基于知识图谱的辐射源威胁态势协同构建技术

云脑智库 2022-10-20 00:00

汽车照明系统的“智慧大脑”，竟然是它？》 超低功耗CW32L083系列

池庆玺 ^1,² 胡航玮 ²

1. 复杂系统控制与智能协同技术重点实验室,北京 100074；2. 北京机电工程研究所,北京 100074

【引用格式】池庆玺,胡航玮.基于知识图谱的辐射源威胁态势协同构建技术[J].战术导弹技术,2022(4):168-177.

DOI：10.16358/j.issn.1009-1300.20220101

摘要为解决复杂电磁环境带来的辐射源威胁态势构建难题，将知识图谱技术引入辐射源威胁态势构建中，提出了辐射源知识图谱三元组和表征模型，解决了辐射源信息表征困难的问题。探讨了多机协同对辐射源威胁态势构建带来的优势，并结合知识图谱形成了辐射源威胁态势协同构建新技术，给出了威胁态势准确度计算方法。研究表明，知识图谱的引入能够完整地表征辐射源信息、构建更合理的辐射源威胁态势，有利于分析辐射源威胁态势、识别作战意图、评估威胁等级，提升电子对抗作战效能。

关键词复杂电磁环境；知识图谱；三元组；辐射源威胁态势；协同构建；协同探测

1 引言

现代信息化战争中，战场电磁因素带来的是陆、海、空、天、磁等全维作战空间，战争形态则由以硬武器对抗为主的火力对抗作战向以软硬武器结合为主的信息对抗作战转变。在电磁空间战场，敌我双方的侦察与反侦察、欺骗与反欺骗、干扰与抗干扰已拉开序幕，也演变出了无线通信、预警侦察、导航制导等重要战场功能。电磁空间作为战场信息载体，导致“制电磁权”的争夺日益激烈，也带来了日渐复杂的战场电磁环境^［1-2］。

复杂电磁环境给战场态势带来了前所未有的挑战，体现在雷达辐射源信号（简称辐射源）对抗方面有以下两点：一是复杂电磁环境的随机性、动态性和不可预测性给辐射源信息表征带来了困难，导致构建出的辐射源威胁态势可信度降低^［3］；二是作战区域辐射源密集，大量电磁冲突和干扰导致辐射源识别能力急剧下降，传统的以脉冲描述字（频率、脉宽、到达时间、到达角、幅度）为主的目标识别已无法满足电子对抗作战需求^［4］。为解决复杂电磁环境带来的辐射源威胁态势构建难题，本文将知识图谱技术引入辐射源威胁态势构建中，以期构建更合理的辐射源威胁态势，进而更加有效地识别作战意图、评估威胁等级，提升电子对抗作战效能。

2 概述

2.1　知识图谱

知识图谱是真实世界中存在的各个实体、概念及其关系构成的语义网络图，用于形式化地描述真实世界中各类事物及其关联关系^［5］。知识图谱的出现，改变了传统知识获取模式，将知识工程“自上而下”方式转变为挖掘数据、抽取知识的“自下而上”方式。经过长期理论创新与实践探索，知识图谱已具备体系化的构建与推理方法。知识图谱的发展历程如图1所示^［6］。

▲ 图1 知识图谱发展历程▲ Fig.1 Development history of knowledge map

知识图谱已经在智能搜索、问答系统、个性化推荐等技术中广泛使用，并成功应用于互联网、金融、医疗等众多领域，但在电子对抗领域却鲜有报道。对于以专家知识和数据构建的辐射源威胁态势模型，知识图谱的引入有助于表征复杂电磁环境下的辐射源特性，并提升电子对抗领域的智能化水平，成为该领域强有力的新工具^［7-8］。具体体现在以下三个方面：

（1）知识图谱智能分析和推理能力可以构建一个智能化辐射源态势分析、意图识别、威胁评估架构。

（2）知识图谱对实体及关系的映射能快速准确地推理出辐射源意图。随着时间增长，辐射源的不确定性变化也能够映射到知识图谱表征上，并自主对图谱进行智能化改变。

（3）知识图谱能够提高辐射源态势分析、意图识别、威胁评估的可解释性和可信任度。引入知识图谱意味着知识的输入输出间存在的因果关系或关联关系可以被理解，且推演过程清晰可见，有利于人工智能协同工作。

2.2　协同电子对抗

随着现代电子对抗技术不断发展，敌我双方干扰和抗干扰手段也逐渐复杂多样。面对当前的复杂电磁环境，雷达通常采用两种途径增强自身反隐身、抗干扰性能：一是提升单部雷达性能；二是组网多部雷达^［9］。无论是单部先进体制雷达，还是多部雷达构成的组网雷达，单部干扰机对抗效能已无法满足作战需求^［10-12］。为提升干扰对抗性能，对抗敌方组网雷达，协同干扰对抗技术研究迫在眉睫。相较于传统单部干扰机对抗，多机协同干扰在对抗时具有以下优势：

