【深度】雷达辅助决策大数据
2019学术大礼包丨加入学术plus丨2018学术大礼包丨2017不可以错过的重磅报告们
今日荐文的作者为军事科学院军事科学信息研究中心专家徐颖，王英兴，朱雷。本篇节选自论文《雷达辅助决策大数据应用探析》，发表于《中国电子科学研究院学报》第16卷第9期。
摘 要：大数据时代，雷达数据呈现信息多维海量、处理动态复杂、数据多源异构、价值高密度低的特点，如何解决多源数据存储难、处理难、融合难、挖掘难的问题，是提升雷达辅助决策能力的关键。本文提出一种基于大数据的雷达辅助决策架构，研究了基于云计算的雷达数据处理、基于知识图谱的关联分析、基于深度学习的目标识别等关键技术。相对于传统系统，具有雷达数据全源引接、实时计算、深度挖掘、智能识别等优点，提升了雷达辅助决策智能化水平。关键词：大数据；雷达；辅助决策
《中国电子科学研究院学报》更多精彩文章
请移步中国知网下载阅读，或持续关注本号更新论文全文摘编如下
仅供学术交流与参考
引 言
当前，战争形态正加速向信息化、智能化转变，战场环境日趋复杂，高超声速、隐身、超低空、“低慢小”“蜂群”等各类复杂目标层出不穷。
雷达可全天候、全天时、全空域进行目标搜索捕获、精密跟踪、精确识别，是战场态势感知的重要手段。为有效应对空中威胁，现代雷达不断向多频段、大带宽、多功能、网络化方向发展，雷达数据爆炸式增长，呈现出信息多维海量（Volume）、处理动态复杂（Velocity）、数据多源异构（Variety）、价值高密度低（Value）的“4V”特性，雷达辅助决策面临着海量信息、高实时性、强对抗性、复杂多变的严峻挑战。
大数据时代，数据成为夺取信息优势、支撑辅助决策的核心资源，基于数据的决策将成为未来战场的制胜关键。探索运用大数据思维和技术，解决雷达多源异构数据存储难、海量实时信息处理难、高价值情报信息挖掘难等瓶颈问题，是实现智能化雷达辅助决策的必经之路。本文首先梳理了雷达辅助决策领域大数据特点、应用现状、存在问题；然后，提出了一种基于大数据的新型雷达辅助决策系统架构，并探讨了高性能计算、知识图谱、关联分析等关键技术实现方案，为实现数据优势向预警优势、决策优势的转化提供理论和技术支撑。
1.大数据在军事情报领域应用现状
大数据、人工智能技术成为国防军事发展的重要驱动力，以美国为首的西方国家纷纷出台大数据战略，推动大数据技术研究及军事运用，寻求占领大数据时代的“制高点”。
2012年，美国政府发布了《大数据研究与发展计划倡议》，将大数据上升到国家战略。
美国防部启动了“洞察力”“数据到决策”“心灵之眼”、XDATA等多个项目[1-2]，探索利用大数据技术从海量多源异构数据中自动提取关键信息，推动构建集情报、侦察、监视于一体的大数据处理系统，如图1所示。
图1 美军情报大数据处理示意图
“洞察力”项目采用开放式体系架构，构建了相关性分析、预测、威胁分析模型，能够实时或近实时地汇集、处理、整合、分析、解读来自不同传感器的海量“烟囱式”信息，形成统一战场态势图。
“数据到决策”项目旨在实时关联、整合海量作战数据，挖掘目标威胁、火力打击等高价值信息，将数据转化为可用于决策的知识，辅助指挥员快速理解掌握战场态势。
美空军2013年启动了“大数据集处理利用与分析”项目，旨在从多个传感器搜集数据并进行分析、筛查、提取，构建关注区域战场态势图，为部队提供可行动的情报信息。
XDATA项目旨在整合无人机、雷达等采集的海量半结构化、非结构化数据，提供可视化界面和人机接口。
2017年，美国防部成立“算法战跨职能小组”，正式启动“算法战”概念研究，旨在大力推动大数据相关技术在未来智能化战争中的应用。
