基于本体论的辐射源识别处理框架

孙 侃，杨润秋

(1.中国人民解放军92942部队，北京 100073； 2.中国人民解放军91977部队，北京 102249)

0 引言

辐射源除了作为被探测和打击的对象以外，还是敌方情报系统的主要信息提供者，因此，信息化战场中，辐射源有其独特而重要的地位。自20世纪60年代起，辐射源识别技术的研究便一直是业内关注的重点。经过几十年的发展，辐射源识别技术取得了很大的进步。但是由于辐射源本身的不断发展以及所处的对抗应用环境，辐射源的识别依然面临诸多挑战。

纵观辐射源识别技术的发展历程，它基本上是以寻找稳健、有效的辐射源特征为主线发展的。20世纪80年代末以前，辐射源的识别主要是基于常规特征参数(包括载频、脉宽、重频和到达角等)匹配进行的[1-2]。当时，辐射源的种类和数量较少，且功能单一，该类识别方法是比较有效的[3]。随着辐射源种类、数量的增多，以及设计的日益先进和复杂，常规特征参数自身的局限性逐渐显现。从20世纪80年代末开始，研究人员开始关注基于脉内调制特征的辐射源识别。脉内调制特征体现的是为实现预期功能而对辐射信号进行的有意调制[3-5]，具有较强的类型区分能力。但是，由于脉内特征捕获对侦察系统的性能要求很高，在对抗条件下，通常无法保证提取出全部脉内特征；加上辐射源多功能、多模式设计日渐普遍，使得基于其的辐射源识别技术进展并不顺利。从20世纪90年代起，研究人员开始寻找辐射源发射系统固有的、不随发射信号形式改变而改变的特征，即无意调制特征[6-7]。该类特征的类型区分能力较弱，但对个体的区分能力较强，如今已经有了实际装备，如，美军EP-3C飞机上的ALR-95(V) SEI系统[8]。由此可见，需要综合利用多种特征，发挥它们各自的长处，才能最终解决好辐射源识别问题。

新型辐射源的不断涌现，以及辐射源本身有意(模式切换、功能隐藏)或无意(供电不稳、器件老化)行为，使得在对抗条件下，观测不完全及目标时变成了常态。因此，实际的辐射源识别依然面临严峻挑战，主要表现为以下2个方面：

一方面，常态化的观测不完全给辐射源识别处理带来挑战。常规的基于先验信息的补全处理方法存在较强的主观性和随意性，且不同识别结论之间会因补全内容存在差异而不具备可比性。因此，如何在统一的表示框架下评价观测不完全对识别的影响，是辐射源识别技术面临的一大挑战。

另一方面，常态化的对象时变给辐射源识别系统架构带来挑战。无论是系统对时变目标的自适应，还是不完全观测信息的处理，都需要在知识辅助下才能完成。传统处理过程与知识紧耦合的系统架构方式在常态化目标时变场景中，必定会面临频繁更新甚至改版的问题。因此，如何规划系统架构，有效组织、使用和更新领域知识，避免因辐射源时变导致的系统频繁更新及改版问题，是辐射源识别系统架构研究必须重视的问题。

为此，本文研究基于本体论的辐射源识别处理框架。该框架通过辐射源概念模型推理和概念模型相似性度量，在目标概念模型层面实现了观测不完全对识别效果影响的统一评价；此外，在本体开发环境及推理技术的支持下，该框架实现了领域知识与识别处理流程的隔离设计，并通过在线处理和离线处理2套流程来保证领域知识随系统使用而不断更新。从而使得该框架既能够有效处理不完全观测信息，又有良好的目标时变适应能力。

1 基于本体论的辐射源识别框架

辐射源本身会因组件更换、器件老化、使用条件改变而表现出时变性，加上辐射源多功能、多模式设计日益普遍，以及新型辐射源的不断涌现，在对抗条件下工作的辐射源识别系统将面临一个常态化的观测不完全和目标时变环境。识别系统的架构设计和处理流程只有适应这种观测不完全和目标时变的环境才能有效地为情报系统提供服务。而事实上，无论是对观测不完全信息的处理，还是对特性时变目标的识别，都需要额外信息(专家经验、先验知识等)的支持才能得到有效解决。

