1.3 通信对抗侦察信息处理系统架构

1.3.1 基于JDL数据融合功能模型的架构

数据融合是一个数据综合过程，用于估计或预测现实世界的某一方面的状态。其目的通常是估计或预测实体的物理状态：如身份、属性、行为、位置，以及过去、现在或未来的运动。对于通信对抗侦察来说，通信侦察设备能够截获关于目标通信信号的外部特征参数、时空变化参数、通信流量参数等不同特征，对这些参数特征综合处理，就可以推理得到通信目标的深层信息；多个通信侦察装备同时侦察，并将侦察处理结果向处理中心汇集进一步处理，可以得到关于通信目标在更广阔时空及网络空间内的活动态势。

JDL模型是影响广泛得多源数据融合模型，它是一个有效的、跨越多个应用领域的模型，它确定了适用于数据融合的过程、功能、技术种类和特定技术。JDL模型是一个功能模型而不是处理模型，见图1.5。

第0级，信号级优化：基于像素、信号级数据关联和特征，对可观测信号或目标状态进行估计和预测。第0级关联是推测信号的存在性，并且估计它的状态。

对于在这一级的通信侦察处理来说，主要在通信信号特征参数层面进行各类优化处理，提取更加精确的测量参数特征信息，例如：

① 对定频信号参数的优化处理：通过统计、精细分析等方法，获得精确的载频、带宽、码速率、信号平均电平等参数信息；

② 对跳频信号参数的优化处理：获取跳频速率、占空比、跳频带宽、跳频网台个数等参数信息；

③ 对方位信息的优化处理：通过适当的手段，处理得到精确的方位信息、方位变化率信息、交会定位信息等；

④ 对通信交替的持续测量分析：通信的通联关系、持续时间、通信流量等；

⑤ 对截获信号的解调和关键字段提取：提取元数据、关键字段等。

第1级，目标级优化：基于对观测数据所做的推理，进行实体状态的估计和预测。第1级关联是选择航迹所包含的观测报告，将系统可用的观测集映射到航迹。这一级处理的目的是综合传感器数据以获得有关实体位置、速度、属性、身份的最可信、最精确的估计。典型的数据融合系统将目标优化问题划分为三个基本问题：①数据分配、关联；②状态向量估计；③目标身份估计。

具体到通信对抗侦察处理，在第1级主要解决通信目标属性判别的问题，通过假设推理的手段，根据侦收到的目标参数特征，判别通信目标的身份属性；通过数据关联、航迹跟踪等手段，获取目标的空间属性。包括：

① 通信目标身份属性判别：

● 辐射源目标身份识别；

● 平台目标识别；

● 组织目标识别。

② 通信目标空间属性判别：

● 方位跟踪；

● 位置跟踪；

● 航迹跟踪。

第2级，态势评估：基于对实体间关系所做的推理，进行实体状态的估计和预测。第2级关联是将航迹关联为聚合体。聚合体的状态描述为聚合要素之间的关系网络。随着估计关系的种类和相关实体数目的扩大，用态势这个术语来表示估计的聚合目标。处理旨在理解实体之间和实体与环境之间的关系。包括：模式识别、基于上下文的推理，以及时间、空间、因果和功能关系的理解等内容。

具体到通信对抗侦察处理，在第2级主要是处理通信目标关系分析方面的相关内容，通过对通信目标时间的活动分析，提炼出目标之间的关系，并跟踪关系的变化情况。比如通信分析主、被叫关系，可以获得目标的一次通联关系；通过分析一次通信收发的交替变化，也可以形成一次通联过程；通过对多个通联的综合分析，可以获得目标的网络关系；通信目标间的交替通信，不同的频度和传输的数据流量，体现出无线网络的活动态势。

第3级，威胁估计：对参与者预先计划、估计或预测的行为对态势造成的影响进行估计和预测。从观察的结果得出当前态势，目的是基于当前态势，对未来一段时间内有关敌方威胁、我方薄弱点和作战行动发生的可能性等做出推断。第3级处理的重点是自动推理系统和人工智能技术的应用。对于通信对抗侦察处理来说，在第3级一般需要分析人员的介入，根据前两级获取的目标属性信息和关系信息，再截获从截获信源中提取的有关内容信息，综合判别目标趋势和威胁估计。

第4级，过程优化：自适应数据采集和处理以支持使命任务。对数据融合全过程进行监控以评估和改善实时系统的性能。对于通信对抗侦察来说，就是根据当前目标活动态势，将侦察资源设置在重点频段和频点、重点方向，以提高第0～3级融合处理过程的质量，改善提高侦收系统的效能。

