一种认知信息对抗中深度置信网络情报提取装置的制作方法

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。

技术实现要素：

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。

为解决上述技术问题，本实用新型所采取的技术方案是：

一种认知信息对抗中深度置信网络情报提取装置，包括DBN网络深度学习平台、前端多源传感器、数据存储器；所述DBN网络深度学习平台采用数字芯片Xilinx FPGA V6芯片XC6VHX255T-2FFG1155C实现，用于完成高速多信息处理与融合；所述前端多源传感器为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，用于获取目标特征；所述数据存储器采用FLASH AT24C02，为DBN网络深度学习平台外部可扩展的存储芯片，用于存储前端多源传感器采集信息；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；

通过DBN网络的FPGA深度学习平台ALU单元，形成具有特性权值功能的网络模块，并且通过模块之间的通信传递，形成深度学习网络的通用IP软核；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的电口和万兆网络光口，获取目标特征的高速数据流数据，形成高速无缝数据连接；通过DBN网络深度学习平台外部可扩展的FLASH存储芯片，形成具有特征的知识库，形成快速的信息知识识别访问。

进一步地，所述图像传感器采用海康DS-2CE16C3T-IT3型号，激光雷达传感器采用VelodyneHDL-64E型号。

采用上述技术方案所产生的有益效果在于：本实用新型提供的一种认知信息对抗中深度置信网络情报提取装置，提出基于DBN网络的深度学习架构，通过顶层数据特征向量分类融合，形成高精度的海量侦察数据的分析情报信息；将高维特征的投影到低维空间，验证编码训练数据的相似性，以表达海量侦察数据的真实特征；本实用新型能提高获取海量侦察数据情报信息的可靠性，以获得最优的海量侦察数据融合情报信息。

附图说明

图1为本实用新型实施例提供的认知信息对抗中深度置信网络情报提取装置示意图；

图2为本实用新型实施例提供的基于DBN网络的深度学习架构示意图；

图3为本实用新型实施例提供的基于模糊函数的深度学习决策示意图。

具体实施方式

下面结合附图和实施例，对本实用新型的具体实施方式作进一步详细描述。以下实施例用于说明本实用新型，但不用来限制本实用新型的范围。

一种认知信息对抗中深度置信网络情报提取装置，如图1所示，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 FPGAV6芯片XC6VHX255T-2FFG1155C实现，用于完成高速多信息处理与融合。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，用于获取目标辐射和接收高频电磁波。图像传感器采用海康DS-2CE16C3T-IT3型号，激光雷达传感器采用VelodyneHDL-64E型号。数据存储器为DBN网络深度学习平台外部可扩展的存储芯片FLASHAT24C02，用于存储前端多源传感器采集信息。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。

通过DBN网络的FPGA深度学习平台ALU单元，形成具有特性权值功能的网络模块，并且通过模块之间的通信传递，形成深度学习网络的通用IP软核，形成具有可移植特性；通过XC6VHX255T-2FFG1155C芯片可扩展的Aurora的万兆网络光口，获取前端多源传感器的高速数据流数据，形成高速无缝数据连接；通过DBN网络深度学习平台外部可扩展的FLASH存储芯片，形成具有特征的知识库，形成快速的信息知识识别访问。

采用上述的认知信息对抗中深度置信网络情报提取装置实现的一种认知信息对抗中深度置信网络情报提取方法，利用DBN网络深度学习平台中存储的软件程序实现认知信息对抗中深度置信网络情报提取，具体方法如下：

前端多源传感器实时采集海量的目标特征数据；前端多源传感器连接DBN网络输入层，通过输入层将原始信息上传；首先针对数据流的处理，在靠近底层海量数据使用贝叶斯信念网络(Deep Boltzmann Machine，DBM)，即有向图模型，层中节点之间没有链接，而在最远离部分使用限制玻尔兹曼机(Restricted Boltzmann Machine，RBM)，通过结合DBM和RBM，增加隐藏层的层数，得到DBN。DBN是一个概率生成模型，生成模型是建立一个海量数据和特征之间的联合分布。DBN底层由多个RBM层组成。DBN网络被“限制”为一个数据层和一个隐层，层间存在连接，但层内的单元间不存在连接。

然后，通过数据流的最高两层，通过数据特征融合，这样更高级的输出将会提供一个理想参考，这样顶层就会融合相邻近的特征信息。

最后，在海量数据学习特征标签集将被附加到顶层，同时DBN利用邻域的相关关系，达到生成模型的特征变换不变性，而且更容易得变换到高维特征。

本实施例中采用的基于DBN网络的深度学习架构如图2所示。

基于模糊函数的深度学习决策以解决单纯分类器无法适应大范围数据特征跳变的问题。该方法采用了一种新的结合精确度和不确定性的模糊密度概念，提高了识别的可靠性。模糊积分融合多个分类器，以获得近似最优的融合结果，它结合分类器的精确度和不确定性来提高整体分类的可靠性。如图3所示，该方法通过分类器的特征分类结果，训练选择有效的模糊密度，确定合适的模糊函数。其中，f(x)为分类后不同数据特征，x为超完备基。根据所选择的模糊函数，合理选择多个分类器最大化统一，降低了组合分类器带来的自适应分类算法的不均匀。特征输出和训练选择有效的模糊密度可以并行处理，根据模糊函数参数调整，合并数据特征，输出融合情报信息。

最后应说明的是：以上实施例仅用以说明本实用新型的技术方案，而非对其限制；尽管参照前述实施例对本实用新型进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用新型权利要求所限定的范围。