（1）现代先进体制雷达通常主瓣窄、副瓣低，并且都会采用旁瓣对消技术，抗干扰能力强。多机干扰能抵消雷达旁瓣对消效果，且增大对主瓣干扰几率^［13-14］。

（2）组网雷达由于各个雷达体制、模式不同，单部干扰机通常只能对部分雷达产生有效干扰，无法对组网雷达系统造成有效干扰。多机协同干扰可以通过资源分配，对组网雷达所有成员实施针对性干扰，能够降低对干扰机性能需求，并且提高干扰对抗水平^［15］。

（3）面对组网雷达，电磁环境复杂多变，单部干扰机侦察信息可信度急剧下降。多机协同可以充分利用侦察信息的冗余特性，提高对敌方雷达的探测准确性，并结合协同定位技术准确定位目标，有利于辐射源威胁态势构建，能更好地分配干扰资源，提高干扰效能。

3 辐射源知识图谱表征

3.1　辐射源知识图谱模型

辐射源知识图谱构建过程中，需要从复杂电磁环境获取原始数据，作为系统的核心要素，构建包含核心要素及要素间关系的信号语义表示结构，形成以原始数据层、知识抽取层、知识融合层、知识推理层为主体结构的辐射源图谱模型，如图2所示^［16］。

▲ 图2 辐射源知识图谱模型▲ Fig.2 Knowledge map model of radiation sources

（1）原始数据层。从复杂电磁环境中获取信号数据、辐射源数据等原始数据，作为知识图谱的输入；

（2）知识抽取层。通过自动化或半自动化等抽取技术，从原始数据中获得实体、关系及属性等可用知识单元，为知识图谱的构建提供知识基础；

（3）知识融合层。对来源不同、结构不同的辐射源知识进行融合，剔除无效知识、避免信息孤岛，使知识连接更加紧密、更具价值，并对现有知识图谱进行补全、修正、更新；

（4）知识推理层。依据当前辐射源知识图谱，对辐射源态势分析、意图识别、威胁评估进行推理。

3.2　辐射源知识图谱三元组

三元组是构成知识图谱的基本单元，由两个实体和链接组成。由于辐射源目前没有广泛认可的表征架构，因此，本节先是描述了一个辐射源典型对抗场景，再将场景中的信息、规则、实践经验抽取出来，形成辐射源知识图谱三元组。

图3为辐射源对抗典型场景，其中椭圆形表示实体，矩形图标表示属性值，带箭头连线表示实体与实体间、实体与属性间的关系或联系（绿色线段和红色字体部分属于分析推理过程）。辐射源对抗场景为威胁辐射源B、C相互通信，同时威胁辐射源B向外辐射并侦察到辐射源A。辐射源A对威胁辐射源B实施压制干扰：信号3与信号4中心频率和调制方式一致，但信号4功率明显强于信号3（

），辐射源A干扰成功。因此，辐射源B开启抗干扰模式，将信号频点由

MHz变为

MHz。

▲ 图3 辐射源典型对抗场景▲ Fig.3 Typical confrontation scenario of radiation sources

通过上述对抗过程，辐射源A得到了威胁辐射源B的属性参数（功率

W、调制方式为线性调频Latent factor model，LFM）、位置信息（距离

km、角度

）以及威胁辐射源B的频率调整行为。根据以上信息，辐射源A可以得到威胁辐射源B的辐射源属性、战术价值、辐射源行为等，并最终判断威胁辐射源B的威胁等级为“高”。

在辐射源知识图谱中，实体可以是现实事物，如辐射源、信号等，也可以是事物属性，如频率值、功率值、位置信息、行为等；链接则是实体间的关系，包括发射、行为分析、威胁评估等。辐射源知识图谱三元组如表1所示。辐射源知识图谱三元组常见类型如表2所示。

▼ 表1 辐射源知识图谱三元组▼ Table 1 Knowledge map triple of radiation sources

▼ 表2 辐射源知识图谱三元组常见类型▼ Table 2 Common knowledge map triple of radiation sources

3.3　辐射源知识图谱表征

以辐射源知识图谱三元组为基础，结合辐射源对抗过程，可以将辐射源以知识图谱方式表征出来。辐射源知识图谱表征共分三步：（1）第一步，从原始数据中提取辐射源特征，并形成辐射源行为；（2）第二步，从辐射源特征中分析态势；从辐射源行为中识别意图；（3）第三步，根据态势分析和意图识别，对辐射源进行威胁判别。