数据融合处理最成熟的方面是第1级处理——利用多传感器数据来确定单个目标或实体的方位、速度、属性和身份。一个特殊的问题是基于所观察的特征或属性进行自动目标识别。到目前为止，目标识别主要采用基于特征的方法，在这种方法中特征向量（表征传感器数据）被投影到特征空间，根据特征向量相对于预先确定的类决策边界的位置来识别目标。第2级和第3级融合（态势评估和威胁估计）目前主要采用基于知识的方法，例如基于规则的黑板系统。主要难点在于需要建立一种包含推理规则、框架、剧本的数据库，或其他能表示有关态势评估和威胁估计知识的方法库。

在所有数据融合层次内部或之间都可能要依据实体之间的假设关系进行推理。图1.6描述了JDL模型层次间传输的典型信息流。

通信对抗的侦察信息处理重点在第0～2级，主要是从目标的属性和关系上分析推理，获得有关通信目标的活动情况。

参照JDL数据融合架构，针对通信对抗侦察数据融合，一般在本级平台进行初步的通信对抗侦察信息处理，然后以各种方式上报到上一级区域处理中心，进行多站融合处理，典型的多站通信对抗侦察信息处理融合架构见图1.7。

1.3.2 基于数据挖掘的架构

数据挖掘是指从大量的数据中通过算法搜索隐藏于其中的信息的过程。数据挖掘吸纳了诸如统计学、机器学习、模式识别、数据库和数据仓库、信息检索、可视化、算法、高性能计算和许多应用领域的大量技术。通过对前期侦察截获到的数据清洗整理后存放在数据仓库，再利用各类处理算法挖掘发现新知识。通过数据挖掘，获得隐藏在大量数据中的频繁模式、关联规则等。模式挖掘有助于发现隐藏在数据中的固有结构和簇。

数据融合重在演绎，通过不同侦察接收设备获得的通信目标信号特征信息进行推理判断，获得通信目标的属性信息和关系信息；数据挖掘则重在归纳，在收集大量侦察数据的基础上，分析挖掘隐含在数据仓库中数据之间的知识，对已经截获的数据有一个新的判断，发现数据项或目标之间的各种关系，提供信息增量。

数据融合关注目标自动识别，而数据挖掘则关注模型自动发现。数据挖掘的重点是在大型数据集合中发现复杂的关系。数据挖掘能够补充数据融合的不足。数据挖掘通过归纳、外展的方式，在数据集中发现感兴趣的模式或关系，生成通用模型，这些模型在经过验证后，可以应用于融合过程。数据融合过程应用学习得到的模型作为模板，对接收数据进行推理。

数据挖掘作为知识发现过程，通常包括数据清洗、数据集成、数据选择、模式发现、模式评估和知识表示。数据挖掘的前提是大量的数据。构建通信对抗侦察数据挖掘架构，首先需要保证数据的采集和数据仓库的构建，有了数据，才能够进行各类数据挖掘应用的各项工作。典型的多站通信对抗侦察数据挖掘架构如图1.8所示。

1.3.3 综合数据融合与数据挖掘的混合架构

数据融合和数据挖掘是对侦察数据进行处理的两种不同方式，数据融合的长处是及时性，重在推理，通过侦察结果及时给出目标状态；数据挖掘重在归纳，通过对一段时间、空间内的侦察元数据进行发掘，发现新的知识，作为数据融合的重要补充。文献[21]给出了数据挖掘和数据融合过程的综合架构，如图1.9所示。

通信对抗侦察的目的是及时发现敌方目标的活动情况，识别目标并形成活动态势，因此对通信对抗侦察的信息处理过程，以JDL数据融合模型的功能为主，对通信对抗侦察截获数据进行第0级、第1级和第2级融合处理，获得通信目标的属性和关系方面的推断；而数据挖掘模式能够从大量积累数据中挖掘发现新知识，因此在发现通信目标新模式方面有着重要作用。在通信对抗侦察信息处理流程中将数据融合与数据挖掘有效结合在一起，将侦察传感器得到的侦察数据分为两条线进行处理：一条线按照数据融合的流程，进行通信目标属性和关系的推理；另一条线将侦察数据存入数据仓库进行积累，定期使用数据挖掘的方式，在数据仓库中发现以往侦察数据中隐藏的新模式，并对这些模式评估验证，对感兴趣的模式进行可视化展现，并将这些模型转化为知识库，加载到数据融合所采用的模型知识库中，使得在后续的数据融合过程中能够利用数据挖掘发现新的模型，提高数据融合在目标属性和关系推理方面的能力，从而两者得到有效的统一和优势互补。

采用多平台通信对抗侦察数据融合与数据挖掘联合架构如图1.10所示。