[实用新型]一种认知信息对抗中深度置信网络情报提取装置

说明书

本实用新型提供一种认知信息对抗中深度置信网络情报提取装置，涉及认知电子战技术领域。该装置包括DBN网络深度学习平台、前端多源传感器、数据存储器，DBN网络深度学习平台采用数字芯片Xilinx FPGA V6芯片XC6VHX255T‑2FFG1155C实现，前端多源传感器为1×N传感器阵列，包括若干图像传感器和若干激光雷达传感器，数据存储器采用FLASHAT24C02，为DBN网络深度学习平台外部可扩展的存储芯片，通过XC6VHX255T‑2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口连接前端多源传感器。本实用新型通过前端多源传感器实时采集海量的目标特征数据输入DBN网络深度学习平台，基于DBN网络的深度学习架构，获得海量侦察数据的特征真实表达，形成高精度的海量侦察数据的分析情报信息。

技术领域

本实用新型涉及认知电子战技术领域，尤其涉及一种认知信息对抗中深度置信网络情报提取装置。

背景技术

空天地一体化信息对抗的战争双方都企图通过截获、干扰、欺骗、控制信息来把握战场主动权。在很多信息对抗场景中，侦察方无法获知侦察数据的先验信息，同时还需要在通信侦察中识别的多址方式、估计信号参数、识别调制方式，捕获跳频图案，在雷达侦察中识别雷达5参数、指纹特征、工作模式等，甚至需要获取目标的军事目的、信息欺骗、行为特征、协作方式、战术意图等情报信息。因此，在无先验知识下，能够对海量侦察数据的精确分析、识别、形成精确情报对现代空天地一体化信息对抗，军事对抗具有重要意义，也是信息情报获取、战场认知和战场指挥控制的瓶颈和核心。

面对纷繁复杂的海量侦察数据，传统的数据分析方法已经无法面对。因此，急需相应的高效方法进行海量侦察数据分析，提高海量数据分析能力和分析精度，并且保证在恶劣的信道条件下分析出的稳定和可靠情报特征，同时在海量芜杂的侦察数据，挖掘出有价值的情报信息。

针对海量侦察数据分析，深度学习方法首先从纷繁复杂海量侦察数据，提取数据初级特征，然后到中级区域，进行目标识别，跳频图案分析、参数估计、雷达参数提取、图像特征提取，进而到高级区域，进行调制方式识别、参数估计调整、多址方式识别、雷达工作模式、图像特征识别，最后到更为高级区域的军事情报，目标行为、支援特性、干扰意图、信息欺骗等识别，以挖掘出更深层次作战情报信息。

目前数据分析方法分为两大类：基于特征提取的统计模式识别方法和基于决策理论的最大似然假设检验方法。前者首先要从数据中提取出特征向量，然后通过模式识别系统来确定识别分类；后者是一种多假设的求似然问题，其特点是通过观察待识别数据形式，设定为某一种候选方式，然后通过相似性判断来确定其确定的具体方式。

基于决策理论的最大似然假设检验方法，需要更多的先验知识，例如分布函数的形式和均值、方差以及信噪比参数等，针对海量侦察数据而言，几乎没有先验知识可以利用。其次，未知参数的存在，导致似然比分类的统计量参数表达式很复杂，计算量偏大，难于进行实时处理。如果简化似然比函数，导致分类信息的丢失，分类性能的下降。因而在似然比函数的简化方法与分类性能损失之间存在一个折中的问题。同时，似然比方法对模型失配和参数偏差比较敏感。

基于特征提取的统计模式识别方法，就抵抗噪声这部分而言，虽然采用了如高阶累积量等抗噪性能较好的特征值，但是特征值对抑制噪声的作用还是很有局限性。在识别器的设计上，大多算法采用了单独分类器、单独识别器，这并不能满足数据特征值变化较大的识别问题。提取的数据特征通过识别，也未融合判决成相应情报信息。

当前的特征提取、分类、回归等方法可以作为浅层结构算法，其局限性在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。

实用新型内容

本实用新型要解决的技术问题是针对上述现有技术的不足，提供一种认知信息对抗中深度置信网络情报提取装置，基于DBN(Deep Belief Network，深度置信网络)网络的深度学习架构，能获得海量侦察数据的特征真实表达，形成高精度的、高可靠性的海量侦察数据的融合情报信息。