0 引 言
电磁空间包含了陆、海、空、天等多域的环境与目标信息，通过对电磁空间信息的深度加工与利用，能够实现对电磁空间环境中的各类目标的特征、属性、行为、趋势等决策信息的获取，对电磁空间态势感知具有十分重要的意义［1-3］。电磁空间数据的表征技术正随智能化的发展而不断进步［4］。在电磁空间数据特征建模技术方面，多聚焦时域［5］、时频域［6］、混合域［7］等特征信息取得了较多进展。
时域特征建模方面，在雷达辐射源识别中，以电磁信号的均值、标准偏差、偏度和峰度等数据作为关键特征［8］。在高精度辐射源识别中，以雷达脉冲包络前沿波形等数据作为关键特征［9］；在雷达体制识别中，以雷达辐射源的瞬时频率等数据作为关键特征［10］；在蓝牙设备识别中，以信号包络曲线的持续时间、积分面积、最大斜率、峰度和方差等数据作为关键特征［11］；文献［12-13］在通信辐射源识别中，以非稳定和非线性信号的瞬时参数［12］、电磁信号的峰度和偏度［13］等数据作为关键特征；在调制识别中，以累积分布函数来统计信号幅度分布曲线等数据作为关键特征［14］。
频域特征建模方面，在雷达辐射源个体识别中，以信号频域分布密度［15］、循环谱的零频率切片［16］等数据作为关键特征。在调制特性识别中，以相位谱等数据作为关键特征［17］；在低信噪比识别中，以双谱等数据作为关键特征［18］；在通信辐射源个体识别中，将信号功率谱等数据作为关键特征［19］；在通信辐射源分类中，以接收信号的频谱等数据作为关键特征［20］。
时频域特征建模方面，在高抗噪性分析中，以小波变换后低频系数能量分布熵与去噪后计算的高频系数能量分布熵等数据作为关键特征［21］。在调制信息差异挖掘中，以基于小波变换的局部判别基专家特征数据作为关键特征［22］；在识别精度优化中，以瞬时专家特征的精确估计等数据作为关键特征［23］；在辐射源个体识别中，以希尔伯特-黄变换、傅里叶变换、魏格纳-威利分布、矩形积分双谱［24］、时频能量谱、边缘谱［25］等数据作为关键特征。
混合域特征建模方面，在无监督辐射源的个体识别中，以观测信号的双谱直方图专家特征等数据作为关键特征［26］。在未知雷达辐射源识别中，以雷达字特征构建区间灰关联的专家知识数据作为关键特征［27］；在信号特征深度分类中，以瞬时特征、统计特征、频谱特征以及形成的联合向量数据作为关键特征［28］；在特定信号场景分析中，以信号参数统计、高阶统计量和循环平稳等3类数据作为关键特征［29］；在卫星通信辐射源指纹识别中，以小波特征、高阶谱特征、分形特征等数据作为关键特征［30］。
在众多建模方法中，多数需要结合电磁空间信号本身的物理属性来实现目标实体的特征建模，该方法在特征数据的获取平台、参数含义、组织运用等方面具有较强针对性。但面向如跨域体系协同的复杂任务中，较窄的特征建模范围，难以对电磁空间各类实体进行深度特征提取与关联，具有一定的局限性。因此，从海量数据中挖掘隐藏的非显性信息，并构建统一的语义表达体系，以支撑数据的整合共享、关联分析与深度挖掘，已成为电磁信息组织利用领域亟待突破的关键问题［31-32］。知识组织技术为破解这一难题提供了新范式，通过融合特征级和行为级两类数据源，构建一个形式化、可计算、统一的知识基础，是解决该类问题的重要技术方法［33-34］。
1 电磁空间数据类型
电磁空间数据的有效组织与建模是后续深度开发利用的基础，以雷达信号为例，可对电磁空间数据按照特征级和行为级两个层次进行组织建模，以实现更有效的开发与应用［35］。
1.1 特征级建模
1.1.1 电磁空间信号的特征参数
电磁空间环境是雷达等感知系统所处的信号空间，其核心要素为各类辐射源信号［36］。为系统性地描述与识别这些信号，需构建一个多维度的特征参量体系，包括雷达基本参数、发射机/接收机频率、天线信息、时域及频域特征等。在此基础上，通过综合运用上述参数，能够对电磁空间环境进行更为全面和深入地解析。如表1所示。
表1 电磁空间信号特征表
类型电磁空间信号特征雷达基本参数装备编号、部署方位、敌我识别、待机状态、收发类型等发射机信息发射功率、射频类型、脉冲间隔类型、脉冲宽度、脉冲间隔、损耗等处理增益、接收机灵敏度、接收机带宽、带外响接收机信息应、判决门限等天线类型、天线增益、方位角、俯仰角、波束宽天线信息度、极化类型等I/Q信号、包络、均值、方差、偏度、峰度、瞬时相时域特征参数位、瞬时幅度等频域特征参数频谱、功率谱、循环谱、相位谱、高阶累积量等