2018年，美军组织开发了以“冲突—安全—平衡—环境”为代表的大数据预测推理模型和数据驱动软件工具，对全球和区域性的领域及开源大数据进行全面分析，挖掘关联性实体和事件，以期预测性评估区域安全局势，对全球重大恐怖事件和热点冲突实时或近实时地进行监控。
2020年10月，美国防部发布新数据战略，重点聚焦利用国防部数据支撑联合全域作战。该战略提出了四项“重要能力”：国防部云架构及其他开放式架构能力、向依靠数据的决策文化转变、建立数据设备管理与共享的系列标准，以及有效的数据治理。
我国的相关学者也逐步探索大数据技术在军事情报领域的应用。
文献[3]分析梳理了雷达电子对抗侦察领域大数据应用存在的问题，并提出了建立数据驱动模型、构建人工智能应用体系、制定大数据标准规范的发展路径；文献[4]分析了预警探测领域大数据特征，以及大数据在目标检测、目标跟踪、目标识别等方面的潜在应用价值，展望了采用大数据技术改变未来战争制胜机理的发展趋势；文献[5]论证了空情大数据采集整编、数据集成、存储管理方案，并提出了应用大数据技术研判不明空情的方法；文献[6]研究了雷达领域本体表示、关联装备建模方法，提出了雷达领域知识图谱构建思路，并设计了雷达知识查询和推荐系统；文献[7]提出了面向大数据的新一代信号情报侦察体系框架，回答了侦察信号表示、处理、可重构等关键技术问题；文献[8-11]从不同角度研究了大数据在国防、预警、电子战等领域的应用。总的来看，美国大数据研究起步早、发展快、技术成熟，部分成果已在实战中获得应用，我国大数据技术应用尚处于起步和探索阶段，体系架构、处理流程、实现方案等还有待深入研究，距实用化尚有一定差距。
2.基于大数据的雷达辅助决策系统构建
2.1需求分析
随着航空航天、人工智能、精确制导技术的发展，以高超声速武器、临近空间武器、弹道导弹为代表的高空高速目标，以巡航导弹为代表的超低空目标，以无人机为代表的“低慢小”目标，以鸟群、空飘气球为代表的不明空情目标，使得雷达作战对象智能化、作战环境复杂化、作战威胁多样化，传统的雷达辅助决策系统面临着严峻挑战。
1）信息多维海量。普通雷达带宽达几十MHz，宽带雷达带宽可达1 GHz以上，装备数量大、体制新、平台多，频段从米波至厘米波，体制从常规到特殊，平台从地面、海上、空中到平流层、星载等，可获得时频空域、极化域、多普勒域、身份域、参数域等多维度的预警信息。各类原始数据、过程数据、结果数据可达PB级，且分布在各个节点上，传统的集中式存储、分散式管理、点对点传输的方式难以满足海量数据存储、高并发访问的需求。
2）处理动态复杂。高超声速武器、弹道导弹飞行速度一般在几马赫以上，且存在伴飞诱饵、干扰机等；“蜂群”无人机目标容量可达数千批次；电磁频谱日益拥挤，电磁干扰特性复杂；边境、海岸线及气象条件多变，导致雷达杂波动态多变，这些目标环境的新变化使得空情信息时敏性极强、动态变化更复杂。传统的雷达辅助决策系统难以满足高速目标实时跟踪、多目标快速识别、大空域跟踪监视对计算能力的需求。
3）数据多源异构。既有雷达特征参数等结构化数据，又有原始回波数据、目标航迹、一维距离像、二维像等半结构化、非结构化数据，既有远程预警雷达、防空雷达数据，又有无源雷达、电子侦察数据，传统的雷达辅助决策系统难以满足融合处理不同来源、不同格式数据的需求。
