基于深度學習的目標行為知識發現方法*

成磊峰 何麗莎 薛麗惠 劉 欣

（中國西南電子技術研究所 成都 610036）

1 引言

知識發現［1~5］是通過綜合運用統計學、模糊學習、機器學習和專家系統等多種學習手段，從大量的結構化數據、非結構化數據中提煉出抽象的、有價值的信息，從中發現潛在的規律。

2000 年~2010 年的十年間，國外有許多研究機構、公司和學術組織從事知識發現工具的研制和開發，并且出現了許多數據挖掘和知識發現系統。如IBM 研究中心開發的系統Quest，它可以從大型數據庫中發現關聯規則、分類規則、序貫模式、時間序列模式等。2015 年，美國高級研究計劃局“大機理”、“戰場跡象”等項目，致力于提升基于大數據的輔助決策等知識發現能力。

與國外相比，國內對知識發現的研究稍晚。1993 年國家自然科學基金開始對知識發現研究進行支持，目前國內許多高校和科研單位在從事知識發現的基礎理論和應用研究并且發展迅速，但是知識發現的一般原理與針對特定應用需要的有效知識發現之間還存在著不小的距離，需要在基礎理論、挖掘技術和算法、應用領域的拓展等知識發現方面加強更加深入的研究，開展相關的技術存儲和系統論證建設。

當前，戰場環境中的目標分析主要建立在高價值、小數據的分析基礎上，數據掌握的不夠充分，無法保障分析的全面性和準確性，對多元目標數據的挖掘分析，利用層次深度比較低，潛在的內涵規律挖掘不足等問題比較突出。面對眾多的情報信息，目前雖然大部分處理系統已初步實現“全域一張圖”，但仍處于“有態無勢”的局面，且對當前狀態缺乏解讀，僅僅是當前時空的簡單展示，數據決策支持能力嚴重不足。

因此，需建立基于數據樣本的目標挖掘分析，將不同來源的情報信息以目標為中心，按照時域、空域、信息域進行關聯，圍繞目標、任務、區域將多源情報進行高效聚合分析，從而完成對目標的準確識別和目標行為特征分析，保障對戰場目標信息的全面掌控。

基于此，本文提出了一種基于深度學習的目標行為知識發現方法，針對結構化和非結構化的目標數據。首先，依據時空距離及業務知識規則，進行結構化數據去重、野值剔除、別名歸一化，以及非結構報文要素抽取與關聯，實現對目標要素的補充；其次，針對已掌握行為意圖的歷史數據，分析并發現時變參數，構建目標行為特征模型；然后，基于深度學習方法實現特征訓練或歷史規律挖掘，為目標識別提供知識支撐；最后，基于特征訓練或歷史規律進行目標識別，通過識別結果的變化分析，挖掘其行為規律及異常，發現新知識。

2 目標歷史行為挖掘

2.1 目標數據預處理

目標數據預處理，包括時空結構化數據預處理和非結構化報文抽取。

1）時空結構化數據清洗

時空結構化數據清洗，針對結構化的時空數據，依據時空距離及業務知識規則，進行數據去重、野值剔除處理、別名歸一化處理。

數據去重：依據位置和時間差計算距離，判斷距離是否小于距離閾值，進行航跡點數據去重；

野值剔除：按照位置時間進行排序，計算排序后兩點之間的距離，通過物理學公式計算得到速度值，若速度值大于閾值則作為野值點進行剔除；

別名歸一化：針對艦船目標，通過弦號、目標分類組合形成業務規則；針對飛機目標，通過注冊號（機舷號）、型號、目標分類組合形成業務規則，作為目標別名歸一化的處理依據。

2）非結構化報文抽取

針對非結構化的動向報文，按預定義的動向要素模型進行動向要素抽取，抽取之后進行目標要素關聯，實現對目標信息補充。結構化抽取與關聯過程，包括以下步驟。

第一步：動向要素建模。目標動向要素描述了目標日常任務活動中涉及的時間、時段、區域、路線等具備動向特征的一系列要素。通過歷史數據分析，對目標動向要素及其結構進行了定義和描述。

第二步：動向要素抽取。現有動向文字數據中，目標名稱、機舷號、航跡信息等都有一些規則化的描述和表達方法，基于現有目標動向報文的業務規則的總結，提供一個開放式的抽取規則維護工具，實現規則的自定義添加和維護，完成基于業務規則的動向要素抽取。

第三步：目標要素關聯。通過基于呼號匹配的關聯和基于時空位置的關聯，完成時空數據中目標航點跡信息及高度速度信息與目標動向報文的關聯，實現目標要素的進一步補全；通過目標所屬區域的計算，以及目標進出區域時間計算，實現目標動向情報要素的最終補全。