对于不完全观测信息的处理，拟通过对辐射源进行知识建模，在辐射源概念模型层面对观测不完全程度进行统一描述，并通过概念模型匹配程度来评价不完全观测被候选概念模型的接受程度，从而实现观测不完全信息的一致处理。为此，需要将辐射源识别处理过程拆分为观测不完全影响评价和精细识别处理2步进行，再通过置信度融合给出最终的识别结论。

对时变目标的自适应必定会带来一定程度的系统更新。拟在知识处理技术的支持下，通过领域知识与识别处理流程的隔离设计来保证系统更新需求最小化；再通过在线和离线处理2套流程完成领域知识的创建、使用和更新，从而使得识别系统能够适应目标的时变。

针对上述思路，新的辐射源识别处理框架需要引入知识处理技术支持，考虑到识别处理中存在辐射源概念模型构建及概念模型推理分析等处理需求，因此，需要寻找知识表达能力强、推理机制完善、开发环境成熟的知识处理技术作支持。在当前主流的知识处理技术中，本体论以其强大的知识表示能力、成熟的开发环境和完备的推理机制支持成为了知识系统开发者的首选。因此，选用本体技术来构建辐射源识别处理框架。本文构建的基于本体论的辐射源识别处理框架如图1所示。

图1 基于本体论的辐射源识别处理流程

由图1可以看出，基于本体论的辐射源识别处理框架由在线处理和离线处理2套流程构成。

在线处理流程实现基于本体论的辐射源识别处理，可以分为3步：① 基于观测信息(可能是不完全的)进行目标概念模型推理，得到关联的候选目标概念模型，并计算待识别目标与候选概念模型的相似性，得到概念模型层面的相似度；② 在候选概念模型的引导和支持下，基于目标分布量模型计算待识别目标与实例的相似性，得到实例相似度；③ 对模型层面的相似性和实例相似性进行综合，得出最终的识别结论。

离线处理流程完成领域知识的构建、识别结论确认以及领域知识库的更新。其中，辐射源领域本体知识建模在系统构建阶段完成；临时实例转正为确认实例的工作和基于确认实例库的辐射源领域本体知识库的更新工作则由系统使用人员协助完成。

基于本体论的辐射源识别处理框架的在线处理和离线处理2套流程共同完成了辐射源识别领域知识的“创建—使用—更新”的一个闭环，为该框架的目标及场景时变适应能力提供了保证。

通过分析图1可知，实现提出的基于本体论的辐射源识别处理框架需要解决以下关键问题：① 辐射源识别领域本体知识库来源的问题；② 如何基于观测向量推理关联目标概念模型的问题；③ 如何根据概念模型计算模型层面的相似度的问题；④ 如何获取分布模型进行实例精细匹配的问题；⑤ 如何根据确认实例库更新辐射源识别领域知识的问题。其中，辐射源分布模型的来源问题可以放到领域知识建模中解决，基于分布模型的实例精细匹配、临时目标转正以及知识库更新则是识别系统中常见的问题，已具备较为完善的解决方案。因此，将只对前3个关键问题的解决方案进行阐述。

2 关键技术解决方案

为使图1所示的处理框架具备良好的可实现性，对提出的3个关键问题逐一给出解决方案：基于本体论的辐射源识别领域本体知识建模(DOKM)、基于本体论框架的目标概念模型推理以及基于概念图的概念模型相似性度量。

2.1 辐射源识别本体知识建模

构建在领域内形成一致理解的、且是计算机可理解的领域知识库是实现基于本体论的辐射源识别处理的基本前提。本体是领域内共享概念模型的形式化规范说明，它是计算机可理解的，具备较强的领域知识表示能力和完备的推理机制，并且已经有了成熟的描述语言、较为完备的开发环境以及推理工具集的支持。因此，基于本体技术来进行辐射源识别领域知识的建模。

