基于提示学习的雷达领域知识抽取方法

doi:10.11871/jfdc.issn.2096-742X.2025.05.015

数据与计算发展前沿 ›› 2025, Vol. 7 ›› Issue (5): 184-197.

CSTR: 32002.14.jfdc.CN10-1649/TP.2025.05.015

doi: 10.11871/jfdc.issn.2096-742X.2025.05.015

基于提示学习的雷达领域知识抽取方法

黄振铭(),吴晓芳^*(),薛孟武

中国人民解放军32802部队，北京 100191

收稿日期:2025-01-17 出版日期:2025-10-20 发布日期:2025-10-23
通讯作者: 吴晓芳
作者简介:黄振铭，中国人民解放军32802部队，硕士研究生，主要研究方向为雷达装备知识图谱。
本文负责论文构思与主体内容撰写，搜集数据进行实验。
HUANG Zhenming, is a master’s student at Unit 32802 of the People’s Liberation Army. His main research interest is knowledge graph of radar equipment.
In this paper, he is responsible for the conception of the study, writing the main content of the manuscript, and collecting data for experiments.
E-mail: 1213815602@qq.com|吴晓芳，中国人民解放军32802部队高工，主要研究方向为雷达信号处理、辐射源信号分析、电磁信息多源异构融合处理等。
本文负责雷达知识专业理解与经验指导，负责论文整体框架、方向审定与把握。
WU Xiaofang, is currently a senior engineer at Unit 32802 of the People's Liberation Army. Her main research interests include radar signal processing, emitter signal analysis,and heterogeneous multi-source fusion processing of electromagnetic information.
In this paper, she is responsible for providing professional expertise in radar knowledge and guidance, as well as overall framework of the paper and the direction of the validation and grasp.
E-mail: 542771912@qq.com

Method On Knowledge Extraction of Radar Domains Based on Prompt Learning

HUANG Zhenming(),WU Xiaofang^*(),XUE Mengwu

32802 of the People’s Liberation Army Unit, Beijing 100191, China

Received:2025-01-17 Online:2025-10-20 Published:2025-10-23
Contact: WU Xiaofang

摘要/Abstract

摘要：

【目的】 雷达领域的二重信息是对雷达装备性能更清晰完整的描述，针对此类问题的研究较少，本文提出一种基于提示学习和LoRA微调大模型的雷达装备领域知识抽取方法（Radar Knowledge Extraction based on Prompt Learning and LoRA fine-tuning LLM, RKEPLL）。【方法】 设计了雷达装备领域的提示学习模板及关键词组合，将二重信息抽取建模成信息组合生成，对LLaMA3进行LoRA微调，同时利用公众号及雷达手册中的数据构建了领域数据集对该方法进行了验证。【结果】 在自建数据集（2,800条数据，近120万字）上取得了不错的效果,其BLEU-4、ROUGE-1、ROUGE-2、ROUGE-L分别为97.1406%、99.2544%、99.0758%、97.9330%，且具备较好的实际应用能力，为解决雷达装备领域的二重信息抽取提供了一种可行的方法。

关键词: 提示学习, 信息组合生成, 二重信息抽取, 雷达装备

Abstract:

[Objective] Dual information in the field of radar provides a clearer and more complete description of the performance of radar equipment, but fewer studies have been conducted on such problems. In this paper, a radar knowledge extraction method based on Prompt Learning and LoRA fine-tuning LLM (RKEPLL) is proposed for knowledge extraction in the field of radar equipment. [Method] A prompt learning template and keyword combination in the field of radar equipment are designed to model dual information extraction into information combination generation. In addition, LoRA fine-tuning is performed on LLaMA3, and the method is also validated by constructing a domain dataset using data from the WeChat Official Accounts and radar manuals. [Conclusion] Efficient results have been achieved on the self-constructed dataset, whose BLEU-4, ROUGE-1, ROUGE-2, and ROUGE-L are 97.1406%, 99.2544%, 99.0758% and 97.9330%, respectively, and have certain practical application ability, which provides an efficient method for solving the dual information extraction in the field of radar equipment.

Key words: prompt learning, information combination generation, dual information extraction, radar equipment

黄振铭,吴晓芳,薛孟武. 基于提示学习的雷达领域知识抽取方法[J]. 数据与计算发展前沿, 2025, 7(5): 184-197.

HUANG Zhenming,WU Xiaofang,XUE Mengwu. Method On Knowledge Extraction of Radar Domains Based on Prompt Learning[J]. Frontiers of Data and Computing, 2025, 7(5): 184-197, https://cstr.cn/32002.14.jfdc.CN10-1649/TP.2025.05.015.

