《改进战斗识别方法》70页

复杂传感器网络是一套庞大而昂贵的系统、软件、传感器和发射器，可生成有助于战区感知和战斗识别的数据。多种传感器网络配置可收集大量数据，从而导致 "数据丰富、信息贫乏"（DRIP）的无效局面。可操作信息的理想解决方案是协调高价值单元（HVUs），以支持识别和瞄准等行动。目前，对未知信号的及时探测不足以在战术层面保持对态势的了解。很少有分析人员具备有效利用现有数据所需的经验和数据访问能力。有经验的分析人员也不够接近边缘，无法为战术和作战层面的作战提供支持。将经验丰富的分析人员的工作流程和过程自动化，并与新的人工智能和建模技术相结合，将能更好、更及时地从数据中提取重要信息，支持更好的态势感知和战术决策。对战斗和目标识别进行分析的动机源于通常需要做出快速、有效和知情决策的巨大压力。目标识别的目标是分析潜在目标的威胁，以便就与目标交战做出明智决策。利用这些基于图形的方法的好处包括：通过自动化工具提高态势感知能力，提炼出战术和作战层面的背景信息。

项目概述

复杂传感器网络是一套庞大而昂贵的系统、软件、传感器和发射器，可生成有助于战区感知和战斗识别的数据。多种传感器网络配置可收集大量数据，从而导致 "数据丰富、信息贫乏 "的无效局面。可操作信息的理想解决方案是协调高价值单元，为识别和瞄准等行动提供支持。目前，对未知信号的及时探测不足以在战术层面保持对态势的了解。很少有分析人员具备有效使用现有数据所需的经验和数据访问能力。而那些有经验的分析人员也不够接近战争边缘，无法为战术和作战层面提供支持。将经验丰富的分析人员的工作流程和过程自动化，并与新的人工智能和分析建模技术相结合，将能更好、更及时地从数据中提取重要信息，支持更好的态势感知和战术决策。对战斗和目标识别进行分析的动机源于通常需要做出快速、有效和知情决策的巨大压力。目标识别的目的是分析潜在目标的威胁，以便就与之交战做出明智决策。利用这些基于图形的方法的好处包括：通过自动化工具提高态势感知能力，提炼出战术和作战层面的背景信息。

利用机器学习算法、人工智能、知识图谱和图形识别技术，主要结果令人鼓舞：如果我们将预先训练好的数据集应用于先前加权的神经网络算法，那么机器学习算法的第一次迭代或历时的准确率为 20.2%。随后的迭代会显示出更显著的准确率增长，在五个或更多迭代之后，准确率会达到 94.9%。虽然结果显示准确率很高，但运行深度卷积神经网络算法的大型数据集需要大量时间，有时需要多个小时才能完成。如果所需信息的时间至关重要，则需要专用的高功率计算。要评估本报告所述方法的实际功效，可能需要进行实际测试。在未来的研究中还可以应用其他方法，例如用目标的基带调制同相和正交分量代替视觉表示，将其应用到知识图谱中，可能会提高作战目标识别的效率和准确性。

研究背景

神经网络的协同和自组织如何影响复杂网络传感器的效率和作战识别？我们能否通过信息的动态形成形成弱联系和强联系以支持新知识？图机器学习和建模技术（概率图模型、神经网络和聚类算法）可应用于射频（RF）信号数据的知识图谱。因此，本研究的主要目的是了解自组织和复杂自适应系统是否会产生新的特性，从而更好地探测、识别和分析潜在目标，以便进行战斗识别。研究假设必须考虑新知识的可信度、不确定性和准确性等关键因素。将对收集数据的方法（如时间和位置属性、关系强度、知识图谱的精确度和召回率）进行仔细研究。这些指标将与地面真实目标校准信号进行比较，以证明本研究在战斗识别方面取得的进步。

这与当前有关美国防部行动的研究有重大关联。将通过适当的舰队实验来考虑适当和可行的以数据为中心的方法，从而实现 JADC2 的作战概念，如 "感知、理解和行动"。战术态势感知（TACSIT）、远征高级基地作战（EABO）、分布式海上作战（DMO）和有争议的环境都是提供交战决策所需知识的因素。必须在正确的时间、正确的地点提供所需的适当数据，以实现决策优势。本研究将重点关注利用战区现有传感器、参考发射器和多信息协调解决方案（MIOS）架构进行联合作战识别。JADC2 概念、数据结构和信息共享格式将是调整的主要参考方案。在美军方面，基于图形的技术能够以一种新的方式来解决高置信度超视距估算问题，以确定任务风险和部队风险。

在方法论方面，当前的研究利用已知的飞机图片作为训练数据集，同时应用机器学习算法。我们的测试使用了 14,806 张经过验证的图片，这些图片被分成一个个小块，称为 "类"。研究说明了我们对深度神经网络的测试结果，因为它们与战斗识别应用有关。测试使用的 Python 代码加载了各种分析库，如 NumPy、Pandas、Seaborn、Efficient Net 和 Tensor Flow Keras。加载了一个包含 14 806 张图片的大型数据集，该数据集可以随机分割或拆分为训练集和测试集。这两组数据会被进一步分割成更小的数据块进行处理，例如以 40 张图片为一批。在训练和验证过程中，对准确率和信息损失进行测量。训练过程在 20 个神经元层上多次重复和迭代。每次迭代或历时的结果都会反馈到下一轮迭代中。具体来说，权重被保存并用于下一轮迭代。然后使用测试数据集上的最佳迭代结果进行预测。

结果和结论

复杂传感器网络是一套庞大而昂贵的系统、软件、传感器和发射器，会产生大量数据，如果能对这些数据进行快速有效的分析，就能提供战斗空间感知和战斗识别。由于目前的方法不足以在战术层面保持流畅高效的态势感知，因此提供可操作信息和及时发现未知信号的高效解决方案意义重大。这项研究考察了使用机器学习和知识图谱的各种算法，以评估能否提高效率和准确性。研究结果表明，使用图形文件识别目标是可行的，但要获得更高的准确度，必须进行多次迭代。例如，如果采用标准的非加权快速算法，运行视觉数据集的准确率为 5.6%。但是，如果使用先前加权的神经网络来启动这一过程，第一个迭代的准确率就会达到 20.2%。使用这些初始权重，在随后的五个epoch后，准确率大幅提高至94.9%。运行大型数据集的主要问题是深度卷积神经网络的运行时间。一个只有 14,806 张图片的中等数据集，5 个epochs 可能需要 3 个半小时以上。因此，如果时间要求很高，就需要专用的高功率计算。此外，除了运行时间外，深度神经网络的局限性还在于需要多次迭代，在迭代过程中，任何低级别的准确度和精确度类类型都需要用更好的图片来替换。建议下一步可以进行实际测试，以确定本报告所述方法的实际功效。

进一步研究的建议

根据研究结果，建议采取的下一步措施包括使用实际生活中的连续数据流，既包括图形文件格式，也包括其他类型的识别数据，如使用同相和正交（I&Q）数据，其中数据已预先分配了预检测和预解调信息。在通信系统中，大多数信号都被基带调制成同相（I）和正交（Q）子分量。然后通过射频（RF）频谱进行传输。在另一端，接收器对信号的 I&Q 子分量进行解调，并利用预先训练的数据对先前确定的战斗进行识别，从而进一步提高探测的速度、准确性和效率。可以利用知识图谱和图形距离误差测量方法，以一定的概率快速确定目标是敌是友。