第1章 緒論 1
1.1 預警情報分析的相關概念 1
1.1.1 預警情報 1
1.1.2 傳統情報分析 3
1.1.3 預警情報分析 5
1.1.4 預警情報分析內涵與外延 8
1.2 預警情報分析的發展現狀 8
1.2.1 情報分析的演進 9
1.2.2 軍事情報分析的發展 9
1.2.3 預警情報分析的發展 10
1.3 預警情報分析的地位與作用 11
1.3.1 軍事情報工作的重要組成 11
1.3.2 空天預警作戰的重要環節 11
1.3.3 情報質量提升的重要途徑 12
1.3.4 作戰指揮精準高效的重要基礎 12
1.4 預警情報智能分析算法基礎 12
1.4.1 智能優化算法 13
1.4.2 神經網絡算法 17
1.4.3 分類算法 25
1.4.4 關聯算法 29
1.4.5 聚類算法 33
1.5 本章小結 37
第2章 預警情報智能分析數據基礎 38
2.1 數據收集 38
2.1.1 數據主要來源 38
2.1.2 數據收集種類 40
2.1.3 數據收集方式 43
2.2 數據預處理 44
2.2.1 數據集成 44
2.2.2 數據清洗 46
2.2.3 數據變換 49
2.2.4 數據規約 51
2.2.5 數據整編 55
2.3 數據存儲 57
2.3.1 存儲管理架構 57
2.3.2 結構化數據存儲 58
2.3.3 非結構化數據存儲 59
2.4 本章小結 62
第3章 預警目標有效運動特征智能提取算法 63
3.1 預警目標有效運動特征提取概述 63
3.1.1 預警目標有效運動特征概念 63
3.1.2 預警目標有效運動特征提取流程 64
3.1.3 預警目標有效運動特征提取方法 64
3.2 基於大數據的預警目標運動特征提取 66
3.2.1 數據積累 66
3.2.2 分域提取 68
3.2.3 全域提取 70
3.3 基於GA-KNN的預警目標有效運動特征智能提取 70
3.3.1 初始化運動特征種群 71
3.3.2 計算距離及分類 73
3.3.3 計算特征有效率 74
3.3.4 更新運動特征種群 74
3.4 預警目標有效運動特征智能提取算法試驗驗證 75
3.4.1 驗證環境準備 76
3.4.2 驗證數據準備 76
3.4.3 GA-KNN算法驗證 77
3.5 本章小結 79
第4章 預警目標雷達散射截面積特征智能提取算法 80
4.1 預警目標RCS特征智能提取概述 80
4.1.1 預警目標RCS特征概念 81
4.1.2 預警目標RCS特征提取流程 81
4.1.3 預警目標RCS特征提取方法 82
4.2 基於雷達方程的預警目標RCS特征提取 83
4.2.1 選取有效航跡點 83
4.2.2 計算預警目標RCS值 84
4.3 基於DMPSO-LSTM的預警目標RCS特征智能提取 85
4.3.1 基於LSTM的預警目標RCS特征提取模型 85
4.3.2 基於DMPSO的參數優化算法 89
4.3.3 基於DMPSO-LSTM的預警目標RCS特征提取 91
4.4 預警目標RCS特征智能提取算法試驗驗證 94
4.4.1 LSTM算法驗證 94
4.4.2 PSO-LSTM算法驗證 94
4.4.3 DMPSO-LSTM算法驗證 97
4.4.4 三種算法對比 100
4.5 本章小結 101
第5章 預警目標回波顯影特征智能提取算法 102
5.1 預警目標回波顯影特征概述 102
5.1.1 預警目標回波顯影概念 102
5.1.2 預警目標回波顯影特征提取流程 106
5.1.3 預警目標回波顯影特征提取方法 108
5.2 基於CNN的預警目標回波顯影特征提取 109
5.2.1 卷積層構造 109
5.2.2 池化層構造 110
5.2.3 全連接層構造 110
5.2.4 輸出層構造 111
5.3 基於改進CNN的預警目標回波顯影特征提取 111
5.3.1 選取激活函數 111
5.3.2 更新模型參數 112
5.3.3 防止模型過擬合 113
5.4 預警目標回波顯影特征智能提取算法試驗驗證 114
5.4.1 模型設置 114
5.4.2 試驗數據 115
5.4.3 仿真結果與分析 115
5.5 本章小結 118
第6章 預警目標航線規律智能分析算法 119
6.1 預警目標航線規律概述 119
6.1.1 預警目標航線規律概念 119
6.1.2 預警目標航線規律分析流程 120
6.1.3 預警目標航線規律分析方法 121
6.2 預警目標航跡特征提取 122
6.2.1 預警目標航跡特征提取方法 122
6.2.2 基於擬合算法的航跡特征提取 123
6.2.3 基於改進的自適應擬合算法的航跡特征提取 124
6.3 基於聚類的預警目標航線規律分析 125
6.3.1 基於K-Means 算法的航跡聚類 125
6.3.2 基於DBSCAN算法的航跡聚類 126
6.3.3 兩種聚類算法的比較 130
6.4 預警目標航線規律分析算法試驗驗證 131
6.4.1 航跡特征提取效果 131
6.4.2 基於K-Means 算法的航跡聚類效果 134
6.4.3 基於DBSCAN算法的航跡聚類效果 137
6.5 本章小結 139
第7章 預警目標空域規律智能分析算法 140