图4为一部辐射源的知识图谱表征，图中椭圆代表实体，圆形表示实例，箭头表示属性/关系。辐射源位置特征、波束特征、脉冲描述字（Pulse Description Word，PDW）特征构成辐射源特征，功率控制行为、时间选择行为、频率调整行为、工作模式切换行为构成辐射源行为。然后对辐射源进行态势分析和意图识别，依据上述信息，最终可以判定辐射源威胁等级（绿色线段和红色字体部分属于分析推理过程）。

▲ 图4 辐射源威胁态势知识图谱表征架构▲ Fig.4 Knowledge map architecture of radiation source threat situation

4 基于知识图谱的辐射源威胁态势协同构建技术

4.1　基于知识图谱的辐射源威胁态势协同构建

如2.2节所述，多机协同不仅提高了对组网雷达的干扰效能，也能充分利用复杂电磁环境下的侦察信息冗余特性，引入新的辐射源属性，尤其是辐射源定位信息，提高对雷达辐射源威胁态势构建能力。本节将以多部被动雷达为基础，在复杂电磁环境下的辐射源威胁态势构建中引入知识图谱表示，形成一种全新的基于知识图谱的辐射源威胁态势协同构建技术如图5所示。

▲ 图5 基于知识图谱的辐射源威胁态势协同构建技术▲ Fig.5 Collaborative construction technology of radiation source threat situation based on knowledge map

辐射源威胁态势构建主要分为以下4个步骤：

（1）己方感知网络对敌方组网雷达进行感知侦察，各个被动雷达对侦察数据进行参数提取、信号分选得到辐射源目标，并通过数据链传输到数据融合中心。

（2）对全部辐射源目标数据进行辐射源参数属性融合，剔除无效目标，合并相同目标，并通过被动协同定位算法提取辐射源位置信息，丰富辐射源属性维度，提高辐射源目标参数可信度。

（3）以辐射源知识图谱三元组为基础，对辐射源目标数据进行知识提取，包括实体抽取、关系提取、属性提取，并对现有辐射源知识图谱进行补全、修正、更新。

（4）对辐射源知识图谱进行推理，分析辐射源态势，识别辐射源意图，最终对辐射源进行威胁评估，并将上述过程中的态势分析、意图识别、威胁评估结果同步更新到辐射源知识图谱中。

4.2　辐射源知识图谱构建准确度

在原始数据提取辐射源三元组、更新知识图谱的过程，本质是多属性双边匹配问题，即根据供需双方的需求信息，寻找出匹配双方一对一、一对多、多对多的稳定组合方式。另外，验证辐射源知识图谱是否准确可信，也可以转换为多属性双边匹配，双边分别是根据环境构建的辐射源知识图谱、复杂电磁环境模拟辐射源。

设双边匹配的双方分别为集合

和集合

，

表示集合

中的第

个个体（

），

为集合的个体数量。

表示集合

中的第

个个体（

），

为集合的个体数量。

设每个个体共包含

个属性，

表示集合

中个体

第

个属性的属性值，

表示集合

中个体

第

个属性的属性值。则可得集合

和

的属性值数组。

（1）

在匹配之前，还需要根据匹配双方属性类型，计算每个匹配个体对对方个体的准确度，根据不同类型的属性，需要使用不同的准确度计算方式，以表示集合

中个体

的某一个属性值

对集合

中个体

的准确度

。最基本的5种个体属性准确度计算方式如下：

（1）数值性属性：

，

均为数值。

（2）

（2）数值区间型属性：

，

均为数值区间，分别为

，

，或

为数值，

为数值区间

。

（3）

（3）数值向量型属性：

，

均为数值向量，分别为

，

，向量长度分别为

和

且满足

，

。

表示向量的

元素个数。

（4）

（4）文字描述类属性：

，

均为描述属性；

为描述属性，

为文字描述向量。

（5）

（5）文字描述向量型属性：

，

均为文字描述组成的描述向量，

表示向量的

元素个数。

（6）

因此，可得集合

对集合

的准确度矩阵

。

（7）

根据属性值计算出

之后，再根据所有的个体属性准确度综合得出个体的总准确度

，并在计算的过程中，根据个体对各个属性的重视程度，给出各个属性的不同权值

，则总准确度

计算公式如下：

（8）

5 仿真应用

5.1　仿真场景及参数设置

（1）仿真场景。

为了验证上述辐射源威胁态势协同构建技术，本文选择了如图6所示的仿真应用场景。左下方为敌方组网雷达，雷达参数设置见表3，相互之间间隔30 km，雷达1~4坐标分别为（0，0，0）（30，0，0）（0，30，0）（0，0，30）；右上方为我方无人机群，相互之间间隔50 km，主站（兼顾数据融合中心和感知节点的功能）坐标为（200，0，0），从站（充当感知节点）1~3坐标分别为（250，0，0）（200，50，0）（200，0，50），自定位误差设置为5 m（3σ），无人机群测角误差设置为3°（3σ），定位误差设置为5%（3σ）；无人机群与组网雷达通视距离大约为170~200 km，并假设雷达信号均能被无人机群探测。

