基于规则引擎的海上编队目标识别推理

 

电话 | 010-82030532    手机 | 18501361766

微信 | tech9999    邮箱 | [e-mail]

来源：防务快讯

作者：张桂林,吴蔚,徐建,张峰,阮国庆,王鑫鹏

摘要

为了使海上编队目标识别能够适应灵活变化的规则，分析了海上编队目标识别分类和海上编队目标感知与特征提取，基于规则引擎建立了涵盖了应用层、规则引擎层、规则流层和规则库层的海上编队目标识别推理框架。结合该框架给出了总的目标识别规则流和融合识别规则流算法，并通过仿真给出了基于规则引擎的海上编队目标识别推理过程、局部识别结果和最终识别结论。仿真结果表明，该框架具有可行性和实用性。

 引言

  

   

海上编队一般指由多艘海上军用舰船组成的联合体，具有水面、空中、水下及电磁等多维作战能力，可利用多种舰船载兵器协同攻防多种类型目标。为了及时打击目标并避免误伤，海上编队通常设置多层攻防体系，通过对攻防线内的水面舰艇、空中飞机、空中导弹、水下潜艇和鱼雷等敌我目标进行精准识别，为防空、反潜、攻击和反水面舰艇作战提供有效的情报保障。目前，目标识别技术正向智能化方向不断发展，目标识别过程、模型和算法也随着应用场景的不同、军事需求的演化、认识水平的提高和理解程度的深入而不断更新，导致目标识别系统出现灵活性不足且适应性弱等问题，故需要一种能够将识别规则从应用程序代码中分离出来的技术，而规则引擎技术正是这样一种实用技术。规则引擎技术由推理引擎发展而来，是一种嵌入在应用程序中的组件，可使用预定义的语义模块编写业务决策，具有业务逻辑与业务规则分离、动态修改业务规则与快速响应需求变更、业务分析人员参与编辑业务规则以及借助规则引擎工具实现复杂业务规则等优点。规则引擎的开源/商业产品较多，如Drools、EasyRules、Aviator、MVEL、Ilog Jrules、Visual Rules和URule等，其中有些产品可提供决策表、决策树和规则流等可视化操作能力，具有Web编辑器，并内含改进的RETE（网络）算法。因此，本文首先利用规则引擎技术及其工具，提出了基于规则引擎的海上编队目标识别推理框架，然后给出了总的目标识别规则流和融合识别规则流，最后给出了基于规则引擎的海上编队目标识别推理仿真应用。

1 海上编队的目标识别分类与特征提取

  

   

1.1 目标识别分类

海上编队的目标识别包括敌我属性、军民属性、目标种类和目标意图等，本文重点讨论目标种类的识别，具体为：

1） 对于空中目标，主要识别各类飞机与导弹。其中，飞机类目标包括战斗机、预警机、反潜巡逻机、电子战飞机、轰炸机、直升机、飞艇和无人机等；导弹类目标包括反舰、舰空和空空等导弹。

2） 对于海上目标，主要识别各类军船与民船。其中，军船类目标包括航空母舰、战列舰、巡洋舰、驱逐舰、护卫舰、扫雷舰、鱼雷艇、导弹艇、猎潜艇、两栖舰艇、护卫艇、快艇、侦察船、医疗船和军辅船等；民船类目标包括渔船、散货船、滚装船、油船、拖船和客船等。

3） 对于水下目标，主要识别潜艇、鱼雷、水雷、水下无人平台和水下声诱饵等。

需说明的是，目标种类的识别需尽可能精准，可细分到目标的具体型号，乃至个体识别的舰船舷号识别。

1.2目标特征提取

海上编队通过主被动声呐、电子支援措施（ESM）及合成孔径雷达（SAR）等设备对目标进行多专业领域与多维度的特征提取，获取相应的水声、电子侦察和图像等情报。

1） 水声情报：利用海上编队水面舰艇、潜艇和反潜飞机等作战平台，通过运载舰首声呐、舰尾拖曳线列阵声呐、舷侧阵声呐、声呐浮标和吊放声呐等设备，对海上编队进行体系化、网络化和大范围的主被动声呐探测。对于被动声呐，利用检测目标的辐射噪声来分析目标噪声的频谱特征，从而识别目标的类型和性质；利用识别分析设备对接收的所有噪声谱信号进行处理与分析，从而得出噪声频谱特性，并通过与相应识别库比对来鉴别噪声目标。对于主动声呐，利用声波照射目标，从反射的目标回波中提取目标特征来识别目标，具体包括梅林变换法、按目标脉冲响应函数来分类的窄带滤波器组法、自回归（AR）模型反射系数法以及基于Karhunen-Loeve（K-L）展开技术的最小特征向量法等方法。

2） 电子侦察情报：利用海上编队机舰载电子对抗侦察设备，可截获敌方电子目标雷达和通信等辐射源信号，提取载频、脉间和脉宽等电磁特征信息。此外，通过精密的电子对抗侦察设备还可截获并提取脉冲包络的变化、频率的稳定程度以及相位的变化等细微特征信息，如脉冲信号的上升时间、下降时间、包络尖峰及拐点等，线性调频信号的幅度、起始频率和调频斜率等，以及相位编码信号的初相、载频和码元宽度等，而这些细微特征均有助于个体识别。

