「这是我参与11月更文挑战的第12天，活动详情查看：2021最后一次更文挑战」
简介
通过前面两个章节得介绍，我们了解到了无人战车进行威胁评估是一件很繁琐得事情，传统得威胁评估已经不适合现在战场得瞬息万变了，唯有顺应时代得潮流，通过运用计算机技术，搭建动态贝叶斯网络进行实时观测，实时监测以达到威胁评估的要求。
本篇文章开始介绍动态贝叶斯网络构建：
动态贝叶斯网络构建
运用贝叶斯网络进行威胁评估的关键是构造网络结构，即根据目标特征建立评估体系。本章内容首先建立SBN结构，然后考虑时间特性，将其扩展为DBN。
静态贝叶斯网络模型构建
SBN是基于概率论和图论的一种不确定性知识的表示和推理模型，表现为一个有向无环图（Directed Acyclic Graph , DAG）。一个SBN有网络结构G和网络参数θ两个部分组成。即B=(G,θ)。G是一个有向无环图，图中的有向边表示变量之间的条件依赖关系；θ是与每一个变量相联系的条件概率分布，用条件概率表（CPT）表示，典型的BN如下图所示：
设节点X的信度为Bel(X)，称X从父节点U和V处获得因果信息Π，从子节点Y和Z处获得诊断信息
。于是
考虑到该SBN中，节点X将其父节点U、V与子节点Y、Z隔离开来，且U、V相互独立，于是
式中，
即a为归一化因子，由X的父节点与子节点共同确定。
综合分析各特征属性，得到基于SBN的地面目标的威胁评估模型结构图G：
动态贝叶斯网络模型扩展
SBN未考虑连续时间因素的影响，难以准确评估动态作战目标的威胁度；而DBN将SBN在时间维上进行拓展，能够根据多个时刻的观测值对某一具体时刻的状态进行评估，因此，评估结果更具合理性。 DBN以BN为基础。与BN相比，DBN要设置两个时间片之间的状态转移概率，即目标威胁度先验概率在每个时间片中动态更新。设P（Wi+1|wi）为相邻贝叶斯时间片中威胁度节点的转移概率矩阵，P(w'i)为当前时间片中威胁度节点的后验概率，则下一个时间片中威胁度节点的先验概率可表示为P(wi+1)=P('i)P(wi+1|wi)。 基于DBN的威胁评估模型如图所示：
寄语
本文主要是介绍了如何通过动态贝叶斯网络实现无人战车目标的威胁评估，结合前者三章内容，系统的讲解了《基于动态贝叶斯网络的无人战车目标威胁评估》的内容，使得大家可以对动态贝叶斯有一个初步的了解。