基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別技術(shù)

李小花,李　姝

(中國電子科技集團(tuán)公司第三十研究所,四川 成都　610041)

基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別技術(shù)

李小花,李姝

(中國電子科技集團(tuán)公司第三十研究所,四川 成都610041)

摘要:分析了現(xiàn)有戰(zhàn)場目標(biāo)識別技術(shù)存在的問題,提出了基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別總體框架,對目標(biāo)識別知識表示、目標(biāo)特征知識挖掘、作戰(zhàn)模式知識挖掘以及目標(biāo)綜合識別智能化推理等關(guān)鍵技術(shù)進(jìn)行了研究,并說明了各關(guān)鍵技術(shù)在戰(zhàn)場目標(biāo)識別中的應(yīng)用示例,可為提高戰(zhàn)場目標(biāo)識別的自動化、智能化水平提供借鑒。

關(guān)鍵詞:數(shù)據(jù)挖掘;目標(biāo)特征知識;作戰(zhàn)模式知識;綜合識別

對戰(zhàn)場目標(biāo)的快速、準(zhǔn)確識別是戰(zhàn)場指揮控制系統(tǒng)發(fā)揮決策優(yōu)勢的前提。目前,對戰(zhàn)場目標(biāo)的識別大多基于武器裝備性能數(shù)據(jù)庫,通過模式匹配,獲取目標(biāo)類型的判別結(jié)果,而武器裝備性能數(shù)據(jù)庫需要進(jìn)行不斷更新和完善,因此往往對新目標(biāo)無法進(jìn)行有效識別。近幾年,目標(biāo)識別領(lǐng)域引入數(shù)據(jù)挖掘技術(shù),通過對海量歷史情報數(shù)據(jù)的挖掘自動獲取目標(biāo)識別知識,從而實現(xiàn)基于知識庫的目標(biāo)智能化識別,已引起廣泛關(guān)注,且取得了部分理論研究成果,但與實際應(yīng)用還存在一定差距。一方面,目前對歷史情報數(shù)據(jù)的挖掘大都針對不同情報數(shù)據(jù)庫分別進(jìn)行挖掘,并未將不同類型的情報信息關(guān)聯(lián)起來,從而使得挖掘出的知識無法進(jìn)行目標(biāo)的綜合識別;另一方面,未考慮相近地點、相近時間出現(xiàn)的多個目標(biāo)的相關(guān)性,而這種相關(guān)性往往是進(jìn)行目標(biāo)有效識別的重要線索。

基于此,本文以雷達(dá)情報和電抗情報為例,提出了基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別總體框架,對戰(zhàn)場目標(biāo)識別知識表示、目標(biāo)識別知識挖掘和目標(biāo)綜合識別智能化推理等關(guān)鍵技術(shù)進(jìn)行了初步探討,并給出了應(yīng)用示例。

1基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別總體框架

數(shù)據(jù)挖掘是從大量的歷史數(shù)據(jù)中抽取出潛在的,有用的知識(模型或規(guī)則)的過程[1]。將數(shù)據(jù)挖掘技術(shù)應(yīng)用于戰(zhàn)場目標(biāo)識別,通過對存儲在數(shù)據(jù)庫中的海量歷史目標(biāo)情報數(shù)據(jù),運用關(guān)聯(lián)分析[2]、聚類[3]、分類[4]等多種數(shù)據(jù)挖掘算法獲取有價值的目標(biāo)識別知識,從而為實時目標(biāo)的綜合識別提供自動化、智能化手段。

基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別總體框架如圖1所示。

基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別包含情報信息獲取、目標(biāo)識別知識挖掘、目標(biāo)綜合識別推理及目標(biāo)識別結(jié)果反饋等主要過程,圖1中的具體工作原理如下:

1) 情報信息獲取:從情報源獲取到各種戰(zhàn)場目標(biāo)情報信息,包括雷達(dá)情報信息、電抗情報信息等,并將情報信息存入歷史目標(biāo)情報數(shù)據(jù)庫中;

圖1　基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別總體框架

2) 目標(biāo)識別知識挖掘:通過采用數(shù)據(jù)挖掘算法從歷史目標(biāo)情報數(shù)據(jù)庫中挖掘產(chǎn)生目標(biāo)識別知識,挖掘方式包含兩種:目標(biāo)特征知識挖掘和作戰(zhàn)模式知識挖掘;

