本書以預警情報分析需求為牽引，著眼于大數據、人工智能等前沿信息技術的發展，論述了預警情報智能分析的數據基礎，提出了預警目標的有效運動特征、預警目標雷達散射截面積（Radar Cross Section，RCS）特征、預警目標回波顯影特征、預警目標航線規律、預警目標空域規律、預警目標關聯關系等智能挖掘分析算法，最后構設了預警情報智能分析平臺。本書可作為指揮信息系統工程本科、軍事情報學研究生的教學用書，也可作為從事戰略預警、預警情報處理分析領域教學和科研工作人員的參考書，還可為預警部隊信息系統建設規劃和頂層設計提供借鑒參考。
李宏權，博士，研究生導師，空軍高層次科技人才。獲全國優秀教材一等獎1部，軍隊科技進步二、三等獎各1項，空軍軍事理論優秀成果一、二、三等獎各1項，國內外核心期刊發表論文30余篇，出版學術專著5部，編寫教材16部。獲國防發明專利2項、軟件著作權12項。長期從事預警情報分析與運用、指揮信息系統工程方向的教學與科研工作。
第1章 緒論 1
1.1 預警情報分析的相關概念 1
1.1.1 預警情報 1
1.1.2 傳統情報分析 3
1.1.3 預警情報分析 5
1.1.4 預警情報分析內涵與外延 8
1.2 預警情報分析的發展現狀 8
1.2.1 情報分析的演進 9
1.2.2 軍事情報分析的發展 9
1.2.3 預警情報分析的發展 10
1.3 預警情報分析的地位與作用 11
1.3.1 軍事情報工作的重要組成 11
1.3.2 空天預警作戰的重要環節 11
1.3.3 情報質量提升的重要途徑 12
1.3.4 作戰指揮精準高效的重要基礎 12
1.4 預警情報智能分析算法基礎 12
1.4.1 智能優化算法 13
1.4.2 神經網絡算法 17
1.4.3 分類算法 25
1.4.4 關聯算法 29
1.4.5 聚類算法 33
1.5 本章小結 37
第2章 預警情報智能分析數據基礎 38
2.1 數據收集 38
2.1.1 數據主要來源 38
2.1.2 數據收集種類 40
2.1.3 數據收集方式 43
2.2 數據預處理 44
2.2.1 數據集成 44
2.2.2 數據清洗 46
2.2.3 數據變換 49
2.2.4 數據規約 51
2.2.5 數據整編 55
2.3 數據存儲 57
2.3.1 存儲管理架構 57
2.3.2 結構化數據存儲 58
2.3.3 非結構化數據存儲 59
2.4 本章小結 62
第3章 預警目標有效運動特征智能提取算法 63
3.1 預警目標有效運動特征提取概述 63
3.1.1 預警目標有效運動特征概念 63
3.1.2 預警目標有效運動特征提取流程 64
3.1.3 預警目標有效運動特征提取方法 64
3.2 基于大數據的預警目標運動特征提取 66
3.2.1 數據積累 66
3.2.2 分域提取 68
3.2.3 全域提取 70
3.3 基于GA-KNN的預警目標有效運動特征智能提取 70
3.3.1 初始化運動特征種群 71
3.3.2 計算距離及分類 73
3.3.3 計算特征有效率 74
3.3.4 更新運動特征種群 74
3.4 預警目標有效運動特征智能提取算法試驗驗證 75
3.4.1 驗證環境準備 76
3.4.2 驗證數據準備 76
3.4.3 GA-KNN算法驗證 77
3.5 本章小結 79
第4章 預警目標雷達散射截面積特征智能提取算法 80
4.1 預警目標RCS特征智能提取概述 80
4.1.1 預警目標RCS特征概念 81
4.1.2 預警目標RCS特征提取流程 81
4.1.3 預警目標RCS特征提取方法 82
4.2 基于雷達方程的預警目標RCS特征提取 83
4.2.1 選取有效航跡點 83
4.2.2 計算預警目標RCS值 84
4.3 基于DMPSO-LSTM的預警目標RCS特征智能提取 85
4.3.1 基于LSTM的預警目標RCS特征提取模型 85
4.3.2 基于DMPSO的參數優化算法 89
4.3.3 基于DMPSO-LSTM的預警目標RCS特征提取 91
4.4 預警目標RCS特征智能提取算法試驗驗證 94
4.4.1 LSTM算法驗證 94
4.4.2 PSO-LSTM算法驗證 94
4.4.3 DMPSO-LSTM算法驗證 97
4.4.4 三種算法對比 100
4.5 本章小結 101
第5章 預警目標回波顯影特征智能提取算法 102
5.1 預警目標回波顯影特征概述 102
5.1.1 預警目標回波顯影概念 102
5.1.2 預警目標回波顯影特征提取流程 106
5.1.3 預警目標回波顯影特征提取方法 108