2.2 目標行為特征建模

目標行為特征建模，包括目標行為特征集構建和目標行為規律建模，是目標行為規律分析的基礎。

1）目標行為特征集構建

通過目標的物理特征、動態特征及關系特征的KPI指標匯總，基于目標數據進行KPI指標值計算，根據應用場合，將目標的特征集組合進行訓練學習，構建出目標識別分析模型［6］。

2）目標行為規律建模

通過對重點區域、重點目標的歷年行為規律數據的掌握，分析其數據描述方式、關注重點、活動特征等信息，總結出典型目標行為規律模型要素，包括目標名稱、活動航線、活動區域、活動陣位、活動任務、持續時間、補給特征和協同特征等。目標行為規律模型，主要包括如下三層。

第一層，用來約束目標行為規律的范圍，包括目標執行的具體任務和目標活動的具體區域。目標活動的規律特征和其所執行的任務和活動的具體區域有關，因此通過任務和區域的約束，能夠使得目標的行為規律描述更加清晰。

第二層，用來定義行為規律的具體類型。對戰場環境中的海空目標來說，目前關注的規律類型主要包括陣位規律、航線規律、時間規律、搭載規律、協同規律、補給規律和駐泊規律。

第三層，用來描述每類規律的具體要素屬性組成。通常使用數值（值/范圍）、內容描述等形式表達，對于內容描述盡量做到枚舉化，對于數值通過業務標準來規范，形成統一的刻度。

2.3 目標行為規律分析

目標行為規律分析主要包括時間規律、陣位規律、航線規律、關聯規律等，通過構建目標行為特征模型，利用深度學習方法，基于歷史數據進行目標行為規律分析，為目標行為知識發現提供支撐。

1）目標時間規律分析

目標時間規律分析通過數據分布和時空聚類數學算法，分析目標在特定區域內執行任務時的時間特征，主要包括變化周期、持續時長等。

變化周期：先將樣本按照時間順序排列，設置時間尺度（如：季度、月、旬、周、日、時），使用前后兩個樣本之間的時間差計算出時間距離，通過分析時間距離的均值和方差，得到滿足某一目標屬性的時間周期規律，并根據不同屬性的不同取值，考察屬性變化與時間周期規律的關系及概率。

持續時長：通過分析持續時長的均值和方差得到持續時長的規律，同時持續時長規律還將根據不同屬性的不同取值，考察屬性變化與持續時長規律的關系。

2）目標航跡規律分析

目標航跡規律分析，首先，針對大量的歷史數據中，采用航跡聚類［7~11］、要素統計方法，計算出目標的經典航跡，包括一條或多條較為固定的航跡線路；然后，在形成經典航跡之后，進行航跡相關屬性分析，包括航線的區域、時刻、周期、時長、速度、高度，以及相應任務等屬性；最后，通過有監督的交互研判，生成目標航線規律。

3）目標陣位規律分析

目標陣位規律分析采用基于密度聚類方法，從大量的歷史數據中計算目標日常執行特定任務時的活動區域，包括一個或多個較為固定的位置點或區域，并進行相關屬性分析，包括地理位置、大小、時刻、周期、時長，以及相應任務等屬性。

4）目標關聯規律分析

目標關聯規律分析，分析目標群在特定區域內執行日常任務時的編隊成員組成及協同規律特征。針對已掌握作戰任務或行為意圖的歷史數據，采用Aprior算法［12］進行編隊成員間的協同規則挖掘。

3 目標行為知識發現

3.1 基于行為特征的目標識別

基于行為特征的目標識別，主要有兩種方式來實現：利用深度學習方法，基于特征訓練進行目標識別［13~14］；通過要素匹配和航跡相似性計算，基于歷史行為規律的目標識別。

1）基于特征訓練的目標識別

基于特征訓練的目標識別，主要利用歷史數據進行物理特征、動態特征及關系特征的KPI指標篩選與計算，通過深度學習方法進行模型訓練，訓練出分類模型后，對目標數據進行分類、預測、預警識別。

目標分類分析，通常采用C4.5 算法［15］進行模型訓練，使用訓練數據構建決策樹進行目標分類。決策樹構建的基本步驟如下。

（1）開始，所有記錄看作一個節點；

（2）遍歷每個變量的每一種分割方式，找到最好的分割點；

（3）分割成兩個節點N1和N2；

（4）對N1和N2分別繼續執行（2）~（3）步，直到每個節點不可分割為止。

目標預測分析采用隨機森林算法［16］進行模型訓練。通過組合多個弱分類器，最終結果通過投票或取均值，使得整體模型的結果具有較高的精確度和泛化性能。

2）基于歷史規律的目標識別

基于歷史行為規律的目標識別，主要解決在地理位置柵格化之后，通過航跡相似性來評估實時航跡與歷史航跡的相似性。本文將航跡看作序列，通過最長公共子序列匹配算法［17］來處理非同步相似航跡計算，算法步驟如下。