4）价值高密度低。数据包含的情报价值高，指挥决策人员应对海量高价值数据的分析处理挑战时，需要以扁平化方式将情报优势转化为决策优势，为夺取作战先机提供基础性支持。但在日常状态下，雷达所探测到的大部分是航班、训练飞机等目标，弹道导弹、隐身飞机、不明空情等重点目标样本数较少，且被淹没在海量信息中，传统的雷达辅助决策系统主要依赖于人工处理，难以满足从海量信息中提取出高价值数据的需求。2.2架构设计
在未来具有智能化特点的高技术战争中，必须采用大数据技术破解雷达辅助决策领域面临的难题。现有文献虽然提出了一些基于大数据的处理架构，然而，在数据标准上，对如何实现不同型号、不同类型的雷达数据采集、交换、存储、处理等缺乏研究；在处理流程上，对如何统筹考虑高速目标检测跟踪等高实时处理场景和目标成像识别等大批量处理场景缺乏研究；在系统应用上，对如何利用大数据技术进行智能雷达组网、目标关联识别、不明空情处置等典型应用场景缺乏研究。本文结合雷达兵部队战备值勤和处置突发情况需求，提出了一种基于大数据的雷达辅助决策架构，着力解决异构信息引接、多源数据融合、实时数据处理、数据分析挖掘等问题，提升智能化雷达辅助决策能力。
基于大数据的雷达辅助决策架构如2图所示，共分为4层。
（1）数据接入层
1）在标准规范方面，包括数据采集标准、数据交换标准、数据存储标准、数据清洗标准、数据融合标准、数据服务标准、质量评估标准等。
2）在数据内容方面，包括位置、速度、姿态等目标航迹数据，一维距离像、二维像、微动等目标特征数据，雷达性能参数、运行状态等装备属性数据，以及气象数据、航管数据、北斗数据等辅助信息。
3）在传输链路方面，支持光纤、网络等有线通信，引入5G技术提升无线通信能力，采用分布式网络实现与机动雷达、固定雷达的加密通信，提升抗损抗毁能力。
（2）存储计算层
基于云技术实现海量雷达数据存储、大批量计算、流计算。
1）支持对结构化、非结构化数据的存储。目标航迹数据是结构化数据，价值密度高，主要用于实时分析处理，可采用Oracle、MySQL等关系型数据库存储；原始回波数据、雷达图像等是半结构化数据，数据量大、增长速度快，主要用于事后分析，可采用Hadoop、Spark等分布式存储系统进行存储。
2）支持批量计算、流计算，可对计算资源动态按需分配，实现大批量、高速率数据实时计算和并发访问。
3）支持基于云技术的大数据管控，充分考虑雷达数据的敏感性、保密性，实现全程监测、实时预警、有效防范，将数据治理贯穿雷达数据全生命周期。
（3）数据处理层
构建雷达辅助决策算法库、模型库、规则库等，实现雷达目标检测、跟踪、识别、组网及关联分析。
（4）应用服务层
为用户提供应用服务和可视化界面，包括：
图2 基于大数据的雷达辅助决策系统架构
2.3主要特点
未来战场态势瞬息万变，雷达作为指挥员的“眼睛”，必须具备在快节奏、高对抗性的复杂战场环境中精准快速捕获跟踪识别目标的能力，采用大数据技术提升雷达辅助决策能力是未来发展方向。相对于传统的雷达数据处理系统，本文提出的基于大数据的雷达兵辅助决策系统具有以下三个特点。
1）基于体系化设计思想，制定雷达大数据标准规范，解决不同体制、不同型号雷达无法互联互通的问题，联通“数据孤岛”，实现全要素、全流程、多类型、多结构的雷达数据联合处理。2）基于云技术，解决集中式架构存在的存储量小、并行计算性能低的问题，采用可扩展、可升级、可配置的分布式网络架构，实现大带宽雷达数据实时存储、大批量数据事后分析、流数据实时在线处理和数据全生命周期管理，通过负载均衡和动态调配，确保各雷达节点具有充足的存储和计算资源。
3）基于大数据分析挖掘技术，构建以数据为中心的雷达辅助决策服务模式，将实时数据、历史数据、专家知识相结合，实现雷达组网协同、智能目标识别、目标关联分析、综合态势生成，进一步提升雷达辅助决策能力。