5.2 基于CNN的預警目標回波顯影特征提取 109
5.2.1 卷積層構造 109
5.2.2 池化層構造 110
5.2.3 全連接層構造 110
5.2.4 輸出層構造 111
5.3 基于改進CNN的預警目標回波顯影特征提取 111
5.3.1 選取激活函數 111
5.3.2 更新模型參數 112
5.3.3 防止模型過擬合 113
5.4 預警目標回波顯影特征智能提取算法試驗驗證 114
5.4.1 模型設置 114
5.4.2 試驗數據 115
5.4.3 仿真結果與分析 115
5.5 本章小結 118
第6章 預警目標航線規律智能分析算法 119
6.1 預警目標航線規律概述 119
6.1.1 預警目標航線規律概念 119
6.1.2 預警目標航線規律分析流程 120
6.1.3 預警目標航線規律分析方法 121
6.2 預警目標航跡特征提取 122
6.2.1 預警目標航跡特征提取方法 122
6.2.2 基于擬合算法的航跡特征提取 123
6.2.3 基于改進的自適應擬合算法的航跡特征提取 124
6.3 基于聚類的預警目標航線規律分析 125
6.3.1 基于K-Means++算法的航跡聚類 125
6.3.2 基于DBSCAN算法的航跡聚類 126
6.3.3 兩種聚類算法的比較 130
6.4 預警目標航線規律分析算法試驗驗證 131
6.4.1 航跡特征提取效果 131
6.4.2 基于K-Means++算法的航跡聚類效果 134
6.4.3 基于DBSCAN算法的航跡聚類效果 137
6.5 本章小結 139
第7章 預警目標空域規律智能分析算法 140
7.1 預警目標空域規律概述 140
7.1.1 空域規律概念 140
7.1.2 空域規律分析流程 141
7.1.3 空域規律分析方法 142
7.2 預警目標空域編碼及數據處理 143
7.2.1 空域編碼研究現狀 143
7.2.2 空域編碼方法 144
7.2.3 空域編碼數據處理 148
7.3 基于分類的預警目標空域規律分析 150
7.3.1 基于SVC的預警目標空域規律分析 150
7.3.2 基于改進的BP網絡的預警目標空域規律分析 152
7.3.3 兩種方法比較 153
7.4 兩類分類分析算法試驗驗證 154
7.4.1 試驗環境及數據生成 154
7.4.2 基于SVC的空域分類效果 156
7.4.3 基于BP網絡的空域分類效果 156
7.4.4 編碼方式對分類效果的影響 157
7.5 本章小結 158
第8章 預警目標關聯關系智能分析算法 159
8.1 關聯關系規律分析概述 159
8.1.1 關聯關系挖掘分析內容 159
8.1.2 關聯關系挖掘分析方法 160
8.1.3 關聯關系挖掘分析基礎概念 161
8.2 事務數據集構建 163
8.2.1 事務數據集構建流程 164
8.2.2 連續屬性離散化 165
8.3 基于關聯規則的預警目標關聯關系分析 167
8.3.1 基于Apriori的頻繁項集挖掘分析 167
8.3.2 基于FP-Growth的頻繁項集挖掘分析 168
8.3.3 基于GSP的頻繁項集挖掘分析 168
8.3.4 基于PrefixSpan的頻繁項集挖掘分析 169
8.3.5 幾種方法比較 170
8.4 預警目標關聯關系分析算法效果試驗 171
8.4.1 試驗環境數據來源 171
8.4.2 共現模式關聯關系分析效果 171
8.4.3 序列模式關聯關系分析效果 172
8.4.4 算法的適用范圍分析 173
8.5 本章小結 173
第9章 預警情報智能分析平臺構想 174
9.1 平臺的總體規劃 174
9.1.1 基于Hadoop的分布式數據存儲 175
9.1.2 基于Spark的分布式并行計算 176
9.1.3 基于Ambari的平臺監控管理 177
9.1.4 基于ZooKeeper的平臺高可用 179
9.2 構建物理上平等、管理上分層的組織架構 180
9.2.1 全國級分析中心 180
9.2.2 區域級分析中心 181
9.2.3 部隊級分析中心 181
9.3 搭建安全穩定、高可擴展的云架構 182
9.3.1 物理支撐層 182
9.3.2 云操作系統層 183
9.3.3 基礎應用層 184
9.3.4 應用層 184
9.4 梳理高效、完善的數據處理分析流程 184
9.4.1 數據收集整編 185
9.4.2 數據存儲管理 186
9.4.3 數據挖掘分析 186
9.4.4 目標研判識別 187
9.5 本章小結 187
參考文獻 188
新書資訊