典型的电磁空间内所涉及的数据项，通常可定义为某一特定辐射源在特定时间段内所产生的多条信号参数记录的集合。此时的电磁空间信号的特征参数多为库表类型的结构化数据。各数据项的描述以数值类数据为主。如表2所示。
表2 信号特征数据对象样例
属性采样数据对象1采样数据对象2时间3∶15∶113∶16∶27频率/Hz9 989.29 964.55 684.95 765.2脉冲重复周期/ns脉宽/μs3.583.76带宽/MHz31.429.8功率/dBm5.64.7
1.1.2 信号特征建模
电磁信号图谱的本体模型可形式化地定义为三元组O = {C, P, R}，其中，C（概念集合）:表示实体类型的集合，例如泛化的“信号”本体及其各类参数本体（如频率、脉冲重复周期、脉宽、带宽等）。P（属性集合）:表示实体具体属性的集合，例如某条信号实例的带宽取值。R（关系集合）:表示概念之间关联关系的集合，例如“信号”实体与其“脉宽”参数之间的“具有”关系即在此定义。如图1所示。
图1 电磁信号本体构建
针对己经进行预处理的电磁空间数据，将其构建为三元组形式，并存储于Neo4j图数据库中。
1.2 行为级建模
1.2.1 电磁空间目标的行为特征
电磁目标行为特征表征了辐射源在执行任务时所呈现的工作模式及其背后的战术意图。通过解析这些行为模式，能够有效研判其当前活动状态并评估其技术能力［37］。
行为级特征通常以参数级特征为基础，以某辐射源在某一段时间内的若干条行为描述数据组成为例，电磁目标行为的特征要素多为文档类型的非结构化数据，各数据项的描述以文本类数据为主。如表3所示。
表3 行为要素数据对象样例
空域搭载平台力、通信能力等雷达意图类型电磁空间目标行为范围名称、区域方位、气候特性、电磁环境特性、监活动区域测手段等坐标方位、栅格分布、移动轨迹、相对位置、活动规律等地形、地貌、气象条件、海洋条件、环境复杂度、电环境复杂度磁设备等飞行高度、续航能力、载荷能力、探测范围、生存能装备编号、部署方位、敌我识别、待机状态、收发类雷达参数型等开机搜索、持续跟踪、波束扫描、行为策略、活动规雷达行为律、任务协同等技能提升、系统测试、预警探测、决策支持、情报收集等
1.2.2 行为特征建模
为满足复杂应用需求，需对电磁目标行为中的实体与关系进行梳理，以构建一个清晰、规范的体系，为该领域的知识建模与应用确立基础，部分行为特征的文本描述如表4所示。
表4 行为属性要素示例
类型电磁空间目标行为活动区域北17′纬103"°57′44"～3°59′00"，东经112°16′25"～112°空域空以点5 0A00为 m中心，半径20～50海里的圆形区域，中高环境复杂度热降雨带和天短气时系大统风多，变影，响局海部空对视流野旺与盛通，易联产生突发性最大航速:约 850 km/h巡航速度:约 650～750 km/h搭载平台实用升限:约 10 000～12 000 m最大航程:约 7 000～9 000 km续航时间:约 8～12 h方位角:360°；俯仰角:± 60°雷达参数距离分辨率≤15 m；方位分辨率≤1.5；测角精度≤0.2°工作带宽≥500 MHz有源电子扫描（AESA）雷达行为对高精高度威数胁据目标:分配更长波束驻留时间，以获取更对低威胁目标:采用短促扫描，维持基本跟踪即可生存与适应性意图:通过采用低截获概率模式、智雷达意图探能测跳频任务等被的动同侦时测，最与大主限动度抗地干隐扰匿策自略身，在、抵有御效干完扰成，确保在对抗环境下的持续生存与有效运行
目标“行为级”特征的文档类数据需要进行计算处理，转化成计算机可识别、量化的形式。处理流程中，在“特征级”本体中抽取实例与三元组等结构化断言，并通过预先定义一个标准化的结构描述，实现为每一类行为特征创建了一张计算机可读的“行为级”特征表示模板；后将“行为级”特征文档表示为高维稀疏向量，并通过深度神经网络学习到行为级特征文档的各类复杂关系与深层语义，提高电磁空间行为级数据的利用效率。处理逻辑如图2所示。
图2 文本数据计算表达流程图
行为特征采用与信号特征建模相同的方式完成行为特征领域的本体库构建，电磁空间目标行为图谱如图3所示。
