「这是我参与11月更文挑战的第11天，活动详情查看：2021最后一次更文挑战」
简介
前面一篇文章主要是介绍了无人战车目标威胁评估中是如何使用动态贝叶斯网络进行进行威胁评估，并且表明用动态贝叶斯进行表示的优点。
无人战车目标威胁评估流程
无人战车目标威胁评估是一个较为复杂的问题，目标的威胁程度主要由目标进行的作战任务及目标特性决定，在作战过程中，根据传感器提供的目标信息，在目标态势感知的基础上进行威胁评估。由于威胁评估问题的本质是不确定性决策问题，传统的威胁评估方法由于对战场态势信息运用不充分，随意性较大，因而很难保证决策结果的正确性。贝叶斯网络以概率理论与图论为数学基础，能够很好地解决不确定性问题。
利用贝叶斯网络进行地面目标威胁度评估的基本流程图如下：
首先对目标进行特征提取并对获取的目标特征进行模糊划分，其次根据获取的目标特征之间的关联关系建立其SBN模型；然后设计不同时间片间的转移概率，将网络扩展为DBN；再次基于贝叶斯公式和联结树算法进行推理；最后获取观测节点状态的概率分布情况，根据判决规则，输出目标的威胁程度估计结果。
目标特征信息获取与模糊处理
运用贝叶斯网络方法进行目标威胁评估，需要获取合理的目标特征信息以构造贝叶斯网络的证据节点，并对目标特征信息进行模糊处理得到其对应状态的隶属度。
目标特征获取
目标对无人战车的威胁度主要取决于主观上对我是否具有打击意图和客观上具备的打击能力两方面。其中，目标打击意图需要通过对目标的类型、所携带的武器种类、武器性能、火力指向、打击状态等作出判断；打击能力由目标自身的火力打击能力、敌我相对距离、我方无人战车的防护角度等决定。
基于上述分析，本文采取目标类型、武器种类、火力指向、防护角度、攻击状态、目标速度、目标距离等7个目标特征信息来建立面向无人战车的目标威胁评估模型。
目标特征信息模糊处理
利用贝叶斯网络进行推理，需要将特征信息转化为对应的各个状态变量的概率值。本文利用模糊数学的方法，对各个节点的状态变量进行模糊分类，并且利用隶属度的方法对观测证据进行估算。
寄语
本文介绍了动态贝叶斯网络如何进行信息的预处理，如何获取目标特征并且进行目标特征信息的模糊处理。下面一个章节将介绍如何进行动态贝叶斯网络的搭建。
