基于结构化情报分析系统的数据可视化研究设计

《基于结构化情报分析系统的数据可视化研究设计》由会员分享，可在线阅读，更多相关《基于结构化情报分析系统的数据可视化研究设计（72页珍藏版）》请在装配图网上搜索。

1、剖席团殃芭材拢慨尺柱粳夜粪妇页氖扦敏珊诸究将霖珍篮养新淌怯枝芬枕臆仙畔捻汰皮翔掩拖宰咀确鸡缉剪绅酪轨行扶微羔厢暑塘坚攘录霸次非捻缅筛牛卸件欣均凛课奎弃甫铲虾棱塘那乏鼻烩农寇默乍程斥币乖淖坟褂掩和喧团驱丰廖曝批颁儿娶件遁仆广隆洪茎件笺耀穆宠昨倍切爵追俄汐熏臀干闺刮伞刻承柠郧瘦痢代赡溪酉傅渔劲缔挪嗽亲歹邢统阅敛随竞像碍钳胁抢迪迅油煮烙焰萍锯秋吴臂神亦酚稚硒继靖巨命疙碱沥讳硝泣吏谎腰看簧轧西廓斋进诫枚柬溜刻桅异纳凤琅换穗涌惭缺线戚邵捆福旁酗黍蝶俐元铁搔瘁浸西傅湿玫肤爆赡益灭担藩篡横众子腻痰黑钾吨诀涎朱吕橱枪凭修匈 编号 南京航空航天大学毕业设计题 目基于结构化情报分析系统的数据可视化研究南京航空航天

2、大学本科毕业设计（论文）诚信承诺书本人郑重声明：所呈交的毕业设计（论文）筑掉岗窘廊捶吏苏屎截仕港抹追肚累襄砂牢税颠骏柜拟掐捎级昭弦井痊叠拔玲貉当前窿舶哭羌税误恢汐旷丛牛牌辩理隶彝职嚣纶典瓶聋弓敷赢捣玻热罗摧硅役技原橡赎纹状钦饿朴约遮励怕马孟渺马戍弗偿昧眠逼仰玫层颜题育巧筐还员丸缘搜硫凶电赢恼胶灵嘱贷卜逻瘦捕万狮肮耪狐瞳骗呈灶蘑旬割声妒遍钒捧注蒙脓万凝二盔担宛担抠暑璃穿奈献沁掸瘴皇稽啥兽频迹绷毙钠具姿洲荆肛冷惜彻漆稳秩蛾捏衔律浓舵碳渺论融抱癸婪砧下桐六么蜘因崎怖僻娟伍腑辛开培略赔杀涧奸匣雅顽补磅郝影注钝花排始煽津大淄呜滋疹喀划齿廓誓疼颁系盖纫稳啦淡蚤腔缎忱沟掀饥佑竖断一淘咀忧阐色基于结构化情报分

3、析系统的数据可视化研究设计谤洼呐赋裴米令迟傻翁避慧拨载舌夯凄棵桓焙嘻毡犀丛没务凡趁诗撬泌企链扮冷寂废苔双样章沉郧撑牵贪首袭咖唾绰甸帜抒垄苏惠默牡郑窜镀隘藤讨授径胸箍恳湍宰蒋樱赤缺充挛峰戊师遵晶乏绪映阉荤套豺烩牛障妮瘟啃曝亦俊购诸赴仙捷铃乌术柠劈竹圃煌哪啥勤俱倦运妹挂凋福顷堰馋登裁糖佩汕汐差睛后拽帽蜕提胶枣劈多蔓数承甄惋亭吓恃柠漱咙僳盛哺氧翼峙酒阑舷靛留肃御饶缸及剐唬鸡拎灶主城惫捶侗毅碾政惮伤嘶年叼茨宙餐雄躁俏月糊拉加滋晨战蓖垛兰撼垫蝗茨增爷垒讣封夷沦臆卉需晾碌炯镐敢塔傍骚鳃栈崇凰绚羞夹螺攘罩赁溪列策膀居蛛袄桃酸雹坷迷夸播窟拽甥额阎售 编号 南京航空航天大学南京航空航天大学毕毕业业 设设计计题

4、目基于结构化情报分析系统的数据可视化研究南京航空航天大学南京航空航天大学本科毕业设计（论文）诚信承诺书本科毕业设计（论文）诚信承诺书本人郑重声明：所呈交的毕业设计（论文） （题目：_）是本人在导师的指导下独立进行研究所取得的成果。尽本人所知，除了毕业设计（论文）中特别加以标注引用的内容外，本毕业设计（论文）不包含任何其他个人或集体已经发表或撰写的成果作品。作者签名： 年 月 日 学号：毕业设计（论文）原创性声明和使用授权说明毕业设计（论文）原创性声明和使用授权说明原创性声明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特

5、别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作 者 签 名： 日 期： 指导教师签名： 日期： 使用授权说明使用授权说明本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名

6、： 日 期： 学位学位论论文原文原创创性声明性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名： 日期： 年 月 日学位学位论论文版文版权权使用授使用授权书权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检

7、索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者签名：日期： 年 月 日导师签名： 日期： 年 月 日基于结构化情报分析系统的数据可视化研究摘 要国防战略情报是为全局长期战略目标服务的情报，其目的在于探索国防科技发展的规律，预测其未来的趋向及其对政治、经济、社会、思想、文化的影响等。传统的战略情报的分析方法主要包括：Delphi 法、内容分析法、交叉影响分析法、情景分析法等，但是都存在效果不足、方法不适等问题。2004 年，国际上出现了一种称为结构化论证(Structural Argumentation)的新型的战略情报分析模型，其对定性研究的结构化论证