图3 电磁空间目标行为图谱
行为级数据以特征级数据为基础，包含更加丰富的信息，是具有战术决策支撑潜力的数据资源。
1.3 电磁空间数据类别框架
电磁空间是一种客观物理环境，除雷达信号外还包含了如自然电磁辐射、工业电磁辐射、人为电磁干扰等各类自然或人为情况。因此，需要统一设置电磁空间内的数据描述。具体可从辐射源、传播环境和电磁信号3个方面进行描述:1）辐射源主要包括各种用频装备以及任何自身辐射形成的广义辐射源；2）传播环境主要包括对电磁空间产生任何影响的人工传播介质和自然传播介质；3）电磁信号主要包括辐射电磁信号和散射电磁信号。此外，还可进一步考虑用频装备的电磁空间环境的复杂度；将电磁环境从简单到极度复杂分为5个等级。统一电磁空间数据类别描述框架如表5所示。
表5 电磁空间数据类别描述框架
类别辐射源传播环境电磁信号用频复杂度频谱占用率发射功率信号强度天线增益电场强度信噪比频率密度磁场强度时间占用度特征级方向性图功率密度调制误差率空间分布均匀度波束宽度效率误码率（数值）相位中心频谱占用度带宽空间信号密度电磁环境电平信号强度动态范围极化纯度…星座图互调干扰潜在度………地形地貌雷达型号大气水文背景环境信号纯净电磁环境预警机型号有意干扰信号简单电磁环境行为级通信终端型号电波传播环境目标回波信号轻度复杂电磁环境（本文）用频设备电抗装备型号辐射源装备民用通信信号中度复杂电磁环境………重度复杂电磁环境
2 电磁空间信号的数据组织方法
数据关联是大数据分析、多源信息融合等学科领域的一项共用基础技术［38］，准确识别出电磁空间中目标实体的关键上下文，是形成“特征-行为”高质量数据产品的重要基础。通过3个处理环节实现:1）关键上下文界定。首先利用电磁目标本身的特征词筛选模型构建电磁信息内容的上下文信息库，并对上下文进行语义分析，选出与电磁目标相关的上下文。2）数据解析。用语义计算方法对电磁目标相关上下文进行信息抽取。3）关联图谱构建。通过基于规则过滤以及神经网络模型对信息中特征词内容进行抽取标记和关联，实现对电磁目标及其上下文信息的融合，完成电磁目标及其上下文语义加强的知识图谱的构建。
2.1 电磁空间关联数据界定
2.1.1 电磁信号数据上下文定义规则
为得到目标实体的关键上下文，需要对电磁目标的上下文范围进行明确规定，包括对两类信息进行提取:1）关联特征数据源。当出现与电磁目标相关的场景、平台、能力等关联特征与属性描述时，将此数据对象确立为电磁目标的关键字，同时扩展至此数据对象所在的将整张库表范围纳入电磁目标上下文关联数据的重点区域。2）关联行为数据源。相关电磁信息内容所包含的主要是有关装备、系统的整体行为类信息。当信息中出现与任务层级中内容相同实体时将此数据对象确立为电磁目标行为的关键字，同时扩展至此数据对象所在数据源文档整个纳入关于电磁目标上下文关联数据的具体范围。当检索到以上两类特征信息时，以特征数据所在的存储库表和行为数据所在的文档为电磁目标上下文索引区域，该数据对象所在的文件为上下文关联信息。
2.1.2 电磁信号关联数据构建
在实现方法上通过基于TF-IDF算法将特征级数据、行为级数据字符串转换为向量。首先对文本进行预处理，包括去除停用词、标点符号、数字、词干化或词性还原，以确保在计算时考虑的是语义上的相似性。然后对每个文档计算TF-IDF值，其中TF为某个词在当前文档中出现的频率，IDF为包含该词的文档在整个文档集合中的稀有程度，TF-IDF的计算公式为
将标题、内容去掉停用词后的词向量共同构成查询集合D，文本中所找到的待比较句子为d，同时对分母进行平滑处理，避免出现分母为0的情况。利用计算得到的TF-IDF权重将每个特征/行为描述表示为一个向量。特征/行为描述向量的维度等于文档集合中的唯一词语数目。在利用TF-IDF算法将字符串转换为向量后，利用两向量间夹角可衡量其相似性。
式中，a为比较向量即主题名称和具体内容相关的词向量，b为被比较向量即上下文相关词向量，A、B分别为向量a和b在第i维上的分量，通过上述公式设置相似性阈值，如k＝0.9来过滤无相似性的特征/行为描述信息，将k＞0.9的特征/行为描述信息确定为上下文关联数据。
2.2 基于ALBERT-BiLSTM-CRF模型的电磁空间数据解析方法
