一种大数据智能探测设备辅助增强系统
阅读说明：本技术 一种大数据智能探测设备辅助增强系统 (Auxiliary enhancement system for big data intelligent detection equipment ) 是由 不公告发明人 于 2020-06-29 设计创作，主要内容包括：本发明公开了一种大数据智能探测设备辅助增强系统,涉及人工智能领域,系统包括：离线数据研究中心和在线实时处理系统。离线数据研究中心用于收集存储和管理各型号设备的历史使用数据,并提供数据检索服务；离线数据研究中心还用于执行算法训练更新与研发任务,训练更新已有业务算法模型和研发新的业务算法模型。在线实时处理系统通过接入预设设备产生的探测数据,利用预设设备对应的业务算法模型计算产生计算结果,在线实时处理系统将其计算结果与输入的数据导出送回至离线数据研究中心存储及用于业务算法模型的更新或迭代。本发明实现了算法模型能够较为容易的在设备上进行更新和替换,实现了快速、高效地将新的模型应用到设备中。(The invention discloses an auxiliary enhancement system of big data intelligent detection equipment, which relates to the field of artificial intelligence and comprises the following components: an off-line data research center and an on-line real-time processing system. The off-line data research center is used for collecting, storing and managing historical use data of various types of equipment and providing data retrieval service; the off-line data research center is also used for executing algorithm training updating and research and development tasks, training and updating the existing business algorithm model and researching and developing a new business algorithm model. The online real-time processing system generates a calculation result by accessing detection data generated by preset equipment and utilizing a business algorithm model corresponding to the preset equipment for calculation, and the online real-time processing system exports the calculation result and input data and sends the calculation result and the input data back to the offline data research center for storage and is used for updating or iterating the business algorithm model. The invention realizes that the algorithm model can be updated and replaced on the equipment more easily, and realizes that the new model is applied to the equipment quickly and efficiently.)
技术领域
本发明涉及人工智能领域，具体地，涉及一种大数据智能探测设备辅助增强系统。
背景技术
雷达使用调制波形和方向性天线来发射电磁能量到空间的特定区域以搜索目标。在搜索区域内的物体(目标)会反射部分能量(雷达反射信号或回波)回到雷达，然后这些回波被雷达接收机处理，以提取目标的信息，如距离、速度、角位置和其他目标识别特征。声纳的工作原理也类似，区别在于声纳是利用声音信号在水下的传播特性，发射或接收水下声波信号，然后通过换能器完成声波(机械波)与电磁波之间的转换，以提取目标识别特征。根据雷达和声纳的探测原理可知，从设备接收到的信号波形中提取目标的相关信息，是探测过程中的必要且关键的步骤。目前，最常见方法是采用数字信号处理(DSP)方面的技术手段，对接收到的探测信号进行信号降噪，目标提取，目标谱分析及特征提取等处理过程，并将处理结果实时可视化、可听化呈现，便于使用者及时发现、识别和跟踪目标。