与辐射源相关的领域知识有很多，辐射源识别领域知识建模必须围绕那些与辐射源识别处理过程紧密相关的知识开展。通过对基于本体论的辐射源识别处理流程的分析可知，与之紧密相关的领域知识建模主要包含探测传感器知识建模和辐射源知识建模两方面内容。

2.1.1 传感器建模

探测传感器知识建模是为辐射源精细匹配服务的，它的建模相对简单，主要关注与辐射源识别处理相关探测传感器状态知识建模和探测能力知识建模两方面内容。其中，探测传感器状态信息主要包括工作状态信息、地理位置信息和运动状态信息等。探测能力信息则包括传感器探测范围(频率范围、空间范围等)、识别能力、情报可靠性和特征提取精度(测角测量精度、载频测量精度、重频测量精度、脉宽测量精度、带宽测量精度和上升/下降沿测量精度等)等。

2.1.2 辐射源建模

与识别处理流程紧密相关的辐射源知识有2类：辐射源概念模型知识和辐射源分布特性知识。其中，辐射源概念模型知识是为模型推理和模型相似性度量服务的；辐射源分布特性知识则主要是为基于实例分布模型精细匹配服务的。

(1) 辐射源概念模型

辐射源概念模型构建是为目标概念模型推理服务的。由于辐射源采用多功能、多模式设计的情况较为普遍，单个辐射源实例通常难以明确界定其类型概念的归属。为此，在辐射源概念模型构建时将辐射源概念模型(Emitter_Concept_Model)分为理论模型(Theorical_Model)和对象模型(Object_Model)2部分进行，如图2所示。其中Theorical_Model采用理论上的辐射源分类标准来组织对辐射源概念模型知识，而Object_Model则用来描述实际辐射源实例的模型。在具体建模过程中，Object_Model中的装备实例描述通过预定义的数据属性或对象属性与Theorical_Model中的理论概念建立联系，从而实现实际装备的多功能多模式知识表示。

图2 辐射源识别知识域建模

图2中Object_Model下的某一实际雷达辐射源实例X_Radar，它存在搜索模式和成像模式。X_Radar在搜索模式时发射常规脉冲信号，在成像模式时发射脉冲压缩信号，因此，在概念归属上X_Radar既属于脉冲雷达，也属于脉冲压缩雷达。X_Radar的多模式属性知识的描述可以通过预定义的对象属性isKindOf来与Theorical_Model中的PulseCompressRadar概念和PulseRadar概念建立联系，从而实现X_Radar既是脉冲雷达又是脉冲压缩雷达的知识表示。

(2) 辐射源分布建模

在所提的框架内，辐射源分布特性建模是为辐射源概念模型推理和基于分布模型的实例精细匹配服务的。考虑到概念模型推理和精细匹配的需求差异，辐射源分布特性建模同样分2部分进行，如图2所示，即出厂参数分布模型和实际参数分布模型。

这种建模方式可以使识别系统能够更加有效地利用其他情报侦察手段提供的信息，如对新出现的辐射源目标，收集其辐射特性样本参数通常是比较困难的，而通过人工方式却可以相对简单地获得其出厂参数等信息，此时，在没有实例数据的前提下，采用实际参数分布特性继承出厂参数特性的方式便可实现基于本体论的辐射源识别处理。

2.2 基于本体论的观念模型推理

电子侦察设备的观测不完全现象较为常见，这给辐射源识别处理带来极大困扰。业界通常的做法是基于先验信息对不完全观测信息进行补全处理，然而在辐射源识别应用问题中，对不完全特征信息的补全处理本身就存在逻辑悖论，因为在识别出结果之前，信息的具体补全方向是不知道的。

