郭玉霞，劉功斌，崔炳喆，潘 亮

(1.中國空空導(dǎo)彈研究院，河南 洛陽 471009；2.航空制導(dǎo)武器航空科技重點(diǎn)實(shí)驗(yàn)室，河南 洛陽 471009；3.94326部隊(duì)，山東 濰坊 261051)

0 引 言

人工智能技術(shù)是一門基于計(jì)算機(jī)科學(xué)、哲學(xué)、認(rèn)知科學(xué)、腦科學(xué)、邏輯學(xué)等學(xué)科的技術(shù)。近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)得到了快速發(fā)展，并在圖像識別、語音識別、圍棋等領(lǐng)域取得了突破性進(jìn)展，其在軍事領(lǐng)域的應(yīng)用也正在深入拓展研究。

從軍事領(lǐng)域的發(fā)展及應(yīng)用來看，人工智能技術(shù)是解決未來復(fù)雜電磁戰(zhàn)場環(huán)境下目標(biāo)探測、抗干擾、抗雜波以及低空突防的重要手段，歐美國家早在20世紀(jì)90年代就開展了人工智能技術(shù)在目標(biāo)探測、識別、抗干擾領(lǐng)域的應(yīng)用和研究。

未來戰(zhàn)爭的關(guān)鍵是武器裝備智能化的競爭與較量。將人工智能技術(shù)與導(dǎo)彈武器精確制導(dǎo)技術(shù)相結(jié)合是提升導(dǎo)彈作戰(zhàn)能力的重要舉措。隨著航空武器的快速發(fā)展，以及信息化、網(wǎng)絡(luò)化、智能化[1-4]技術(shù)的大量應(yīng)用，武器系統(tǒng)對智能化導(dǎo)彈提出了新的需求，多彈信息融合、智能組網(wǎng)、協(xié)同作戰(zhàn)等可以實(shí)現(xiàn)對敵目標(biāo)的協(xié)同探測等。面對未來體系化的空戰(zhàn)形勢的需求，多彈協(xié)同、同構(gòu)異構(gòu)信息融合、智能決策、分布式作戰(zhàn)是導(dǎo)彈武器具備的關(guān)鍵要素，其實(shí)現(xiàn)的關(guān)鍵技術(shù)是智能導(dǎo)引頭。

未來戰(zhàn)爭是高科技的戰(zhàn)爭，也是海、陸、天、空、電五維空間的立體智能化戰(zhàn)爭，其中智能空戰(zhàn)是戰(zhàn)爭的主要形式，制空權(quán)和制電磁頻譜權(quán)決定著戰(zhàn)爭的勝負(fù)。本文結(jié)合智能化空戰(zhàn)需求，對空空導(dǎo)彈的雷達(dá)導(dǎo)引頭智能化展開分析。

智能化導(dǎo)彈的作戰(zhàn)模式大致可以分為3個(gè)階段，作戰(zhàn)準(zhǔn)備階段、中制導(dǎo)階段和末制導(dǎo)階段，如圖1所示。在雷達(dá)型空空導(dǎo)彈系統(tǒng)中，導(dǎo)引頭作為彈上獲取、處理和提取外界信息的重要組成部件，需要具備目標(biāo)檢測與識別、抗干擾、抑制地海雜波等功能，是實(shí)現(xiàn)智能作戰(zhàn)的中、末制導(dǎo)的關(guān)鍵環(huán)節(jié)，以及效果評估的直接參與者，其智能化程度直接決定了未來作戰(zhàn)智能化的深度和廣度。因此，智能信息處理是智能雷達(dá)導(dǎo)引頭的重要研究方向。

圖1 智能化導(dǎo)彈作戰(zhàn)模式Fig.1 The combat mode of intelligent missile

1 雷達(dá)導(dǎo)引頭探測面臨的挑戰(zhàn)

1.1 反隱身挑戰(zhàn)