针对雷达、声纳探测面临的挑战和困难，一种新的解决思路和方法是：对于探测目标的信号数据，在数字信号处理方法的基础上，利用大数据挖掘中的深度学习技术，通过数据驱动的方式训练目标分类深度神经网络，用于实现对探测目标的分类识别。
基于海量实际探测数据，使用深度学习技术，将目标的时频信号数据直接作为训练输入。相比传统的基于理论特征的类型识别，这种方法消去了特征提取给分类模型带来的局限性，从数据本身特性出发进行问题求解，根据不同环境不同数据情况可训练不同的模型与之对应，相比传统方法有较大的灵活性和普适性。
但是，在实际探测设备上应用基于数据驱动的深度学习模型还面临很大的挑战。首先，传统设备研制模式遵循算法仿真->硬件系统设计建设->辅助控制软件构建这一路线，相关业务算法软件经过底层编译到FPGA等嵌入式硬件或芯片中，而在这类硬件上重新编写和编译底层算法相比于常规软件编码需要消耗更多的时间，难度更大，尤其是在已经生产定型后的设备上，还会涉及到设备拆装、还原等一系列问题，导致现有应用方式中，设备上的算法模型实现更新和替换并不容易，新的模型应用到设备中的效率低。
发明内容
本发明提供了一种大数据智能探测设备辅助增强系统，目的是为了实现算法模型能够较为容易的在设备上进行更新和替换，以及为了实现快速、高效地将新的模型应用到设备中。
为实现上述目的，本发明提供了一种大数据智能探测设备辅助增强系统，所述系统包括：
离线数据研究中心和在线实时处理系统；
离线数据研究中心用于收集各型号设备的历史使用数据，存储管理收集到的历史使用数据，并为业务算法模型研发提供数据检索服务；离线数据研究中心还用于执行算法训练更新与研发任务，根据离线数据研究中心中的实时数据，训练更新已有业务算法模型和研发新的业务算法模型，离线数据研究中心用于对设备端的业务算法模型应用提供支撑；
在线实时处理系统搭建在各设备端，离线数据研究中心中的业务算法模型通过在线实时处理系统在设备端应用，在线实时处理系统通过接入预设设备产生的探测数据，利用预设设备对应的业务算法模型计算产生计算结果，将计算结果通过可视化显控界面展示，在线实时处理系统将其计算结果与输入的数据导出送回至离线数据研究中心存储以及用于业务算法模型的更新或迭代。
其中，本发明的原理为：深度学***；其次，深度学习模型本身发展相对传统处理算法更快，不断地有新的、性能更佳的模型设计发表出来，因此，如何快速、高效地将新的模型应用到设备中是传统设备普遍急需解决的痛点。本发明基于现有在用设备，配套建设相应的智能探测辅助增强系统，将系统以外部辅助设备的形式连接设备，接收实时数据，然后通过核心业务算法模型计算产生识别结果。此外，还需要建设相应的离线数据存储与处理中心，用于积累存储历史数据，不断迭代优化提升模型，并更新到外部系统中。本发明将业务算法的运行与设备硬件系统分离，通过将探测设备产生的数据流接入本发明系统，在系统中实现业务算法的计算。后续算法的更新只需要在本系统中使用专门的软件模块进行操作即可，不需要拆封原有设备，也不需要在底层嵌入式芯片上进行重新编程开发，实现了算法模型能够较为容易的在设备上进行更新和替换，以及实现了快速、高效地将新的模型应用到设备中。
本发明一方面可以为新的设备研制提供一条可行的路线，另一方面能够为老设备升级改造、性能提升提供一套实际有效的方法。
本发明中的智能探测辅助增强系统是利用大数据人工智能理论与技术手段，建设算法模型与应用系统，用于辅助探测设备快速、准确的发现目标，实现对现有雷达、声纳等探测设备综合探测能力的提升。本系统在不改变原有设备构造的基础上，通过收集对应设备的探测历史数据，构建探测相关的业务算法模型(干扰抑制模型、目标类型识别模型等)，并以应用系统的形式外接到探测设备，实现实时系统应用，进行智能辅助探测。
优选的，离线数据研究中心中的硬件包括若干服务器集群、信号传输设备、运维控制终端和数据业务应用终端，服务器集群通过信号传输设备与运维控制终端和数据业务应用终端连接，若干服务器集群用于实现大数据分布式存储与并行化计算，运维控制终端和数据业务应用终端用于实现离线数据研究中心运行维护与数据分析挖掘。
优选的，在线实时处理系统中的硬件包括服务器机柜和显示单元，服务器机柜与显示单元连接，服务器机柜包括：若干服务器或若干嵌入式芯片和信号传输设备，服务器机柜通过信号传输设备与智能探测设备连接，接收智能探测设备探测生成的数据，基于服务器机柜中的业务算法模型和探测生成的数据计算获得分析结果，将分析结果在显示单元中显示。
优选的，离线数据研究中心中的软件包括：大数据基础平台、大数据管理系统、大数据分析挖掘系统和大数据可视化系统；
大数据基础平台提供分布式数据存储，并行计算引擎，分布式资源管理系统，分布式应用协调服务，以及平台运维管理系统，用于支撑基于平台的其他大数据应用系统；
