黃知濤,王 翔,趙雨睿

(1. 國防科技大學(xué) 電子科學(xué)學(xué)院, 湖南 長沙 410073; 2. 國防科技大學(xué) 電子對抗學(xué)院, 安徽 合肥 230037)

電子戰(zhàn)是爭奪制電磁權(quán)的關(guān)鍵,其旨在利用電磁能、定向能等實(shí)現(xiàn)對電磁頻譜的控制,包括掌握、攻擊敵方電子信息系統(tǒng)和電子系統(tǒng)等,以及保護(hù)己方電子信息系統(tǒng)和電子系統(tǒng)等[1]。電子戰(zhàn)的發(fā)展經(jīng)歷了三個(gè)演變過程,即傳統(tǒng)電子戰(zhàn)、自適應(yīng)電子戰(zhàn)以及認(rèn)知電子戰(zhàn)。傳統(tǒng)電子戰(zhàn)是指采用預(yù)置的干擾方式破壞敵方雷達(dá)、通信等電子信息系統(tǒng)的正常工作;自適應(yīng)電子戰(zhàn)則是融合自適應(yīng)技術(shù),使電子戰(zhàn)系統(tǒng)具備適應(yīng)電磁環(huán)境變化的能力;而認(rèn)知電子戰(zhàn)則代表了電子戰(zhàn)演變的最新形態(tài),具備推理、學(xué)習(xí)等認(rèn)知能力,能夠?qū)ξ粗哪繕?biāo)和環(huán)境進(jìn)行分析并自主做出有效的對抗決策。

催生電子戰(zhàn)形態(tài)改變的關(guān)鍵因素是人工智能技術(shù)的蓬勃發(fā)展。在20世紀(jì)70年代時(shí)期,電子戰(zhàn)系統(tǒng)高度依賴以特征工程為主導(dǎo)的專家系統(tǒng)。進(jìn)入21世紀(jì)以來,數(shù)據(jù)規(guī)模和算力的急劇增加促使以深度學(xué)習(xí)等為代表的人工智能學(xué)習(xí)模型不斷涌現(xiàn),電子戰(zhàn)系統(tǒng)中的關(guān)鍵算法從特征工程走向機(jī)器學(xué)習(xí)。自今年以來,以生成式大語言模型為代表的新一代人工智能技術(shù)突起,為認(rèn)知電子戰(zhàn)的發(fā)展提供了進(jìn)一步的機(jī)遇。

美國最先意識到人工智能技術(shù)給電子戰(zhàn)發(fā)展帶來的機(jī)遇。從2008年起,美軍以提高電子戰(zhàn)裝備認(rèn)知能力為核心,陸續(xù)啟動(dòng)和開展了多個(gè)認(rèn)知電子戰(zhàn)項(xiàng)目的研究[2]。中國從2013年開始跟蹤研究認(rèn)知電子戰(zhàn)技術(shù),主要團(tuán)隊(duì)包括中國電子科技集團(tuán)公司第三十六研究所的楊小牛院士團(tuán)隊(duì)[3]、軍事科學(xué)院的王沙飛院士團(tuán)隊(duì)[4]等。

隨著人工智能技術(shù)的快速發(fā)展,學(xué)術(shù)界對認(rèn)知這一概念已經(jīng)邁進(jìn)了嶄新的階段。因此,重新梳理認(rèn)知電子戰(zhàn)的發(fā)展脈絡(luò),剖析其核心技術(shù)原理,進(jìn)一步捕捉其發(fā)展趨勢就顯得尤為重要。

本文結(jié)合人工智能領(lǐng)域的最新研究進(jìn)展,對認(rèn)知電子戰(zhàn)系統(tǒng)從概念內(nèi)涵、典型項(xiàng)目、系統(tǒng)架構(gòu)、關(guān)鍵技術(shù)與未來挑戰(zhàn)五個(gè)方面進(jìn)行全面總結(jié)及深入分析,進(jìn)而為領(lǐng)域研究墊下基石。

1 認(rèn)知電子戰(zhàn)概念

傳統(tǒng)電子戰(zhàn)系統(tǒng)主要基于人工經(jīng)驗(yàn)知識,缺乏足夠的自學(xué)習(xí)能力,長期面臨著“新型電磁目標(biāo)”“未知目標(biāo)難以識別”“難以生成干擾措施”“對抗效果難以評估”等問題。新一代雷達(dá)、通信等電子信息系統(tǒng)正在向智能化方向發(fā)展,急需電子戰(zhàn)系統(tǒng)提升智能化水平,實(shí)現(xiàn)“以智對智”。認(rèn)知電子戰(zhàn)正是在這個(gè)背景下應(yīng)運(yùn)而生,其具備對電磁環(huán)境和輻射源目標(biāo)深層次的“認(rèn)知”能力,能夠在極短的時(shí)間內(nèi)自主地生成最佳對抗策略,通過實(shí)時(shí)在線評估對抗效果不斷優(yōu)化對抗策略[5]。