雷達(dá)型空空導(dǎo)彈的對抗對象已由傳統(tǒng)的第三代戰(zhàn)機(jī)擴(kuò)展為第四代隱身戰(zhàn)機(jī)[4]，包括F-22,F-35,T-50等，以及無人機(jī)、巡航導(dǎo)彈在內(nèi)的各類目標(biāo)。與常規(guī)的第三代戰(zhàn)機(jī)相比，隱身戰(zhàn)機(jī)、無人機(jī)等目標(biāo)的 RCS數(shù)量級降低，回波信號急劇降低，目標(biāo)更加難以被探測。因此，提高雷達(dá)導(dǎo)引頭的反隱身[4]能力將成為探測隱身目標(biāo)的重要選擇，直接關(guān)系到能否先敵發(fā)現(xiàn)、先敵攻擊，以及未來空戰(zhàn)中制空權(quán)奪取問題。

1.2 抗干擾挑戰(zhàn)

近年來的戰(zhàn)爭實(shí)踐表明，電子干擾總是率先發(fā)起并貫穿始終，對戰(zhàn)爭的進(jìn)程和結(jié)果產(chǎn)生重要影響。基于對電子干擾作戰(zhàn)效果和戰(zhàn)略戰(zhàn)術(shù)地位的認(rèn)識，美軍不斷加大電子干擾武器裝備的研發(fā)和投入，使得電子干擾手段日新月異?，F(xiàn)代空戰(zhàn)中，空空導(dǎo)彈除了面臨支援干擾、自衛(wèi)式干擾、箔條干擾外，還有近年來出現(xiàn)的新型角度欺騙類干擾。由于干擾信號在時(shí)頻域全面壓制回波信號，雷達(dá)跟蹤系統(tǒng)不能有效地區(qū)分出目標(biāo)機(jī)和誘餌，從而跟蹤干擾，導(dǎo)致導(dǎo)彈脫靶，因此對雷達(dá)導(dǎo)引頭抗干擾性能提出挑戰(zhàn)。

1.3 抗雜波挑戰(zhàn)

現(xiàn)代空戰(zhàn)中，隱身戰(zhàn)機(jī)、無人機(jī)的大量裝備，目標(biāo)的低空/超低空突防已成為常規(guī)進(jìn)攻手段，低空/超低空目標(biāo)的雜波、鏡像干擾是雷達(dá)導(dǎo)引頭需要面臨的主要問題之一，強(qiáng)地海雜波、以及云/雨/霧等氣象雜波將不可避免地影響到雷達(dá)導(dǎo)引頭的檢測性能。圖2為地雜波和氣象雜波采集圖形。

圖2 地雜波和氣象雜波采集圖形Fig.2 The gathered graphics of ground clutter and meteorological clutter

1.4 多任務(wù)挑戰(zhàn)

隨著空空、空地作戰(zhàn)任務(wù)，以及復(fù)雜戰(zhàn)場環(huán)境作戰(zhàn)的需求，空空導(dǎo)彈不僅需要攻擊空中目標(biāo)，如大氣層內(nèi)、外的隱身目標(biāo)，高機(jī)動(dòng)目標(biāo)，預(yù)警機(jī)，以及臨近空間目標(biāo)等，還肩負(fù)著攻擊海面、地面慢速移動(dòng)的大型時(shí)敏目標(biāo)，和固定高價(jià)值目標(biāo)等任務(wù)，多任務(wù)作戰(zhàn)對雷達(dá)導(dǎo)引頭的體制、目標(biāo)分類、目標(biāo)識別等能力提出了新的需求。

2 導(dǎo)引頭信息處理現(xiàn)狀與典型框架

導(dǎo)引頭的智能化程度取決于信息處理軟硬件整體性能，其中軟件性能是關(guān)鍵。目前在通用的多片DSP+FPGA信號處理機(jī)架構(gòu)下，雷達(dá)導(dǎo)引頭信息處理主要處于初級人工智能階段，即在程序化+自動(dòng)化基礎(chǔ)上實(shí)現(xiàn)簡單的智能。導(dǎo)引頭典型的信號處理[5]框架如圖3所示。

圖3 典型信號處理器的處理模塊框圖Fig.3 The processing module block diagram of a typical signal processor

