Method On Knowledge Extraction of Radar Domains Based on Prompt Learning

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

Abstract

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

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.

Figures/Tables 13

Table 1

Table 2

Fig.1

Fig.2

Fig.3

Table 3

Fig.4

Table 4

Table 5

Table 6

Table 7

Extraction results of two methods for three types of sentences"

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

Table 7

Table 8

Table 9

References 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