1.1 定義與內(nèi)涵

目前,國內(nèi)外對認(rèn)知電子戰(zhàn)尚未有統(tǒng)一的定義,研究人員先后給出過不同定義,總結(jié)如表1所示。雖然不同研究人員對認(rèn)知電子戰(zhàn)定義的側(cè)重不同,但是核心都在強(qiáng)調(diào)對環(huán)境和目標(biāo)的自主認(rèn)知和理解,從而持續(xù)實(shí)現(xiàn)對目標(biāo)輻射源的高效干擾策略生成與優(yōu)化。然而,對目標(biāo)輻射源究竟要認(rèn)知什么、理解什么,才能有助于高效對抗,這方面國內(nèi)外公開文獻(xiàn)都沒有深入研究。

表1 國內(nèi)外認(rèn)知電子戰(zhàn)定義總結(jié)Tab.1 Summary of the definition of cognitive electronic warfare at home and abroad

雖然不同研究人員對認(rèn)知電子戰(zhàn)的定義側(cè)重不同,但是核心都在強(qiáng)調(diào)對環(huán)境和目標(biāo)的自主認(rèn)知和理解,從而持續(xù)實(shí)現(xiàn)對目標(biāo)輻射源的高效干擾策略生成與優(yōu)化。但是已有定義并未充分考慮目標(biāo)不同特性給認(rèn)知以及策略優(yōu)化帶來的差異性。綜合已有研究成果,并結(jié)合人工智能的新發(fā)展,本文結(jié)合不同目標(biāo)變化特性詳細(xì)闡述不同等級的認(rèn)知電子戰(zhàn)。

從目標(biāo)變化程度的角度出發(fā),認(rèn)知電子戰(zhàn)可以分為三個(gè)層次:一是當(dāng)輻射源目標(biāo)信號參數(shù)以及工作模式不變或者緩慢變化時(shí),認(rèn)知電子戰(zhàn)核心是如何基于盡可能少的偵測數(shù)據(jù)做出高效決策;二是當(dāng)輻射源目標(biāo)信號采用事先設(shè)定的規(guī)則實(shí)現(xiàn)變化時(shí),認(rèn)知電子戰(zhàn)的核心是基于歷史偵測數(shù)據(jù)實(shí)現(xiàn)對目標(biāo)輻射源工作規(guī)則的認(rèn)知,并基于認(rèn)知結(jié)果實(shí)現(xiàn)干擾策略生成與預(yù)測;三是當(dāng)輻射源目標(biāo)是智能化目標(biāo),即其參數(shù)或工作模式能夠自主隨環(huán)境動(dòng)態(tài)變化時(shí),認(rèn)知電子戰(zhàn)的核心是如何基于歷史偵測數(shù)據(jù)和實(shí)時(shí)偵測數(shù)據(jù)完成對目標(biāo)智能學(xué)習(xí)模型的在線認(rèn)知,實(shí)現(xiàn)“以智對智”,并形成智能對抗決策模型對目標(biāo)智能規(guī)劃模型的“先發(fā)制人”優(yōu)勢。

可見,認(rèn)知電子戰(zhàn)最大的優(yōu)勢是實(shí)現(xiàn)對未知目標(biāo)的認(rèn)知與對抗。從目標(biāo)未知屬性的角度出發(fā),認(rèn)知又可以進(jìn)一步細(xì)分為兩個(gè)部分:一是當(dāng)目標(biāo)采用未知波形時(shí),認(rèn)知電子戰(zhàn)需要實(shí)現(xiàn)對波形的認(rèn)知以及最佳干擾波形的生成;二是當(dāng)目標(biāo)采用未知工作模式時(shí),認(rèn)知電子戰(zhàn)需要實(shí)現(xiàn)對目標(biāo)工作模式規(guī)律的認(rèn)知以及針對該模式最佳干擾策略的生成。

1.2 能力

認(rèn)知電子戰(zhàn)能夠?qū)崟r(shí)感知電磁環(huán)境,高效自主地調(diào)整系統(tǒng)以適應(yīng)目標(biāo)和環(huán)境的變化,提高系統(tǒng)的反應(yīng)力、精確性和適應(yīng)水平等綜合效能。結(jié)合1.1節(jié)中的定義與內(nèi)涵,本文從感知、判斷、決策三個(gè)方面對電子戰(zhàn)系統(tǒng)的能力進(jìn)行描述。

