基于本體論的輻射源識別處理框架

孫 侃，楊潤秋

(1.中國人民解放軍92942部隊，北京 100073； 2.中國人民解放軍91977部隊，北京 102249)

0 引言

輻射源除了作為被探測和打擊的對象以外，還是敵方情報系統的主要信息提供者，因此，信息化戰場中，輻射源有其獨特而重要的地位。自20世紀60年代起，輻射源識別技術的研究便一直是業內關注的重點。經過幾十年的發展，輻射源識別技術取得了很大的進步。但是由于輻射源本身的不斷發展以及所處的對抗應用環境，輻射源的識別依然面臨諸多挑戰。

縱觀輻射源識別技術的發展歷程，它基本上是以尋找穩健、有效的輻射源特征為主線發展的。20世紀80年代末以前，輻射源的識別主要是基于常規特征參數(包括載頻、脈寬、重頻和到達角等)匹配進行的[1-2]。當時，輻射源的種類和數量較少，且功能單一，該類識別方法是比較有效的[3]。隨著輻射源種類、數量的增多，以及設計的日益先進和復雜，常規特征參數自身的局限性逐漸顯現。從20世紀80年代末開始，研究人員開始關注基于脈內調制特征的輻射源識別。脈內調制特征體現的是為實現預期功能而對輻射信號進行的有意調制[3-5]，具有較強的類型區分能力。但是，由于脈內特征捕獲對偵察系統的性能要求很高，在對抗條件下，通常無法保證提取出全部脈內特征；加上輻射源多功能、多模式設計日漸普遍，使得基于其的輻射源識別技術進展并不順利。從20世紀90年代起，研究人員開始尋找輻射源發射系統固有的、不隨發射信號形式改變而改變的特征，即無意調制特征[6-7]。該類特征的類型區分能力較弱，但對個體的區分能力較強，如今已經有了實際裝備，如，美軍EP-3C飛機上的ALR-95(V) SEI系統[8]。由此可見，需要綜合利用多種特征，發揮它們各自的長處，才能最終解決好輻射源識別問題。

新型輻射源的不斷涌現，以及輻射源本身有意(模式切換、功能隱藏)或無意(供電不穩、器件老化)行為，使得在對抗條件下，觀測不完全及目標時變成了常態。因此，實際的輻射源識別依然面臨嚴峻挑戰，主要表現為以下2個方面：

一方面，常態化的觀測不完全給輻射源識別處理帶來挑戰。常規的基于先驗信息的補全處理方法存在較強的主觀性和隨意性，且不同識別結論之間會因補全內容存在差異而不具備可比性。因此，如何在統一的表示框架下評價觀測不完全對識別的影響，是輻射源識別技術面臨的一大挑戰。

另一方面，常態化的對象時變給輻射源識別系統架構帶來挑戰。無論是系統對時變目標的自適應，還是不完全觀測信息的處理，都需要在知識輔助下才能完成。傳統處理過程與知識緊耦合的系統架構方式在常態化目標時變場景中，必定會面臨頻繁更新甚至改版的問題。因此，如何規劃系統架構，有效組織、使用和更新領域知識，避免因輻射源時變導致的系統頻繁更新及改版問題，是輻射源識別系統架構研究必須重視的問題。

為此，本文研究基于本體論的輻射源識別處理框架。該框架通過輻射源概念模型推理和概念模型相似性度量，在目標概念模型層面實現了觀測不完全對識別效果影響的統一評價；此外，在本體開發環境及推理技術的支持下，該框架實現了領域知識與識別處理流程的隔離設計，并通過在線處理和離線處理2套流程來保證領域知識隨系統使用而不斷更新。從而使得該框架既能夠有效處理不完全觀測信息，又有良好的目標時變適應能力。

1 基于本體論的輻射源識別框架

輻射源本身會因組件更換、器件老化、使用條件改變而表現出時變性，加上輻射源多功能、多模式設計日益普遍，以及新型輻射源的不斷涌現，在對抗條件下工作的輻射源識別系統將面臨一個常態化的觀測不完全和目標時變環境。識別系統的架構設計和處理流程只有適應這種觀測不完全和目標時變的環境才能有效地為情報系統提供服務。而事實上，無論是對觀測不完全信息的處理，還是對特性時變目標的識別，都需要額外信息(專家經驗、先驗知識等)的支持才能得到有效解決。

