何观测证据的情况下，假设P(威胁度高)＝0.3，P(威胁度中)＝0.4，P(威胁度低)＝0.3，这是一个合理的起点。现在开始收集每一个节点上的证据，并假设这些证据相互独立。假设当前时刻，一架无人机在执行任务，对该架目标飞机飞行时的天气状况观察10个时刻，并实时地描述目标飞机的威胁相关因子的状况。根据不同时刻得到的观测证据，设定被选择目标的10个时刻的观测值，如表4所示。通过对比目标在不同观测时刻证据的变化，来推理估计气象威胁类型。仿真结果如表5所示。

[0094] 表4无人机在不同气象观测时刻证据表

[0095]

[0096]

[0097] 表5 DBN和BN气象威胁评估结果

[0098]

[0099]

[0100] 当气象数据正常时，DBN和BN虽存在较小的差异，但评估出的气象威胁等级相同。而当由于测量或其它原因引起数据异常时，比如：将 变为( 表示为IOE在时刻t的观测证据),此时分别利用DBN和BN重新评估气
象威胁等级结果如表6。

[0101] 表6数据异常时DBN和BN气象威胁评估结果

[0102]

[0103] 本发明推理无人机受到威胁程度的概率随时间离散变化的过程。从仿真结果可以看出：在各个时刻，观测到的气象相关因子的状态不尽相同，威胁度为何种状况有时也不是很明显，但是经过离散动态贝叶斯网络的推理，使得气象威胁度的评估结果更为确切；尽管在不同的观测时刻，推理出的特征值可能发生变化或者缺失，仍然可以综合推理出气象威胁的程度。

[0104] 本发明提出的基于离散动态贝叶斯网络的气象威胁度综合评估模型，实现了连续观测值和离散动态贝叶斯网络的有机结合，将所有可观测的与气象威胁度相关的重要因子综合起来进行判断推理，建立了适用于气象威胁度推理的离散动态贝叶斯网络模型，并结合HMM推理算法推理出气象威胁程度的概率分布。结合无人机飞行背景和多种证据信息的观测收集，此方法可以进一步推广战场态势评定和目标类型估计等诸多领域，具有较大的应用前景。

[0105] 利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。