結(jié)合雷達(dá)導(dǎo)引頭所面臨的挑戰(zhàn)，對導(dǎo)引頭信息處理在典型信號處理框架下的智能化現(xiàn)狀進(jìn)行分析。

反隱身在雷達(dá)導(dǎo)引頭信息處理的應(yīng)用，主要表現(xiàn)為弱小特征目標(biāo)檢測技術(shù)，目前常采用長時(shí)間相參積累技術(shù)、檢測前跟蹤技術(shù)[6]等。長時(shí)間相參積累作為一種比較成熟的傳統(tǒng)檢測技術(shù)，對弱小信號檢測具有很好的提升作用，但對空中高機(jī)動(dòng)目標(biāo)檢測時(shí)，需要解決長時(shí)間積累引起跨距離和跨多普勒的“雙跨”問題。檢測前跟蹤技術(shù)是利用目標(biāo)回波的相關(guān)性對多幀數(shù)據(jù)進(jìn)行信號能量積累，然后進(jìn)行目標(biāo)檢測，對于噪聲高于信號的弱小目標(biāo)檢測具有一定優(yōu)勢，但對目標(biāo)類型和運(yùn)動(dòng)特征等適用條件要求較高，同時(shí)未能利用目標(biāo)的其他微弱特征。

建立時(shí)、頻、空和極化等多維信息融合技術(shù)，多波形組合頻率捷變技術(shù)等是抗干擾的重要方法。多維信息融合技術(shù)是利用目標(biāo)與干擾源之間的特征差異來實(shí)現(xiàn)抗干擾，但其實(shí)現(xiàn)過程中需要多維數(shù)據(jù)源支撐和相應(yīng)先驗(yàn)信息。多波形組合的頻率捷變技術(shù)作為一種主動(dòng)抗干擾方法，能很好地抗有源干擾，但回波信息的后端處理比較復(fù)雜，并對無源干擾和角度反射器等干擾的適用性較差。

在抗雜波方面，基于統(tǒng)計(jì)學(xué)、散射理論和非線性分析的地海雜波的目標(biāo)檢測處理方法主要是采用統(tǒng)計(jì)假設(shè)檢驗(yàn)的思想，利用能量檢測器、匹配假設(shè)等方法，進(jìn)行強(qiáng)雜波的多普勒濾除，實(shí)現(xiàn)雜波背景下的目標(biāo)檢測判決。但由于雜波的復(fù)雜時(shí)變性和弱規(guī)律混沌性等因素，這些方法的應(yīng)用需要大量的數(shù)據(jù)積累和特征提取，對低速和靜止目標(biāo)的檢測能力受限。

3 導(dǎo)引頭信息處理智能化發(fā)展思考

基于導(dǎo)引頭信息處理發(fā)展的初級智能化現(xiàn)狀，未來中級人工智能應(yīng)具有如下特點(diǎn)，即雷達(dá)導(dǎo)引頭具有認(rèn)知雷達(dá)反饋架構(gòu)，充分利用深度學(xué)習(xí)算法，更好地應(yīng)對復(fù)雜場景；而更高級的人工智能則可以實(shí)現(xiàn)多平臺(tái)智能協(xié)同、人機(jī)混合交互、自主智能感知等智能化水平。考慮到現(xiàn)階段工程應(yīng)用的實(shí)際，本文對導(dǎo)引頭信息處理中級人工智能化，從三個(gè)方面提出思考。

3.1 微弱特征目標(biāo)智能檢測技術(shù)

基于貝葉斯估計(jì)的粒子濾波[6-11]技術(shù)、深度學(xué)習(xí)的弱小信號檢測技術(shù)等，作為智能檢測算法，具有一定程度的自學(xué)習(xí)、自搜索能力，在微弱特征目標(biāo)檢測方面，具有很大的應(yīng)用潛力。

(1) 基于貝葉斯估計(jì)的粒子濾波技術(shù)

粒子濾波技術(shù)主要依據(jù)系統(tǒng)狀態(tài)向量的經(jīng)驗(yàn)分布，在狀態(tài)空間中產(chǎn)生一組被稱為粒子的隨機(jī)樣本集合，然后根據(jù)最新的觀測值不斷調(diào)整粒子的權(quán)重信息，從而對最初的經(jīng)驗(yàn)分布進(jìn)行修正，最終利用目標(biāo)狀態(tài)密度的濾波結(jié)果進(jìn)行目標(biāo)存在性判決，從而可以最終估計(jì)輸出目標(biāo)的信息。同為90%的檢測概率時(shí)，與傳統(tǒng)的基于相參-非相參處理檢測算法的檢測系數(shù)13 dB相比較，基于貝葉斯估計(jì)的粒子濾波技術(shù)的檢測系數(shù)約8 dB，即檢測靈敏度改善約5 dB，如圖4所示。但是應(yīng)用粒子濾波技術(shù)時(shí)，需要權(quán)衡大量樣本來保持粒子有效性,多樣性和有限樣本導(dǎo)致粒子退化。