采用ALBERT-BiLSTM-CRF模型结构对电磁空间信号的语义进行结构化处理，实现实体与关系的抽取。如图4所示。将序列化的电磁信号数据作为模型的输入，输出为相应的注释序列，输出采用“BIO”标注。其中，B表述为实体的开头，I表述为实体的中间，O表述为非实体。在处理流程中，每个字符输入由ALBERT模型转换为向量形式，并将输出的向量再作为BiLSTM的输入，用以实现对上下文特征的提取。后将输出的特征向量作为CRF的输入，用以实现输出标签的预测。
图4 ALBERT-BiLSTM-CRF模型处理结构图
通过该模型架构生成的结构化信息以三元组形式输出，即（a,r,b）。其中，a和b分别用于表示实体，r用于表示实体a、b间的关系。通过以上处理步骤便可将非结构化的上下文信息转化为结构化的三元组信息。
2.2.1 ALBERT模型
ALBERT模型是一种改进的Transformer架构模型，旨在减少资源消耗的同时保持高性能的语言表示能力。ALBERT的核心贡献在于，显著减少参数数量、降低内存消耗并提升训练与推理效率的同时，致力于维持甚至提升模型在下游NLP任务中的性能表现，从而为大规模预训练语言模型的普及与应用提供了更可行的解决方案。
ALBERT模型的输入表征由3个嵌入向量求和构成:词元嵌入（Token Embedding）、段落嵌入（Segment Embedding）和位置嵌入（Position Embedding）。该复合表征被用于模型的预训练过程，其任务之一即是下一句预测。ALBERT模型在输入序列的开始处添加特殊［CLS］来标记句子的开始,用［SEP］标记句子的结束。图5的样例为输入“［CLS］敌方在X频段实施了持续的高强度辐射［SEP］随后我方雷达系统出现间歇性干扰［SEP］”，对序列输入ALBERT模型的变化过程进行了表示。
图5 ALBERT 输入过程图
图6 BiLSTM网络结构图
2.2.2 BiLSTM模型
BiLSTM是一种深度学习模型，它将LSTM模型的双向思想和长短时记忆网络的思想结合起来，使用了两个独立的LSTM网络，分别对序列的正向和反向进行处理。这样可以让模型在处理序列时同时考虑上下文的正向和反向信息，提高了模型的泛化能力。
BiLSTM模型引入了两个方向的隐藏状态，一个从左到右(正向)，另一个从右到左(反向)，这两个方向的隐藏状态分别捕捉了当前时刻之前和之后的信息，使得模型能够更全面地理解输入序列。对于输入序列中的每个时间步，BiLSTM模型分别处理正向和反向的输入序列，产生正向和反向的隐藏状态，这两个方向的隐藏状态通过连接或拼接的方式传递给后续层或任务，消除了长文本引起的梯度消失和梯度爆炸的问题。BiLSTM模型的网络结构图如6图所示。
2.2.3 CRF模型
条件随机场是一种判别式概率无向图模型，特别擅长对序列数据进行标注和分割。其核心优势在于能够综合考虑观测序列本身的特征以及输出标签之间的上下文依赖关系，从而做出全局最优的标签序列预测。这一特性使其非常适合于电磁频谱这种具有强时空关联性的数据。
CRF模型采用Viterbi动态规划算法进行解码，以寻求整个标注序列的全局最优解，而非一系列局部最优的独立标签。将CRF模型用于学习标签之间的约束关系，以预测实体标签。标签可包括辐射源身份、工作状态、威胁等级、行为意图等数据类型。其结构如图7所示。
图7 CRF网络结构图
设总标签数为l,n×（p+q）大小的特征融合向量T={T1,T2,…,Tn}通过全连接层处理后被转换成n×l大小矩阵N={N1,N2,…,Nn},公式如下:
式中，Ni为第i个特征融合变量；WT为训练权重矩阵；Ti为第i个输出标签；b为偏差值。CRF引入了一个转移矩阵A，其中Aij表示标签i到标签j的转移概率。对于输入的句子x，输出标签序列N={N1,N2,…,Nn}的得分被定义为
CRF解码阶段的核心是寻找全局最优的标注序列。该过程通过Viterbi算法计算所有序列y的条件概率得分，并以此确定概率最高的唯一序列作为命名实体识别的输出。
因此，在将目标电磁空间领域信息输入ALBERT-BiLSTM-CRF模型结构后，字符经过AL-BERT层转化为向量形式，经过BiLSTM层进行上下文特征提取，并输出特征向量，后经过CRF层对特征向量进行规范，学习标签间约束关系并输出预测标签。由此将各类结构与非结构化上下文信息转化为结构化的三元组信息进行输出。