基于本体论的辐射源识别处理框架引入辐射源知识模型相似度的概念，将不完全观测看成是待识别目标模型与库内目标知识模型的适配。用目标知识模型层面的相似度来体现目标观测的完全程度。为此，首先要解决的是将目标不完全观测映射为可能关联目标知识模型的问题。为解该问题，本文在领域本体知识库的支持下，应用本体处理框架和本体推理机实现目标观测到目标知识模型的映射推理，具体思路如图3所示。

图3 基于本体论的观念模型推理

由图3可知，实现目标观测到目标知识模型的推理映射需要经历以下4个步骤：

① 在本体开发支持框架API支持下，从辐射源识别领域知识库中载入辐射源知识本体，并在内存中创建对应的本体模型(Mem-Onto-Model)；

② 根据待识别的目标观测构建一个无类型临时目标本体实例；

③ 运行本体推理机，步骤②中无类型临时目标本体实例进行概念归属推理；

④ 对推理结论进行分析，并提取出与步骤②中无类型临时目标本体实例直接相关、并且属只于Object_Model下的辐射源实例概念，构成候选概念模型集合。

Jena是当前最流行本体开发开源框架，且提供SPARQL本体查询接口、RDF和OWL API，以及多种存储机制和推理机制，因此，在步骤①中采用Jena本体开发框架进行本体模型操作。另外，Pellet推理引擎是基于OWL DL的成熟开源推理引擎，它能够支持大多数的OWL和OWL2构造，由于辐射源识别领域知识建模需要OWL DL定义域提供的概念描述能力支持，因此，在步骤③中采用Pellet推理引擎。

通过基于本体论的辐射源知识模型推理，基于本体论的辐射源识别处理框架实现了目标观测到目标概念模型的映射，获得了可能相关的候选辐射源概念模型集合，为后续的目标概念模型层面的相似性度量做好了准备。

2.3 基于概念图的概念相似度计算

目标概念模型相似性度量有多种方式，由于本文所提框架内的辐射源识别领域知识库是基于本体技术构建的，在本体论框架中，辐射源概念模型由概念和属性组成，它们本质上可以用概念图来表示，因此，本文采用基于概念图匹配方法来度量目标概念模型层面的相似性。概念图相似性计算的具体思路如图4所示。

图4 基于概念图的概念相似度计算

由图4可知，待识别辐射源与候选辐射源之间的目标概念模型层面的相似性度量分以下几个步骤实现：

① 根据目标观测构建无类型的临时本体实例，并将其转换为临时实例概念图；

② 在候选辐射源概念模型集中抽取一个辐射源概念模型，并将其转换为候选实例概念图；

③ 计算临时实例概念图和候选实例概念图的相似性，得到待识别辐射源与候选辐射源模型层面的相似性度量；

④ 重复②和③得到待识别辐射源与所有候选辐射源概念模型之间的相似性度量。

需要指出的是，在基于本体论的辐射源识别处理框架中，度量辐射源概念模型层面相似性的目的是用来评价目标观测的相对完全程度，因此，步骤③中的概念图匹配计算只需考虑那些可观测到的概念节点的匹配度，图4中的“Concept Graph Pre-Process”步骤即是承担相应的概念图修剪任务，以保证参与匹配计算的概念图只保留侦察设备可观测到的概念节点。在后续概念图的匹配计算中，只需求解待识别辐射源概念图点与候选辐射源概念图的匹配比例即可评价待识别辐射源相对于候选辐射源的观测完全程度，如图5所示。

图5 一副观念图匹配的例子

需要指出的是，图5中是以候选实例模型概念图为参考基准对临时实例概念图的缺失情况进行评价，只有当临时实例概念图包含于候选实例概念图时，才表示该临时实例可能是候选实例的一个不完全观测，此时评价概念模型的相似性才有意义。而那些不包含的情况则由前面的基于本体论的目标概念模型推理来予以排除，这是在目标概念模型相似性度量前必须先进行目标概念模型推理的主要原因。此外，在领域知识模型中，具体辐射源实例的各概念节点及连接关系上都会有附加的模型约束知识，通过这些约束，推理机也可以将候选目标概念模型集合限定到一个合理的规模。