大数据管理系统用于海量探测数据的导入迁移，海量探测数据的统一存储管理以及高效灵活的检索、查询与使用；
大数据分析挖掘系统用于对海量结构化数据进行分析挖掘以及建模，用于从海量数据中分析挖掘隐藏的信息和知识，提升数据价值发现的效率，实现数据驱动的业务创新；
大数据可视化系统用于对大数据分析挖掘系统产生的建模结果进行业务评估和定制化综合探测态势展示。
优选的，在线实时处理系统中的软件包括：
数据接入采集模块，用于接收智能探测设备产生的实时探测数据；
模型调用计算分析模块，用于调用内置的业务算法模型，实现相应的探测业务；
模型与数据管理模块用于管理在线实时处理系统中所有业务算法模型、探测数据以及计算结果；
显控交互模块，用于连接显示单元，实现在线实时处理系统业务展示与相应的人机交互功能；
存储与资源管理模块，用于对在线实时处理系统中的存储资源以及计算资源进行管理、分配和调度。
优选的，业务算法模型的研发与应用流程为：
收集和标注智能探测设备的探测数据，离线数据研究中心对探测数据统一存储管理；
离线数据研究中心基于中心中的数据构建、训练和验证业务算法模型；
将验证后的业务算法模型导出离线数据研究中心，导入在线实时处理系统；
在线实时处理系统对业务算法模型应用，完成相应业务。
优选的，所述辅助增强系统的使用流程为：
搭建辅助增强系统，搭建完成后在离线数据研究中心研发与验证业务算法模型，利用离线数据研究中心中存储的智能探测设备探测历史数据，构建业务算法模型，并通过离线验证业务算法模型，验证后将业务算法模型导出；
业务算法模型导出后，送往位于设备端的在线实时处理系统，将业务算法模型上传至在线实时处理系统，在线实时处理系统接入智能探测设备数据，调用业务算法模型进行实时探测数据的分析处理，业务算法模型计算结果通过显示单元显示，完成相应的业务功能；
存储业务算法模型的计算结果与输入的数据，将存储的数据导出送回至离线数据研究中心，更新或迭代业务算法模型；
离线数据研究中心更新其存储的智能探测设备相关数据，基于更新后的数据研发新的业务算法模型或更新或迭代正在使用的业务算法模型。
优选的，所述智能探测设备为雷达或声纳探测设备。
优选的，服务器为x86服务器，信号传输设备为交换机。
优选的，业务算法模型为干扰抑制模型或目标类型识别模型。
本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过给现有设备加装大数据智能探测辅助增强系统，避免了研制新型号设备所需的大量时间和资源，能够将资源集中在增强系统的研发建设上，探索实际有效的业务模型以及成熟的应用方式。建设雷达、声纳智能探测辅助增强系统，一方面提升了老设备的智能化程度与实际探测能力，另一方面，从系统建设到核心算法模型构建，都为后续新设备的研制积累了大量的实践经验，有利于设备的发展以及探测效能的提升。使用该系统能够很好地在新老设备上应用最新的深度学习模型，且能够随着环境、时间以及数据的变化快速更新迭代模型，使得探测效果得到保障。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1为大数据智能探测辅助增强系统逻辑结构示意图；
图2为离线数据研究中心硬件结构示意图；
图3为在线实时处理系统硬件结构示意图；
图4为离线数据研究中心软件架构示意图；
图5为在线实时处理系统软件架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一：
本发明实施例一提供了一种大数据智能探测设备辅助增强系统。
系统主要功能：
大数据智能探测辅助增强系统通过大数据人工智能相关理论技术，从数据角度出发构建探测干扰抑制与目标识别算法模型，辅助使用人员决策，提升设备的探测能力，系统功能点如下：
探测数据统一存储管理；
探测数据快速检索查询；
探测数据分析挖掘与离线建模；
离线模型验证与导出调用；
设备实时探测数据采集存储；
实时探测数据调用模型进行在线计算分析；
分析结果存储与可视化展现；
人机交互界面操作。
系统结构组成：
①系统逻辑结构
大数据智能探测辅助增强系统逻辑上分为两部分：离线数据研究中心与在线实时处理系统，如附图1所示，其中，离线数据研究中心建设在相关基地、或支援科研单位，以数据中心的形式建设，是集成数据统一存储、管理、检索、分析挖掘、建模等功能的一体化数据研究中心。离线数据研究中心主要负责集中各型号设备的真实历史使用数据，将数据统一存储管理，并为算法模型研究团队提供数据检索服务。离线数据研究中心还负责算法研发任务，根据最新的入库数据，不断训练更新已有算法模型，以及研发性能更强的新的算法模型，用于对设备端的模型应用提供长时间、高效能的核心技术支撑。
在线实时处理系统建设在各设备端，以外接机柜或集成硬件盒的形式附加在设备旁。在线实时处理系统，是核心算法模型的应用系统，通过接入设备产生的探测数据，经过算法计算产生结果。最后将结果通过可视化显控界面展示，为使用人员提供探测辅助，提高设备探测能力。
