1.3 通信對抗偵察信息處理系統架構

1.3.1 基于JDL數據融合功能模型的架構

數據融合是一個數據綜合過程，用于估計或預測現實世界的某一方面的狀態。其目的通常是估計或預測實體的物理狀態：如身份、屬性、行為、位置，以及過去、現在或未來的運動。對于通信對抗偵察來說，通信偵察設備能夠截獲關于目標通信信號的外部特征參數、時空變化參數、通信流量參數等不同特征，對這些參數特征綜合處理，就可以推理得到通信目標的深層信息；多個通信偵察裝備同時偵察，并將偵察處理結果向處理中心匯集進一步處理，可以得到關于通信目標在更廣闊時空及網絡空間內的活動態勢。

JDL模型是影響廣泛得多源數據融合模型，它是一個有效的、跨越多個應用領域的模型，它確定了適用于數據融合的過程、功能、技術種類和特定技術。JDL模型是一個功能模型而不是處理模型，見圖1.5。

第0級，信號級優化：基于像素、信號級數據關聯和特征，對可觀測信號或目標狀態進行估計和預測。第0級關聯是推測信號的存在性，并且估計它的狀態。

對于在這一級的通信偵察處理來說，主要在通信信號特征參數層面進行各類優化處理，提取更加精確的測量參數特征信息，例如：

① 對定頻信號參數的優化處理：通過統計、精細分析等方法，獲得精確的載頻、帶寬、碼速率、信號平均電平等參數信息；

② 對跳頻信號參數的優化處理：獲取跳頻速率、占空比、跳頻帶寬、跳頻網臺個數等參數信息；

③ 對方位信息的優化處理：通過適當的手段，處理得到精確的方位信息、方位變化率信息、交會定位信息等；

④ 對通信交替的持續測量分析：通信的通聯關系、持續時間、通信流量等；

⑤ 對截獲信號的解調和關鍵字段提取：提取元數據、關鍵字段等。

第1級，目標級優化：基于對觀測數據所做的推理，進行實體狀態的估計和預測。第1級關聯是選擇航跡所包含的觀測報告，將系統可用的觀測集映射到航跡。這一級處理的目的是綜合傳感器數據以獲得有關實體位置、速度、屬性、身份的最可信、最精確的估計。典型的數據融合系統將目標優化問題劃分為三個基本問題：①數據分配、關聯；②狀態向量估計；③目標身份估計。

具體到通信對抗偵察處理，在第1級主要解決通信目標屬性判別的問題，通過假設推理的手段，根據偵收到的目標參數特征，判別通信目標的身份屬性；通過數據關聯、航跡跟蹤等手段，獲取目標的空間屬性。包括：

① 通信目標身份屬性判別：

● 輻射源目標身份識別；

● 平臺目標識別；

● 組織目標識別。

② 通信目標空間屬性判別：

● 方位跟蹤；

● 位置跟蹤；

● 航跡跟蹤。

第2級，態勢評估：基于對實體間關系所做的推理，進行實體狀態的估計和預測。第2級關聯是將航跡關聯為聚合體。聚合體的狀態描述為聚合要素之間的關系網絡。隨著估計關系的種類和相關實體數目的擴大，用態勢這個術語來表示估計的聚合目標。處理旨在理解實體之間和實體與環境之間的關系。包括：模式識別、基于上下文的推理，以及時間、空間、因果和功能關系的理解等內容。

具體到通信對抗偵察處理，在第2級主要是處理通信目標關系分析方面的相關內容，通過對通信目標時間的活動分析，提煉出目標之間的關系，并跟蹤關系的變化情況。比如通信分析主、被叫關系，可以獲得目標的一次通聯關系；通過分析一次通信收發的交替變化，也可以形成一次通聯過程；通過對多個通聯的綜合分析，可以獲得目標的網絡關系；通信目標間的交替通信，不同的頻度和傳輸的數據流量，體現出無線網絡的活動態勢。

第3級，威脅估計：對參與者預先計劃、估計或預測的行為對態勢造成的影響進行估計和預測。從觀察的結果得出當前態勢，目的是基于當前態勢，對未來一段時間內有關敵方威脅、我方薄弱點和作戰行動發生的可能性等做出推斷。第3級處理的重點是自動推理系統和人工智能技術的應用。對于通信對抗偵察處理來說，在第3級一般需要分析人員的介入，根據前兩級獲取的目標屬性信息和關系信息，再截獲從截獲信源中提取的有關內容信息，綜合判別目標趨勢和威脅估計。

第4級，過程優化：自適應數據采集和處理以支持使命任務。對數據融合全過程進行監控以評估和改善實時系統的性能。對于通信對抗偵察來說，就是根據當前目標活動態勢，將偵察資源設置在重點頻段和頻點、重點方向，以提高第0～3級融合處理過程的質量，改善提高偵收系統的效能。