3) 目標(biāo)綜合識別推理:對接收到的各種實時情報信息,結(jié)合目標(biāo)識別知識庫中的目標(biāo)識別知識,通過智能化推理技術(shù)進(jìn)行推理,從而對實時戰(zhàn)場目標(biāo)進(jìn)行綜合識別,并將識別結(jié)果記錄到歷史目標(biāo)情報數(shù)據(jù)庫中;

4) 目標(biāo)識別結(jié)果反饋:基于外界系統(tǒng)的目標(biāo)識別需求,如字段、格式等,返回所需的目標(biāo)識別結(jié)果。

由此可見,實現(xiàn)基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別的關(guān)鍵在于目標(biāo)識別知識庫設(shè)計、目標(biāo)識別知識挖掘和目標(biāo)綜合識別推理三個方面。

2基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別關(guān)鍵技術(shù)

2.1戰(zhàn)場目標(biāo)識別知識表示技術(shù)

對于基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)識別而言,知識庫設(shè)計是否合理是影響目標(biāo)識別效果的關(guān)鍵因素之一。知識庫設(shè)計包含知識的表示、組織和存儲等,其中,知識表示是基礎(chǔ),因此,本文重點探討知識表示技術(shù)。

目前已經(jīng)有許多知識表示方法得到了國內(nèi)外學(xué)者們深入的研究,其中,使用較多的知識表示方法主要有:謂詞邏輯表示法,產(chǎn)生式表示法、框架表示法、語義網(wǎng)絡(luò)表示法、面向?qū)ο蟊硎痉?、基于本體的知識表示法等[5]。在眾多的知識表示方法中,產(chǎn)生式表示法是最常用的知識表示法,它強(qiáng)調(diào)條件滿足即產(chǎn)生相應(yīng)的結(jié)果,符合目標(biāo)識別推理的要求,而且具有表示充分、模塊化和自然性等特點。因此,本文基于產(chǎn)生式表示法,并對其進(jìn)行改良來進(jìn)行目標(biāo)識別知識的表示。

標(biāo)準(zhǔn)的產(chǎn)生式規(guī)則為

IF[E1&E2&…&En] THEN[H]

(1)

其中,E1,E2,…,En表示前提條件,H為結(jié)論,意思是:當(dāng)前提條件均滿足時,得出相應(yīng)的結(jié)論。

標(biāo)準(zhǔn)的產(chǎn)生式規(guī)則是一種精確的規(guī)則表示形式,而對于實際作戰(zhàn)應(yīng)用中,往往不能獲取到完全精確的規(guī)則,即規(guī)則并不是100%可信。因此可在標(biāo)準(zhǔn)的產(chǎn)生式規(guī)則基礎(chǔ)之上增加模糊因子,用于表示規(guī)則的可信度或規(guī)則強(qiáng)度,使得結(jié)論更加客觀。另外,考慮戰(zhàn)場目標(biāo)情報類型的多樣性和復(fù)雜性,對產(chǎn)生式規(guī)則中的前提條件可引入權(quán)值[6],即重要性屬性,從而提高結(jié)論推導(dǎo)的正確性,因此產(chǎn)生式規(guī)則可進(jìn)一步改良為

IF[E1(W1)&E2(W2)&…&En(Wn)] THEN[H] (CF)

(2)

其中,Ei(i=1,2,…,n)表示條件,Wi表示Ei在此規(guī)則中的重要程度,即權(quán)值,H為結(jié)論,CF為該規(guī)則的可信度或規(guī)則強(qiáng)度。當(dāng)Wi=1,且CF=1時,式(2)就變成了“非模糊產(chǎn)生式規(guī)則”,即標(biāo)準(zhǔn)的產(chǎn)生式規(guī)則,因此,采用加權(quán)模糊產(chǎn)生式規(guī)則可以使規(guī)則庫統(tǒng)一化。