2.3 电磁信号及关联数据图谱构建方法
电磁空间数据图谱能有效地对目标、设备平台等对象进行精准的分析，发现新的潜在关联知识和推动电磁信息资源应用于雷达、探测与对抗等场景，并能驱动高精度可信电磁数据空间的构建。在海量的电磁数据中特征数据和行为数据是两类重要的数据。通过合并结构化与非结构化的两层信息内容来构建新的语义增强知识图谱。
该方法的主要过程将基于行为要素文本构建的非结构化知识图谱作为源图谱G1，并将其嵌入到由结构化特征数据库表构成的目标图谱G2中。其中，Q代表G1与G2中所有实体与关系的嵌入向量集合。
该过程的目标函数为
首先对源知识图谱G1中的实体与关系嵌入公式为
式中，（a,r,b）为源知识图谱G1中的三元组，通过计算余弦相似度进行实体对齐，其中相似性阈值为K=0.9，当K>0.9时表明实体含义相同，重命名为相同的名字（h,r,l）为实体关系三元组，h表示头实体,r表示关系，l表示尾实体。同时用同样的方法，将含义相同的两种关系进行对齐，为后续将两个知识图谱关系嵌入在同一个向量空间中做准备。最后，使用TransE模型对源知识图谱中的实体和关系进行嵌入。基于TransE模型的方法对知识图谱进行单独的表示学习来获得相应的实体和关系向量，通过实体对齐的判断将他们投影到统一的向量空间中。
本方法通过已有的实体关系来整合两个图谱所包含的信息，对目标图谱G2中的关系和实体进行嵌入，G2中的部分实体与G1中的部分实体有链接关系，记为M={(k,l)|k}。其中，k为G1中对应的实体，l为G2中对应的实体，如式（10）所示:
式中，（a,r,b）为目标知识图谱G2中的三元组，a,b为实体，r为a,b实体间关系。由此实现对电磁空间知识图谱中结构化库数据和非结构化文档数据的融合。
3 电磁空间信号的知识服务应用
3.1 知识服务设计
电磁空间语义图谱是提供高质量专业智能问答的关键［39-40］。在应用构建上主要分为3个层次:1）问题理解，将用户的问题通过深度学习转化为Cypher语句。2）查询构建，基于模型对用户问句的语义理解，自动生成相应的Cypher查询语句。该语句在Neo4j图数据库中执行后，所得结果将以知识图谱或自然语言的形式返回给用户。3）回答反馈，系统通过识别用户意图，映射并定位至知识图谱中的答案节点，经结果筛选后，最终将答案合成并返回至前端。
问答算法的核心涵盖两大模块，即对用户查询进行语义解析与转义、基于电磁空间信号图谱进行语义信息检索，关系如图8所示。
图8 电磁空间数据智能问答处理流程
3.1.1 问题理解
为了实现用户询问意图的准确理解，需要收集各类用户提出的问题数据集，并进一步对数据集进行细致的语义标注工作，通过深度学习模型的方法可将用户语句转换为知识图谱中的Cypher查询语句。建立用户问题表达与知识图谱查询之间的映射，以准确捕捉用户提问的意图，从而实现对用户问题的准确理解和回答，如图9所示。
图9 Cypher查询示例
3.1.2 查询构建
查询过程始于对用户问题的语义解析，进而自动构造出对应的Cypher查询语句。该语句在Neo4j图数据库中被执行后，其返回结果将以可视化图谱或自然语言文本的形式呈现给用户。部分Cypher语句返回节点如表6所示。
表6 部分查询节点
问题举例图谱查询结果活动提供区域目标方位具有活值动区域具有值雷达提参供数目标情况分≤距≤测精辨1离50度角■率.m25带°0工0宽具具■M作有有≥H具z属属有分性方性≤属辨性具1有位属性.率5参雷数达
3.1.3 回答反馈
在找到答案节点后，系统会将这个最终选定的答案节点，通过特定的语句拼装过程，转化为用户容易理解的答案形式，然后返回给前端用户。部分用户查询返回结果如表7所示。
表7 用户查询返回示例
用户查询查询响应目标正在北纬3°57′44"至3°59′00"、东经112°16′25"至112°17′10"海域，以点A为中心半径20~50海里空域内，于约5 000 m高度持续活动。其搭提供目标载平台航速快、留空时间长，具备较强的机动与持A的当前久作战能力状态目标行为模式表现出明确的生存与对抗意图，旨在通过低截获、智能跳频等综合电子战措施，在完成侦察任务的同时最大限度隐匿自身、规避反制。建议予以重点关注并制定相应电子对抗与压制方案