數據融合處理最成熟的方面是第1級處理——利用多傳感器數據來確定單個目標或實體的方位、速度、屬性和身份。一個特殊的問題是基于所觀察的特征或屬性進行自動目標識別。到目前為止，目標識別主要采用基于特征的方法，在這種方法中特征向量（表征傳感器數據）被投影到特征空間，根據特征向量相對于預先確定的類決策邊界的位置來識別目標。第2級和第3級融合（態勢評估和威脅估計）目前主要采用基于知識的方法，例如基于規則的黑板系統。主要難點在于需要建立一種包含推理規則、框架、劇本的數據庫，或其他能表示有關態勢評估和威脅估計知識的方法庫。

在所有數據融合層次內部或之間都可能要依據實體之間的假設關系進行推理。圖1.6描述了JDL模型層次間傳輸的典型信息流。

通信對抗的偵察信息處理重點在第0～2級，主要是從目標的屬性和關系上分析推理，獲得有關通信目標的活動情況。

參照JDL數據融合架構，針對通信對抗偵察數據融合，一般在本級平臺進行初步的通信對抗偵察信息處理，然后以各種方式上報到上一級區域處理中心，進行多站融合處理，典型的多站通信對抗偵察信息處理融合架構見圖1.7。

1.3.2 基于數據挖掘的架構

數據挖掘是指從大量的數據中通過算法搜索隱藏于其中的信息的過程。數據挖掘吸納了諸如統計學、機器學習、模式識別、數據庫和數據倉庫、信息檢索、可視化、算法、高性能計算和許多應用領域的大量技術。通過對前期偵察截獲到的數據清洗整理后存放在數據倉庫，再利用各類處理算法挖掘發現新知識。通過數據挖掘，獲得隱藏在大量數據中的頻繁模式、關聯規則等。模式挖掘有助于發現隱藏在數據中的固有結構和簇。

數據融合重在演繹，通過不同偵察接收設備獲得的通信目標信號特征信息進行推理判斷，獲得通信目標的屬性信息和關系信息；數據挖掘則重在歸納，在收集大量偵察數據的基礎上，分析挖掘隱含在數據倉庫中數據之間的知識，對已經截獲的數據有一個新的判斷，發現數據項或目標之間的各種關系，提供信息增量。

數據融合關注目標自動識別，而數據挖掘則關注模型自動發現。數據挖掘的重點是在大型數據集合中發現復雜的關系。數據挖掘能夠補充數據融合的不足。數據挖掘通過歸納、外展的方式，在數據集中發現感興趣的模式或關系，生成通用模型，這些模型在經過驗證后，可以應用于融合過程。數據融合過程應用學習得到的模型作為模板，對接收數據進行推理。

數據挖掘作為知識發現過程，通常包括數據清洗、數據集成、數據選擇、模式發現、模式評估和知識表示。數據挖掘的前提是大量的數據。構建通信對抗偵察數據挖掘架構，首先需要保證數據的采集和數據倉庫的構建，有了數據，才能夠進行各類數據挖掘應用的各項工作。典型的多站通信對抗偵察數據挖掘架構如圖1.8所示。

1.3.3 綜合數據融合與數據挖掘的混合架構

數據融合和數據挖掘是對偵察數據進行處理的兩種不同方式，數據融合的長處是及時性，重在推理，通過偵察結果及時給出目標狀態；數據挖掘重在歸納，通過對一段時間、空間內的偵察元數據進行發掘，發現新的知識，作為數據融合的重要補充。文獻[21]給出了數據挖掘和數據融合過程的綜合架構，如圖1.9所示。

通信對抗偵察的目的是及時發現敵方目標的活動情況，識別目標并形成活動態勢，因此對通信對抗偵察的信息處理過程，以JDL數據融合模型的功能為主，對通信對抗偵察截獲數據進行第0級、第1級和第2級融合處理，獲得通信目標的屬性和關系方面的推斷；而數據挖掘模式能夠從大量積累數據中挖掘發現新知識，因此在發現通信目標新模式方面有著重要作用。在通信對抗偵察信息處理流程中將數據融合與數據挖掘有效結合在一起，將偵察傳感器得到的偵察數據分為兩條線進行處理：一條線按照數據融合的流程，進行通信目標屬性和關系的推理；另一條線將偵察數據存入數據倉庫進行積累，定期使用數據挖掘的方式，在數據倉庫中發現以往偵察數據中隱藏的新模式，并對這些模式評估驗證，對感興趣的模式進行可視化展現，并將這些模型轉化為知識庫，加載到數據融合所采用的模型知識庫中，使得在后續的數據融合過程中能夠利用數據挖掘發現新的模型，提高數據融合在目標屬性和關系推理方面的能力，從而兩者得到有效的統一和優勢互補。

采用多平臺通信對抗偵察數據融合與數據挖掘聯合架構如圖1.10所示。