電子目標智能處理架構研究

導語：電子目標智能處理架構研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

1引言

1.1電子目標處理面臨復雜電磁環境

現代戰爭中制信息權越來越被交戰各方重視,軍事強國甚至提出了戰場信息單向透明的終極目標,采取的措施包括使己方的信息利用環節“感知-處理-傳輸-應用”能夠順暢以及破壞對手信息利用環節。在以上信息利用環節中,信息感知、傳輸、應用的手段有多種,但最重要的幾乎都是電子設備;在阻止敵方信息利用的措施中除硬摧毀(火力打擊等物理破壞)措施外,幾乎也是電子設備,因此導致電子設備使用數量的劇烈增加和電磁環境越來越復雜。據分析計算,現代戰爭的戰場電磁信號環境密度將超過1MPPS(百萬脈沖每秒),電磁環境復雜程度可見一般。隨著電子對抗偵察技術發展、裝備偵察能力提升、系統規模及作戰范圍擴大,情報和指揮控制系統中需要處理的電子目標數量大大增加,對處理的實時性、準確性、處理深度和自動化處理能力等提出了很高的要求。

1.2電子目標處理特點及面臨挑戰

電子目標具有以下特點:1)目標的電磁特征復雜,參數維度多;2)相似電子設備多,目標識別和目標區分難度大;3)一定區域內目標數量大,對處理時效提出要求。由于電子目標以上特點,處理過程面臨如下挑戰:1)電子目標關聯過程復雜,計算量大;2)相似目標多,要想獲得最優目標識別和區分,除運算量大外,還存在非最優收斂的問題;3)目標容量大,處理時效要求高,需要優化處理流程,實現高效處理。

1.3電子目標處理架構及存在的問題分析

電子目標處理流程如圖1所示。圖1電子目標情報處理的一般流程圖1總體上是一個線性級聯、開環的處理流程,利用收集的數據和識別庫、目標庫實現了電子目標處理過程,但對識別庫和目標庫的生成沒有貢獻,即沒有實現情報的自積累過程閉環?，F有電子目標處理采用技術有:1)目標關聯技術,主要在排序和遍歷技術支持下進行目標特征關聯,在目標容量不大的情況下處理效率能滿足要求,在目標容量大的情況下,無法實現實時處理;2)目標識別技術,主要采用模式匹配的技術,該方法簡單易行,但存在樣本數量大情況下效率比較低的問題,另外,在相似樣本多的情況下(現代電子設備大量存在這種情況)識別過程不一定會收斂到最優識別結果。隨著數據融合技術的發展,特別是智能處理技術逐步成熟,智能處理技術逐漸進入電子戰情報處理領域。本文在研究電子目標處理功能組成及流程的基礎上,提出了電子對抗情報智能處理的架構,研究了該架構下實現大容量目標快速處理、智能處理的方法。

2電子目標智能處理架構

2.1主要智能處理技術分析

智能處理技術經過多年發展,有許多技術逐步趨于成熟并在工程中成功應用。智能處理技術種類和分支很多,但并不是所有技術都適合電子目標處理。通過對這些技術在電子目標處理中的針對性、實用性分析,篩選出以下在電子目標處理過程中具有較好應用前景的技術:1)神經網絡技術[1]。神經網絡技術利用完善的樣本,經過訓練,形成多層加權網絡,實現快速、準確的分類,且具有一定的模糊處理能力。神經網絡技術主要用于已知樣本情況下的目標分類,對動態變化的屬性參數缺乏處理能力。在電子目標處理中可以利用神經網絡系統訓練生成型號、已知目標等神經網絡系統,用于快速實現輻射源型號識別和已知目標識別。但神經網絡存在如下問題:樣本更新后必須重新訓練、訓練時間較長、訓練完成后的規則隱藏在網絡中,難以維護和調整,因此使用受較大局限,主要在非實時系統中應用。2)專家系統技術[2]。專家系統技術利用推理機和知識庫規則對輸入命題進行推理和解釋,獲得推理結論。專家系統技術利用目標已知信息(如技術特征參數等)進行推理獲得其他信息。專家系統由于采用推理機技術,能非常靈活地適應規則變化,且規則幾乎是完全顯性的,便于維護和調整,可獲得更大范圍的應用。在電子目標融合處理中,主要用于電子目標體制、用途識別、行為、企圖分析等。3)數據挖掘技術[3-4]。數據挖掘技術近年來發展很快,技術分支也很多,主要用于對目標聚類、分類、規律分析、規則發現和趨勢預測等。在電子目標處理中,主要用于目標分析、目標分類(分類規則提取)等。4)索引技術[5]。對大量目標來說,利用目標的一個或多個屬性參數建立目標索引,有利于快速搜索到目標,這類技術廣泛用于數據庫查詢及搜索。在電子目標處理中,主要用于對目標建立多維參數的索引,實現相似目標快速搜索,提高目標相關過程的效率。