3） 图像情报：利用海上编队侦察直升机、无人侦察机以及航天侦察卫星装载的可见光、红外和SAR等设备，可截获敌方海空目标的图像信息，获取目标的形状特征、纹理特征、颜色特征和空间关系特征等信息，从而进行目标类型、型号及个体的识别。

2 海上编队目标识别推理框架

  

   

根据规则引擎技术及其工具，结合海上编队目标识别需求，本文提出了4层基于规则引擎的目标识别推理框架，如图1所示。

图1  基于规则引擎的海上编队目标识别推理框架

1） 应用层：包括识别信息接入、目标识别推理和识别信息显示。其中，识别信息接入包括目标航迹时空信息和频域信息等的接收与管理；目标识别推理负责触发规则引擎，并与规则引擎交互信息，形成目标识别推理结论；识别信息显示以表格、图形和二三维地图等形式综合展现识别推理结果。

2） 规则引擎层：指规则引擎工具提供的能力，包括规则执行引擎、规则设计器、规则测试器和规则管控器。其中，规则执行引擎负责与应用交互信息，并提供相关结果信息；规则设计器提供可视化设计决策表、决策树和规则流；规则测试器对设计的决策表、决策树和规则流进行测试；规则管控器对决策表、决策树和规则流进行版本控制。

3） 规则流层：指采用规则设计器设计的若干规则流，是框架的核心层，主要包括海上编队目标识别规则流、基于被动声呐特征参数样式的目标识别规则流、基于主动声呐特征参数样式的目标识别规则流、基于雷达辐射源工作参数样式的目标识别规则流、基于雷达辐射源个体参数样式的目标识别规则流、基于舰机图像特征参数样式的目标识别规则流、基于舰机运动特征参数样式的目标识别规则流、基于海上编队样式的目标识别规则流和海上编队目标融合识别规则流等。

4） 规则库层：包括被动声呐特征参数样式、主动声呐特征参数样式、雷达辐射源工作参数样式、雷达辐射源个体参数样式、舰机图像特征参数样式、舰机运动特征参数样式和海上编队样式等，支撑规则流层的业务规则，并存放于Oracle、SQLServer或DB2等数据库。

3 目标识别规则流

  

   

海上编队目标识别规则流包括总的海上编队目标识别规则流，以及引用的与各类规则对应的目标识别规则流。总的目标识别规则流为：先利用各特征参数，通过相应的目标识别规则流分别进行目标识别，再利用海上编队目标融合识别规则流进行目标融合识别。基于规则引擎的海上编队目标识别规则流如图2所示。

图2 基于规则引擎的海上编队目标识别规则流

本文主要介绍海上编队目标融合识别规则流。由于输入为多种识别规则流各自给出的识别结果，而每个识别结果一般包括多种可能型号及相应的信度，因此需进行融合识别推理。综合识别推理算法有多分类器推理、Dempster-Shafer(D-S)证据推理和贝叶斯网络推理等，本文先采用分类器推理技术，利用各规则推理结果对可能型号进行归一化处理，再采用加权和规则方法进行综合识别推理信度计算，公式如下：

4 仿真应用

  

   

为了验证基于规则引擎的海上编队目标识别推理方法的有效性，本文想定了一种具体的海上编队目标识别仿真应用场景，如图3所示。图中，左边为红方海上编队，由航母、驱逐舰、护卫舰、潜艇、预警机和高空无人侦察机等组成，采用机舰载雷达、水声侦察、电子侦察和图像侦察等手段对远、中和近距离区域进行搜索、跟踪与监视；右边为蓝方海上编队，由航母和舰艇等组成，舰型有Jx-1、Jx-2和Jx-3等。

图3  海上编队目标识别仿真应用场景

假设红方通过历史侦察数据挖掘等手段掌握了舰型Jx-1、Jx-2、Jx-3的声呐维、电磁维、实体维和群体维的若干特征参数样式。红方海上编队采用多种手段侦察发现目标，并截获声呐维、电磁维、实体维、群体维的若干特征参数，通过各规则流的相应特征样式，判断可能的舰型和信度。海上编队各专业领域规则流目标识别结果如表1所示。

表1  海上编队各专业领域规则流目标识别结果

假设通过训练或经验预设，得到加权系数分别为0.13、0.10、0.18、0.24、0.16、0.08和0.11，再利用融合识别规则流识别推理出Jx-1、Jx-2和Jx-3的信度分别为0.21、0.66和0.13。图4给出了海上编队目标识别推理仿真过程及其结果，根据融合识别规则流的识别结果可判断出当前识别目标最可能的舰型为Jx-2。可见，利用基于规则引擎的海上编队目标识别推理框架及其目标识别规则流，能够推理出待识别目标的可能型号及其信度，并进一步得出最可能的型号。此外，采用规则流技术将识别规则从应用程序代码中分离出来，从而提高了规则引擎的海上编队目标识别推理框架的灵活性与适应性。

图4  海上编队目标识别推理仿真过程及其结果

5 结束语

  

   

本文对海上编队的目标识别进行了分类，在对海上编队的目标特征提取进行分析的基础上，利用规则引擎技术及其工具提出了基于规则引擎的海上编队目标识别推理框架，使得目标识别规则能够根据具体应用进行更新和变化，从而提高了目标识别系统的灵活性和适应性。后续可进一步完善已有的基于特征参数的识别规则流，拓展基于深度学习或新特征参数的识别规则流，探讨结合了多种场景和作战模式的识别规则流的应用，以及其他异类多源情报综合系统的应用。