在式(2)中,對于通過數(shù)據(jù)挖掘等智能化方法獲取的知識,Wi可以通過相應(yīng)的算法自動獲取;而對于從領(lǐng)域?qū)＜耀@取的經(jīng)驗性知識,一般具有模糊性、不確定性等特點,需要采用相應(yīng)的技術(shù)手段來確定Wi的取值。由于模糊邏輯在處理不確定性問題中所表現(xiàn)出的固有優(yōu)勢,因此,可通過引入模糊邏輯的有關(guān)理論和技術(shù)來表達(dá)知識的模糊性和不確定性,從而確定Wi的取值。

2.2戰(zhàn)場目標(biāo)識別知識挖掘技術(shù)

戰(zhàn)場目標(biāo)識別知識挖掘主要分為目標(biāo)特征知識挖掘和作戰(zhàn)模式知識挖掘兩種途徑,下面分別進(jìn)行說明。

1)目標(biāo)特征知識挖掘

目標(biāo)特征知識挖掘通過挖掘目標(biāo)情報的特征參數(shù),比如雷達(dá)情報中目標(biāo)運動速度、加速度、高度/深度、發(fā)現(xiàn)距離等,電抗情報中目標(biāo)雷達(dá)類型或輻射源參數(shù),如射頻類型、射頻值、掃描周期等,從而獲取到目標(biāo)各屬性特征與目標(biāo)類型之間的關(guān)聯(lián)規(guī)則。

圖2　目標(biāo)特征知識挖掘基本原理

如圖2所示,歷史情報數(shù)據(jù)可分為樣例數(shù)據(jù)和測試數(shù)據(jù),樣例數(shù)據(jù)用于進(jìn)行目標(biāo)特征知識挖掘,測試數(shù)據(jù)用于對挖掘結(jié)果進(jìn)行評估。目標(biāo)特征知識挖掘的基本原理如下:

① 目標(biāo)情報關(guān)聯(lián):基于歷史雷達(dá)情報和電抗情報樣例數(shù)據(jù),通過目標(biāo)情報中目標(biāo)標(biāo)識及發(fā)現(xiàn)時間等參數(shù),將同一目標(biāo)的雷達(dá)情報和電抗情報進(jìn)行關(guān)聯(lián),從而形成目標(biāo)綜合情報信息;

② 數(shù)據(jù)預(yù)處理:進(jìn)行數(shù)據(jù)過濾(如去除關(guān)鍵字段為空的記錄)、缺省值填充(如取非空值的平均值)、重復(fù)記錄消除、數(shù)據(jù)類型轉(zhuǎn)換等,通過數(shù)據(jù)預(yù)處理,將目標(biāo)綜合情報信息轉(zhuǎn)換為適合進(jìn)行數(shù)據(jù)挖掘的形式,形成相對精簡的綜合情報數(shù)據(jù)集;

③ 目標(biāo)屬性約簡:選擇與目標(biāo)類型密切相關(guān)的屬性特征,如敵我屬性、環(huán)境屬性、運動速度、高度/深度、加速度、雷達(dá)類型以及輻射特性參數(shù)等,形成待挖掘的綜合情報數(shù)據(jù)集;

④ 目標(biāo)特征知識挖掘:利用經(jīng)典的分類挖掘算法,如:C4.5[7]、CART[8]、CMAR[9]等挖掘情報信息中各類目標(biāo)的綜合特征,并形成規(guī)則集,如當(dāng)運動速度δ1>P1、運動高度δ2

IF[δ1>P1&δ2

⑤ 知識評估:通過歷史情報數(shù)據(jù)庫中的情報測試數(shù)據(jù)對挖掘出的目標(biāo)識別知識進(jìn)行評估,如果評估結(jié)果達(dá)到預(yù)期值(由專家或用戶輸入),比如識別可信度>98%,則對目標(biāo)識別知識庫進(jìn)行更新,否則,重新執(zhí)行目標(biāo)屬性約簡和目標(biāo)特征知識挖掘的過程,直到達(dá)到預(yù)期值;

⑥ 知識庫更新:將當(dāng)前新產(chǎn)生的目標(biāo)識別知識存入目標(biāo)特征知識庫中,存儲過程中需進(jìn)行知識沖突檢測,并通過知識比對避免存儲重復(fù)或冗余的知識。