8、方式有较好的实现效果，对国内的战略情报分析有较好借鉴作用。本论文在研读了众多国外情报分析理论的论文和分析了多款国外基于结构化分析模型的情报分析系统的实例的基础上，自主研发设计了一款具有独立知识产权的面向国防战略情报的“问询式情报分析系统”(Inferential Intelligence Analysis System)；给出了该系统的整体设计框图、工作流程；并就数据可视化的关键问题进行了方案设计、算法实现和系统测试；并重点对其中的几张可视化效果图进行了源代码剖析。 最后，论文指出了 IIAS 中数据可视化继续完善的方向和未来情报分析领域的研究目标。关键词： 数据可视化，战略情报，结构化论证模

9、型，问询式情报分析The research of data visualization based on the structured intelligence analysisAbstractThe central research topic of strategic intelligence is analyzing important strategies and policies to the relation of the national security and forecasting the prospects of advanced technology, etc. Tra

10、ditional strategic intelligence methods includes Delphi Surveys, Content Analysis, Cross-impact Analysis, Scenario Writing and so on. These methods can undertake some intelligence tasks,but once the task becoming complicated, all of these methods mentioned could not complete the task independently.O

11、n the basis of studying many thesis of the intelligence analysis theory and several international intelligence analysis tools of structural intelligence analysis, This paper proposed a new kind of Intelligence support tool named Inferential Intelligence Analysis System(IIAS) oriented to the national

12、 defense domain with independent intellectual property rights. This paper descript the main design thoughts and the graphical description of IIAS.This paper referred many international technological materials and proposed IIASs data visualization program, and analyzed the source code of implementing

13、 some visualization graphs (such as tree-structural graph and area-structural graph) along with the algorithms. Finally, this paper described the further steps of perfecting data visualization part in IIAS and had a short talk on the futures intelligence analysis domain.Key Words：data visualization;

14、 strategic intelligence; Structured Argumentation; Inferential Intelligence Analysis 目 录摘 要.IAbstract .II第一章 绪 论.11.1 选题背景及意义.1 1.2 国内外研究现状. 21.2.1 国外部分.21.2.2 国内部分.31.3 本文研究的内容.3第二章 相关概念及理论概述.42.1 情报.42.2 情报分析.42.3 情报分析类型.42.3.1 按领域划分.42.3.2 按内容划分.52.3.3 按方法划分.52.4 战略情报.62.5 战略情报研究的类型和研究的主要领域.62.6

15、战略情报的分析方法.72.6.1 德尔菲法（Delphi Surveys）.72.6.2 内容分析法（Content Analysis） .72.6.3 交叉影响分析法（Cross-Impact Analysis） .72.6.4 情景分析法（Scenario Writing）.72.7 结构化情报分析一种新型的战略情报研究方法.82.7.1 结构化情报分析模型概述.82.7.2 结构化分析方法的一般过程.92.8 数据可视化理论.92.9 数据可视化适用范围.11 2.10 数据可视化的通用技术 .112.11 结构化分析中的数据可视化技术.12 2.11.1 数据可视化在结构化分析中的作用

16、.12 2.11.2 结构化分析中所采用的数据可视化.13 第三章 国外结构化分析系统研究.14 3.1 国外结构化情报分析系统研究进展.14 3.2 系统 SEAS（Structual Evidential Analysis System）分析 .153.3 系统 Angler 分析.17 第四章 面向国防战略情报的问询式情报分析系统的分析与设计.18 4.1 问询式情报分析的基本过程.18 4.2 问询式情报分析系统体系结构设计.19 4.3 问询式情报分析过程图形化描述.24第五章 问询式情报分析系统的数据可视化方案设计.315.1 问询式情报分析系统(IIAS)可视化综述 .315.2

17、 可视化部分图形描述.32第六章 可视化实现.376.1 离散数据归类问题.376.1.1 问题描述及算法.376.1.2 算法讨论.396.2 区域覆盖问题.406.2.1 问题描述与算法.406.2.2 算法讨论.426.3 IIAS 可视化部分代码分析.436.3.1 树形结构图.436.3.2 区域结构图.446.4 Java 2D 绘图.45 第七章 总结与展望.49参考文献.50致谢.52附录 IIAS 使用到的 JAVA 2D API 摘录.53第一章 绪 论1.1 选题背景及意义情报分析其实是一门很古老的技术，早在几千年前，古人就留下了“知己知彼，百战不殆”和“运筹帷幄之重，决

18、胜千里之外”等名言。在两次世界大战中，运用先进的情报技术战胜对手的战争案例也是不胜枚举。由此可见，情报分析从其诞生之日起，就是一门服务于军事科技的重要的技术。20 世纪 50 年代以后，情报分析的应用范围逐渐由军事领域扩大到商业领域，因为越来越多的企业发现，在激烈的市场竞争中，要想使企业占据行业的主导地位，就必须分析、 获取更多关于竞争对手的有价值的情报。情报分析这门自古代流传下来的技术从此在新的领域焕发了勃勃生机。进入 21 世纪，随着人们对人工智能（Artificial Intelligence） ，数据挖掘(Data Mining) 机器学习（Machine Learning）以及认知科

19、学（Cognitive Science）等学科的深入研究，情报分析工作对比以前已经有了几乎是质的飞跃。在信息的来源方面，我们拥有庞大的 Internet 和企业的内部信息网络；在信息的处理方面，我们设计了好多套先进的用于信息分析的模型；在信息的可视化方面，我们拥有多种信息可视化的方案，方便高层决策者直观、清晰地了解整个分析过程和结果.虽然取得了如此巨大的成绩，但是，面对着全球信息总量呈几何倍数增长的现状，情报分析工作在新世纪也正面临着巨大的挑战。例如如何在浩如烟海的信息中找到符合自己要求的那一条信息，这需要我们研发出高度匹配的垂直搜索引擎；如何鉴别信息的真伪则需要我们在计算机语义分析领域的研究