對于不完全觀測信息的處理，擬通過對輻射源進行知識建模，在輻射源概念模型層面對觀測不完全程度進行統一描述，并通過概念模型匹配程度來評價不完全觀測被候選概念模型的接受程度，從而實現觀測不完全信息的一致處理。為此，需要將輻射源識別處理過程拆分為觀測不完全影響評價和精細識別處理2步進行，再通過置信度融合給出最終的識別結論。

對時變目標的自適應必定會帶來一定程度的系統更新。擬在知識處理技術的支持下，通過領域知識與識別處理流程的隔離設計來保證系統更新需求最小化；再通過在線和離線處理2套流程完成領域知識的創建、使用和更新，從而使得識別系統能夠適應目標的時變。

針對上述思路，新的輻射源識別處理框架需要引入知識處理技術支持，考慮到識別處理中存在輻射源概念模型構建及概念模型推理分析等處理需求，因此，需要尋找知識表達能力強、推理機制完善、開發環境成熟的知識處理技術作支持。在當前主流的知識處理技術中，本體論以其強大的知識表示能力、成熟的開發環境和完備的推理機制支持成為了知識系統開發者的首選。因此，選用本體技術來構建輻射源識別處理框架。本文構建的基于本體論的輻射源識別處理框架如圖1所示。

圖1 基于本體論的輻射源識別處理流程

由圖1可以看出，基于本體論的輻射源識別處理框架由在線處理和離線處理2套流程構成。

在線處理流程實現基于本體論的輻射源識別處理，可以分為3步：① 基于觀測信息(可能是不完全的)進行目標概念模型推理，得到關聯的候選目標概念模型，并計算待識別目標與候選概念模型的相似性，得到概念模型層面的相似度；② 在候選概念模型的引導和支持下，基于目標分布量模型計算待識別目標與實例的相似性，得到實例相似度；③ 對模型層面的相似性和實例相似性進行綜合，得出最終的識別結論。

離線處理流程完成領域知識的構建、識別結論確認以及領域知識庫的更新。其中，輻射源領域本體知識建模在系統構建階段完成；臨時實例轉正為確認實例的工作和基于確認實例庫的輻射源領域本體知識庫的更新工作則由系統使用人員協助完成。

基于本體論的輻射源識別處理框架的在線處理和離線處理2套流程共同完成了輻射源識別領域知識的“創建—使用—更新”的一個閉環，為該框架的目標及場景時變適應能力提供了保證。

通過分析圖1可知，實現提出的基于本體論的輻射源識別處理框架需要解決以下關鍵問題：① 輻射源識別領域本體知識庫來源的問題；② 如何基于觀測向量推理關聯目標概念模型的問題；③ 如何根據概念模型計算模型層面的相似度的問題；④ 如何獲取分布模型進行實例精細匹配的問題；⑤ 如何根據確認實例庫更新輻射源識別領域知識的問題。其中，輻射源分布模型的來源問題可以放到領域知識建模中解決，基于分布模型的實例精細匹配、臨時目標轉正以及知識庫更新則是識別系統中常見的問題，已具備較為完善的解決方案。因此，將只對前3個關鍵問題的解決方案進行闡述。

2 關鍵技術解決方案

為使圖1所示的處理框架具備良好的可實現性，對提出的3個關鍵問題逐一給出解決方案：基于本體論的輻射源識別領域本體知識建模(DOKM)、基于本體論框架的目標概念模型推理以及基于概念圖的概念模型相似性度量。

2.1 輻射源識別本體知識建模

構建在領域內形成一致理解的、且是計算機可理解的領域知識庫是實現基于本體論的輻射源識別處理的基本前提。本體是領域內共享概念模型的形式化規范說明，它是計算機可理解的，具備較強的領域知識表示能力和完備的推理機制，并且已經有了成熟的描述語言、較為完備的開發環境以及推理工具集的支持。因此，基于本體技術來進行輻射源識別領域知識的建模。

