[發明專利]一種認知信息對抗中深度置信網絡情報提取裝置及方法

在審

• 申請號: 201811004115.2
• 申請日: 2018-08-30
• 公開（公告）號: CN110874603A
• 公開（公告）日: 2020-03-10
• 發明（設計）人: 關慶陽
• 申請（專利權）人: 沈陽航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種認知信息對抗中深度置信網絡情報提取裝置，其特征在于：該裝置包括DBN網絡深度學習平臺、前端多源傳感器、數據存儲器；所述DBN網絡深度學習平臺采用數字芯片Xilinx FPGA V6芯片XC6VHX255T-2FFG1155C實現，用于完成高速多信息處理與融合；所述前端多源傳感器為1×N傳感器陣列，包括若干圖像傳感器和若干激光雷達傳感器，用于獲取目標特征；所述數據存儲器FLASH AT24C02為DBN網絡深度學習平臺外部可擴展的存儲芯片，用于存儲前端多源傳感器采集信息；通過XC6VHX255T-2FFG1155C芯片可擴展的Aurora的電口和萬兆網絡光口連接前端多源傳感器；

通過DBN網絡的FPGA深度學習平臺ALU單元，形成具有特性權值功能的網絡模塊，并且通過模塊之間的通信傳遞，形成深度學習網絡的通用IP軟核；通過XC6VHX255T-2FFG1155C芯片可擴展的Aurora的電口和萬兆網絡光口，獲取目標特征的高速數據流數據，形成高速無縫數據連接；通過DBN網絡深度學習平臺外部可擴展的FLASH存儲芯片，形成具有特征的知識庫，形成快速的信息知識識別訪問。

2.根據權利要求1所述的認知信息對抗中深度置信網絡情報提取裝置，其特征在于：所述圖像傳感器采用海康DS-2CE16C3T-IT3型號，激光雷達傳感器采用VelodyneHDL-64E型號。

3.一種認知信息對抗中深度置信網絡情報提取方法，其特征在于：該方法采用權利要求1所述的認知信息對抗中深度置信網絡情報提取裝置實現，利用DBN網絡深度學習平臺中的軟件程序實現認知信息對抗中深度置信網絡情報提取，具體方法如下：

步驟1：前端多源傳感器實時采集海量的目標特征數據；前端多源傳感器連接DBN網絡輸入層，通過輸入層將原始信息上傳；

步驟2：針對數據流的處理，在靠近底層海量數據使用貝葉斯信念網絡(DeepBoltzmann Machine，簡稱DBM)，即有向圖模型，層中節點之間沒有連接，而在最遠離部分使用限制玻爾茲曼機(Restricted Boltzmann Machine簡稱RBM)；

步驟3：通過結合DBM和RBM，增加隱藏層的層數，得到DBN，多層RBM與DBM形成DBN；DBN網絡被“限制”為一個數據層和一個隱層，層間存在連接，但層內的單元間不存在連接；

步驟4：建立DBM網絡；

隱層單元被訓練去捕捉在數據層表現出來的高階數據的相關性，該部分由DBM構成，通過概率轉移雙向刻畫數據特征；最頂網絡構成數據相關、融合性能，一個DBM的連接是通過自頂向下的生成權值來指導確定的；

步驟5：訓練概率生成模型DBN的權值；

DBN深度學習網絡通過非監督貪婪逐層方法預訓練獲得生成DBN模型的權值，獲得海量偵察數據的初步特征，初步特征包括信噪比、信道模型、調制方式、雷達參數、視覺參數；在該訓練階段，在海量數據層產生一個向量，通過該向量將多源數據的特征值傳遞到隱層；反過來，所形成的權值會被隨機的選擇，以重構原始的輸入數據；

步驟6：更新及獲取權值，新多源數據的表達特征激活單元將向隱藏層網絡傳遞激活單元，獲得新的權值；

通過深度權值訓練，在訓練過程中，首先將初始特征向量值傳遞給隱藏層單元；然后由隱藏層單元重建特征向量；這些重構的特征向量再次映射給隱藏層單元，獲取新的隱藏層單元；通過增加網絡的層數改變訓練數據的概率，通過雙向數據層與隱層的多次迭代，獲得越來越接近海量數據特征的真實表達，進而獲得高層次的信息特征；

步驟7：獲得數據輸出判決；

在數據流的最高兩層，通過數據特征向量分類融合，通過頂層的融合函數，融合相鄰近的特征信息；通過訓練數據獲取海量數據學習特征標簽集，將海量數據學習特征標簽集附加到頂層，同時DBN利用鄰域的相關關系，達到生成模型的特征變換不變性，而且更容易得變換到高維特征，形成高精度的海量偵察數據的分析情報信息。