Situation assessment and prediction in intelligence domains

我想不管干什么，学会的就是认真耐心的这个态度。

1 Introduction

智能分析主要的职责是让决策者实时掌握现在的情况并且对未来的活动作出预测，这里面包括对监测到的事件和预测到的事件的偏差。经常用到的方法是短时间分析法。

事件包括通信，政治活动，飞机维修。通过分析对手一定时间的命令，控制和通信，基于历史数据的模式，可以分析出未来的活动。缺少这种能力的话，只能分析只能对单个事件进行分析。

态势评估和预测常常因为融合了大量的数据手动的计算耗费大量的时间和需要广泛的训练， 现在大多数分析者模式匹配事件，不用态势模版，因为这个往往包括由专家提供的关键的事件及其相互关系。

手动计算的几大关键问题：1，需要专家知识。2.方法，文件(记录历史数据)丢失。3.事件相互干扰。4。关键事件丢失。5.事件发生与关键事件关系不确定。6.不稳定的历史数据及变动的行为，使其很难建立规范。

2.System overview

图1包含了整个功能和现在操作分析领域。完整的系统由七个工具组成：时间线，地图，查询面板，黑板，字典，模型创建者和基于知识的专家分析预测和态势评估。后两者都是用于暂时性的分析与预测。图2显示了显示了系统的整体的结构。

词典包含了用户定义的术语，定义和同义词。黑板代表了一个画板。态势评估用Ada写，QueryPane用C++写的。

专家系统的主要特点是易于修改知识库。

3.Knowledge representation:temporal transition models

知识表现在智能分析领域是不断变动的，需要专门的软件或许人工智能的专家硬性编码的知识是成本花销很大而且逻辑上也不实用的。

表现和暂时性的知识对于本系统来说是很重要的。暂时性的模型分为基于点模式的和基于间隔模式的。间隔的比时间刻更具有吸引力。

Allen用他的理论讨论了基于时间间隔的表示方法。

人机交互也面临着时序表示的问题

纯粹基于逻辑理论或者部分基于逻辑理论的表现和推理对于用户来说是难以处理的和复杂的。

3.1TTM representation

时态转换模型是融合了自然语言和决策树里的扩充转移网络的概念。和转移网络一样，时态转换模型也有状态图和转换图。状态图对应于事件开始时候的一个状态，虽然宽泛一点讲，一个状态图对应于一个事件。

状态支持的操作有符号形的属性和数值型的的属性。

置信度和和转移有联系。其中D-S证据理论被抛弃掉是因为算法及其复杂和不直观。我们发现用定值法是简单的而且效果比较好，我们的专家也赞同这个观点。

时态转换模型是被放在关系型数据库中让模型开发人员和态势评估人员来访问的。

3.1.1

Example

图4展示了一个简单的用时态转换模型来描述战略空军司令部的操作就绪检查逻辑。

时态转换逻辑中描述了四种事件代码字，空军指挥所，通信，飞机。

3.2 Other components in the system

地图系统显示了时间和空间上的信息

时间序列和地图支持历史的数据，数据输入，查询功能，置信度创建，过滤机制来帮助分析。

时间序列和地图应用提供了相同的显示为不同的数据源信息。

查询面板是一个点接口为了检索数据从混合的数据库中。

4.Situation assessment

K-PASA是一个引擎来分析事件来应对时态转换逻辑详述。

态势评估涉及到从关键事件中检测出重要事件的过程。

对于态势评估，输入K-PASA内核的主要是一系列的由用户输入的事件和一系列的描述事件类型和重要事件之间的时态转换的逻辑。K-PASA是事件和状态转换逻辑之间的一种映射。

4.1.mapping of events(映射的事件)

输入K-PASA的是一系列的时间序列和状态转换逻辑。输出是一系列的不同的映射从事件到时态转换模型的映射，每个映射对应于一个评估，时态转换被存储在数据库中，被检索在态势评估的过程中

态势评估最大的困难是建立假设。

当所有的状态转换逻辑进行完后，专家系统集合假设层次来创建评估清单。

与每一个假设相联系的是一个置信度。