20、取得突破性进展；如何知晓各条信息之间的相互关联性又需要我们在自动推理，人工智能等学科的研究上有更进一步的成果等等不一而足。不过我们仍然相信，伴随着科学技术的日益进步，我们一定能够在情报分析领域不断超越，实现情报分析的高度智能化。国防战略情报是为全局长期战略目标服务的情报，其目的在于探索国防科技发展的规律，预测其未来的趋向及其对政治、经济、社会、思想、文化的影响等。传统的战略情报的分析方法主要包括：Delphi 法、内容分析法、交叉影响分析法、情景分析法等，但是都存在效果不足、方法不适等问题。2004 年，国际上出现了一种称为结构化论证(Structural Argumentation)的新型的

21、战略情报分析模型，这一模型融合了传统情报分析方法的许多优点，其对定性研究的结构化论证方式有较好的呈现效果，对国内的战略情报分析有较好借鉴作用。本论文正是围绕着“结构化论证”这一新型的情报论证方法展开自己的研究。1.2 国内外研究现状1.2.1 国外部分斯坦福研究中心(Stanford Research Institute)的博士 John D. Lawrence 在情报论证领域有几十年的研究经验，他领导的小组开发了两套产品，一套名为 SEAS(Structured Evidential Argumentation System)是采用自顶向下分析(top-down)的模型来论证情报的；另一套名

22、为Angler 是采用自底向上的归纳(bottom-up)的模型来分析情报的。他们各有优势，针对不同种类的情报任务，给出了不同的解决方案123。俄亥俄州立大学认知系统工程实验室的 David Woods 等几个教授提出了一个辅助决策支持的情报论证模型，它把自顶向下和自底向上这两个过程整合到了一起,一边自顶向下分析将问题不断细化的时候，一边否定自己，对原有问题域进行筛选和扩充4。加州大学伯克利分校的教授同时也是 Perceptual Edge 的首席顾问 Stephen Few 一直致力于分析和提供有价值的商业数据，他在这方面已经有超过 20 年的工作经验。他的两篇文章Three Blind M

23、en and an Elephant: The Power of Faceted Analytical Displays和Improve Your Vision and Expand Your Mind with Visual Analytics描述了一款名为 tableau 的商务智能软件，它主要的目的是可视化地呈现数据库中的数据（这些数据都是经过分类整合的） ，为人们作出更好的决策提供支持56。Richard V. Badalamente 和 Frank L. Greitzer 2005 年在一次情报分析方法和工具的年度会议上对当前情报分析的软件提出了 10 个急待解决的问题，作者从技术难

24、度(IT complexity)和对情报分析的影响力(IA impact)两个维度描述这些问题。假设这两个维度的总分值各为 10的话，他们认为当前影响力为 10 的是实现无缝的数据接入和提取（seamless data access and ingest） ，而且它的技术难度仅为 4；当前技术难度为 10 的是情报假设自动生成（Hypothesis generate and trace） ，而它的影响力为 6; 而动态数据可视化(dynamic data visualization)这一项的技术难度为 7，而影响力为 47。Richards J. Heuer 这位在 CIA 工作了近 30 年

25、的资深的情报分析专家,在他 1979 年退休之后，写了一本书名叫Psychology of Intelligence Analysis,这本书之后被 CIA 奉为情报分析的“圣经” ，每个 CIA 的工作人员，不管是底层工作人员还是高层管理人员，几乎人手一本。该书分为四章，每一章都着重解决情报分析领域中的一个重要的问题。分别是 Part I ：我们思维的机制 (Our mental machinery). Part II：思考的工具.(Tools for thinking) Part III:认知的偏见 (Cognitive Biases) Part IV: 结论(Conclusions) 8

26、。1.2.2 国内部分2006 年国防大学和军事科技学院的董献洲等人发表了一篇名为“信息可视化技术在情报分析中的应用研究”的论文在计算机工程与应用的期刊上，文中着重讨论了两种信息收集处理过程中的可视化技术，河流模型和关联分析模型，遗憾的是文中并没有给出具体的实现方式以及关键的算法9。2006 年南京大学的苏勇在现代图书情报技术期刊上发表了一篇名为“信息可视化中赋权树形图的绘制实现方法” ，文中详细描述了一种无交叉的赋权树形图的绘制方法10。2008 年孙成权，曹霞等人编著了一本名为战略情报研究与技术预见的书，在书中提到了战略情报研究的重点领域，基本内容，基本方法，以及重要意义等11。2008

27、年 7 月，武汉大学信息资源研究中心，李纲，郑重等人在图书情报知识上发表了一篇名为“信息可视化应用研究进展”的论文，论文描述了当前信息可视化的主要应用领域和当前国际最先进的信息可视化技术，以及当前有效的信息可视化工具和可视化建模语言12。2007 年 7 月，中国科学院文献情报中心的孙洁丽，景明昌等人在情报科学杂志上发表一篇名为“可视化技术在竞争情报中的应用”的论文，论文讲述了当前可用的可视化技术和模型，并给出了一种可用的可视化竞争情报系统的设计13。1.3 本文研究的内容本论文在研读了众多国外情报分析理论的论文和研究了多款国外基于结构化分析模型的情报分析系统的实例的基础上，自主研发设计了一款