3.雷达辅助决策系统关键技术
3.1云计算
随着传感器技术的发展，雷达数据急剧提升，如何处理这些庞大的各类数据从而获取有价值的战场情报成为当前的研究热点和亟需解决的问题。对于海量数据的分析必然涉及各种复杂的计算，所以对高效的并行计算的需求不言而喻。云计算是分布式计算、效用计算、虚拟化技术、Web服务、网格计算等技术的融合发展，其目标是用户通过网络能够在任何时间、任何地点最大限度地使用虚拟资源池，处理大规模计算问题。
Hadoop MapReduce、Spark、Storm是当前最流行的云计算架构。Hadoop主要针对大规模数据集，提供高容错性分布式文件和结构化数据库存储、跨节点快速处理，适用于大批量数据离线处理；Spark是基于内存的计算框架，支持面向实时应用的大数据分析处理；Storm针对不间断数据源，提供大规模数据分布式、容错的实时计算，适合实时在线分析场景。
在雷达辅助决策领域，需要根据不同场景设计数据处理架构。对于多部雷达航迹关联、信息融合和目标状态估计等高实时性应用场景，一般采用基于Storm的流处理架构，回波信号经雷达天线接收、放大、滤波、采集、预处理后，在本地进行目标检测、跟踪、识别，将航迹以数据流的形式传输至雷达辅助决策系统，后者进行多源航迹关联融合，生成实时综合态势。对于目标特征分析、行为分析、异常告警等应用场景，可采用基于Hadoop MapReduce或Spark处理架构，首先，将雷达数据存入分布式数据库；然后，采用机器学习方法，基于目标特征图谱、行为规则、专家知识等，对历史数据和实时数据进行挖掘分析，实现多目标综合识别和异常告警。3.2基于知识图谱的关联分析
一体化联合作战是未来战争发展的必然趋势，多部队、多平台、多装备之间关系错综复杂，而当前辅助决策系统缺乏对属性特征和实体之间的关联分析，“信息过载”严重制约了指挥员决策，必须采用新思路、新方法挖掘数据之间的关联关系，将数据优势转化为决策优势。
知识图谱技术可将多源信息进行结构化表征，通过实体、属性、关系将部队、平台、装备连接在一起，为指挥员提供更丰富的信息表达形式和更精确的查询和推荐结果，实现“数据—信息—知识”的转化。
资源描述框架（Resource Description Framework, RDF）是最常用的知识表示模型。图3给出了一个雷达领域RDF示例，描述了实体、属性及关系。
（1）雷达：对雷达的技术体制、探测能力、部署位置进行描述。1）技术体制，如脉冲多普勒、连续波、相控阵、合成孔径、逆合成孔径等；2）探测能力，如探测距离、方位覆盖、俯仰覆盖、分辨率等；3）工作状态，如开机、关机、维修、损坏等；4）运载平台，如车载、机载、舰载、固定等。
（2）平台：飞机、舰船、车辆等可运载雷达的平台目标。1）基本属性，如飞机长、宽、高；2）活动情况，如飞机航线、活动时间、剩余油量等；3）通联情况，如通信网络、起降机场等；4）挂载，如导弹、炸弹等。
通过雷达知识图谱，指挥员可清晰地掌握部队、装备、平台之间的关联关系，装备数量、类型、部署位置，雷达工作状态、探测能力、机动能力，以及不同雷达之间、雷达与电子对抗、光电侦察等手段之间的协同关系，为指挥员进行作战筹划和作战控制提供支撑。
图3 雷达领域RDF示例
3.3基于深度学习的雷达目标识别
目标识别是雷达的核心任务之一，传统雷达主要采用基于特征的目标分类方法，首先，基于先验知识构建回波、运动、RCS等特征库；然后，进行特征提取；最后，将实时目标特征与特征库进行模板匹配实现目标识别。随着战场环境复杂化、作战对象多样化，仅依靠单部雷达所能获取的目标特征有限，且不同雷达的特征库是分散独立构建的，效率低下且无法复用，传统雷达目标识别能力面临“瓶颈”。
