非完备信息下无人机智能攻防决策技术研究现状与展望(3)

数据补齐法虽然原理简单，但无论采用那种数据补齐策略，均是对原始信息系统中未知属性值的一种人为估计，其补齐的过程都会导致原始系统信息的变化，因而所得结果不一定能反映原始系统的真实情况，并且挖掘出的知识可能带有不确定性。
模型扩展法是在不破坏原始不完备信息系统中任何信息的前提下对经典粗糙集进行扩展，直接处理不完备信息。粗糙集方法是利用数据特征量之间的关联，通过已知特征量直接进行结果的推理，该类方法具有较强的鲁棒性。直觉模糊集方法是利用先验知识，将未知数据进行模糊化处理，并设置在某个集合内，将推理的集合空间作为已知数据，从而方便参与后续目标意图预测与无人机攻防决。
2 目标意图预测研究现状
在无人机多机协同多目标攻击过程中，准确预测目标无人机的空战意图是我机进行目标分配、攻击排序的重要依据。在日趋复杂的空战环境中，目标意图预测是料敌先机、掌控空战全局变化的关键所在，对目标分配、机动决策、火力决策均有着指导性意义。预测敌方各目标的战术意图，需以敌方无人机当前的空战态势与战机状态为基础。敌方无人机的空战态势是在对目标进行识别与跟踪的基础上，进而通过雷达探测各目标无人机位置、高度、进入角、速度、加速度等飞行参数后计算得到。而战机状态是指目标无人机当前雷达状态开启情况、载弹量，以及机动动作等飞机状态信息，这些信息通过综合目标无人机各阶段的几何特性、飞行参数和飞机种类获得。通过将目标类型、速度、高度、距离、导弹类型和雷达状态等多方面因素综合起来，进而估计下一阶段目标可能的战术意图。目标意图表示和预测过程如图3 所示。

图 3 对抗目标意图表示和预测过程
目前，国内外学者关于目标意图预测进行了大量研究，比较常用方法有模板匹配、贝叶斯网络、专家系统、神经网络和 D-S 证据理论等。已有研究人员通过使用空战领域专家及作战指挥人员经验来构建目标意图模型库，然后针对实际空战提取特征，最后通过推理特征与模板的相似程度预测目标意图。葛顺等利用已知的空战态势，以及战机状态信息等先验知识来推理敌方无人机空战意图的过程，主要针对状态信息不断变化的空战环境，选用动态贝叶斯网络与序列贝叶斯网络相结合的方法来推理敌方无人机的战术意图。通过使用专家经验知识构建知识库，伍之前等使用规则描述战场态势和空战意图的对应关系，最后采用推理机推理敌方无人机作战意图。同时，崔洋培等运用空战目标意图特征数据集训练神经网络，提取空战意图预测规则，然后通过使用空战意图预测规则来推理敌方作战意图。