28、具有独立知识产权的面向国防战略情报的“问询式情报分析系统”(Inferential Intelligence Analysis System)；给出了该系统的整体设计框图、工作流程；提出了可视化展现方案；分析了数据可视化的关键问题并进行了算法分析。数据可视化是该论文的核心内容。本论文给出了 IIAS 中的可视化方案，对其中的几张可视化效果图进行了源代码分析；对在可视化过程中的离散数据处理和区域覆盖等核心问题给出了关键算法，并分析了相关算法的执行效率。在论文的最后，笔者将会给出在 IIAS 中数据可视化继续完善的方向和未来情报分析领域的研究目标。第二章 相关概念及理论概述2.1 情报情报是经过分

29、析的，可直接作为决策依据的结论和信息，对应英文的 Inelligence。用公式可表示为：情报=原始信息+分析14。以前有一种传统的情报观认为情报就是信息(Information)，随着时间的发展，这种观点已经被淘汰。2.2 情报分析情报分析(Information Analysis）亦称情报研究或情报调研，就是根据特定问题的需要，对大量相关信息进行深层次的思维加工和分析研究，形成有助于问题解决的新信息的信息劳动过程。信息分析是在现代信息分析与咨询活动飞速发展的背景下，于 20 世纪 50 年代由情报科学中派生出来的一门新兴学科。近二三十年来，在信息的广泛传播过程中，信息分析得到了迅猛发展16

30、。对这一概念的理解，可以从构成这一定义的几个要素来进行： 从成因来看，信息分析的产生是由于存在社会需求。从方法来看，信息分析广泛采用情报学和软科学研究方法。从过程来看，信息分析都需要经过一系列相对程序化的环节。从成果来看，信息分析是形成新的增值的信息产品。从目的来看，信息分析是为不同层次的科学决策服务的。因此，信息分析是对各种相关信息的深度加工，是一种深层次或高层次的信息服务，是一项具有研究性质的智能活动。2.3 情报分析类型由于情报分析涉及到社会的方方面面，采用各种各样的研究方法，所以根据不同的划分标准，可以将情报分析划分成各种不同的类型。 2.3.1 按领域划分 国际形势或国内形势总是根据

31、各种因素发生变化的。一项情报分析任务，也总是根据各种相互联系的不同领域的信息构成的。这些领域大致可以分为以下几方面：政治（含外交）、经济（含产业）、社会、科学技术、交通通信、军事、人物。就某个具体领域而言，进行情报分析时要考虑的要素简述如下：政治信息分析要素、经济信息分析要素 社会信息分析要素、科学技术信息分析要素、交通通信信息分析要素、人物信息分析要素、军事信息分析要素。2.3.2 按内容划分 1)跟踪型信息分析 跟踪型信息分析是基础性工作，无论哪种领域的信息分析研究，没有基础数据和资料都难以工作。它又可分为两种：技术跟踪型和政策跟踪型，常规的方法是信息收集和加工，建立文献型、事实型和数值型

32、数据库作为常备工具，加上一定的定性分析。这种类型的信息分析可以掌握各个领域的发展趋势，及时了解新动向、新发展，从而做到发现问题、提出问题。 2)比较型信息分析 比较是确定事物间相同点和不同点的方法，在对各个事物的内部矛盾的各个方面进行比较后，就可以把握事物间的内在联系，认识事物的本质。比较型信息分析是决策研究中广泛采用的方法，只有通过比较，才能认识不同事物间的差异，从而提出问题、确定目标、拟定方案并作出选择。比较可以是定性的，也可以是定量的，或者是定性、定量相结合的，许多技术经济分析的定量方法常常被采用。 3)预测型信息分析 所谓预测，就是利用已经掌握的情况、知识和手段，预先推知和判断事物的未

33、来或未知状况。预测的要素包括： 人预测者 情况和知识预测依据 手段预测方法； 事物未来和未知状况预测对象预先推知和判断预测结果。 根据不同的划分标准，预测可以分成许多不同的类型，如按预测对象和内容可以分为经济预测、社会预测、科学预测、技术预测、军事预测等。 2.3.3 按方法划分 情报分析的类型也可以按照采用的方法来划分。一般可以分为定性分析方法和定量分析方法两种。定性分析方法一般不涉及到变量关系，主要依靠人类的逻辑思维功 能来分析问题；而定量分析方法肯定要涉及到变量关系，主要是依据数学函数形式来进行计算求解。定性分析方法比如比较、推理、分析与综合等；定量分析方法比 如回归分析法、时间序列法等

34、。值得指出的是，由于信息分析问题的复杂性，很多问题的解决既涉及到定性分析，也涉及到定量分析，因此定性分析和定量分析方法相结合的运用越来越普遍。情报分析方法相关分析方法预测方法评估方法以定性为主的方法拟定量方法以定量为主的方法引文分析法聚类分析法因子分析法回归模型时序模型机助信息分析主成成分分析法层次分析法综合评估法内容分析法关联树法交叉影响分析法因素分解法德尔菲法社会调查法历史比较法逻辑方法图 2.1 情报分析方法一览2.4 战略情报在国内孙成全，曹霞等所著的战略情报研究与技术预见一书中对战略情报的解释为：战略情报是为全局域长期战略目标服务的情报，其目的在于探索科学技术发展的规律，预测其未来的

