[发明专利]一种基于小数据集和贝叶斯网络的威胁评估建模方法

摘要

本发明提供了一种基于小数据集和贝叶斯网络的威胁评估建模方法，针对小数据集条件下的威胁评估建模问题，通过在结构建模阶段中引入贝叶斯网络边的存在约束，在参数建模阶段引入参数单调性约束，弥补了小数据集所包含信息不充分导致建模精度差的问题，不仅为小数据集条件下的威胁评估建模问题提供了一条可行的解决途径，而且也为其它领域中的小数据集建模问题提供了可参考的方法，具有较为广泛的应用前景。

主权项

一种基于小数据集和贝叶斯网络的威胁评估建模方法，其特征在于包括下述步骤：步骤1，对战场信息中的威胁数据进行预处理，包括目标速度V、进入角之和A、敌我距离Dis以及目标威胁程度T，其中，目标速度Vu为无人机速度；进入角之和为目标速度方向与目标线的夹角和无人机速度方向与目标线夹角之和；敌我距离为目标与无人机之间的距离；目标威胁程度步骤2，将威胁数据作为节点，利用领域知识获取威胁数据的贝叶斯网络结构约束，改进BIC评分其中，mijk是样本数据中满足Xi＝k、其父节点π(Xi)＝j的样本个数，m为样本数据总量，e为结构约束中对应边的存在概率，δ为调节参数，δ取10～100，i表示网络中第i个节点变量，n为节点变量数，qi为第i个节点的父节点取值状态数，ri为第i个节点的子节点取值状态数；步骤3，采用K2算法学习威胁评估网络拓扑结构，步骤如下：步骤a，从一个包含n个节点变量却没有边的图出发开始搜索；步骤b，按照节点序ρ(X1,X2,...Xi...,Xn)进行搜索，在节点Xi，将排在节点Xi之前的变量进行组合，并从中选出节点Xi的父节点集π(Xi)，找出使改进BIC评分达到最大的父节点集π(Xi)；步骤c，判断i是否等于n，如果相等，则算法结束，输出所得网络结构；否则，i值加一并返回步骤b；步骤4，利用步骤3得到的网络拓扑结构获取网络参数的单调性约束，对于由n个变量X＝{X1,X2,...Xn}组成的贝叶斯网G，设G中的节点Xi有r种取值且取值状态集合为{1,2,...,k,...r}，其父节点集π(Xi)有q个取值且取值状态集合为{1,2,...,j,.q.}，令θijk＝p(Xi＝k|π(Xi)＝j)，则有θij1≤θij2≤......≤θijr或θij1≥θij2≥......≥θijr；步骤5，根据参数的规范性，即父节点取值状态相同而子节点取值不同的一组参数相加的和为1，获取参数的取值区间步骤6，认为参数在步骤5给出的取值区间内服从均匀分布，设参数θ服从U(θ1,θ2)，[θ1,θ2]为参数取值范围，用B(α1，α2)等效U(θ1,θ2)，即获取参数贝塔先验分布的超参数和其中，均匀分布的期望均匀分布的二阶矩步骤7，利用贝叶斯估计得到参数学习的结果式中Nijk为符合父节点取值为j、子节点取值为k时的样本数，Nij为父节点取值为j时的样本数，[αi,αj]为贝塔分布的超参数。