與輻射源相關的領域知識有很多，輻射源識別領域知識建模必須圍繞那些與輻射源識別處理過程緊密相關的知識開展。通過對基于本體論的輻射源識別處理流程的分析可知，與之緊密相關的領域知識建模主要包含探測傳感器知識建模和輻射源知識建模兩方面內容。

2.1.1 傳感器建模

探測傳感器知識建模是為輻射源精細匹配服務的，它的建模相對簡單，主要關注與輻射源識別處理相關探測傳感器狀態知識建模和探測能力知識建模兩方面內容。其中，探測傳感器狀態信息主要包括工作狀態信息、地理位置信息和運動狀態信息等。探測能力信息則包括傳感器探測范圍(頻率范圍、空間范圍等)、識別能力、情報可靠性和特征提取精度(測角測量精度、載頻測量精度、重頻測量精度、脈寬測量精度、帶寬測量精度和上升/下降沿測量精度等)等。

2.1.2 輻射源建模

與識別處理流程緊密相關的輻射源知識有2類：輻射源概念模型知識和輻射源分布特性知識。其中，輻射源概念模型知識是為模型推理和模型相似性度量服務的；輻射源分布特性知識則主要是為基于實例分布模型精細匹配服務的。

(1) 輻射源概念模型

輻射源概念模型構建是為目標概念模型推理服務的。由于輻射源采用多功能、多模式設計的情況較為普遍，單個輻射源實例通常難以明確界定其類型概念的歸屬。為此，在輻射源概念模型構建時將輻射源概念模型(Emitter_Concept_Model)分為理論模型(Theorical_Model)和對象模型(Object_Model)2部分進行，如圖2所示。其中Theorical_Model采用理論上的輻射源分類標準來組織對輻射源概念模型知識，而Object_Model則用來描述實際輻射源實例的模型。在具體建模過程中，Object_Model中的裝備實例描述通過預定義的數據屬性或對象屬性與Theorical_Model中的理論概念建立聯系，從而實現實際裝備的多功能多模式知識表示。

圖2 輻射源識別知識域建模

圖2中Object_Model下的某一實際雷達輻射源實例X_Radar，它存在搜索模式和成像模式。X_Radar在搜索模式時發射常規脈沖信號，在成像模式時發射脈沖壓縮信號，因此，在概念歸屬上X_Radar既屬于脈沖雷達，也屬于脈沖壓縮雷達。X_Radar的多模式屬性知識的描述可以通過預定義的對象屬性isKindOf來與Theorical_Model中的PulseCompressRadar概念和PulseRadar概念建立聯系，從而實現X_Radar既是脈沖雷達又是脈沖壓縮雷達的知識表示。

(2) 輻射源分布建模

在所提的框架內，輻射源分布特性建模是為輻射源概念模型推理和基于分布模型的實例精細匹配服務的。考慮到概念模型推理和精細匹配的需求差異，輻射源分布特性建模同樣分2部分進行，如圖2所示，即出廠參數分布模型和實際參數分布模型。

這種建模方式可以使識別系統能夠更加有效地利用其他情報偵察手段提供的信息，如對新出現的輻射源目標，收集其輻射特性樣本參數通常是比較困難的，而通過人工方式卻可以相對簡單地獲得其出廠參數等信息，此時，在沒有實例數據的前提下，采用實際參數分布特性繼承出廠參數特性的方式便可實現基于本體論的輻射源識別處理。

2.2 基于本體論的觀念模型推理

電子偵察設備的觀測不完全現象較為常見，這給輻射源識別處理帶來極大困擾。業界通常的做法是基于先驗信息對不完全觀測信息進行補全處理，然而在輻射源識別應用問題中，對不完全特征信息的補全處理本身就存在邏輯悖論，因為在識別出結果之前，信息的具體補全方向是不知道的。