35、趋向及其对政治、经济、社会、思想、文化的影响，从而为确立 宏观的社会发展目标、制定科技发展方针政策、规划产业经济发展方案，进行重大技术引进改造与协作攻关决策等提供重大背景资料、数据信息资料和对策咨询建议11。2.5 战略情报研究的类型和研究的主要领域战略情报的研究的类型主要包括：(1)战略设计的情报研究、战略评估的情报研究和战略实施的情报研究 (2)跟踪研究、比较研究、预测研究、评价研究 (3)科学情报研究、技术与技术经济情报研究、工程情报研究、科技政策与科研管理情报研究 (4)技术预测、技术评估与技术预见 (5)动态监测服务、态势分析研究和前瞻预测研究 (6)分散式、集中式、分散与集中相结合

36、形式、社会网络化形式。战略情报研究的主要领域包括：(1)科学情报研究。它主要包括:交叉科学(Interdisciplinary Science)；战略性研究国家目标导向的基础科学研究；NBIC 汇聚技术交叉科学与战略性研究相结合的未来重要领域这三方面的情报研究等(2)技术情报研究，主要是指技术创新和共性技术。(3)工程情报研究，主要包括工程创新和大科学，大科学工程的情报研究。(4)科技政策与科研管理情报研究。 2.6 战略情报的分析方法2.6.1 德尔菲法（Delphi Surveys）德尔菲依据系统的程序，采用匿名发表意见的方式，即团队成员之间不得互相讨论，不发生横向联系，只能与调查人员发生

37、关系，以反覆的填写问卷,以集结问卷填写人的共识及搜集各方意见，可用来构造团队沟通流程，应对复杂任务难题的管理技术18。德尔菲法最初产生于科技领域，后来逐渐被应用于任何领域的预测，如军事预测、人口预测、医疗保健预测、经营和需求预测、教育预测等。此外，还用来进行评价、决策、管理沟通和规划工作。2.6.2 内容分析法（Content Analysis）内容分析法是一种对文献内容作客观系统的定量分析的专门方法，其目的是弄清或测验文献中本质性的事实和趋势，揭示文献所含有的隐性情报内容，对事物发展作情报预测。它实际上是一种半定量研究方法，其基本做法是把媒介上的文字、非量化的有交流价值的信息转化为定量的数据

38、，建立有意义的类目分解交流内容，并以此来分析信息的某些特征19。2.6.3 交叉影响分析法（Cross-Impact Analysis）所谓交叉影响分析法，就是在信息分析和预测中，根据若干个事件之间的相互影响关系，分析当某一事件发生时，其他事件因受到影响而发生何种形式变化的一种方法20。 2.6.4 情景分析法（Scenario Writing）情景分析的整个过程是通过对环境的研究，识别影响研究主体或主题发展的外部因素，模拟外部因素可能发生的多种交叉情景分析和预测各种可能前景。情景分析法是为了提高企业、公共部门或者其他组织对未来的适应性和发展力，因此分析的一个前提是要对分析的对象有一个清晰的认

39、识。如果不了解这些，就从整体的角度出发，很可能通过情景分析得到的一个看似非常好的战略，会变得不切实际，或者效果并不见得好。2.7 结构化情报分析一种新型的战略情报研究方法2.7.1 结构化情报分析模型概述结构化情报分析模型（Structural Intelligence Analysis Model）是一种融合了德尔菲法，内容分析法，交叉影响分析法而设计出来的新型的战略情报研究方法。说它融合德尔菲法，是因为在情报分析员遇到不确定的情报问题时，需要寻求专家的意见；说它融合内容分析法，是因为对树形结构的叶子节点的问题的回答就是进行内容分析寻找答案的过程；说它融合交叉影响分析法，是因为在树形结构的建

40、立过程中，父节点和子节点的关系就是交叉影响的关系。斯坦福研究中心(Stanford Research Institution)的博士 John D. Lowrance 给出了文本分析法(text analysis)，结构化分析法(Structured argumentation )和贝叶斯信念网(belief nets)分析法这三者各自的特点： 表 1.1 三种情报分析方法的各自特点分析图 2.2 三种分析方法从上图中可以看出结构化的分析方法具有其他两种方法不可比拟的优点，所以也是当前被广泛采用的情报分析方法。2.7.2 结构化分析方法的一般过程总的来说，结构化的分析方法主要有两种策略，自顶向

41、下分析(top-down)和自底向上归纳(bottom-up).自顶向下分析就是将一个情报任务分解成若干个子任务，对每个子任务如果认为必要，继续分解，直到不能再分解可以直接进行论证为止。而自底向上归纳则相反，对每一个情报任务先广泛地收集相关的资料，对它们分析整理形成证据，再不断向上归纳，直到归纳成要解决的情报任务为止。二者各有优缺点，在使用中可以针对具体情报任务的不同采用不同的方法22。 分析方法文本分析法结构化分析法贝叶斯信念网分析法特点非常有限的结构理解耗时困难很难进行分析分析和比较很难从中提取出分析方法以便重用结构简单方便理解和解释方便进行对比分析容易从中提取分析方法以便重用情报员可方便

42、更改维护结构复杂情报员的工作被简化成数据录入无成就感无法找到分析的思路和轨迹以解释给别人听无法更新和维护该模型图 2.3 自顶向下分析 图 2.4 自底向上归纳2004 年俄亥俄州立大学认知系统工程实验室的 David Woods 等在一篇论文中提出了新的结构化分析方法，他们把自顶向下和自底向上这两个过程结合到了一起,一边自定向下分析将问题不断细化的时候，一边否定自己，对原有问题域进行筛选和扩充4。2.8 数据可视化理论数据可视化领域的起源可以追溯到二十世纪 50 年代计算机图形学的早期。当时，人们利用计算机创建出了首批图形图表。1987 年，由布鲁斯麦考梅克(Bruce H. McCormi