（1）航跡粗選。判斷兩航跡最小覆蓋矩形區域是否有交疊，若無則終止，否則繼續下一步；

（2）計算相似矩陣。若兩航跡串長度分別為m，n，初始化相似矩陣M［m，n］所有元素為0，若當前航跡的點i在另外一條航跡段j上，則對應的相似矩陣元素M［i，j］=1；

（3）航跡相似性判斷。根據線性方程求解方法，定義航跡相似度公式如下：

相似度=rank（M）/min（m，n）.

根據相似度公式計算相似度，并根據閾值參數，判斷兩航跡是否相似。

3.2 基于識別結果的知識發現

目標行為知識發現是基于目標識別結果，分析目標行為相關的屬性、狀態、配置等變化特征，通過數據值和模式變化分析識別異常，經過有監督的確判，形成新知識。

屬性變化：通常指目標內在性能、機動參數的變化，包括艦機目標的機動參數，以及輻射源裝備的性能變化。

狀態變化：描述目標的行為趨勢、工作狀態、等動態，包括艦機目標的進出港、進出區域的動態，目標用頻、通聯模式變化。

配置變化：描述目標的部署、編配等配置信息的變化情況，包括艦機、輻射源裝備的部署變化，以及艦機平臺搭載裝備的變化。

針對目標行為機動性能（高度、速度、轉彎半徑）、艦機進出基地、艦機進出區域等變化特征，根據目標識別結果，統計在頻次、時序、空間上的變化進行數據趨勢分析，利用數據圖表的可視化，展現數據的趨勢變化，分析數據的上升、下降、穩定趨勢，對于數據值中的波峰、波谷等異常情況進行時縱向對比，輔助業務人員進行交互確判，形成新知識。

針對通聯關系、搭載方式等變化特征，分析方法與目標關聯規律分析方法相同，通過FP-growth算法［18］進行頻繁模式挖掘分析，與已有的模式進行對比，若是新模式推送業務人員進行交互確判，形成新知識。

4 數值仿真實驗

下面通過使用Matlab軟件，對采集到的下面對采集到的某飛機在某一時間段內的時空數據，進行時間規律、航跡規律、陣位規律分析及識別分析仿真實驗。

1）時間規律分析

該飛機在08：00~16：00執行任務1的活動時間熱力及活動出現周期規律，如圖1、圖2所示。

圖1 執行任務1的活動日期熱力圖

圖2 執行任務1的活動出現周期概率統計圖

該飛機在08：00~16：30執行任務2的活動時間熱力及活動出現周期規律，如圖3、圖4所示。

圖3 執行任務2的活動日期熱力圖

圖4 執行任務2的活動出現周期概率統計圖

2）航跡規律分析

該飛機執行任務1、任務2的活動航跡規律，如圖5、圖6所示。

圖5 執行任務1的活動航跡

圖6 執行任務2的活動航跡

3）陣位規律分析

該飛機執行任務1、任務2的活動陣位規律，如圖7、圖8所示。

圖7 執行任務1的活動陣位

圖8 執行任務2的活動陣位

4）基于歷史規律識別分析

任意選取6 個未知目標，利用計算的時間規律、航跡規律、陣位規律分析結果，通過要素匹配和航跡相似性計算進行目標識別預測，識別分析準確性評估結果如圖9所示。

圖9 基于歷史規律進行識別分析準確率評估圖

基于深度學習的目標行為知識發現方法，通過隨機森林進行行為特征訓練，目標識別準確率在73%~85%之間；通過利用目標歷史規律，利用屬性匹配和航跡相似性計算進行目標識別準確性在80%左右。

5 結語

本文針對情報處理領域的知識動態更新問題，提出了一種基于深度學習的目標行為知識發現方法，充分利用深度學習技術，基于歷史數據和已有知識進行目標歷史行為挖掘，為目標識別提供知識支撐；通過目標識別及識別結果的變化分析，挖掘行為相關的屬性、狀態、配置的變化規律及異常，發現新的目標行為規則；經過篩選數據集對新規則進行驗證，當規則使用準確率達到一定閾值進行保存，經過有監督的確判后生成新知識，進行更新管理，形成“知識利用+知識發現+知識更新”的閉環。

由于本文中的目標識別準確率受數據質量和先驗知識影響，且識別結果的變化分析到知識確判生成，主要由有監督方式實現，應積累優質樣本和利用人工智能方式進行優化，所以，基于深度學習的目標行為知識發現方法有待于進一步完善。