2.2電子對抗智能情報處理架構

在智能處理技術基礎上,構建新的智能情報處理架構如圖2所示。該架構最主要的特點是引入智能處理技術,提高處理速度和處理準確性,完善處理功能,形成了處理過程閉環。圖2電子目標智能處理架構圖2相對圖1的最主要的變化有5點:①在實時目標關聯融合過程中引入目標索引技術。當目標增加或變化時,利用目標參數和位置等信息,生成目標索引樹;在目標關聯時,首先對索引樹進行搜索,找到相似的目標或目標集,然后再進行復雜的關聯計算。②在目標融合后,提取新的輻射源參數加入識別庫,作為識別樣本,形成輻射源型號識別庫的自積累閉環。這一步只是完成了信息閉環,完善了傳統的處理流程,但尚不能完全支持輻射源型號的智能識別。③在情報產品庫的基礎上,引入輻射源型號參數挖掘和型號分類規則挖掘技術,輻射源型號參數挖掘技術實現從電子目標情報產品庫中分析提取輻射源新參數樣本,型號分類規則挖掘技術對輻射源的參數樣本進行進一步的分類規則挖掘,分析提取型號參數樣本的分類規則樹,作為輻射源型號智能識別的規則,支持輻射源智能識別過程中的推理識別,提高輻射源型號識別速度和準確性。④在目標處理后,增加目標情報整編功能,實現從情報產品庫中提取電子目標信息,形成電子目標識別庫,解決電子目標識別庫數據自積累閉環問題。這一步只是完成了信息閉環,完善了傳統的處理流程,但尚不能完全支持目標的智能識別。⑤在情報產品庫的基礎上,引入目標特征挖掘和目標分類規則挖掘技術,目標特征挖掘技術實現從電子目標情報產品庫中分析提取電子目標新參數樣本,目標分類規則挖掘技術對電子目標的參數樣本進行進一步的分類規則挖掘,分析提取目標特征差異,形成目標樣本的分類規則樹,作為目標智能識別所需規則,支持目標智能識別過程中的推理識別,提高目標識別速度和準確性。

3智能情報處理關鍵技術分析

3.1目標索引技術

如圖2中的①所示,目標索引技術主要是利用目標的一維或多維參數,建立目標索引樹。目標電磁特征參數較多,通常建立多維空間索引樹,通過空間索引樹可以實現目標的快速搜索。索引樹結構示意如圖3所示。其中非葉子節點包含所屬子節點的參數范圍,葉子節點即具體的目標參數。圖3目標索引樹圖3中的目標索引樹可以采用二叉樹或多叉樹(通常建立平衡樹即B樹,以保證平均搜索效率最高),當采用二叉樹時,搜索時間復雜度是O(logN2),N為目標數量,而線性搜索時間復雜度是O(N/2)。由此可見當N較大時,效率提升非常明顯,如N=1000,線性搜索平均需要500次搜索到目標,而通過索引樹只需要大約11次即可搜索到目標。當然索引維護也需要時間,但采用適當的索引更新策略,可以減少索引更新次數。

3.2輻射源型號分類規則挖掘技術

圖2中的③所示的輻射源型號分類規則挖掘技術包括兩個部分,一是:從情報產品庫中,通過數據挖掘提取輻射源的新特征參數樣本,過程如圖4所示。二是:輻射源型號分類規則挖掘,對輻射源電磁特征參數樣本進行分類,生成輻射源型號分類決策樹,生成智能識別所需的推理規則。決策樹示意如圖5所示。圖5決策樹示意圖決策樹上的非葉子節點上包含目標數量N及參數范圍,葉子節點(N=1)包含目標ID、型號及參數信息。連接線表示分類規則,規則由參數類型和參數范圍來描述。將根節點到葉子節點的規則順序連接起來就得到推理過程。

3.3輻射源型號智能識別技術

輻射源型號智能識別技術一般可以基于兩類技術來實現,第一類是神經網絡技術;第二類是智能推理技術。基于神經網絡的輻射源型號識別技術的過程是利用輻射源電磁特征樣本進行訓練,生成多層加權網絡節點,對輻射源進行快速參數加權運算,實現型號識別,流程如圖6所示。圖6神經網絡輻射源識別流程基于智能推理機的輻射源智能識別技術采用智能推理機技術,利用輻射源分類識別的推理規則來進行輻射源型號識別,可以避免輻射源的逐個參數相關對比,在數據量大的情況下,可以大大提高識別速度。識別速度的時間復雜度和索引樹類似,但不完全一致,因為決策樹構建過程通常不需要建立平衡樹,因此有的目標會識別速度很快(與其他目標參數差異大,路徑較短),有的目標識別過程要長一點(與其參數接近的目標較多,路徑較長)。基于智能推理機的輻射源智能識別技術流程如圖7所示。圖7輻射源智能推理識別流程基于神經網絡的輻射源識別技術可以用于特征樣本不多、相似樣本較少且不常更新的情況,基于智能推理的輻射源識別技術適應范圍則更大一些。

3.4目標整編技術

目標整編技術如圖2中的④所示,主要對情報產品庫的目標情報處理結果進行分析,提取并豐富目標識別庫,為目標識別提供樣本數據。目標整編技術主要采用數據挖掘技術中聚類分析技術,分析提取目標的完整特征參數、空間位置;采用推理分析技術對目標的參數、工作模式等進行推理分析,獲得目標的其他屬性信息。

3.5目標智能識別技術

目標智能識別技術同輻射源型號智能識別技術類似,過程略有差異,詳細過程略。

4小結

本文分析了電子目標處理功能組成和一般流程,分析了常用的智能技術在電子目標處理中的實用性,選擇了適合電子目標處理的智能處理技術,對傳統的電子目標處理過程進行了智能化重新設計,建立了電子目標智能處理架構。該架構全面采用智能處理技術,提高目標情報處理效率、提升目標情報處理智能程度、提升目標情報處理規則的生成和管理能力、完成目標處理過程閉環,可為相關功能系統設計提供架構和技術參考。