圖4 檢測性能比較Fig.4 Comparison of detection performance

(2) 基于深度學(xué)習(xí)的弱小信號檢測技術(shù)

通常基于相參-非相參的信號檢測算法容易受噪聲、雜波、干擾等因素影響。從國外近年的研究成果來看，基于知識輔助和智能學(xué)習(xí)的弱小信號檢測方法[9,12]是改善弱小目標(biāo)探測的一個(gè)重要途徑。通過神經(jīng)網(wǎng)絡(luò)模型和目標(biāo)鑒別模型，發(fā)現(xiàn)可能的目標(biāo)區(qū)域，進(jìn)一步提取對尺度、環(huán)境、狀態(tài)不敏感的特征，利用回波信號的分析數(shù)據(jù)，構(gòu)建基于特征及能量智能融合的目標(biāo)檢測算法，實(shí)現(xiàn)對弱小目標(biāo)的檢測功能，圖5所示為智能多特征融合目標(biāo)檢測方法。應(yīng)用中需要解決對抗環(huán)境下目標(biāo)鑒別問題，同時(shí)，多層神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)也是一個(gè)挑戰(zhàn)。

圖5 智能多特征融合目標(biāo)檢測方法Fig.5 The target detection method of intelligent multi-feature fusion

3.2 智能抗干擾技術(shù)

基于隨機(jī)有限集的抗干擾技術(shù)和基于環(huán)境感知與深度學(xué)習(xí)的智能抗干擾技術(shù)等具有一定自組織、自學(xué)習(xí)能力，能夠更好地適應(yīng)瞬息多變的戰(zhàn)場環(huán)境，實(shí)現(xiàn)抗干擾的電子戰(zhàn)博弈。

(1) 基于隨機(jī)有限集的抗干擾技術(shù)

基于隨機(jī)有限集[13]的抗干擾技術(shù)是將目標(biāo)和干擾的聯(lián)合狀態(tài)作為系統(tǒng)狀態(tài)矢量，采用狀態(tài)相關(guān)雜波模型來描述系統(tǒng)的量測集，在貝葉斯框架下有效集成物理空間中的運(yùn)動(dòng)約束、行為差異性及干擾角度量測分布等先驗(yàn)知識來實(shí)現(xiàn)系統(tǒng)貝葉斯后驗(yàn)概率[14]的高效傳遞。在此基礎(chǔ)上，基于系統(tǒng)貝葉斯后驗(yàn)概率完成目標(biāo)、干擾的最優(yōu)狀態(tài)估計(jì)和干擾類型辨識等。圖6～7所示為基于隨機(jī)有限集的目標(biāo)估計(jì)和目標(biāo)干擾估計(jì)情況。由于可用數(shù)據(jù)還不完備，建立在雜波相關(guān)理論的先驗(yàn)知識在一定程度上限制了有限集的抗干擾技術(shù)應(yīng)用。

圖6 干擾環(huán)境下基于隨機(jī)有限集的目標(biāo)估計(jì)結(jié)果Fig.6 The target estimation results based on random finite set in jammed environment

(2) 基于環(huán)境感知與深度學(xué)習(xí)的智能抗干擾技術(shù)

基于環(huán)境感知與深度學(xué)習(xí)的智能抗干擾技術(shù)是在信息化、網(wǎng)絡(luò)化作戰(zhàn)基礎(chǔ)上，賦予導(dǎo)引頭實(shí)時(shí)環(huán)境感知能力，同時(shí)具備智能學(xué)習(xí)能力，通過對周圍干擾等環(huán)境的實(shí)時(shí)感知、學(xué)習(xí)，實(shí)現(xiàn)多維目標(biāo)和干擾特征的全面描述，同時(shí)基于深度學(xué)習(xí)或強(qiáng)化學(xué)習(xí)獲取最優(yōu)的對抗匹配策略解，進(jìn)而提高智能導(dǎo)引頭對抗自衛(wèi)式和角度欺騙式干擾的能力。

