第1章 緒論 1
1.1 預(yù)警情報(bào)分析的相關(guān)概念 1
1.1.1 預(yù)警情報(bào) 1
1.1.2 傳統(tǒng)情報(bào)分析 3
1.1.3 預(yù)警情報(bào)分析 5
1.1.4 預(yù)警情報(bào)分析內(nèi)涵與外延 8
1.2 預(yù)警情報(bào)分析的發(fā)展現(xiàn)狀 8
1.2.1 情報(bào)分析的演進(jìn) 9
1.2.2 軍事情報(bào)分析的發(fā)展 9
1.2.3 預(yù)警情報(bào)分析的發(fā)展 10
1.3 預(yù)警情報(bào)分析的地位與作用 11
1.3.1 軍事情報(bào)工作的重要組成 11
1.3.2 空天預(yù)警作戰(zhàn)的重要環(huán)節(jié) 11
1.3.3 情報(bào)質(zhì)量提升的重要途徑 12
1.3.4 作戰(zhàn)指揮精準(zhǔn)高效的重要基礎(chǔ) 12
1.4 預(yù)警情報(bào)智能分析算法基礎(chǔ) 12
1.4.1 智能優(yōu)化算法 13
1.4.2 神經(jīng)網(wǎng)絡(luò)算法 17
1.4.3 分類算法 25
1.4.4 關(guān)聯(lián)算法 29
1.4.5 聚類算法 33
1.5 本章小結(jié) 37
第2章 預(yù)警情報(bào)智能分析數(shù)據(jù)基礎(chǔ) 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(yù)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(chǔ) 57
2.3.1 存儲(chǔ)管理架構(gòu) 57
2.3.2 結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ) 58
2.3.3 非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ) 59
2.4 本章小結(jié) 62
第3章 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征智能提取算法 63
3.1 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征提取概述 63
3.1.1 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征概念 63
3.1.2 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征提取流程 64
3.1.3 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征提取方法 64
3.2 基于大數(shù)據(jù)的預(yù)警目標(biāo)運(yùn)動(dòng)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(yù)警目標(biāo)有效運(yùn)動(dòng)特征智能提取 70
3.3.1 初始化運(yùn)動(dòng)特征種群 71
3.3.2 計(jì)算距離及分類 73
3.3.3 計(jì)算特征有效率 74
3.3.4 更新運(yùn)動(dòng)特征種群 74
3.4 預(yù)警目標(biāo)有效運(yùn)動(dòng)特征智能提取算法試驗(yàn)驗(yàn)證 75
3.4.1 驗(yàn)證環(huán)境準(zhǔn)備 76
3.4.2 驗(yàn)證數(shù)據(jù)準(zhǔn)備 76
3.4.3 GA-KNN算法驗(yàn)證 77
3.5 本章小結(jié) 79
第4章 預(yù)警目標(biāo)雷達(dá)散射截面積特征智能提取算法 80
4.1 預(yù)警目標(biāo)RCS特征智能提取概述 80
4.1.1 預(yù)警目標(biāo)RCS特征概念 81
4.1.2 預(yù)警目標(biāo)RCS特征提取流程 81
4.1.3 預(yù)警目標(biāo)RCS特征提取方法 82
4.2 基于雷達(dá)方程的預(yù)警目標(biāo)RCS特征提取 83
4.2.1 選取有效航跡點(diǎn) 83
4.2.2 計(jì)算預(yù)警目標(biāo)RCS值 84
4.3 基于DMPSO-LSTM的預(yù)警目標(biāo)RCS特征智能提取 85
4.3.1 基于LSTM的預(yù)警目標(biāo)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(yù)警目標(biāo)RCS特征提取 91
4.4 預(yù)警目標(biāo)RCS特征智能提取算法試驗(yàn)驗(yàn)證 94
4.4.1 LSTM算法驗(yàn)證 94
4.4.2 PSO-LSTM算法驗(yàn)證 94
4.4.3 DMPSO-LSTM算法驗(yàn)證 97
4.4.4 三種算法對(duì)比 100
4.5 本章小結(jié) 101
第5章 預(yù)警目標(biāo)回波顯影特征智能提取算法 102
5.1 預(yù)警目標(biāo)回波顯影特征概述 102
5.1.1 預(yù)警目標(biāo)回波顯影概念 102
5.1.2 預(yù)警目標(biāo)回波顯影特征提取流程 106
5.1.3 預(yù)警目標(biāo)回波顯影特征提取方法 108
5.2 基于CNN的預(yù)警目標(biāo)回波顯影特征提取 109
5.2.1 卷積層構(gòu)造 109
5.2.2 池化層構(gòu)造 110
5.2.3 全連接層構(gòu)造 110
5.2.4 輸出層構(gòu)造 111