2)作戰(zhàn)模式知識挖掘

作戰(zhàn)模式知識挖掘依據(jù)歷史目標(biāo)情報信息中與目標(biāo)類型及類型組合相關(guān)屬性,如目標(biāo)所在的地點(經(jīng)度、緯度)、發(fā)現(xiàn)時間等,挖掘情報信息中相近地點多個目標(biāo)聯(lián)合出現(xiàn)的習(xí)慣,從而提煉出類似編成編組的作戰(zhàn)模式特征,并形成規(guī)則集。

由于作戰(zhàn)模式知識挖掘需要使用目標(biāo)的位置信息,因此,主要針對雷達(dá)情報進(jìn)行挖掘。

圖3　作戰(zhàn)模式知識挖掘基本原理

如圖3所示,作戰(zhàn)模式知識挖掘基本原理如下:

① 數(shù)據(jù)預(yù)處理:與目標(biāo)特征知識挖掘過程類似,通過數(shù)據(jù)預(yù)處理,將雷達(dá)情報信息轉(zhuǎn)換為適合進(jìn)行數(shù)據(jù)挖掘的形式,形成相對精簡的數(shù)據(jù)集;

② 確定在相近時間點出現(xiàn)的目標(biāo):給定時間點相差度閾值λt,若任意兩個目標(biāo)的發(fā)現(xiàn)時間相差度<λt,則將這兩個目標(biāo)歸為同一事務(wù)(即待挖掘的數(shù)據(jù)子集合)Ti(i=1,2,…,n),否則,新增一個事務(wù)Ti+1,以此類推,形成事務(wù)集合T;

③ 確定在相近地點出現(xiàn)的目標(biāo):給定距離相差度閾值λJD和λWD,對于T中的每一個事務(wù)Ti(i=1,2,…,n),若任意兩個目標(biāo)的經(jīng)度相差度<λJD且緯度相差度<λWD,則將這兩個目標(biāo)歸為同一事務(wù)Tij(j=1,2,…,m),否則,新增一個事務(wù)Ti,j+1,以此類推,形成最終事務(wù)集合T′,對于T′中的每一個事務(wù)Tij,包含了同一時間段內(nèi),同一區(qū)域的目標(biāo)平臺;

④ 作戰(zhàn)模式知識挖掘:基于專家或用戶輸入的挖掘參數(shù)(如支持度閾值和可信度閾值),通過采用經(jīng)典關(guān)聯(lián)規(guī)則挖掘算法,如Apriori[10]、FP-growth[11],從最終事務(wù)集合T′中,提取多個目標(biāo)在同一時間段、同一區(qū)域出現(xiàn)的關(guān)聯(lián)規(guī)則;

⑤ 知識評估:對挖掘出的關(guān)聯(lián)規(guī)則進(jìn)行評估,若未達(dá)到預(yù)期(如每條規(guī)則的可信度均大于95%),則調(diào)整挖掘參數(shù),重新進(jìn)行挖掘,直到達(dá)到預(yù)期值;

⑥ 知識庫更新:將當(dāng)前新產(chǎn)生的目標(biāo)識別知識存入作戰(zhàn)模式知識庫中,存儲過程與目標(biāo)特征知識存儲過程類似。

2.3目標(biāo)綜合識別智能化推理技術(shù)

目標(biāo)綜合識別智能化推理技術(shù)利用挖掘產(chǎn)生的目標(biāo)識別知識,通過采用合適的推理機(jī)制,進(jìn)行智能化推理,從而給出目標(biāo)的綜合識別結(jié)果。由于獲取到的目標(biāo)識別知識包含目標(biāo)特征知識和作戰(zhàn)模式知識,因此,需根據(jù)不同目標(biāo)識別知識的特點,有針對性地設(shè)計相應(yīng)的推理算法。為簡化起見,假定先后獲取到目標(biāo)1和目標(biāo)2兩批不同目標(biāo)的情報數(shù)據(jù),且分別包含雷達(dá)情報數(shù)據(jù)和電抗情報數(shù)據(jù),對這兩批目標(biāo)進(jìn)行綜合識別推理的基本流程如圖4所示。

目標(biāo)綜合識別智能化推理基本流程如下:

