本书以预警情报分析需求为牵引，着眼于大数据、人工智能等前沿信息技术的发展，论述了预警情报智能分析的数据基础，提出了预警目标的有效运动特征、预警目标雷达散射截面积（Radar Cross Section，RCS）特征、预警目标回波显影特征、预警目标航线规律、预警目标空域规律、预警目标关联关系等智能挖掘分析算法，最后构设了预警情报智能分析平台。本书可作为指挥信息系统工程本科、军事情报学研究生的教学用书，也可作为从事战略预警、预警情报处理分析领域教学和科研工作人员的参考书，还可为预警部队信息系统建设规划和顶层设计提供借鉴参考。
李宏权，博士，研究生导师，空军高层次科技人才。获全国优秀教材一等奖1部，军队科技进步二、三等奖各1项，空军军事理论优秀成果一、二、三等奖各1项，国内外核心期刊发表论文30余篇，出版学术专著5部，编写教材16部。获国防发明专利2项、软件著作权12项。长期从事预警情报分析与运用、指挥信息系统工程方向的教学与科研工作。
第1章 绪论 1
1.1 预警情报分析的相关概念 1
1.1.1 预警情报 1
1.1.2 传统情报分析 3
1.1.3 预警情报分析 5
1.1.4 预警情报分析内涵与外延 8
1.2 预警情报分析的发展现状 8
1.2.1 情报分析的演进 9
1.2.2 军事情报分析的发展 9
1.2.3 预警情报分析的发展 10
1.3 预警情报分析的地位与作用 11
1.3.1 军事情报工作的重要组成 11
1.3.2 空天预警作战的重要环节 11
1.3.3 情报质量提升的重要途径 12
1.3.4 作战指挥精准高效的重要基础 12
1.4 预警情报智能分析算法基础 12
1.4.1 智能优化算法 13
1.4.2 神经网络算法 17
1.4.3 分类算法 25
1.4.4 关联算法 29
1.4.5 聚类算法 33
1.5 本章小结 37
第2章 预警情报智能分析数据基础 38
2.1 数据收集 38
2.1.1 数据主要来源 38
2.1.2 数据收集种类 40
2.1.3 数据收集方式 43
2.2 数据预处理 44
2.2.1 数据集成 44
2.2.2 数据清洗 46
2.2.3 数据变换 49
2.2.4 数据规约 51
2.2.5 数据整编 55
2.3 数据存储 57
2.3.1 存储管理架构 57
2.3.2 结构化数据存储 58
2.3.3 非结构化数据存储 59
2.4 本章小结 62
第3章 预警目标有效运动特征智能提取算法 63
3.1 预警目标有效运动特征提取概述 63
3.1.1 预警目标有效运动特征概念 63
3.1.2 预警目标有效运动特征提取流程 64
3.1.3 预警目标有效运动特征提取方法 64
3.2 基于大数据的预警目标运动特征提取 66
3.2.1 数据积累 66
3.2.2 分域提取 68
3.2.3 全域提取 70
3.3 基于GA-KNN的预警目标有效运动特征智能提取 70
3.3.1 初始化运动特征种群 71
3.3.2 计算距离及分类 73
3.3.3 计算特征有效率 74
3.3.4 更新运动特征种群 74
3.4 预警目标有效运动特征智能提取算法试验验证 75
3.4.1 验证环境准备 76
3.4.2 验证数据准备 76
3.4.3 GA-KNN算法验证 77
3.5 本章小结 79
第4章 预警目标雷达散射截面积特征智能提取算法 80
4.1 预警目标RCS特征智能提取概述 80
4.1.1 预警目标RCS特征概念 81
4.1.2 预警目标RCS特征提取流程 81
4.1.3 预警目标RCS特征提取方法 82
4.2 基于雷达方程的预警目标RCS特征提取 83
4.2.1 选取有效航迹点 83
4.2.2 计算预警目标RCS值 84
4.3 基于DMPSO-LSTM的预警目标RCS特征智能提取 85
4.3.1 基于LSTM的预警目标RCS特征提取模型 85
4.3.2 基于DMPSO的参数优化算法 89
4.3.3 基于DMPSO-LSTM的预警目标RCS特征提取 91
4.4 预警目标RCS特征智能提取算法试验验证 94
4.4.1 LSTM算法验证 94
4.4.2 PSO-LSTM算法验证 94
4.4.3 DMPSO-LSTM算法验证 97
4.4.4 三种算法对比 100
4.5 本章小结 101
第5章 预警目标回波显影特征智能提取算法 102
5.1 预警目标回波显影特征概述 102
5.1.1 预警目标回波显影概念 102
5.1.2 预警目标回波显影特征提取流程 106
5.1.3 预警目标回波显影特征提取方法 108