基于本體論的輻射源識別處理框架引入輻射源知識模型相似度的概念，將不完全觀測看成是待識別目標模型與庫內目標知識模型的適配。用目標知識模型層面的相似度來體現目標觀測的完全程度。為此，首先要解決的是將目標不完全觀測映射為可能關聯目標知識模型的問題。為解該問題，本文在領域本體知識庫的支持下，應用本體處理框架和本體推理機實現目標觀測到目標知識模型的映射推理，具體思路如圖3所示。

圖3 基于本體論的觀念模型推理

由圖3可知，實現目標觀測到目標知識模型的推理映射需要經歷以下4個步驟：

① 在本體開發支持框架API支持下，從輻射源識別領域知識庫中載入輻射源知識本體，并在內存中創建對應的本體模型(Mem-Onto-Model)；

② 根據待識別的目標觀測構建一個無類型臨時目標本體實例；

③ 運行本體推理機，步驟②中無類型臨時目標本體實例進行概念歸屬推理；

④ 對推理結論進行分析，并提取出與步驟②中無類型臨時目標本體實例直接相關、并且屬只于Object_Model下的輻射源實例概念，構成候選概念模型集合。

Jena是當前最流行本體開發開源框架，且提供SPARQL本體查詢接口、RDF和OWL API，以及多種存儲機制和推理機制，因此，在步驟①中采用Jena本體開發框架進行本體模型操作。另外，Pellet推理引擎是基于OWL DL的成熟開源推理引擎，它能夠支持大多數的OWL和OWL2構造，由于輻射源識別領域知識建模需要OWL DL定義域提供的概念描述能力支持，因此，在步驟③中采用Pellet推理引擎。

通過基于本體論的輻射源知識模型推理，基于本體論的輻射源識別處理框架實現了目標觀測到目標概念模型的映射，獲得了可能相關的候選輻射源概念模型集合，為后續的目標概念模型層面的相似性度量做好了準備。

2.3 基于概念圖的概念相似度計算

目標概念模型相似性度量有多種方式，由于本文所提框架內的輻射源識別領域知識庫是基于本體技術構建的，在本體論框架中，輻射源概念模型由概念和屬性組成，它們本質上可以用概念圖來表示，因此，本文采用基于概念圖匹配方法來度量目標概念模型層面的相似性。概念圖相似性計算的具體思路如圖4所示。

圖4 基于概念圖的概念相似度計算

由圖4可知，待識別輻射源與候選輻射源之間的目標概念模型層面的相似性度量分以下幾個步驟實現：

① 根據目標觀測構建無類型的臨時本體實例，并將其轉換為臨時實例概念圖；

② 在候選輻射源概念模型集中抽取一個輻射源概念模型，并將其轉換為候選實例概念圖；

③ 計算臨時實例概念圖和候選實例概念圖的相似性，得到待識別輻射源與候選輻射源模型層面的相似性度量；

④ 重復②和③得到待識別輻射源與所有候選輻射源概念模型之間的相似性度量。

需要指出的是，在基于本體論的輻射源識別處理框架中，度量輻射源概念模型層面相似性的目的是用來評價目標觀測的相對完全程度，因此，步驟③中的概念圖匹配計算只需考慮那些可觀測到的概念節點的匹配度，圖4中的“Concept Graph Pre-Process”步驟即是承擔相應的概念圖修剪任務，以保證參與匹配計算的概念圖只保留偵察設備可觀測到的概念節點。在后續概念圖的匹配計算中，只需求解待識別輻射源概念圖點與候選輻射源概念圖的匹配比例即可評價待識別輻射源相對于候選輻射源的觀測完全程度，如圖5所示。

圖5 一副觀念圖匹配的例子

需要指出的是，圖5中是以候選實例模型概念圖為參考基準對臨時實例概念圖的缺失情況進行評價，只有當臨時實例概念圖包含于候選實例概念圖時，才表示該臨時實例可能是候選實例的一個不完全觀測，此時評價概念模型的相似性才有意義。而那些不包含的情況則由前面的基于本體論的目標概念模型推理來予以排除，這是在目標概念模型相似性度量前必須先進行目標概念模型推理的主要原因。此外，在領域知識模型中，具體輻射源實例的各概念節點及連接關系上都會有附加的模型約束知識，通過這些約束，推理機也可以將候選目標概念模型集合限定到一個合理的規模。