1) 對獲取到的目標(biāo)1實時情報(包含雷達(dá)情報和電抗情報)進(jìn)行預(yù)處理,主要包括缺省值填充、數(shù)據(jù)格式轉(zhuǎn)換等,從而形成預(yù)處理后的雷達(dá)情報數(shù)據(jù)和電抗情報數(shù)據(jù);

2) 根據(jù)目標(biāo)1的目標(biāo)標(biāo)識和發(fā)現(xiàn)時間等信息對雷達(dá)情報和電抗情報數(shù)據(jù)進(jìn)行關(guān)聯(lián),形成目標(biāo)1的綜合情報數(shù)據(jù);

3) 基于目標(biāo)特征知識庫,對目標(biāo)1進(jìn)行基于目標(biāo)特征知識的智能化推理,并輸出目標(biāo)1的識別結(jié)果;

4) 對獲取到的目標(biāo)2實時情報(包含雷達(dá)情報和電抗情報)進(jìn)行預(yù)處理,處理過程與目標(biāo)1類似;

5) 根據(jù)目標(biāo)2的目標(biāo)標(biāo)識和發(fā)現(xiàn)時間等信息對雷達(dá)情報和電抗情報數(shù)據(jù)進(jìn)行關(guān)聯(lián),形成目標(biāo)2的綜合情報數(shù)據(jù);

6) 基于目標(biāo)特征知識庫,對目標(biāo)2進(jìn)行基于目標(biāo)特征知識的智能化推理;

7) 判斷目標(biāo)2的識別結(jié)果可信度是否大于給定閾值,若是則輸出目標(biāo)2的識別結(jié)果,否則執(zhí)行下一步;

8) 判斷目標(biāo)1,2是否在相近地點、相近時間發(fā)現(xiàn),若是則執(zhí)行下一步,若否則輸出目標(biāo)2的識別結(jié)果;

9) 基于作戰(zhàn)模式知識庫,對目標(biāo)2進(jìn)行基于作戰(zhàn)模式知識的智能化識別,并輸出目標(biāo)識別結(jié)果,至此,對兩批目標(biāo)的識別結(jié)束。

由此可見,基于目標(biāo)特征知識的智能化推理既適合對單個目標(biāo)進(jìn)行識別,也適合對多個目標(biāo)分別進(jìn)行識別;基于作戰(zhàn)模式知識的智能化推理適用于對多個目標(biāo)進(jìn)行識別。此外,采用基于作戰(zhàn)模式知識的智能化推理進(jìn)行目標(biāo)識別有一個前提條件,即已經(jīng)采用其他方法,如基于目標(biāo)特征知識的智能化推理,對前一批目標(biāo)進(jìn)行了識別,對于后續(xù)目標(biāo),當(dāng)采用其他方法得出的目標(biāo)識別結(jié)果可信度未達(dá)到閾值要求時,可通過基于作戰(zhàn)模式知識的智能化推理來提高目標(biāo)識別準(zhǔn)確率。

3應(yīng)用示例

下面通過一個簡單的示例來說明基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別關(guān)鍵技術(shù)在戰(zhàn)場目標(biāo)識別中的應(yīng)用。

假定目標(biāo)識別知識挖掘及推理識別相關(guān)參數(shù)要求如下。

目標(biāo)情報關(guān)聯(lián)參數(shù):

時間點相差度閾值λt≤30s;

地點相差度閾值:經(jīng)度λJD≤0.1,緯度λWD≤0.1。

作戰(zhàn)模式知識挖掘參數(shù):

支持度閾值=0.8,可信度閾值=0.95。

目標(biāo)識別準(zhǔn)確率:CF≥95%。

1)目標(biāo)識別知識表示

目標(biāo)識別知識采用模糊產(chǎn)生式規(guī)則進(jìn)行表示,為簡化起見,假定所選取的屬性重要程度均相同,即將權(quán)重均設(shè)置為1,因此,產(chǎn)生式規(guī)則可表示如下:

IF[E1&E2&…&En] THEN [H] (CF)

(3)