3.2 能力增益分析
以雷达预警场景为例，采用语义增强图谱后的情报雷达能够在更广域的信息空间中实现对目标的分析与追踪，实现更为高效的目标识别、态势分析与资源规划等能力［41-44］。一是在注入图谱后，先验信息的特征级信息获取更加完备，可提升目标识别的准确度。二是基于雷达、平台、型号等实体关联，实现从信号到平台的复杂行为关系识别，进而推测敌方意图，提升综合态势认知能力。三是面向多雷达、多任务的异构图网络，以知识驱动优化调度算法，提升雷达资源调度和任务筹划效率。如图10所示。
图10 基于语义图谱的雷达系统能力增益示意图
3.2.1 目标识别能力优化
在雷达目标识别智能化处理中，“特征提取+分类器”是电磁目标识别的主要方法，采用“特征-行为”语义图谱能够有助于处理不同雷达领域数据之间的关系，把不同时空、环境、平台以及各类专用场景下雷达数据集之间的关系转换到统一的逻辑空间中进行计算［45-46］。避免了一般性的大规模盲选数据和基于专家经验的领域特征设计，有效地提升目标识别分类器训练的精度与可靠性。
应用策略:1）根据雷达业务场景的数据资源，采用“行为-特征”语义组织方法来完成领域智能图谱构建，关键实体包括载波频率、频率带宽和时间宽度等，以该模式准确描述各类雷达数据集之间的关系。2）应用“行为-特征”语义图谱中的信息为特定任务构建精确数据集。通过图谱来对各类数据集的关系进行关联，完成图谱的网络结构中实现子图与领域数据集的关系对应。3）通过“行为-特征”语义图谱对目标识别业务域的关系建模，实现对目标数据集的划分与组织，根据目标识别特征组合，将关联的领域数据集纳入一类目标识别子模型的训练，得到与目标识别业务关联的一组目标识别子模型。4）对于发现目标，根据图谱关系选用关系度最高的一组识别子模型进行识别，能够有效地提升目标的特征融合程度与识别精度，提升雷达识别能力。
3.2.2 情报综合能力优化
当前雷达的体系类型与功能应用正日趋复杂。对雷达探测感知的信息进行解析和推理是提高战场情报综合的重要手段［47］。例如通过实例化不同的武器装备，关联不同的武器装备要素信息，能够帮助指挥机关快速获取目标装备信息并迅速评估综合实力。图谱本身可作为环境，支撑Agent学习在图谱中如何实现导航来完成态势推理的任务。
应用策略:1）将“特征-行为”语义图谱中的实体和关系转化为embedding模型表示的向量。2）设计基于强化学习的推理模型，对Agent的状态、动作进行定义，智能体的当前状态是图谱中的一个子图，将Agent与图谱进行动态交互的环境建模为MDP。3）针对Agent的路径选择历史构建出策略网络。在策略网络框架下以曼哈顿距离来表征奖励函数并完成模型训练，后利用训练好的Agent策略网络来处理待推理的领域图谱，挖掘情报深层次关系。
3.2.3 任务调度能力优化
雷达任务调度的效率直接影响作战指挥的精确性和响应迅捷性［46］。在智能计算的基础框架下，采用“特征-行为”语义图谱可驱动算法根据任务规划与资源调度类筹划问题进行动态调整策略，通过图谱化的全局信息，可在计划时间内完成筹划任务，实现调度策略的自适应求解。同时，此方法对不同体制雷达任务调度问题具有较好的适应性。
应用策略:1）采用“特征-行为”图谱数据组织对雷达任务间的约束关系以及雷达与任务之间的关联信息进行精确建模。2）同时可将雷达任务调度与资源优化的具体问题建模为图结构，通过谱分析对目标全局信息进行计算。3）结合在知识应用服务中设计的问题引导解和经验解构成的上下界信息来减少搜索空间，快速收敛到最佳方案。
4 结束语
针对海量电磁空间数据的高效组织利用，本文提出了一种新的数据组织方法。首先，对电磁空间业务需求进行分析，得到满足特征级、行为级业务数据建模的具体数据项；然后利用ALBERT-BiLSTM-CRF模型结构来对电磁空间信号的语义进行结构化处理，实现实体与关系的抽取。最后，将抽取的实体来构建领域知识图谱。本方法能够有效地解决电磁空间数据语义转化为清晰、准确的响应序列输出问题，且具体的雷达应用场景确定了本方法的可行性。
［1］ 韩筑春.电磁空间作战:智能化战争新样式［N］.解放军报，2025-10-15（7）.