图/表 13

表1

表2

图1

图2

图3

表3

图4

表4

表5

表6

表7

两种方法对三类句子的抽取结果"

苏-35飞机上安装了“雪豹-E”机载相控阵雷达，其对空探测距离达400 km，该雷达还可进行无线电技术侦察、地图绘制、照射目标（使用制导武器时）、识别目标及其大小和速度
UIE	RKEPLL（本文方法）
雪豹-E，部署平台，苏-35 雪豹-E，功能：地图绘制、无线电技术侦察、识别目标及其大小和速度、照射目标（使用制导武器时）雪豹-E，探测距离，400 km	雪豹-E，部署平台，苏-35 雪豹-E，功能，地图绘制、无线电技术侦察、识别目标及其大小和速度、照射目标（使用制导武器时）雪豹-E，探测距离，400 km
“雪豹-E”雷达在迎面航向上对有效散射面积为3 m²的空中目标的探测距离不小于350-400 km，而在追击航向上不小于150 km（目标高度为1万米以上）。对有效散射面积为0.01 m²的超隐身目标的探测距离可达90 km。至于F-22A，据国外报刊报道，机上安装了直径为813 mm的APG-77机载主动相控阵雷达，根据不同的资料，其对有效散射面积为1 m²的目标的有效探测距离为210至270-300 km，但其发射的无线电波能量显著较小，这为对手发现F-22增加了困难
UIE	RKEPLL（本文方法）
雪豹-E，探测距离，350-400 km 雪豹-E，探测距离，90 km 雪豹-E，目标散射截面积，3 m² 雪豹-E，目标散射截面积，0.01 m² APG-77，雷达直径，813 mm APG-77，类型，机载主动相控阵 APG-77，探测距离，210-300 km APG-77，目标散射截面积，1 m²	雪豹-E，探测距离，350-400 km（3 m²）雪豹-E，探测距离，90 km（0.01 m²）雪豹-E，目标散射截面积，3 m² 雪豹-E，目标散射截面积，0.01 m² APG-77，雷达直径，813 mm APG-77，类型，机载主动相控阵 APG-77，探测距离，210-300 km（1 m²） APG-77，目标散射截面积，1 m²
目前，空间目标监视雷达正在选用更高的工作频段。采用微波波段高端，如X波段、毫米波段等，可以使雷达获得更高的分辨力和测量精度，增强对小尺寸目标的雷达反射截面积。美国1996年研制的战区高空区域防御系统（THADD）中的地基雷达（GBR）和夸加林岛的Ka和W波段雷达，前者作用距离达到4,000 km，主要用于导弹预警拦截作战，后者对典型目标的作用距离可达600 km，主要用于空间目标监视、编目和识别
UIE	RKEPLL（本文方法）
— （无结果）	空间目标监视雷达，频段，微波波段高端空间目标监视雷达，频段，X波段空间目标监视雷达，频段，毫米波段地基雷达（GBR），探测距离，4，000 km 地基雷达（GBR），功能，导弹预警拦截作战夸加林岛的Ka和W波段雷达，探测距离，600 km 夸加林岛的Ka和W波段雷达，功能，空间目标监视、编目和识别