其中,Ei(i=1,2,…,n)表示條件,H為結(jié)論,CF為該規(guī)則的可信度。

2)目標(biāo)識別知識挖掘

假設(shè)雷達(dá)情報數(shù)據(jù)庫和電抗情報數(shù)據(jù)庫已分別存放大量歷史雷達(dá)情報和電抗情報數(shù)據(jù)?，F(xiàn)獲取到兩種類型的情報數(shù)據(jù)集LD和DK,分別如表1和表2所示,以及已進(jìn)行準(zhǔn)確分類的目標(biāo)綜合情報測試數(shù)據(jù)集CS。

首先,對LD和DK進(jìn)行目標(biāo)特征知識挖掘,具體過程如下:

① 在LD和DK情報數(shù)據(jù)集中,分別針對每條記錄,將目標(biāo)類型、發(fā)現(xiàn)時間和地點相同的目標(biāo)記錄進(jìn)行關(guān)聯(lián),形成綜合情報數(shù)據(jù)集ZH1,如表3所示。

圖4　目標(biāo)綜合識別智能化推理基本流程

批號敵我屬性環(huán)境屬性目標(biāo)類型經(jīng)度緯度/(°)速度/(m/s)高度/m航向/(°)發(fā)現(xiàn)時間001敵海XX級驅(qū)逐艦114.226.55.1440117.012015-12-0111:50:10002敵海XX級護(hù)衛(wèi)艦114.2326.494.630117.012015-12-0111:50:15003敵空XX反潛直升機(jī)114.4825.5871.6663360117.012015-12-0111:50:20004我海XX驅(qū)逐艦123.0123.4415.9470123.122015-12-0313:20:01005我海XX護(hù)衛(wèi)艦123.123.3913.3750123.122015-12-0313:20:11006我空殲轟-XX123.8823.78444.44412500123.122015-12-0313:20:15…………………………

② 對ZH1,選擇與目標(biāo)類型密切相關(guān)的屬性特征,如敵我屬性、環(huán)境屬性、運動速度、高度/深度、以及雷達(dá)類型等,形成待挖掘的綜合情報數(shù)據(jù)集ZH2,如表3中陰影字段。

③ 利用經(jīng)典的分類模型挖掘算法C4.5[7]進(jìn)行挖掘,將產(chǎn)生的分類模型轉(zhuǎn)化為規(guī)則的形式,如下所示。

Rule1: IF 敵我屬性=敵 & 環(huán)境屬性=海 & 速度≥5.144 & 高度=0 &雷達(dá)型號=ld1,THEN 目標(biāo)類型=XX級驅(qū)逐艦,CF=95%;

Rule2: IF 敵我屬性=敵 & 環(huán)境屬性=海 & 4.63≤速度<5.144 & 高度=0 &雷達(dá)型號=ld2,THEN 目標(biāo)類型=XX級護(hù)衛(wèi)艦,CF=93%;

Rule3: IF 敵我屬性=敵 & 環(huán)境屬性=空 & 速度≥71.666 & 高度=3360 &雷達(dá)型號=ld3,THEN 目標(biāo)類型=XX反潛直升機(jī),CF=97%;

RuleN:…

④ 利用測試數(shù)據(jù)集CS對分類模型M進(jìn)行評估,達(dá)到預(yù)期效果,即目標(biāo)識別準(zhǔn)確率≥95%,則執(zhí)行下一步,否則,返回到步驟②,現(xiàn)假定已達(dá)到預(yù)期效果。

表2　歷史電抗情報數(shù)據(jù)集DK

表3　綜合情報數(shù)據(jù)集ZH1和ZH2

⑤ 將當(dāng)前產(chǎn)生的分類模型M存入目標(biāo)特征知識庫中。

然后,對雷達(dá)情報數(shù)據(jù)集LD進(jìn)行作戰(zhàn)模式知識挖掘,具體過程如下:

① 根據(jù)批號為001和002的目標(biāo)數(shù)據(jù)可知,前一目標(biāo)的發(fā)現(xiàn)時間t1=11:50:10,后一目標(biāo)的發(fā)現(xiàn)時間t2=11:50:15,由于|t1-t2|<λt,將這兩個目標(biāo)歸為同一事務(wù)T1={XX級驅(qū)逐艦, XX反潛直升機(jī)};

② 按照① 的方法對LD中所有記錄進(jìn)行處理,形成事務(wù)庫T={{XX級驅(qū)逐艦, XX級護(hù)衛(wèi)艦, XX反潛直升機(jī)},{XX驅(qū)逐艦, XX護(hù)衛(wèi)艦, 殲轟-XX},…};

