电子目标智能处理架构研究

导语：电子目标智能处理架构研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

1引言

1.1电子目标处理面临复杂电磁环境

现代战争中制信息权越来越被交战各方重视,军事强国甚至提出了战场信息单向透明的终极目标,采取的措施包括使己方的信息利用环节“感知-处理-传输-应用”能够顺畅以及破坏对手信息利用环节。在以上信息利用环节中,信息感知、传输、应用的手段有多种,但最重要的几乎都是电子设备;在阻止敌方信息利用的措施中除硬摧毁(火力打击等物理破坏)措施外,几乎也是电子设备,因此导致电子设备使用数量的剧烈增加和电磁环境越来越复杂。据分析计算,现代战争的战场电磁信号环境密度将超过1MPPS(百万脉冲每秒),电磁环境复杂程度可见一般。随着电子对抗侦察技术发展、装备侦察能力提升、系统规模及作战范围扩大,情报和指挥控制系统中需要处理的电子目标数量大大增加,对处理的实时性、准确性、处理深度和自动化处理能力等提出了很高的要求。

1.2电子目标处理特点及面临挑战

电子目标具有以下特点:1)目标的电磁特征复杂,参数维度多;2)相似电子设备多,目标识别和目标区分难度大;3)一定区域内目标数量大,对处理时效提出要求。由于电子目标以上特点,处理过程面临如下挑战:1)电子目标关联过程复杂,计算量大;2)相似目标多,要想获得最优目标识别和区分,除运算量大外,还存在非最优收敛的问题;3)目标容量大,处理时效要求高,需要优化处理流程,实现高效处理。

1.3电子目标处理架构及存在的问题分析

电子目标处理流程如图1所示。图1电子目标情报处理的一般流程图1总体上是一个线性级联、开环的处理流程,利用收集的数据和识别库、目标库实现了电子目标处理过程,但对识别库和目标库的生成没有贡献,即没有实现情报的自积累过程闭环。现有电子目标处理采用技术有:1)目标关联技术,主要在排序和遍历技术支持下进行目标特征关联,在目标容量不大的情况下处理效率能满足要求,在目标容量大的情况下,无法实现实时处理;2)目标识别技术,主要采用模式匹配的技术,该方法简单易行,但存在样本数量大情况下效率比较低的问题,另外,在相似样本多的情况下(现代电子设备大量存在这种情况)识别过程不一定会收敛到最优识别结果。随着数据融合技术的发展,特别是智能处理技术逐步成熟,智能处理技术逐渐进入电子战情报处理领域。本文在研究电子目标处理功能组成及流程的基础上,提出了电子对抗情报智能处理的架构,研究了该架构下实现大容量目标快速处理、智能处理的方法。

2电子目标智能处理架构

2.1主要智能处理技术分析

智能处理技术经过多年发展,有许多技术逐步趋于成熟并在工程中成功应用。智能处理技术种类和分支很多,但并不是所有技术都适合电子目标处理。通过对这些技术在电子目标处理中的针对性、实用性分析,筛选出以下在电子目标处理过程中具有较好应用前景的技术:1)神经网络技术[1]。神经网络技术利用完善的样本,经过训练,形成多层加权网络,实现快速、准确的分类,且具有一定的模糊处理能力。神经网络技术主要用于已知样本情况下的目标分类,对动态变化的属性参数缺乏处理能力。在电子目标处理中可以利用神经网络系统训练生成型号、已知目标等神经网络系统,用于快速实现辐射源型号识别和已知目标识别。但神经网络存在如下问题:样本更新后必须重新训练、训练时间较长、训练完成后的规则隐藏在网络中,难以维护和调整,因此使用受较大局限,主要在非实时系统中应用。2)专家系统技术[2]。专家系统技术利用推理机和知识库规则对输入命题进行推理和解释,获得推理结论。专家系统技术利用目标已知信息(如技术特征参数等)进行推理获得其他信息。专家系统由于采用推理机技术,能非常灵活地适应规则变化,且规则几乎是完全显性的,便于维护和调整,可获得更大范围的应用。在电子目标融合处理中,主要用于电子目标体制、用途识别、行为、企图分析等。3)数据挖掘技术[3-4]。数据挖掘技术近年来发展很快,技术分支也很多,主要用于对目标聚类、分类、规律分析、规则发现和趋势预测等。在电子目标处理中,主要用于目标分析、目标分类(分类规则提取)等。4)索引技术[5]。对大量目标来说,利用目标的一个或多个属性参数建立目标索引,有利于快速搜索到目标,这类技术广泛用于数据库查询及搜索。在电子目标处理中,主要用于对目标建立多维参数的索引,实现相似目标快速搜索,提高目标相关过程的效率。