表7

表8

表9

参考文献 22

[1]	ZHANG C, XU Q F, YU Y R, et al. A survey on potentials, pathways and challenges of large language models in new-generation intelligent manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2025(92): 102883.
[2]	HE W T, MA H J, LI S H, et al. Using Augmented Small Multimodal Models to Guide Large Language Models for Multimodal Relation Extraction[J]. Applied Sciences-Basel, 2023, 13(22): 12208.
[3]	谢雨希, 杨江平, 孙知建, 等. 雷达装备故障原因知识图谱构建研究[J]. 现代防御技术, 2022, 50(5): 114-121. doi: 10.3969/j.issn.1009-086x.2022.05.015
[4]	胡伟涛. 装备知识图谱构建及分析研究[D]. 长沙: 国防科技大学, 2020: 1-51.
[5]	陈沁蕙. 面向电磁空间领域的实体关系联合抽取关键技术研究[D]. 上海: 华东师范大学, 2022: 1-60.
[6]	郝瑞哲. 雷达及关联装备情报知识图谱构建方法研究[D]. 长沙: 国防科技大学, 2017: 27-49.
[7]	黄振铭, 吴晓芳, 薛孟武. 雷达知识图谱构建方法及应用[J]. 空天预警研究学报, 2024, 38(3):178-183.
[8]	蔡子杰, 方荟, 刘建华, 等. 基于大型语言模型指令微调的心理健康领域联合信息抽取[J]. 中文信息学报, 2024, 38(8):112-127.
[9]	曾江峰, 高鹏钰, 李玲, 等. 基于BERT和提示学习的网络暴力言论识别研究[J/OL]. 情报杂志, 2025, 44(5):82-90.
[10]	CHEN X, ZHANG N Y, XIE X, et al. KnowPrompt: Knowledge-aware Prompt-tuning with Synergistic Optimization for Relation Extraction[C]//WWW '22: Proceedings of the ACM Web Conference 2022, Virtual Event, 2022: 2778-2788.
[11]	SCHICK T, SCHMID H, HINRICH S. Automatically Identifying Words that Can Serve as Labels for Few-shot Text Classification[C]// International Conference on Computational Linguistics, Barcelona, 2020: 5569- 5578.
[12]	LIU X, ZHENG Y A, DU Z X, et al. GPT understands, too[J]. arXiv preprint arXiv:210310385, 2021.
[13]	TIMO S, HINRICH S. Exploiting Cloze-Questions for Few-Shot Text Classification and Natural Language Inference[C]// Conference of the European Chapter of the Association for Computational Linguistics, Kiev: Association for Computational Linguistics, 2021: 255-269.
[14]	GAO T Y, FISCH A, CHEN D Q. Making Pre-Trained Language Models Better Few-shot Learners[C]// Proc of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. Association for Computational Linguistics, 2021: 3816-3830.
[15]	HU S D, DING N, WANG H D, et al. Knowledgeable Prompt-tuning: Incorporating Knowledge into Prompt Verbalizer for Text Classification[C]//Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics. Dublin: Association for Computational Linguistics, 2022: 2225-2240.
[16]	XU B R, YIN J H, LIAN C, et al. Low-Rank Optimal Transport for Robust Domain Adaptation[J]. IEEE/CAA Journal of Automatica Sinica, 2024, 11(7): 1667-1680.
[17]	ZHENG Y W, ZHANG R C, ZHANG J H, et al. LlamaFactory: Unified Efficient Fine-Tuning of 100+ Language Models[C]// Proc of the 62nd Annual Meeting of the Association for Computational Linguistics, Bangkok, Association for Computational Linguistics, 2024(3): 400-410.
[18]	MARKUS E, ADRIAN U. Span-based Joint Entity and Relation Extraction with Transformer Pre-training[J]. Frontiers in Artificial Intelligence and Applications, 2021, 325: 2006-2013.
[19]	CUI L Y, ZHANG Y. Hierarchically-Refined Label Attention Network for Sequence Labeling[J]. arXiv preprint, arXiv:1908.08676, 2019.
[20]	Get started with doccano[EB/OL]. [2023-7-20]. https://doccano.github.io/doccano/.
[21]	PIERRE I, EUGENE C, LIN D K. Bleu: a Method for Automatic Evaluation of Machine Translation[C]// Proc of the 40th Annual Meeting of the Association for Computational Linguistics, Pennsylvania: Association for Computational Linguistics, 2002: 311-318.
[22]	CHIN-YEW L. ROUGE:A Package for Automatic Evaluation of Summaries[C]// Proc of the Workshop on Text Summarization Branches Out (WAS 2004), Barcelona: Association for Computational Linguistics 2004: 74-81.

序号	模板样式
T₁	如果关系列表中含有{“关系类型R”}且文本中同时出现了{“实体类型1E₁”}和{“实体类型2E₂”}两类实体，便将二者同时抽取出来
T₂	假设你是一个非常精通雷达领域信息抽取的模型，现在给你上述文本，请按照我的要求准确无误的抽取出其中的{“关系类型”}。你的任务是准确识别并提取所提供文本中的每个关键词。你的回复必须是一个关键词列表，列表内每一个元素分别对应于你所提取的关键词。抽取的关键词必须是输入文本中出现的内容
T₃	【关系抽取】已知关系列表=[“关系类型1”，“关系类型2”，“关系类型3”……]阅读以上内容，根据列表抽取关系三元组，文本中可能包含哪些关系三元组?请按照json[{’relation’:’’, ’head’:’’, ’tail’:’’}, ]的格式回答