［2］ 张伟，李想，翟志凯，等.复杂环境下电磁目标信号认知处理架构与应用研究［J］.电子科技大学学报，2024，53（1）:40-49.
［3］ HUANG Yang,CUI Haoyu, HOU Yuqi, et al. Space-Based Electromagnetic Spectrum Sensing and Situation Awareness［J］. Space: Science & Technology, 2024, 4:0109.
［4］ 董超，崔灿，贾子晔，等.面向低空智联网的多维信息统一表征技术综述［J］.电子与信息学报，2025，47（5）:1215-1229.
［5］ ZHANG Yanming, GAO S, JIANG Lijun. A Hybrid Algorithm to Dual Sparse Sampling Measurement in Time-Resolved Electromagnetic Near-Field Scanning［C］//2024 IEEE International Symposium on Electromagnetic Compatibility, Signal & Power Integrity, Phoenix, AZ, USA:IEEE, 2024: 71-75.
［6］ ZHU Xinyi, CROCKETT B, et al. Agile Manipulation of the Time-Frequency Distribution of High-Speed Electromagnetic Waves［J］. Nature Communications, 2024, 15(1): 8942.
［7］ LI Yu, SHI Xiaoran, TAN Haoyue, et al. Multi-Representation Domain Attentive Contrastive Learning Based Unsupervised Automatic Modulation Recognition［J］. Nature Communications, 2025, 16(1): 5951.
［8］ WANG Xueli, ZHANG Yufeng, ZHANG Hongxin, et al.Identification and Authentication for Wireless Transmission Security Based on RF-DNA Fingerprint［J］. EURA-SIP Journal on Wireless Communications and Networking,2019(1): 1-12.
［9］ 王宏伟，赵国庆，王玉军.基于脉冲包络前沿波形的雷达辐射源个体识别［J］.航天电子对抗，2009，25（2）:35-38.
［10］ 章建辉，黄高明，李敬辉.利用瞬时频率提取雷达辐射源特征的新算法［J］.航天电子对抗，2008，24（5）:36-39.
［11］ UR REHMAN S, SOWERBY K, COGHILL C. RF Fingerprint Extraction from the Energy Envelope of an Instantaneous Transient Signal［C］// Australian Communications Theory Workshop,Wellington, New Zealand:IEEE, 2012:6164912.
［12］ DENG Shouyun, HUANG Zhitao, WANG Xiang. A Novel Specific Emitter Identification Method Based on Radio Frequency Fingerprints［C］// 2nd IEEE International Conference on Computational Intelligence and Applications, Beijing, China:IEEE,2017:8167241.
［13］ XU Shuhua，YIN Weihua，HUANG Benxiong. Novel Method for Estimating the Instantaneous Parameters of Radio Transmitter Signals［C］// 2007 9th International Symposium on Signal Processing and Its Applications,Sharjah, United Arab Emirates: IEEE, 2007: 4555495.
［14］ XIANG Lin, ELDEMERDASH Y A, DOBRE O A, et al.Modulation Classification Using Received Signal’s Amplitude Distribution for Coherent Receivers［J］. IEEE Photonics Technology Letters, 2017, 29(21): 1872-1875.
［15］ LI Lin, JI Hongbing. Radar Emitter Recognition Based on Cyclostationary Signatures and Sequential Iterative Least-Square Estimation［J］. Expert Systems with Applications, 2011, 38(3): 2140-2147.
［16］ JIANG Wenli, HUANG Zhitao, ZHENG LIU, et al.Frequency-Domain Distribution and Bandwidth of Unintentional Modulation on Pulse［J］. Electronics Letters,2016, 52(22): 1853-1855.
［17］ 王涵.通信辐射源调制方式智能识别方法研究［D］.西安:西安电子科技大学，2022.
［18］ 蔡忠伟，李建东.基于双谱的通信辐射源个体识别［J］.通信学报，2007，28（2）:75-79.
［19］ WILLIAMS M D, MUNNS S A, TEMPLE M A, et al.RF-DNA Fingerprinting for Airport WiMax Communications Security［C］// Fourth International Conference on Network and System Security, Melbourne, VIC, Australia:IEEE, 2010:32-39.