5.3 基于改進(jìn)CNN的預(yù)警目標(biāo)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(yù)警目標(biāo)回波顯影特征智能提取算法試驗(yàn)驗(yàn)證 114
5.4.1 模型設(shè)置 114
5.4.2 試驗(yàn)數(shù)據(jù) 115
5.4.3 仿真結(jié)果與分析 115
5.5 本章小結(jié) 118
第6章 預(yù)警目標(biāo)航線規(guī)律智能分析算法 119
6.1 預(yù)警目標(biāo)航線規(guī)律概述 119
6.1.1 預(yù)警目標(biāo)航線規(guī)律概念 119
6.1.2 預(yù)警目標(biāo)航線規(guī)律分析流程 120
6.1.3 預(yù)警目標(biāo)航線規(guī)律分析方法 121
6.2 預(yù)警目標(biāo)航跡特征提取 122
6.2.1 預(yù)警目標(biāo)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(jìn)的自適應(yīng)擬合算法的航跡特征提取 124
6.3 基于聚類的預(yù)警目標(biāo)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(yù)警目標(biāo)航線規(guī)律分析算法試驗(yàn)驗(yàn)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(jié) 139
第7章 預(yù)警目標(biāo)空域規(guī)律智能分析算法 140
7.1 預(yù)警目標(biāo)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(yù)警目標(biāo)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(yù)警目標(biāo)空域規(guī)律分析 150
7.3.1 基于SVC的預(yù)警目標(biāo)空域規(guī)律分析 150
7.3.2 基于改進(jìn)的BP網(wǎng)絡(luò)的預(yù)警目標(biāo)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(yàn)驗(yàn)證 154
7.4.1 試驗(yàn)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(luò)的空域分類效果 156
7.4.4 編碼方式對(duì)分類效果的影響 157
7.5 本章小結(jié) 158
第8章 預(yù)警目標(biāo)關(guān)聯(lián)關(guān)系智能分析算法 159
8.1 關(guān)聯(lián)關(guān)系規(guī)律分析概述 159
8.1.1 關(guān)聯(lián)關(guān)系挖掘分析內(nèi)容 159
8.1.2 關(guān)聯(lián)關(guān)系挖掘分析方法 160
8.1.3 關(guān)聯(lián)關(guān)系挖掘分析基礎(chǔ)概念 161
8.2 事務(wù)數(shù)據(jù)集構(gòu)建 163
8.2.1 事務(wù)數(shù)據(jù)集構(gòu)建流程 164
8.2.2 連續(xù)屬性離散化 165
8.3 基于關(guān)聯(lián)規(guī)則的預(yù)警目標(biāo)關(guān)聯(lián)關(guān)系分析 167
8.3.1 基于Apriori的頻繁項(xiàng)集挖掘分析 167
8.3.2 基于FP-Growth的頻繁項(xiàng)集挖掘分析 168
8.3.3 基于GSP的頻繁項(xiàng)集挖掘分析 168
8.3.4 基于PrefixSpan的頻繁項(xiàng)集挖掘分析 169
8.3.5 幾種方法比較 170
8.4 預(yù)警目標(biāo)關(guān)聯(lián)關(guān)系分析算法效果試驗(yàn) 171
8.4.1 試驗(yàn)環(huán)境數(shù)據(jù)來源 171
8.4.2 共現(xiàn)模式關(guān)聯(lián)關(guān)系分析效果 171
8.4.3 序列模式關(guān)聯(lián)關(guān)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(jié) 173
第9章 預(yù)警情報(bào)智能分析平臺(tái)構(gòu)想 174
9.1 平臺(tái)的總體規(guī)劃 174
9.1.1 基于Hadoop的分布式數(shù)據(jù)存儲(chǔ) 175
9.1.2 基于Spark的分布式并行計(jì)算 176
9.1.3 基于Ambari的平臺(tái)監(jiān)控管理 177
9.1.4 基于ZooKeeper的平臺(tái)高可用 179
9.2 構(gòu)建物理上平等、管理上分層的組織架構(gòu) 180
9.2.1 全國(guó)級(jí)分析中心 180
9.2.2 區(qū)域級(jí)分析中心 181
9.2.3 部隊(duì)級(jí)分析中心 181
9.3 搭建安全穩(wěn)定、高可擴(kuò)展的云架構(gòu) 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(chǔ)應(yīng)用層 184
9.3.4 應(yīng)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(chǔ)管理 186
9.4.3 數(shù)據(jù)挖掘分析 186
9.4.4 目標(biāo)研判識(shí)別 187
9.5 本章小結(jié) 187
參考文獻(xiàn) 188