组合类型	关系（属性）类型R	实体（属性值）类型E1	实体（属性值）类型E2	举例
类型1	探测距离	探测距离值	目标散射面积值	探测距离：90 km（0.01 m²）
类型2	扫描范围	角度（范围）值	扫描方向（俯仰、方位、扇区扫描）	扫描范围：120°（俯仰）
类型3	分辨力	分辨力值	分辨力类型（距离、角度）	分辨力：0.12 m（距离）
类型4	测量精度	测量精度值	精度类型（距离、角度、速度）	测量精度：0.12 m（距离）

参数	参数值
model_name	LLaMA3-8B-Chinese-Chat
learning_rate	5e-5
epoch	50
compute_type	fp16
lr_scheduler_type	cosine
optim	adamw_torch
Batch_Size	2
lora_alpha	8
lora_rank	16

数据源	数量	数据集示例
知远战略与防务研究所、国防科技要闻	2,538条	{″id″:8748，″text″:″2016年4月的卫星图中可知，J/FPS-2型防空警戒雷达已拆除，但J/FPS-7型防空警戒雷达还未开始建设，从2017年5月的卫星图可知，J/FPS-7型防空警戒雷达的基座基本已建成。J/FPS-7型防空警戒雷达，据称是日本专门为探测隐身飞机和高速巡航导弹而研制的，首部雷达装备在冲永良部岛雷达站（2013年开始改装，2015年建成）。此外，高畑山雷达站（2013年开始改装，2016年建成）、宫古岛雷达站（2014年开始改装，2017年建成），海栗岛雷达站（2016年开始改装，预计今年建成），稚内雷达站（2017年开始改装，预计2020年建成）也正陆续进行改装之中。J/FPS-7型防空警戒雷达由信息处理系统″, “entities”:[{ “id”:1895，″label″:“雷达型号”，“start_offset”:93，″“end_offset”:100}，{“id”:1896,“label”:“类型名称”,“start_offset”:101,“end_offset”:105}，{“id”:1897,“label”:“雷达功能”，“start_offset”:116，“end_offset”:129}，{“id”:1898，“label”:“部署位置具体名称”，“start_offset”:141，″“end_offset”:149}]，“relations”:[{“id”:1213，“from_id”:1895，“to_id”:1896，“type”:“类型”}，{“id”:1214，“from_id”:1895，“to_id”:1897,“type”:“功能”}，{“id”:1215，“from_id”:1895，“to_id”:1898，“type”:“部署平台”}]， ″Comments"″:[]}
《世界航母雷达与电子战系统手册》第二章数据	93条
《世界航母雷达与电子战系统手册》第五章数据	79条

配置名称	配置参数
操作系统	Ubantu 20.04
GPU型号	NVIDIA Quadro RTX8000
CPU型号	Intel Xeon(R) Platinum 8280
开发语言	Python 3.10
深度学习框架	PyTorch 2.5.1

基于提示学习的雷达领域知识抽取方法

Method On Knowledge Extraction of Radar Domains Based on Prompt Learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 22

相关文章 0

编辑推荐

Metrics

本文评价

	BLEU-4	ROUGE-1	ROUGE-2	ROUGE-L
Baichuan2-13B-Chat	85.8870	95.7866	94.7076	87.5630
Qwen2-7B-Chat	88.8467	96.6613	95.6606	89.842
Qwen-14B-Chat	89.0369	96.5047	95.6946	87.6937
RKEPLL（本文方法）	97.1406	99.2544	99.0758	97.9330

	BLEU-4	ROUGE-1	ROUGE-2	ROUGE-L
LLaMA3-8B-Chinese-Chat	33.1085%	72.4617%	42.0802%	44.0476%
LLaMA3-8B-Chinese-Chat-SFT	83.2232%	93.7349%	92.0333%	84.0113%
RKEPLL方法（本文方法）	97.1406%	99.2544%	99.0758%	97.9330%

至于F-22A，据国外报刊报道，机上安装了直径为813 mm的APG-77机载主动相控阵雷达，根据不同的资料，其对有效散射面积为1 m²的目标的有效探测距离为210至270-300 km。
LLaMA3-8B-Chinese-Chat	LLaMA3-8B-Chinese-Chat-SFT	RKEPLL方法（本文方法）
F-22A，安装，APG-77机载主动相控阵雷达 APG-77机载主动相控阵雷达，属性，直径为 813 mm APG-77机载主动相控阵雷达，部署平台， F-22A	APG-77，类型，机载相控阵 APG-77，雷达直径，813 mm APG-77，部署平台，F-22A APG-77，探测距离，210-300 km	APG-77，类型，机载相控阵 APG-77，雷达直径，813 mm APG-77，部署平台，F-22 APG-77，探测距离，210-300 km（1 m²）