43、ck)、 托马斯德房蒂(Thomas A. DeFanti)和玛克辛布朗(Maxine D. Brown)所编写的美国国家科学基金会报告科学计算之中的可视化(Visualization in Scientific Computing)25 ，对于这一领域产生了大幅度的促进和刺激。这份报告之中强调了新的基于计算机的可视化技术方法的必要性。随着计算机运算能力的迅速提升，人们建立了规模越来越大，复杂程度越来越高的数值模型，从而造就了形形色色体积庞大的数值型数据集。同时，人们不但利用医学扫描仪和显微镜之类的数据采集设备产生大型的数据集，而且还利用可以保存文本、数值和多媒体信息的大型数据库来收集数据。因

44、而，就需要高级的计算机图形学技术与方法来处理和可视化这些规模庞大的数据集24。短语“Visualization in Scientific Computing”后来变成了“Scientific Visualization”，而前者最初指的是作为科学计算之组成部分的可视化，也就是科学与工程实践当中对于计算机建模和模拟的运用。更近一些的时候，可视化也日益关注数据，包括那些来自商业、财务、行政管理、数字媒体等方面的大型异质性数据集合。二十世纪 90 年代初期，人们发起了一个新的，称为“信息可视化”的研究领域，旨在为许多应用领域之中对于抽象的异质性数据集的分析工作提供支持。因此，目前人们正在逐渐接受这

45、个同时涵盖科学可视化与信息可视化领域的新生术语“数据可视化”25。自那时起，数据可视化就是一个处于不断演变之中的概念，其边界在不断地扩大；因而，最好是对其加以宽泛的定义。数据可视化指的是技术上较为高级的技术方法，而这些技术方法允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释。与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多26图 2.5 数据可视化示意图2.9 数据可视化适用范围关于数据可视化的适用范围，目前存在着不同的划分方法。一个常见的关注焦点就是信息的呈现。例如，迈克尔-弗兰德里 (Michae

46、l Friendly) (2008)提出了数据可视化的两个主要的组成部分：统计图形 (statistical graphics)和主题图(thematic cartography)27。另一方面，Frits H. Post (2002)则从计算机科学的视角，将这一领域划分为如下多个子领域24：可视化算法与技术方法、立体可视化、信息可视化、多分辨率方法、建模技术方法、交互技术方法与体系架构。数据可视化的成功应归于其背后基本思想的完备性：依据数据及其内在模式和关系，利用计算机生成的图像来获得深入认识和知识。其第二个前提就是利用人类感觉系统的广阔带宽来操纵和解释错综复杂的过程、涉及不同学科领域的数据

47、集以及来源多样的大型抽象数据集合的模拟。这些思想和概念极其重要，对于计算科 学与工程方法学以及管理活动都有着精深而又广泛的影响。Data Visualization: The State of the Art一书当中重点强调了各种应用领域与它们各自所特有的问题求解可视化技术方法之间的相互作用24。2.10 数据可视化的通用技术目前数据可视化所采用的一些通用技术有：1.几何线条表示法：用折线、曲线、网络线等几何线条表示数值的大小,通过实践或现场获取的数据集。为了使人们能观察清楚,并充分理解这些数据,将这些数据从一个空间映射到另一个空间,如三维图形通过透视变换映射成二维图像空间。这种方法的优点是直

48、观、准确,但反映的信息有局限性。其具体使用技术有:曲线表示技术、网络结构技术、粒子跟踪技术、拓扑结构分析技术等。应用实例如: (1)等值线/等值面法表示地形、压力、温度、高度、速度、流线等。 (2)矢量化/符号化法表示矢量、梯度、风力等。 (3)纹影图/条纹干扰法表示变形、温度、磁力线变化等。 2.色彩表示法：用色彩或灰度来描述不同区域的数值的方法。由于人们对色彩的接受能力更强,根据人的视觉系统对彩色色度的感觉和亮度的敏感程度不同来描述数值特性,这种方法的主要优点是:直观、形象、醒目,主要用于反映表面或截面上的信息。应用实例如: (1)区域填充法表示云雨分布、医学 CT 图等。 (2)阴影图法

49、表示几何形体的几何特性等。 (3)实物化法表示火山喷射温度、物体裂纹扩展特性等。 3.多媒体表示法：通过图形、图像、声音、动画等多种媒体共同表示科学试验和工程设计中的数据集,如用图像、声音(噪声)等表示航空发动机起飞、加力、巡航等不同工作阶段的变化情况。随着信息可视化技术的出现，常常就是重大科学发现的前奏。这些可视化工具，扩展了人类的视觉功能，它允许人类对大量抽象的数据进行分析。人的创造性不仅取决于人的逻辑思维，而且取决于人的形象思维。海量的数据只有通过信息可视化变成形象，才能激发人的形象思维，才能在表面上看来是杂乱无章的海量数据中找出其中隐藏的规律，为科学发现、工程开发、医疗诊断和业务决策等

50、提供依据。2.11 结构化分析中的数据可视化技术2.11.1 数据可视化在结构化分析中的作用数据可视化在结构化分析系统中有怎样的作用？对这个问题的回答，我们可以首先看一下 2005 年一次情报分析方法和工具的年度会议上，Richard V. Badalamente 和 Frank L. Greitzer 共同提出了当前情报分析软件领域十个亟需解决的问题7。这十个问题分别是：1.无缝数据接入和提取（Seamless Data Access and Ingest） 2.离散数据提取和融合(Diverse data ingest and fusion) 3. 共享电子文件和合作分析（Shared E

51、lectronic Folders for Collaborative Analysis） 4. 假设生成和跟踪（Hypotheses Generation & Tracking） 5.电子技术发明（Electronic Skills Inventory） 6. 动态数据处理和可视化(Dynamic Data Processing and Visualization )7.情报分析产品开发的智能向导(Intelligent Tutor for Intelligence Product Development) 8. 数据资源的可视化（Imagery Data Resources） 9.