［20］ KENNEDY I O, SCANLON P, MULLANY F J, et al. Radio Transmitter Fingerprinting: A Steady State Frequency Domain Approach［C］// IEEE 68th Vehicular Technology Conference, Calgary, AB, Canada:IEEE,2008:1-5.
［21］ 陈韬伟，辛明.基于小波变换的雷达辐射源信号特征提取［J］.信息与电子工程，2010，8（4）:436-440.
［22］ 柳征，姜文利，周一宇，等.基于小波包变换的辐射源信号识别［J］.信号处理，2005，21（5）:460-464.
［23］ 王欢欢，张涛，孟凡玉.基于时频域细微特征的辐射源个体识别［J］.信息工程大学学报，2018，19（1）:23-29.
［24］ 惠周勃，刘伟，王世举，等.基于HHT与正则化维数的辐射源个体识别［J］.信息工程大学学报，2023，24（5）:544-551.
［25］ 王小颖.电子侦察中的调制识别和身份识别［D］.成都:电子科技大学，2022.
［26］ 李昕.基于无监督学习的通信辐射源个体识别技术研究［D］.长沙:国防科技大学，2019.
［27］ 刘凯，王杰贵，吴建飞.基于区间灰关联的未知雷达辐射源智能识别［J］.现代防御技术，2013，41（6）:25-31.
［28］ ZHENG Shilian，ZHOU Xiaoyu，ZHANG Luxin , et al.Toward Next-Generation Signal Intelligence: A Hybrid Knowledge and Data-Driven Deep Learning Framework for Radio Signal Classification［J］. IEEE Transactions on Cognitive Communications and Networking, 2023, 9(3):564-579.
［29］ 李润东.基于深度学习的通信信号智能盲检测与识别技术研究［D］.成都:电子科技大学，2021.
［30］ 江扬帆.基于专家知识的卫星通信辐射源个体识别方法研究［D］.合肥:中国科学技术大学，2023.
［31］ ZHANG Hongrui，CHEN Yanjin, WANG Zhuo, et al. Semantic Regularization of Electromagnetic Inverse Problems［J］. Nature Communications, 2024, 15(5): 3869.
［32］ 薄丹，王凯，刘云升，等.基于时频特征融合的自动调制识别方法［J］.无线电工程，2025，55（11）:2163-2173.
［33］ 贾宗泽，高鹏飞，马应龙，等.基于注意力机制的多特征融合对话行为层次化分类方法［J］.计算机应用，2024，44（3）:715-721.
［34］ 程勇，程遥，王军，等.基于全局-个体特征融合的群体行为识别［J］.计算机系统应用，2024，33（12）:43-54.
［35］ 郭兰图，刘玉超，李雨倩，等.基于时空知识关联性深度挖掘的频谱能量预测方法研究［J］.电波科学学报，2024，39（5）:915-925.
［36］ 陈海永，赵宇琦，刘坤，等.基于数字频谱余晖图的特定辐射源识别［J］.现代雷达，2024，46（8）:1-5.
［37］ 王树亮，李建平，陈林.透视电磁赋能新质杀伤链机理［N/OL］.解放军报，2024-11-18.
［38］ 李天成，谢昱昕，李固冲，等.面向多目标跟踪的数据关联方法研究综述［J］.雷达科学与技术，2025，23（1）:10-31.
［39］ 李高云，旷生玉，杨政，等.电磁目标知识图谱构建技术［J］.电子信息对抗技术，2021，36（4）:1-5.
［40］ 陶诗飞，吴昱江，罗佳，等.基于反障碍距离加权的复杂场景电磁频谱地图构建方法［J］.电子与信息学报，2024，46（8）:3210-3218.
［41］ 杨丽萍，方其庆，胡亚慧，等.细粒度预警装备领域知识图谱本体构建［J］.指挥控制与仿真，2024，46（2）:53-62.
［42］ 李阳，刘奕辰，张亮，等.基于语义引导层次化分类的雷达地面目标HRRP识别方法［J］.信号处理，2024，40（1）:126-137.
［43］ 刘任烨，于凯.面向情报感知的领域知识图谱构建研究与应用［J］.情报理论与实践，2024，47（4）:1-10.
［44］ ZHYRNOV V, SOLONSKA S. Methods for Logical Processing of Images of Radar Objects Marks Based on Semantic Features［J］. Radiotekhnika, 2024(216): 120-125.
［45］ 王沙飞，朱梦韬，李云杰，等.对先进多功能雷达系统行为的识别、推理与预测:综述与展望［J］.信号处理，2024，40（1）:17-55.
［46］ 李浩情，余点，潘常春，等.基于模型知识融合的图神经网络多雷达协同任务调度算法［J］.雷达学报（中英文），2025，14（2）:470-485.