2.2电子对抗智能情报处理架构

在智能处理技术基础上,构建新的智能情报处理架构如图2所示。该架构最主要的特点是引入智能处理技术,提高处理速度和处理准确性,完善处理功能,形成了处理过程闭环。图2电子目标智能处理架构图2相对图1的最主要的变化有5点:①在实时目标关联融合过程中引入目标索引技术。当目标增加或变化时,利用目标参数和位置等信息,生成目标索引树;在目标关联时,首先对索引树进行搜索,找到相似的目标或目标集,然后再进行复杂的关联计算。②在目标融合后,提取新的辐射源参数加入识别库,作为识别样本,形成辐射源型号识别库的自积累闭环。这一步只是完成了信息闭环,完善了传统的处理流程,但尚不能完全支持辐射源型号的智能识别。③在情报产品库的基础上,引入辐射源型号参数挖掘和型号分类规则挖掘技术,辐射源型号参数挖掘技术实现从电子目标情报产品库中分析提取辐射源新参数样本,型号分类规则挖掘技术对辐射源的参数样本进行进一步的分类规则挖掘,分析提取型号参数样本的分类规则树,作为辐射源型号智能识别的规则,支持辐射源智能识别过程中的推理识别,提高辐射源型号识别速度和准确性。④在目标处理后,增加目标情报整编功能,实现从情报产品库中提取电子目标信息,形成电子目标识别库,解决电子目标识别库数据自积累闭环问题。这一步只是完成了信息闭环,完善了传统的处理流程,但尚不能完全支持目标的智能识别。⑤在情报产品库的基础上,引入目标特征挖掘和目标分类规则挖掘技术,目标特征挖掘技术实现从电子目标情报产品库中分析提取电子目标新参数样本,目标分类规则挖掘技术对电子目标的参数样本进行进一步的分类规则挖掘,分析提取目标特征差异,形成目标样本的分类规则树,作为目标智能识别所需规则,支持目标智能识别过程中的推理识别,提高目标识别速度和准确性。

3智能情报处理关键技术分析

3.1目标索引技术

如图2中的①所示,目标索引技术主要是利用目标的一维或多维参数,建立目标索引树。目标电磁特征参数较多,通常建立多维空间索引树,通过空间索引树可以实现目标的快速搜索。索引树结构示意如图3所示。其中非叶子节点包含所属子节点的参数范围,叶子节点即具体的目标参数。图3目标索引树图3中的目标索引树可以采用二叉树或多叉树(通常建立平衡树即B树,以保证平均搜索效率最高),当采用二叉树时,搜索时间复杂度是O(logN2),N为目标数量,而线性搜索时间复杂度是O(N/2)。由此可见当N较大时,效率提升非常明显,如N=1000,线性搜索平均需要500次搜索到目标,而通过索引树只需要大约11次即可搜索到目标。当然索引维护也需要时间,但采用适当的索引更新策略,可以减少索引更新次数。

3.2辐射源型号分类规则挖掘技术

图2中的③所示的辐射源型号分类规则挖掘技术包括两个部分,一是:从情报产品库中,通过数据挖掘提取辐射源的新特征参数样本,过程如图4所示。二是:辐射源型号分类规则挖掘,对辐射源电磁特征参数样本进行分类,生成辐射源型号分类决策树,生成智能识别所需的推理规则。决策树示意如图5所示。图5决策树示意图决策树上的非叶子节点上包含目标数量N及参数范围,叶子节点(N=1)包含目标ID、型号及参数信息。连接线表示分类规则,规则由参数类型和参数范围来描述。将根节点到叶子节点的规则顺序连接起来就得到推理过程。

3.3辐射源型号智能识别技术

辐射源型号智能识别技术一般可以基于两类技术来实现,第一类是神经网络技术;第二类是智能推理技术。基于神经网络的辐射源型号识别技术的过程是利用辐射源电磁特征样本进行训练,生成多层加权网络节点,对辐射源进行快速参数加权运算,实现型号识别,流程如图6所示。图6神经网络辐射源识别流程基于智能推理机的辐射源智能识别技术采用智能推理机技术,利用辐射源分类识别的推理规则来进行辐射源型号识别,可以避免辐射源的逐个参数相关对比,在数据量大的情况下,可以大大提高识别速度。识别速度的时间复杂度和索引树类似,但不完全一致,因为决策树构建过程通常不需要建立平衡树,因此有的目标会识别速度很快(与其他目标参数差异大,路径较短),有的目标识别过程要长一点(与其参数接近的目标较多,路径较长)。基于智能推理机的辐射源智能识别技术流程如图7所示。图7辐射源智能推理识别流程基于神经网络的辐射源识别技术可以用于特征样本不多、相似样本较少且不常更新的情况,基于智能推理的辐射源识别技术适应范围则更大一些。

3.4目标整编技术

目标整编技术如图2中的④所示,主要对情报产品库的目标情报处理结果进行分析,提取并丰富目标识别库,为目标识别提供样本数据。目标整编技术主要采用数据挖掘技术中聚类分析技术,分析提取目标的完整特征参数、空间位置;采用推理分析技术对目标的参数、工作模式等进行推理分析,获得目标的其他属性信息。

3.5目标智能识别技术

目标智能识别技术同辐射源型号智能识别技术类似,过程略有差异,详细过程略。

4小结

本文分析了电子目标处理功能组成和一般流程,分析了常用的智能技术在电子目标处理中的实用性,选择了适合电子目标处理的智能处理技术,对传统的电子目标处理过程进行了智能化重新设计,建立了电子目标智能处理架构。该架构全面采用智能处理技术,提高目标情报处理效率、提升目标情报处理智能程度、提升目标情报处理规则的生成和管理能力、完成目标处理过程闭环,可为相关功能系统设计提供架构和技术参考。