③ 根據(jù)批號為001和002的目標(biāo)數(shù)據(jù)可知,前一目標(biāo)的經(jīng)度JD1=114.2,緯度WD1=26.5,后一目標(biāo)的經(jīng)度JD2=114.23,緯度WD2=26.49,由于| JD1-JD2|<λJD且| WD1-WD2|<λWD,則將這兩個目標(biāo)歸為同一事務(wù)T11={XX級驅(qū)逐艦, XX反潛直升機(jī)};

④ 按照③ 的方法對T中的每一個事務(wù)Ti(i=1,2,…,n)進(jìn)行處理,最終形成事務(wù)庫T′={{XX級驅(qū)逐艦, XX級護(hù)衛(wèi)艦},{XX反潛直升機(jī)},{XX驅(qū)逐艦, XX護(hù)衛(wèi)艦},{殲轟-XX},…};

⑤ 采用經(jīng)典算法APriori[10]進(jìn)行關(guān)聯(lián)規(guī)則挖掘,形成規(guī)則集合R:

Rule1:IF XX級驅(qū)逐艦THEN XX級護(hù)衛(wèi)艦,CF=98%;

Rule2:IF XX級護(hù)衛(wèi)艦THEN XX級驅(qū)逐艦,CF=98%;

Rule3:IF XX護(hù)衛(wèi)艦THEN XX驅(qū)逐艦,CF=97%;

Rule4:IF XX護(hù)衛(wèi)艦THEN XX驅(qū)逐艦,CF=97%;

RuleN:…

⑥ 知識庫更新:將當(dāng)前新產(chǎn)生的關(guān)聯(lián)規(guī)則存入作戰(zhàn)模式知識庫中。

3)目標(biāo)綜合識別智能化推理

假設(shè)接收到未知目標(biāo)類型的兩批次實時雷達(dá)情報LDA、LDB和實時電抗情報DKA和DKB,具體字段值如表4和表5所示。

首先,對目標(biāo)A和B分別進(jìn)行基于目標(biāo)特征知識的推理識別,具體過程如下:

① 將實時雷達(dá)情報和實時電抗情報進(jìn)行關(guān)聯(lián),形成實時綜合情報,如表6所示;

② 提取分類模型M中包含的特征字段,如表6中陰影部分字段;

③ 利用分類模型M對關(guān)聯(lián)后的情報信息進(jìn)行識別,根據(jù)規(guī)則Rule1可知,目標(biāo)A為XX級驅(qū)逐艦,可信度為95%,根據(jù)規(guī)則Rule2可知,目標(biāo)B為XX級護(hù)衛(wèi)艦,可信度為93%。

表4　實時雷達(dá)情報

表5　實時電抗情報

表6　實時綜合情報

由于對目標(biāo)B識別結(jié)果的可信度小于給定的預(yù)期值95%,因此,繼續(xù)對目標(biāo)B進(jìn)行基于作戰(zhàn)模式知識的智能化推理識別,具體過程如下:

① 目標(biāo)A的發(fā)現(xiàn)時間tA=11:55:12, 目標(biāo)B的發(fā)現(xiàn)時間tB=11:55:23,由于|tA-tB|<λt,可判斷目標(biāo)A和B是在相近時間發(fā)現(xiàn);

② 目標(biāo)A的經(jīng)度JDA=113.11,緯度WDA=25.14, 目標(biāo)B的經(jīng)度JDB=113.2,緯度WDB=25.18,可知|JDA-JDB|<λJD且|WDA-WDB|<λWD,從而可確定目標(biāo)A和B是在相近區(qū)域發(fā)現(xiàn);

③ 獲取作戰(zhàn)模式知識集合R;

④ 搜索R中的所有規(guī)則,發(fā)現(xiàn)規(guī)則Rule1滿足條件,從而推斷出目標(biāo)B為XX級護(hù)衛(wèi)艦,可信度為98%;