5.2 基于CNN的预警目标回波显影特征提取 109
5.2.1 卷积层构造 109
5.2.2 池化层构造 110
5.2.3 全连接层构造 110
5.2.4 输出层构造 111
5.3 基于改进CNN的预警目标回波显影特征提取 111
5.3.1 选取激活函数 111
5.3.2 更新模型参数 112
5.3.3 防止模型过拟合 113
5.4 预警目标回波显影特征智能提取算法试验验证 114
5.4.1 模型设置 114
5.4.2 试验数据 115
5.4.3 仿真结果与分析 115
5.5 本章小结 118
第6章 预警目标航线规律智能分析算法 119
6.1 预警目标航线规律概述 119
6.1.1 预警目标航线规律概念 119
6.1.2 预警目标航线规律分析流程 120
6.1.3 预警目标航线规律分析方法 121
6.2 预警目标航迹特征提取 122
6.2.1 预警目标航迹特征提取方法 122
6.2.2 基于拟合算法的航迹特征提取 123
6.2.3 基于改进的自适应拟合算法的航迹特征提取 124
6.3 基于聚类的预警目标航线规律分析 125
6.3.1 基于K-Means++算法的航迹聚类 125
6.3.2 基于DBSCAN算法的航迹聚类 126
6.3.3 两种聚类算法的比较 130
6.4 预警目标航线规律分析算法试验验证 131
6.4.1 航迹特征提取效果 131
6.4.2 基于K-Means++算法的航迹聚类效果 134
6.4.3 基于DBSCAN算法的航迹聚类效果 137
6.5 本章小结 139
第7章 预警目标空域规律智能分析算法 140
7.1 预警目标空域规律概述 140
7.1.1 空域规律概念 140
7.1.2 空域规律分析流程 141
7.1.3 空域规律分析方法 142
7.2 预警目标空域编码及数据处理 143
7.2.1 空域编码研究现状 143
7.2.2 空域编码方法 144
7.2.3 空域编码数据处理 148
7.3 基于分类的预警目标空域规律分析 150
7.3.1 基于SVC的预警目标空域规律分析 150
7.3.2 基于改进的BP网络的预警目标空域规律分析 152
7.3.3 两种方法比较 153
7.4 两类分类分析算法试验验证 154
7.4.1 试验环境及数据生成 154
7.4.2 基于SVC的空域分类效果 156
7.4.3 基于BP网络的空域分类效果 156
7.4.4 编码方式对分类效果的影响 157
7.5 本章小结 158
第8章 预警目标关联关系智能分析算法 159
8.1 关联关系规律分析概述 159
8.1.1 关联关系挖掘分析内容 159
8.1.2 关联关系挖掘分析方法 160
8.1.3 关联关系挖掘分析基础概念 161
8.2 事务数据集构建 163
8.2.1 事务数据集构建流程 164
8.2.2 连续属性离散化 165
8.3 基于关联规则的预警目标关联关系分析 167
8.3.1 基于Apriori的频繁项集挖掘分析 167
8.3.2 基于FP-Growth的频繁项集挖掘分析 168
8.3.3 基于GSP的频繁项集挖掘分析 168
8.3.4 基于PrefixSpan的频繁项集挖掘分析 169
8.3.5 几种方法比较 170
8.4 预警目标关联关系分析算法效果试验 171
8.4.1 试验环境数据来源 171
8.4.2 共现模式关联关系分析效果 171
8.4.3 序列模式关联关系分析效果 172
8.4.4 算法的适用范围分析 173
8.5 本章小结 173
第9章 预警情报智能分析平台构想 174
9.1 平台的总体规划 174
9.1.1 基于Hadoop的分布式数据存储 175
9.1.2 基于Spark的分布式并行计算 176
9.1.3 基于Ambari的平台监控管理 177
9.1.4 基于ZooKeeper的平台高可用 179
9.2 构建物理上平等、管理上分层的组织架构 180
9.2.1 全国级分析中心 180
9.2.2 区域级分析中心 181
9.2.3 部队级分析中心 181
9.3 搭建安全稳定、高可扩展的云架构 182
9.3.1 物理支撑层 182
9.3.2 云操作系统层 183
9.3.3 基础应用层 184
9.3.4 应用层 184
9.4 梳理高效、完善的数据处理分析流程 184
9.4.1 数据收集整编 185
9.4.2 数据存储管理 186
9.4.3 数据挖掘分析 186
9.4.4 目标研判识别 187
9.5 本章小结 187
参考文献 188
书单推荐