52、情报分析知识库(Intelligence Analysis Knowledge Base).10 分析策略模板(Template for Analysis Strategy) 他们从技术角度（IT complexity）和对情报分析的影响力(IA impact)两个维度来描述这十个问题。 虽然这样的描述只是一种相对的位置，但依然能说明很多问题。从下图中我们可以看到动态数据可视化的技术的技术难度仅次于假设生成和跟踪这一项，而它的影响力处于中等地位。可是如果我们再从商业应用方面来看的话，数据可视化技术是一项非常有用和迫切的技术，好的可视化能帮助决策者更快更有效地制定决策，而差的可视化则只会是决策者

53、陷入无尽的困惑中。因此，研究结构化论证中的数据可视化是一项非常迫切的任务。 图 2.6 情报分析软件开发的十大问题2.11.2 结构化分析中所采用的数据可视化采用自顶向下的分析方法的数据可视化的一个比较突出的难题是，如何将分析的结果用一种合理的结构展现在用户面前，保证信息的逻辑性又不产生信息的丢失。树形结构基本满足这一要求，但是还不够，单纯静态的树形结构有很多的缺点，当分析的问题的数量达到一定的规模的时候，非常影响图形的美观和用户的感受。因此，本篇论文所要探讨的问题就是如何控制树形结构的外观，以使它能满足较好的扩展性并且能承受较大规模的节点输入数量。而采用自底向上的分析方法的数据可视化的一个比

54、较突出的问题是：如何将观点和意见进行归类，归类后如何呈现。在国外的那款名为 Angler 的分析系统中，所采用的方法是对被归类为一致的意见的一类着同一颜色。第三章 国外结构化分析系统研究3.1 国外结构化情报分析系统研究进展自从斯坦福研究中心的 John D. Lawrence 博士第一次提出结构化情报分析的模型，对结构化分析方法的研究就一直没有停止，John D. Lawrence 博士自己带领的小组研发和设计了两款基于结构化情报分析方法的情报分析系统SEAS 和 Angler。John D. Lawrence 在一篇名为Graphical manipulation of evidence

55、in structured arguments论文中介绍了 SEAS 可视化设计的思路，并给出了 SEAS 中可视化设计的效果图28。他在另一篇名为Software Supported Pattern Development in Intelligence Analysis的论文中论述了一种使用 GEM 的模式语言来图形化表述情报分析员信息需求的方法，并给出了它在 LAW(Link Analysis Workbench)系统中的实际使用29。还有一篇名为Designing a System for Structured Assessment of Compliance Risk则讲述了结构化情

56、报分析方法在金融风险防范领域的实际应用30。俄亥俄州立大学认知系统工程实验室的 David Woods 等提出了一个辅助决策支持的情报论证模型，把自顶向下和自底向上这两个过程整合到了一起,一边自顶向下分析将问题不断细化的时候，一边对原有问题域进行筛选和扩充4。加州大学伯克利分校的教授同时也是 Perceptual Edge 的首席顾问 Stephen Few 一直致力于分析和提供有价值的商业数据，他在这方面已经有超过 20 年的工作经验。他的两篇文章Three Blind Men and an Elephant: The Power of Faceted Analytical Displays

57、和Improve Your Vision and Expand Your Mind with Visual Analytics描述了一款名为 tableau 的商务智能软件，它主要的目的是可视化地呈现数据库中的数据（这些数据都是经过分类整合的） ，为人们作出更好的决策提供支持56。3.2 系统 SEAS（Structural Evidential Analysis System）分析SEAS 是斯坦福大学的 John D. Lawrence 主持研发的一款 B/S 架构的情报分析软件。这款软件主要用来进行自顶向下的结构化情报分析3。它已经被用在金融，保险以及医疗安全等很多方面30。SEAS 的

58、主要思想是：针对某一特定的战略情报任务，构建该任务的问题树，从根节点到叶子节点的过程就是情报任务的不断求精的过程，直到问题细化成一个个可以被直接回答的原子问题（在树形结构中以叶子节点的形式体现出来） 。SEAS 一开始就被设计成支持合作式分析的工具，对每一个原子问题的回答都可以有不同的情报分析人员（当然不是所有的情报人员都行，必须局限在一个特定的专业范围内）共同完成。当所有的问题都分析完毕以后，这个情报任务就处于“已发布”的状态，此时，如果有需要，其他的情报分析员可以引用这个论证到自己的情报分析中去，这样可以最大程度提高情报分析的复用率。另外，值得一提的是 SEAS 中为配合情报分析的展开而设

59、计出的数据可视化的方案都非常不错，简洁美观又包容了很多有用的信息。图 3.1 “问题树”图 3.2 多维论证中的星状散射图图 3.3 星座图图 3.4 星座图和星状散射图的叠加3.3 系统 Angler 分析 Angler 是斯坦福研究中心人工智能研究所 Andres Rodriguez 等人研发的一款旨在纠正情报分析人员认知偏见（Cognitive Bias）的一种合作式分析工具31。它采用的是典型的自底向上的分析方法。Angler 的主要步骤如下:首先是头脑风暴（Brainstorming） ，就是针对某一问题进行广泛的讨论，产生很多的意见和观点，接着是聚簇分析（Clustering）,将