至此，基于本体论的辐射源识别处理框架中的关键问题均已得到解决方案，其他基于分布模型的精细匹配、临时目标转正以及知识库更新等问题在常规的识别系统中比较普遍，都已具备比较完善的解决方案，因此，将不再展开说明。

3 仿真分析

使辐射源识别系统具备更好的识别性能和更强的目标、场景变化适应能力是提出基于本体论的辐射源识别处理框架的根本目的。本节将在目标观测完全、目标观测不完全、有模型无实例样本、全新模型目标以及目标特性时变5种情况下，对基于本体论的辐射源识别处理框架(Ontology-Based-ERF)与常规的基于特征匹配的识别处理框架(FM-based-ERF)的效果进行比较分析。

3.1 目标观测完全

该情况下，由于观测信息补全处理无需工作，识别处理性能差异仅体现在精细匹配效果上，二者的性能基本相当。但随着样本量的增加，Ontology-Based-ERF得到的结果将更加趋近于理论最优值，而FM-based-ERF容易得到局部最优解。

3.2 目标观测不完全

该情况下，Ontology-Based-ERF的模型推理及模型相似性度量和FM-based-ERF的特征补全处理都会启动。由于事先假设了目标观测可能不完全，因此在识别应用背景下，FM-based-ERF的特征补全处理本身存在逻辑悖论，且这种悖论带来的负面影响将随着观测残缺程度的增加而更为严重，因此，Ontology-Based-ERF整体性能将优于FM-based-ERF。

3.3 有模型无实例样本

对于仅有目标概念模型而无实例样本的情况，FM-based-ERF将失效，而Ontology-Based-ERF仍然能够正常工作，且输出结论，但由于没有实例样本数据支持，输出结论的性能好坏与模型中先验分布特征性的准确与否直接相关。

3.4 出现全新目标模型

该情况下，由于目标模型是全新出现的，无论是FM-based-ERF，还是Ontology-Based-ERF，都无法输出很好的结果。但是，Ontology-Based-ERF只需扩充辐射源识别领域知识库即可支持新模型的处理，而FM-based-ERF系统设计之初没有考虑该未知新目标模型的知识处理方式，因此，往往需要进行较大规模的程序更新甚至系统改版设计方能支持新类型目标的有效识别。

3.5 目标分布特性时变

由于目标分布特性时变并没增加额外的知识概念，因此FM-based-ERF和Ontology-Based-ERF能够正常处理并输出结果。FM-based-ERF与识别处理密切相关的控制参数将因目标特性的时变而逐渐失配，从而导致识别系统的性能逐渐下降；Ontology-Based-ERF中的领域知识库是随着系统的使用而逐步更新的，它能够使系统始终调整到最适合当前目标分布特性的状态，并不会因目标时变而出现明显的性能下降。因此，Ontology-Based-ERF对场景变化的整体适应性要优于FM-based-ERF。

综合以上分析，基于本体论的辐射源识别处理框架相比于传统的基于特征匹配的识别处理框架来说，将具备更优的识别性能和更强的场景变化适应能力。

4 结束语

在传统的识别处理中，观测不完全信息的处理主要是基于先验信息对缺失维度进行补全处理，处理过程具有较强的主观性和随意性。利用辐射源概念模型层面的相似性来评价观测不完全对识别的影响，不仅可以有效利用已有的先验信息，使处理过程保持良好的处理一致性，还可以有效避免常规观测数据补全处理而引入的逻辑悖论。此外，该框架基于本体技术实现了领域知识与识别处理流程相对隔离设计，并通过在线和离线处理2套流程形成了一个辐射源识别领域知识“创建—使用—更新”的闭环。按照该处理框架设计的辐射源识别系统将具备更优的识别性能、更强的目标及环境的时变适应能力。