⑤ 輸出對目標(biāo)A和B的識別結(jié)果。

4結(jié)束語

本文提出的基于數(shù)據(jù)挖掘的戰(zhàn)場目標(biāo)綜合識別技術(shù)可以作為目前基于特征匹配的目標(biāo)識別技術(shù)的有效補充。一方面,可應(yīng)用到空海一體化聯(lián)合作戰(zhàn)中,為聯(lián)合情報中心進(jìn)行多源目標(biāo)識別提供自動化、智能化手段,提高目標(biāo)綜合識別準(zhǔn)確率和指揮人員決策效率;另一方面,為未來從以“網(wǎng)絡(luò)為中心”向以“數(shù)據(jù)為中心”的作戰(zhàn)模式轉(zhuǎn)變提供技術(shù)儲備,支撐未來戰(zhàn)場大數(shù)據(jù)分析能力。但要將該技術(shù)應(yīng)用于實際作戰(zhàn)中,還需要解決一些問題,比如如何進(jìn)行目標(biāo)識別知識的高效存儲、如何進(jìn)行知識的有效更新、如何提高識別效率等,均有待進(jìn)一步深入研究。

參考文獻(xiàn):

[1]張雪梅,高翔. 目標(biāo)識別中的數(shù)據(jù)挖掘與可視化技術(shù)[C]. 杭州：中國聲學(xué)學(xué)會2005年青年學(xué)術(shù)會議,2005.

[2]亓文娟,晏杰. 數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則Apriori算法[J]. 計算機(jī)系統(tǒng)應(yīng)用,2013,22(4):121-124.

[3]蔡程宇,婁淵勝. 聚類算法在數(shù)據(jù)挖掘領(lǐng)域的研究[J]. 哈爾濱商業(yè)大學(xué)學(xué)報(自然科學(xué)版),2015,31(2):237-241.

[4]丁浩. 數(shù)據(jù)挖掘中常用分類算法的分析比較[J]. 菏澤學(xué)院學(xué)報,2015,37(5):47-50.

[5]孫嘉睿.淺談知識表示方法[J]. 信息系統(tǒng)工程, 2015(11):139-139.

[6]楊蓓,緱西梅,艾艷. 專家系統(tǒng)中的模糊知識表示及推理研究[J]. 鄭州大學(xué)學(xué)報(理學(xué)版),2004,36(2):31-33.

[7]Quinlan J R. Improved Use Of Continuous Attributes In C4. 5[J]. Journal of Artificial Intelligence Research,1996,4(1):77-90.

[8]Breiman L, Friedman J H. Estimating Optimal Transformations For Multiple Regression & Correlation[J]. Journal of the American Statistical Association, 1985, 80(391): 580-598.

[9]LI Xiang,LI Tao. Classification Algorithm of Kernel-based In Adaboost[J]. Computer Knowledge & Technology, 2011,7(28):6970-6979.

[10]Agrawal R,Srikant R. Fast algorithms for mining association rules[C].Proc. 20th int. conf. very large data bases, VLDB. 1994,1215: 487-499.

[11]AGRAWAL R,IMIELINSKl T,SWAMI A.Mining association rules between sets of items in laFge databases[C]∥Proc the ACM SIGMOD International Conference on Mallagement of 126.com Data.Washington, DC,1993.

Investigation on Technologies of Battlefield Integrated TargetIdentification Based on Data Mining

LI Xiao-hua,LI Shu

(The 30th Research Institute of CETC,Chengdu 610041,China)

Abstract:Based on the analysis about the problems of battlefield target identification, this paper describes the architecture of the battlefield integrated target identification, and researches the corresponding key technologies such as knowledge representation of the target identification, knowledge mining of the target features, knowledge mining of the battle model, and intelligent inference of the integrated target identification, and shows the application of which on battlefield target identification, All these researches can provide automatic and intelligent measure for the battlefield integrated target identification.

Key words:data mining; knowledge of target features; knowledge of battle model; integrated identification

文章編號：1673-3819(2016)03-0016-08

收稿日期：2016-03-17

作者簡介：李小花(1983-),女,重慶人,碩士研究生,工程師,研究方向為信息融合、信息安全等。

中圖分類號:E919

文獻(xiàn)標(biāo)志碼:A

DOI:10.3969/j.issn.1673-3819.2016.03.003

修回日期： 2016-03-24

李姝(1974-),女,高級工程師。