系统构建方法与步骤：
硬件系统构建：
硬件系统构建包括两部分，①是离线数据研究中心硬件系统构建；②是在线实时处理硬件系统构建；
①离线数据研究中心硬件系统构建
离线数据研究中心硬件结构示意如附图2所示，中心包括由多台x86服务器组成的服务器集群，以及万兆交换机，实现大数据分布式存储与并行化计算。此外还有运维控制终端、数据业务应用终端等多台PC与集群相连，实现中心运行维护与数据分析挖掘研究。
②在线实时处理硬件系统构建
在线实时处理系统硬件结构如附图3所示，系统硬件结构包括一个由多台x86服务器或嵌入式芯片加上交换机组成的小型的服务器机柜，和一个外接的显控屏幕。机柜和设备相连接，接收设备探测生成的数据，通过模型计算分析后的结果显示在显控屏幕上，为使用人员提供辅助。
软件系统构建：
相应的软件系统构建也包括两部分，①是离线数据研究中心软件系统构建；②是在线实时处理软件系统构建；
①离线数据研究中心软件系统构建
离线数据研究中心软件架构如附图4所示，核心软件包括：大数据基础平台、大数据管理系统、大数据分析挖掘系统以及大数据可视化系统，构成1个基础平台+3个应用软件系统的“1+3”架构的数据业务层，通过将来源层的数据导入到业务层软件中，进行统一的存储、管理，并为上层的数据应用服务，如干扰抑制、目标识别等提供数据检索支撑。
大数据基础平台包括：分布式数据存储，并行计算引擎，分布式资源管理系统，分布式应用协调服务，以及平台运维管理系统，用于支撑基于平台的大数据应用系统。其中，分布式存储系统用于海量数据的存储；并行计算引擎用于海量数据的快速高效计算；分布式资源管理系统和分布式应用协调服务用于对基础平台计算资源进行协调分配和节点间的信息同步；平台运维管理系统用于创建、管理和监控整个分布式集群以及集群生态圈，包括对存储系统、计算引擎、资源管理系统和协调服务系统的管理和监控。
大数据管理系统功能包括：数据汇集迁移功能、文件与数据字段管理功能、文件属性标记功能、数据关键字段解析及存储管理功能、文件级数据查询检索功能、内容级数据查询检索功能、数据下载导出功能等；
大数据分析挖掘系统功能包括：认证和授权功能、分析数据导入功能、数据生命周期管理功能、特征工程功能、工作流运行调度功能、模型导出功能、线上部署功能等。
大数据可视化系统功能包括：综合态势地图展示功能，特征及探测识别结果展示功能，探测结果报表分析功能等。
②在线实时处理软件系统构建
在线实时处理系统软件架构如图5所示，系统包括数据接入采集模块，模型调用计算分析模块，模型与数据管理模块，显控交互模块以及存储与资源管理模块。数据接入采集模块用于接收设备产生的实时探测数据；模型调用计算分析模块用于调用内置的业务算法模型，实现相应的探测业务；模型与数据管理模块用于管理系统所有模型、探测数据以及计算结果；显控交互模块连接显控屏设备，实现系统业务展示与相应的人机交互功能；存储与资源管理模块用于对整个系统的存储资源以及计算资源进行统一管理，分配与调度。
业务算法模型研发与集成应用：
基于构建完成的软硬件系统，首先收集、标注设备探测数据，使用数据中心平台上的数据管理系统统一存储管理历史数据，然后使用数据中心平台上的数据分析挖掘与可视化系统，对业务算法模型进行构建、训练与实验验证；完成构建后，将模型导出中心，导入在线实时处理软件，对业务算法模型进行应用，完成相应业务。
系统使用流程：
系统建设完成后，首先在离线数据研究中心进行算法模型研发与离线模型验证，利用现有的设备探测历史数据，构建雷达杂波抑制算法模型与目标类型识别模型等业务模型，并通过离线验证，保证模型处于一定的准确率，最后将模型导出。
模型导出后，送往设备端在线实时处理系统，将模型上传到系统，并接入设备数据，调用模型进行实时探测数据的分析处理，模型计算结果通过显控模块与设备进行展现，完成相应的业务功能。计算结果与输入的数据可进行存储，便于导出送回离线数据研究中心，进行模型更新迭代。
离线数据研究中心不断获取新的数据，研发新的模型或更新迭代在使用的模型，为系统效能提供保障。
使用本实施例中的系统，选择某型号低空飞行器探测雷达，首先通过搭建离线数据中心，收集、存储并管理历史探测数据，基于历史海量数据，研发智能探测辅助识别等业务模型，并验证模型效果，确保模型实现一定的探测指标，最后将模型导出。
然后基于设备本身及使用环境要求，构建在线实时处理系统，将导出的模型送往设备端在线实时处理系统，将模型上传到系统，并接入设备数据，调用模型进行实时探测数据的分析处理，模型计算结果通过显控模块与设备进行展现，完成相应的业务功能。
计算结果与输入的数据可进行存储，便于导出送回离线数据研究中心，进行模型更新迭代。离线数据研究中心不断获取新的数据，研发新的模型或更新迭代在使用的模型，为系统效能提供保障。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。