7.1 預警目標空域規律概述 140
7.1.1 空域規律概念 140
7.1.2 空域規律分析流程 141
7.1.3 空域規律分析方法 142
7.2 預警目標空域編碼及數據處理 143
7.2.1 空域編碼研究現狀 143
7.2.2 空域編碼方法 144
7.2.3 空域編碼數據處理 148
7.3 基於分類的預警目標空域規律分析 150
7.3.1 基於SVC的預警目標空域規律分析 150
7.3.2 基於改進的BP網絡的預警目標空域規律分析 152
7.3.3 兩種方法比較 153
7.4 兩類分類分析算法試驗驗證 154
7.4.1 試驗環境及數據生成 154
7.4.2 基於SVC的空域分類效果 156
7.4.3 基於BP網絡的空域分類效果 156
7.4.4 編碼方式對分類效果的影響 157
7.5 本章小結 158
第8章 預警目標關聯關繫智能分析算法 159
8.1 關聯關繫規律分析概述 159
8.1.1 關聯關繫挖掘分析內容 159
8.1.2 關聯關繫挖掘分析方法 160
8.1.3 關聯關繫挖掘分析基礎概念 161
8.2 事務數據集構建 163
8.2.1 事務數據集構建流程 164
8.2.2 連續屬性離散化 165
8.3 基於關聯規則的預警目標關聯關繫分析 167
8.3.1 基於Apriori的頻繁項集挖掘分析 167
8.3.2 基於FP-Growth的頻繁項集挖掘分析 168
8.3.3 基於GSP的頻繁項集挖掘分析 168
8.3.4 基於PrefixSpan的頻繁項集挖掘分析 169
8.3.5 幾種方法比較 170
8.4 預警目標關聯關繫分析算法效果試驗 171
8.4.1 試驗環境數據來源 171
8.4.2 共現模式關聯關繫分析效果 171
8.4.3 序列模式關聯關繫分析效果 172
8.4.4 算法的適用範圍分析 173
8.5 本章小結 173
第9章 預警情報智能分析平臺構想 174
9.1 平臺的總體規劃 174
9.1.1 基於Hadoop的分布式數據存儲 175
9.1.2 基於Spark的分布式並行計算 176
9.1.3 基於Ambari的平臺監控管理 177
9.1.4 基於ZooKeeper的平臺高可用 179
9.2 構建物理上平等、管理上分層的組織架構 180
9.2.1 全國級分析中心 180
9.2.2 區域級分析中心 181
9.2.3 部隊級分析中心 181
9.3 搭建安全穩定、高可擴展的雲架構 182
9.3.1 物理支撐層 182
9.3.2 雲操作繫統層 183
9.3.3 基礎應用層 184
9.3.4 應用層 184
9.4 梳理高效、完善的數據處理分析流程 184
9.4.1 數據收集整編 185
9.4.2 數據存儲管理 186
9.4.3 數據挖掘分析 186
9.4.4 目標研判識別 187
9.5 本章小結 187
參考文獻 188

近年來，隨著空天技術的快速發展、國際形勢的復雜多變，來自空天領域的安全威脅日趨嚴峻。民用無人機、滑翔傘、空飄氣球等新型目標“黑飛”現像頻發；要地周圍電磁頻譜日益擁擠，電磁干擾特性復雜；邊境、海岸線及氣像條件復雜多變，導致異常空情數量快速增長。面對越來越復雜的空天預警態勢，急需新的方法和手段解決預警情報人員對空天目標識別難、判性難的問題。
與此同時，隨著預警探測手段的不斷豐富、能力的不斷提高，預警情報繫統產、異構、海量的預警情報數據，這些數據具有典型的大數據特征，數據中蘊含著大量有價值的用於目標研判識別的證據信息。預警情報分析指基於海量的預警情報數據，利用大數據、人工智能等前沿信息技術，對預警情報大數據中蘊含的特征、規律和關聯關繫等用於目標研判的證據進行挖掘分析，利用挖掘出來的證據，結合實時瞬態預警情報信息，實現對空天目標的研判識別。本書針對制約預警情報分析發展的核心算法問題，以預警情報分析需求為牽引，著眼於預警目標的研判識別需要，開展預警情報智能分析算法研究；給出基於綜合航跡、原始航跡和回波顯影等數據，利用智能優化、分類、聚類、神經網絡等技術，對預警目標的有效運動特征、雷達散射截面積（Radar Cross Section，RCS）特征、回波顯影特征，以及預警目標航線規律、空域規律、關聯關繫等提出挖掘分析算法。構建的智能算法能夠提取情報數據中所蘊含的目標特征性、規律性、關聯性知識，進而為預警目標的研判、識別提供證據支撐。
本書內容以李宏權及其學生的研究成果為核心，吸收了部分科研課題的研究成果，是課題組全體人員智慧的提煉和升華。這裡要特別感謝空軍預警學院熊家軍教授、肖兵教授，他們對本書提出了許多寶貴的意見；還要感謝空軍預警學院預警情報繫蔡益朝主任，感謝他對本書撰寫工作的支持。預警情報智能分析算法研究是一個開集問題，本書給出的6種典型算法隻是預警情報智能分析算法研究的開始，希望本書能夠對從事該領域研究的相關人員給予一定的啟發和幫助，激發大家深入開展預警情報智能分析算法研究的熱情。
本書得到某科研重點課題（課題編號：KJ20182A020120），以及空軍預警學院“雷達情報分析與應用”精品課程建設的支持。
盡管我們做出了最大的努力，但由於本書內容涉及多個學科，知識面寬，有些算法還處於不斷發展之中，難免存在疏漏之處，懇請專家和廣大讀者批評指正。

作 者
2023年1月