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(tǒng)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(fā)展現(xiàn)狀 8
1.2.1 情報分析的演進 9
1.2.2 軍事情報分析的發(fā)展 9
1.2.3 預警情報分析的發(fā)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(zhàn)的重要環(huán)節(jié) 11
1.3.3 情報質量提升的重要途徑 12
1.3.4 作戰(zhàn)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(yōu)化算法 13
1.4.2 神經(jīng)網(wǎng)絡算法 17
1.4.3 分類算法 25
1.4.4 關聯(lián)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(shù)據(jù)基礎 38
2.1 數(shù)據(jù)收集 38
2.1.1 數(shù)據(jù)主要來源 38
2.1.2 數(shù)據(jù)收集種類 40
2.1.3 數(shù)據(jù)收集方式 43
2.2 數(shù)據(jù)預處理 44
2.2.1 數(shù)據(jù)集成 44
2.2.2 數(shù)據(jù)清洗 46
2.2.3 數(shù)據(jù)變換 49
2.2.4 數(shù)據(jù)規(guī)約 51
2.2.5 數(shù)據(jù)整編 55
2.3 數(shù)據(jù)存儲 57
2.3.1 存儲管理架構 57
2.3.2 結構化數(shù)據(jù)存儲 58
2.3.3 非結構化數(shù)據(jù)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 基于大數(shù)據(jù)的預警目標運動特征提取 66
3.2.1 數(shù)據(jù)積累 66
3.2.2 分域提取 68
3.2.3 全域提取 70
3.3 基于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(huán)境準備 76
3.4.2 驗證數(shù)據(jù)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 基于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 基于DMPSO-LSTM的預警目標RCS特征智能提取 85
4.3.1 基于LSTM的預警目標RCS特征提取模型 85
4.3.2 基于DMPSO的參數(shù)優(yōu)化算法 89
4.3.3 基于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 基于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 基于改進CNN的預警目標回波顯影特征提取 111
5.3.1 選取激活函數(shù) 111
5.3.2 更新模型參數(shù) 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(shù)據(jù) 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(guī)律智能分析算法 119
6.1 預警目標航線規(guī)律概述 119
6.1.1 預警目標航線規(guī)律概念 119
6.1.2 預警目標航線規(guī)律分析流程 120
6.1.3 預警目標航線規(guī)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 基于擬合算法的航跡特征提取 123
6.2.3 基于改進的自適應擬合算法的航跡特征提取 124
6.3 基于聚類的預警目標航線規(guī)律分析 125
6.3.1 基于K-Means++算法的航跡聚類 125
6.3.2 基于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(guī)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 基于K-Means++算法的航跡聚類效果 134
6.4.3 基于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(guī)律智能分析算法 140
7.1 預警目標空域規(guī)律概述 140
7.1.1 空域規(guī)律概念 140
7.1.2 空域規(guī)律分析流程 141
7.1.3 空域規(guī)律分析方法 142
7.2 預警目標空域編碼及數(shù)據(jù)處理 143
7.2.1 空域編碼研究現(xiàn)狀 143
7.2.2 空域編碼方法 144
7.2.3 空域編碼數(shù)據(jù)處理 148
7.3 基于分類的預警目標空域規(guī)律分析 150
7.3.1 基于SVC的預警目標空域規(guī)律分析 150
7.3.2 基于改進的BP網(wǎng)絡的預警目標空域規(guī)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(huán)境及數(shù)據(jù)生成 154
7.4.2 基于SVC的空域分類效果 156
7.4.3 基于BP網(wǎng)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(lián)關系智能分析算法 159
8.1 關聯(lián)關系規(guī)律分析概述 159
8.1.1 關聯(lián)關系挖掘分析內容 159
8.1.2 關聯(lián)關系挖掘分析方法 160
8.1.3 關聯(lián)關系挖掘分析基礎概念 161
8.2 事務數(shù)據(jù)集構建 163
8.2.1 事務數(shù)據(jù)集構建流程 164
8.2.2 連續(xù)屬性離散化 165
8.3 基于關聯(lián)規(guī)則的預警目標關聯(lián)關系分析 167
8.3.1 基于Apriori的頻繁項集挖掘分析 167
8.3.2 基于FP-Growth的頻繁項集挖掘分析 168
8.3.3 基于GSP的頻繁項集挖掘分析 168
8.3.4 基于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(lián)關系分析算法效果試驗 171
8.4.1 試驗環(huán)境數(shù)據(jù)來源 171
8.4.2 共現(xiàn)模式關聯(lián)關系分析效果 171
8.4.3 序列模式關聯(lián)關系分析效果 172
8.4.4 算法的適用范圍分析 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(guī)劃 174
9.1.1 基于Hadoop的分布式數(shù)據(jù)存儲 175
9.1.2 基于Spark的分布式并行計算 176
9.1.3 基于Ambari的平臺監(jiān)控管理 177
9.1.4 基于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(qū)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(wěn)定、高可擴展的云架構 182
9.3.1 物理支撐層 182
9.3.2 云操作系統(tǒng)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(shù)據(jù)處理分析流程 184
9.4.1 數(shù)據(jù)收集整編 185
9.4.2 數(shù)據(jù)存儲管理 186
9.4.3 數(shù)據(jù)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