智能抗干擾系統(tǒng)涉及發(fā)射系統(tǒng)、接收系數(shù)、目標(biāo)跟蹤和戰(zhàn)場環(huán)境態(tài)勢感知等，具有閉環(huán)在線深度學(xué)習(xí)、在線自適應(yīng)和在線智能決策等動(dòng)態(tài)能力[9,13-16]。智能學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)等模型對雷達(dá)導(dǎo)引頭獲取的雜波、干擾、目標(biāo)特征進(jìn)行判斷評估，進(jìn)而自適應(yīng)地調(diào)整導(dǎo)引頭的工作模式、工作參數(shù)、工作波形、信號處理算法等，獲得最優(yōu)解。圖8為基于環(huán)境感知與深度學(xué)習(xí)的智能抗干擾技術(shù)構(gòu)成。建立數(shù)據(jù)共享的智能抗干擾系統(tǒng)，需要綜合解決目前空空導(dǎo)彈按艙段劃分的工作體制問題。

圖7 基于隨機(jī)有限集的目標(biāo)干擾估計(jì)情況Fig.7 The target jamming estimation based on random finite set

圖8 基于環(huán)境感知和深度學(xué)習(xí)的智能抗干擾Fig.8 Intelligent anti-jamming based on environmental perception and deep learning

3.3 智能雜波抑制技術(shù)

未來空戰(zhàn)中，面對低空突防目標(biāo)，隨著地形或海情變化，以及時(shí)空分布的復(fù)雜特性，強(qiáng)地海雜波將不可避免地影響導(dǎo)引頭探測性能?；陔s波環(huán)境感知的智能雜波抑制技術(shù)[15-17]是建立在智能學(xué)習(xí)圖像降噪思想上，綜合考慮雜波特征，利用采集的雜波和目標(biāo)回波數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡(luò)、分層神經(jīng)網(wǎng)絡(luò)等智能學(xué)習(xí)算法，實(shí)現(xiàn)對雜波和目標(biāo)特征的智能學(xué)習(xí)[18]，從而確定雜波類型和特征，形成雜波環(huán)境的先驗(yàn)知識，通過在線實(shí)時(shí)雜波特征提取和模式識別，自適應(yīng)完成智能雜波抑制，實(shí)現(xiàn)目標(biāo)和雜波的可靠鑒別，從而提高智能導(dǎo)引頭在雜波背景下的檢測性能。圖9為基于雜波環(huán)境感知的智能雜波抑制技術(shù)構(gòu)成。雜波先驗(yàn)知識的智能學(xué)習(xí)需要大數(shù)據(jù)支撐，而目前雜波數(shù)據(jù)有限，另外雜波理論、雜波分析算法有許多不足。

圖9 基于雜波環(huán)境感知的智能雜波抑制技術(shù)Fig.9 The intelligent clutter suppression based on clutter environmental perception

4 結(jié) 束 語

基于深度學(xué)習(xí)的智能信息處理技術(shù)在初步的仿真和試驗(yàn)中驗(yàn)證了其在目標(biāo)探測、干擾識別、場景分類等方面的有效性，但在實(shí)際工程應(yīng)用中尚需要解決大量的問題，如戰(zhàn)場環(huán)境復(fù)雜多變、訓(xùn)練樣本數(shù)據(jù)有限，雜波理論模型不完備以及多層神經(jīng)網(wǎng)絡(luò)模型不足等問題。如何在小樣本、小體積、大動(dòng)態(tài)場景下實(shí)現(xiàn)基于深度學(xué)習(xí)的雷達(dá)性能提升是需要解決的重要問題。因此，在智能化信息處理發(fā)展過程中，可以從多個(gè)方面，逐層推進(jìn)智能化雷達(dá)導(dǎo)引頭技術(shù)，如開展波形認(rèn)知的雷達(dá)信息處理、知識輔助的雷達(dá)信息處理等，同時(shí)加強(qiáng)基于大數(shù)據(jù)支撐的智能化信息處理技術(shù)研究。后續(xù)加快智能化雷達(dá)導(dǎo)引頭領(lǐng)域關(guān)鍵瓶頸技術(shù)的突破，進(jìn)一步創(chuàng)新智能算法,必將促進(jìn)武器智能化發(fā)展。