论文部分内容阅读
意图识别是一类重要的认知行为,也是作战仿真系统建模的重要环节。任务规划识别是意图识别问题中比较复杂、比较重要的一类问题。研究任务规划识别是研究人的行为建模的重要环节,具有一定的理论研究价值,同时对提高仿真系统的可信性具有重要的意义。论文以逻辑隐马尔可夫模型为基础,结合作战仿真系统中任务规划问题所具有的层级结构明显、关系数据多等特点,给出解决任务规划识别问题的模型、算法以及算法评价方法。论文主要工作如下:第一,将逻辑隐马尔可夫模型与层次化马尔可夫模型相结合,提出层次化逻辑隐马尔可夫模型(Hierarchical Logical Hidden Markov Model,Hi LHMM),提高模型对复杂层次化任务的描述能力,并对前向算法和后向算法、Viterbi算法以及Baum-Welch算法进行了适应性的推广和改进,分别用于评估、极大似然状态估计以及参数估计。第二,为减小计算量,提高识别效率,提出与一致性匹配相结合的方法,将得到的观测序列与任务库中的任务进行一致性匹配,从而缩小识别算法的搜索空间;提出情景驱动的层次化逻辑隐马尔可夫模型(Environment Driven Hi LHMM,ED-Hi LHMM),根据情景匹配和相似性度量,定义情景激活概率,将情景激活概率作为影响Hi LHMM中状态转移的因素,进一步提高识别结果的准确性。第三,在实验部分,本文通过设计具有一定特征的、领域无关的符号化任务规划,分析比较不同算法的性能表现。本文主要比较了不同算法在任务时序约束程度、任务库规模、任务深度不同时表现出来的性能。实验结果表明,Hi LHMM和ED-HiLHMM模型,由于具备更强的描述能力,能够更好地适应和解决任务结构比较复杂的任务规划识别问题。然后,本文利用Hi LHMM模型对无人机典型的战术任务规划进行了识别,识别结果可以接受,表明模型可行、有效。