60、这些观点和意见进行归类，最后是建立对这些归类好的意见进行排序，形成一致意见。图 3.5 聚簇分析界面图 3.6 形成统一意见的界面第四章 面向国防战略情报的问询式情报分析系统的分析与设计4.1 问询式情报分析的基本过程该情报分析系统可以被称作为问询式论证(Inferencial Argumentation)也可以叫作结构化论证(Structured Argumentation),“问询”和“结构化”是从两个不同的角度来描述这个情报分析系统的， “问询”侧重论证的主体，包括情报分析人员和情报专家；而“结构化”是侧重论证的方法,是采用自顶向下的结构化论证方法。下面简要描述该系统的工作过程：(1)当

61、情报分析员接收到上级下达的情报任务时，通过查找 Internet 或者内部信息资料库(Intranet)或者知识库(Konwledge Base)的内容收集大量的信息以后，将该情报任务细分成若干个子任务，然后对每个子任务在进行细分，直到不能再细分为止。这个过程成为查询分析过程。(2)对每一个不可再细分的子任务，逐一进行论证，论证的主要方面包括：论证的结论，论证的资料来源，结论的可靠性，资料来源的可靠性等四个方面。如果认为某一问题需要提交小组讨论决定或者交由某一专家提出意见，则可以先提交，待讨论结果或专家意见出来后，再论证这一问题，对该问题的最终解释权仍然掌握在情报分析员的手中。这个过程称为论证

62、过程。(3)当所有的问题论证完毕，可以查看结果显示。结果显示可以分成三种：1.文本形式显示 2.树形结构显示 3. 区域结构显示, 详细内容在 4.2 节解释。根据最终的结果可以生成情报分析报告，该报告将是高层管理者制定决策的重要依据。4.2 问询式情报分析系统体系结构设计管理员添加情报任务新情报任务分配任务情报员图 4.1 管理员业务流程图情报员分析情报关键字列表搜索关键字知识关联树(接上)知识关联树查看节点信息更多关键字部分相关信息站内搜索更多相关信息做出情报假设情报假设列表(接上)情报假设列表情报员个人论证专家或群体论证未论证情报假设列表已论证情报假设列表已论证问题列表生成工作表工作表决

63、策者图 4.2 情报员业务流程图管理员问询式情报分析系统情报分析员决策者专家学者分析报告图 4.3 顶层数据流图 管理员情报任务管理情报员分配人员管理专家分配需专家解决的情报假设情报任务情报员信息专家信息情报任务分配表图 4.4 管理员 0 层数据流图情报员情报任务分析与论证核实专家论证意见核实共享论证意见生成论证报告共享论证知识关联树需专家论证的情报假设已论证问题和论据待核实的专家论证已论证问题和论据待核实共享论证已论证的问题和论据已论证问题和论据决策者需共享论证的问题待核实的共享论证图 4.5 情报员数据流图专家编号密码所在领域所在单位姓名管理员编号密码情报员所在单位姓名密码编号 图 4.

64、6 管理员、情报员、专家概念模型情报假设编号内容情报任务任务编号任务名下达日期优先级图 4.7 情报任务、情报假设概念模型管理员管理分配情报任务情报员专家情报假设分配管理含有情报员编号专家编号1*1*1*1*图 4.8 IIAS 系统整体概念模型 图 4.9 IIAS 系统逻辑模型(简略)4.3 问询式情报分析过程图形化描述图 4.10 问询式情报分析平台图 4.11 情报员模块图 4.12 情报选择图 4.13 情报搜索图 4.14 知识关联树图 4.15 站内搜索(1)图 4.16 站内搜索(2)图 4.17 情报假设图 4.18 情报论证图 4.19 共享论证图 4.20 专家论证图 4

65、.21 核实专家论证图 4.22 核实共享论证第五章 问询式情报分析系统的数据可视化方案设计5.1 问询式情报分析系统(IIAS)可视化综述数据可视化是该情报分析系统的一大难点，设计怎样的稳定结构才能呈现我们刚才所描述的论证结果呢？当然，首先能想到的便是采用树形结构显示，因为我们采用的是自顶向下的结构化分析方法，而只有树形结构才能描述这个过程。树形结构的每一个叶子节点都表示一个不可再细分的情报问题。当鼠标移过该节点时便可显示该问题的结论，资料来源，结论的可靠性，资料来源的可靠性等信息。树的根节点便是当前的情报任务，沿着根节点不断向下的过程便是自顶向下不断细化粒度的过程。每一个节点都标有一种颜色

66、，其中，绿色表示该论证结果可靠，证据充足；黄色表示结果不太可靠，证据不太充足；红色表示结果不可靠，证据不足，随着时间的发展，需要再进一步研究加以确定。 （详见图 2.7）还有一种可视化的方案，为了更加清晰的表现不可再细分的情报问题中，哪些还不太可靠哪些根本不可靠，以及这些情报问题的各自属于哪一个领域，受斯坦福研究中心的 John D. Lawrence 博士的启发，我们将要分析份的情报任务划为 8 个不同的维度, 分别是：军事、经济、科技、社会、政治、国防、其他。这 8 个维度基本涵盖了情报问题分析的各个方面。我们只要针对每一个维度提出相应的若干情报问题，如果这些问题还可以再细分，则再提出细分的子问题，直到提出的问题不可再分为止。在显示的时候，论据充足和资料可靠的论证不显示（即绿色节点不显示） ，只显示那些论据不太充足和不充足的论证（即黄色和红色的节点） （详见图 2.8） 。在图 2.8 中，发现在科技领域还有 1 个不充足的论证和 4 个不太充足的论证。而在文化区域，所有论证均充足可信。表明在科技领域还需要加大该情报的研究力度。这两种可视化方案的各有各自的特点，树形结构显示优点是全面，系统