至此，基于本體論的輻射源識別處理框架中的關鍵問題均已得到解決方案，其他基于分布模型的精細匹配、臨時目標轉正以及知識庫更新等問題在常規的識別系統中比較普遍，都已具備比較完善的解決方案，因此，將不再展開說明。

3 仿真分析

使輻射源識別系統具備更好的識別性能和更強的目標、場景變化適應能力是提出基于本體論的輻射源識別處理框架的根本目的。本節將在目標觀測完全、目標觀測不完全、有模型無實例樣本、全新模型目標以及目標特性時變5種情況下，對基于本體論的輻射源識別處理框架(Ontology-Based-ERF)與常規的基于特征匹配的識別處理框架(FM-based-ERF)的效果進行比較分析。

3.1 目標觀測完全

該情況下，由于觀測信息補全處理無需工作，識別處理性能差異僅體現在精細匹配效果上，二者的性能基本相當。但隨著樣本量的增加，Ontology-Based-ERF得到的結果將更加趨近于理論最優值，而FM-based-ERF容易得到局部最優解。

3.2 目標觀測不完全

該情況下，Ontology-Based-ERF的模型推理及模型相似性度量和FM-based-ERF的特征補全處理都會啟動。由于事先假設了目標觀測可能不完全，因此在識別應用背景下，FM-based-ERF的特征補全處理本身存在邏輯悖論，且這種悖論帶來的負面影響將隨著觀測殘缺程度的增加而更為嚴重，因此，Ontology-Based-ERF整體性能將優于FM-based-ERF。

3.3 有模型無實例樣本

對于僅有目標概念模型而無實例樣本的情況，FM-based-ERF將失效，而Ontology-Based-ERF仍然能夠正常工作，且輸出結論，但由于沒有實例樣本數據支持，輸出結論的性能好壞與模型中先驗分布特征性的準確與否直接相關。

3.4 出現全新目標模型

該情況下，由于目標模型是全新出現的，無論是FM-based-ERF，還是Ontology-Based-ERF，都無法輸出很好的結果。但是，Ontology-Based-ERF只需擴充輻射源識別領域知識庫即可支持新模型的處理，而FM-based-ERF系統設計之初沒有考慮該未知新目標模型的知識處理方式，因此，往往需要進行較大規模的程序更新甚至系統改版設計方能支持新類型目標的有效識別。

3.5 目標分布特性時變

由于目標分布特性時變并沒增加額外的知識概念，因此FM-based-ERF和Ontology-Based-ERF能夠正常處理并輸出結果。FM-based-ERF與識別處理密切相關的控制參數將因目標特性的時變而逐漸失配，從而導致識別系統的性能逐漸下降；Ontology-Based-ERF中的領域知識庫是隨著系統的使用而逐步更新的，它能夠使系統始終調整到最適合當前目標分布特性的狀態，并不會因目標時變而出現明顯的性能下降。因此，Ontology-Based-ERF對場景變化的整體適應性要優于FM-based-ERF。

綜合以上分析，基于本體論的輻射源識別處理框架相比于傳統的基于特征匹配的識別處理框架來說，將具備更優的識別性能和更強的場景變化適應能力。

4 結束語

在傳統的識別處理中，觀測不完全信息的處理主要是基于先驗信息對缺失維度進行補全處理，處理過程具有較強的主觀性和隨意性。利用輻射源概念模型層面的相似性來評價觀測不完全對識別的影響，不僅可以有效利用已有的先驗信息，使處理過程保持良好的處理一致性，還可以有效避免常規觀測數據補全處理而引入的邏輯悖論。此外，該框架基于本體技術實現了領域知識與識別處理流程相對隔離設計，并通過在線和離線處理2套流程形成了一個輻射源識別領域知識“創建—使用—更新”的閉環。按照該處理框架設計的輻射源識別系統將具備更優的識別性能、更強的目標及環境的時變適應能力。