▲ 图6 仿真应用场景▲ Fig.6 Simulation application scenarios

▼ 表3 组网雷达参数表▼ Table 3 Parameters of networked radars

（2）威胁目标打分。

雷达1~4威胁分值分别设置为100、200、300、400。

（3）准确度构建参数。

对雷达不同属性设置权重为：频率0.3，脉宽0.2，重频0.2，到达角0.1，位置信息0.2。

5.2　辐射源威胁态势协同构建

（1）无人机群分别侦察、测量雷达脉冲数据（频率、脉宽、到达角、到达时间），并分选识别目标。从站无人机通过数据链传递数据到主站无人机。

▼ 表4 无人机群侦察分选目标参数表（部分数据）▼ Table 4 Target parameters for UAV reconnaissance/sorting (partial data)

（2）主站对从站侦察分选目标进行参数融合，并根据关联目标参数进行多站被动定位，获得目标位置信息。

▼ 表5 主站对目标的定位结果（部分数据）▼ Table 5 Target positioning results of master station (partial data)

▲ 图7 辐射源知识图谱更新、分析、推理示例（部分情况）▲ Fig.7 Example of update/analysis/reasoning of radiation source knowledge map (in some cases)

（3）主站将目标参数（含位置信息）按照三元组进行抽取，并与辐射源知识图谱中的目标数据一一匹配，依靠准确度补全、修正、更新辐射源知识图谱。

（4）根据辐射源知识图谱重新推理，分析目标的态势、意图，并进行威胁评估。

（5）重复执行步骤一至步骤四，实时侦察敌方雷达，更新辐射源知识图谱，及时分析、推理敌方最新态势，确保我方作战有效。

基于上述仿真，表明了知识图谱的引入能够为辐射源威胁态势提供更为完整、合理的处理框架，使同一辐射源目标不同属性、不同辐射源目标的相同属性之间的联系更为紧密，有利于辐射源的态势分析、意图识别，为我方作战提供更为全面、具体、准确的战场态势信息。

6 结束语

在复杂的电磁环境下，雷达电子对抗面临着辐射源信息表征困难、传统辐射源参数不够丰富等问题。本文在多机协同的基础上，结合知识图谱形成了辐射源威胁态势协同构建新技术，能够更合理、更准确地分析复杂电磁环境辐射源威胁态势。在后续研究中，可以将态势构建、协同干扰、效能评估等环节形成闭环，进一步丰富辐射源威胁态势，以便实时掌握敌我对抗时的复杂空间电磁变化情况。

本文来源：《战术导弹技术》2022年第4期

登录阅读全文



免责声明：该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系： nick.zong@aspencore.com！

云脑智库努力是一种生活态度,与年龄无关!专注搬运、分享、发表雷达、卫通、通信、化合物半导体等技术应用、行业调研、前沿技术探索!专注相控阵、太赫兹、微波光子、光学等前沿技术学习、分享

进入专栏

文章：4353篇粉丝：145人

 私信

基于知识图谱的辐射源威胁态势协同构建技术

1 引言

2 概述

2.1　知识图谱

2.2　协同电子对抗

3 辐射源知识图谱表征

3.1　辐射源知识图谱模型

3.2　辐射源知识图谱三元组

3.3　辐射源知识图谱表征

4 基于知识图谱的辐射源威胁态势协同构建技术

4.1　基于知识图谱的辐射源威胁态势协同构建

4.2　辐射源知识图谱构建准确度

5 仿真应用

5.1　仿真场景及参数设置

5.2　辐射源威胁态势协同构建

6 结束语

最近文章

热门文章

推荐

最新资讯

基于知识图谱的辐射源威胁态势协同构建技术

1 引 言

2 概 述

2.1 知识图谱

2.2 协同电子对抗

3 辐射源知识图谱表征

3.1 辐射源知识图谱模型

3.2 辐射源知识图谱三元组

3.3 辐射源知识图谱表征

4 基于知识图谱的辐射源威胁态势协同构建技术

4.1 基于知识图谱的辐射源威胁态势协同构建

4.2 辐射源知识图谱构建准确度

5 仿真应用

5.1 仿真场景及参数设置

5.2 辐射源威胁态势协同构建

6 结束语

最近文章

热门文章

推荐

最新资讯

1 引言

2 概述

2.1　知识图谱

2.2　协同电子对抗

3.1　辐射源知识图谱模型

3.2　辐射源知识图谱三元组

3.3　辐射源知识图谱表征

4.1　基于知识图谱的辐射源威胁态势协同构建

4.2　辐射源知识图谱构建准确度

5.1　仿真场景及参数设置

5.2　辐射源威胁态势协同构建