目标识别本质上是分类器，深度学习利用海量训练数据，构建多层机器学习模型，可获得更本质的目标特征，从而提高目标识别的准确性。雷达辅助决策系统汇集了多类型、多功能、多视线的雷达数据，为深度学习技术的应用提供了基础。
基于深度学习的雷达目标识别架构如图4所示，主要步骤有：
1）采用人工标注和机器自动标注相结合的方法，对积累的历史数据进行标注，形成训练样本库；
2）利用训练数据对样本库进行学习，构建多层深度学习网络；
3）从不同雷达实时采集的数据中提取特征，对于窄带雷达，主要提取运动特征、RCS序列、极化特征等，对于宽带雷达，主要提取一维像、二维像等；
4）汇集多部雷达特征数据，进行多源数据融合，生成目标综合特征；
5）将目标综合特征输入至深度学习网络，结合规则库、专家知识，进行多元目标识别，输出识别结果和置信度。
相对于传统雷达，雷达辅助决策系统能够融合利用多部雷达所获取的多种特征，并将历史数据、规则数据、专家知识有机结合，提升目标识别率，且具备在线学习能力，随着数据积累，样本库不断丰富，深度学习网络不断优化，目标识别能力将不断提升。图4 基于深度学习的雷达目标识别
结 语
本文从信息化战场下雷达数据呈现出的“4V”特点出发，分析了雷达辅助决策系统存在的矛盾问题，设计了以云计算为基础、以大数据处理为核心、以人工智能技术为支撑的雷达辅助决策系统架构，研究了基于云计算的数据处理流程、雷达领域知识图谱构建、基于深度学习的雷达目标识别等关键技术，为实现基于大数据的雷达辅助决策系统提供了技术积累。下一步，将围绕多源数据融合、多雷达组网协同任务规划、面向知识的辅助决策等展开研究，提升雷达辅助决策智能化水平。
参考文献：
[1]战晓苏.美军大数据项目进展及其深刻影响[J].军事文摘, 2018,7:26-29.
[2]耿卫,马增军,夏素敏.美军大数据技术研发现状分析[J].创新科技,2015,188(10):35-38.
[3]季华益,唐莽,王佩.雷达对抗电子侦察中的大数据应用探析[J].航天电子对抗,2018, 34(3):1-4.
[4]卢雨祥,周峰,郭建明，等.大数据人工智能对预警探测领域的影响分析[J].现代雷达,2019, 41(11):6-9.
[5]宋根阳,李宏权.大数据技术研判不明空情[J].舰船电子对抗,2020,43(4):60-65.
[6]郝瑞哲.雷达及关联装备情报知识图谱构建方法研究[D].长沙：国防科技大学,2017.
[7]杨小牛,杨志邦,赖兰剑. 下一代信号情报侦察体系架构:大数据概念的应用[J]. 中国电子科学研究院学报,2013,8(1):1-7.
[8]何友,朱扬勇,赵鹏, 等.国防大数据概论[J].系统工程与电子技术,2016,38(6):1300-1305.
[9]付婷婷,汤景棉,肖兵, 等.基于大数据的预警情报分析系统研究[J].空军预警学院学报,2018,32(2):118-122.
[10]高坤,戴江山,张慕华.基于大数据技术的电子战情报系统[J].中国电子科学研究院学报,2017,12(2):111-114.
[11]郭继光,黄胜.基于大数据的军事情报分析与服务系统架构研究[J].中国电子科学研究院学报,2017,12(4): 389-393.
点击领取：2018学术大礼包
来吧！加入学术plus
《中国电子科学研究院学报》欢迎各位专家、学者赐稿！
投稿链接 http://kjpl.cbpt.cnki.net
邮箱：dkyxuebao@vip.126.com