一是感知能力,即實(shí)現(xiàn)對復(fù)雜電磁環(huán)境中雷達(dá)、通信等不同輻射源的精確檢測、分析、識別、測向定位等能力,并能對輻射源的工作模式進(jìn)行智能分析;二是判斷能力,即實(shí)現(xiàn)對敵輻射源行為規(guī)律的精確建模及異常檢測,從較長時(shí)間尺度上對目標(biāo)進(jìn)行深層次認(rèn)知,并能推斷輻射源及所在平臺的意圖的能力;三是干擾決策能力,即實(shí)現(xiàn)最佳干擾決策并生成最佳干擾波形,能基于實(shí)時(shí)評估干擾效果實(shí)現(xiàn)干擾策略優(yōu)化,具備先發(fā)致人式、預(yù)測性干擾能力。

2 典型認(rèn)知電子戰(zhàn)項(xiàng)目

自2008年起,美國軍方和工業(yè)界就陸續(xù)啟動(dòng)了多個(gè)認(rèn)知電子戰(zhàn)項(xiàng)目,分別從關(guān)鍵技術(shù)攻關(guān)、系統(tǒng)架構(gòu)、應(yīng)用集成和演示驗(yàn)證等方面推動(dòng)認(rèn)知電子戰(zhàn)的發(fā)展[11]。

在關(guān)鍵技術(shù)攻關(guān)方面,美國海軍實(shí)施的反應(yīng)式電子攻擊措施項(xiàng)目重點(diǎn)聚焦雷達(dá)信號探測和分類技術(shù),用于識別敏捷雷達(dá)威脅目標(biāo),并計(jì)劃應(yīng)用于EA-18G“咆哮者”電子戰(zhàn)飛機(jī);美國國防部建立的“算法戰(zhàn)跨職能小組”開展基于人工智能的海量光電偵察數(shù)據(jù)態(tài)勢分析、目標(biāo)識別、光電對抗等技術(shù)研究;美國DeepSig公司于2020年開發(fā)了一套OmniSIG人工智能軟件,開展信號檢測、識別、推理等關(guān)鍵技術(shù)驗(yàn)證,為動(dòng)態(tài)頻譜感知與決策提供支撐。

在系統(tǒng)架構(gòu)研究方面,DARPA資助的“寬帶傳感器系統(tǒng)的處理器重構(gòu)”項(xiàng)目聚焦開發(fā)高吞吐量、流數(shù)據(jù)處理器,大幅提升硬件反應(yīng)速度和處理能力,為認(rèn)知電子戰(zhàn)提供實(shí)時(shí)運(yùn)算平臺支持;“射頻機(jī)器學(xué)習(xí)系統(tǒng)”聚焦研究如何將機(jī)器學(xué)習(xí)等人工智能理念與方法應(yīng)用于射頻系統(tǒng)設(shè)計(jì)。美國空軍針對認(rèn)知電子戰(zhàn)面臨新威脅的特點(diǎn),實(shí)施了“電子支援關(guān)鍵試驗(yàn)”項(xiàng)目,試驗(yàn)具有新目標(biāo)適應(yīng)能力的開放式機(jī)載電子攻擊系統(tǒng)。

在應(yīng)用集成和演示驗(yàn)證方面,美國工業(yè)界在DARPA的資助下分別針對雷達(dá)對抗、通信對抗等開展了驗(yàn)證。在雷達(dá)對抗方面,主要代表項(xiàng)目是“自適應(yīng)雷達(dá)對抗”項(xiàng)目;在通信對抗方面,主要代表性項(xiàng)目包括“自適應(yīng)電子戰(zhàn)行為學(xué)習(xí)”“認(rèn)知干擾機(jī)”“城市軍刀”等。而“極端射頻頻譜條件下的通信”項(xiàng)目則聚焦認(rèn)知通信防御問題,提高在遭受干擾壓制情況下的通信自適應(yīng)能力和靈活性。2022年,美國空軍發(fā)布的“怪獸”項(xiàng)目是美軍公開的認(rèn)知電子戰(zhàn)最新項(xiàng)目,其包括了數(shù)據(jù)框架、硬軟件架構(gòu)(軟件無線電研究)、多頻譜模擬仿真環(huán)境、可重構(gòu)的電子攻擊處理、實(shí)時(shí)算法開發(fā)、關(guān)鍵技術(shù)重編程(檢測、分選、識別、去模糊和跟蹤等)、分布式對抗等,實(shí)現(xiàn)機(jī)載認(rèn)知電子戰(zhàn)能力的全面驗(yàn)證。

3 認(rèn)知電子戰(zhàn)系統(tǒng)架構(gòu)

綜合國內(nèi)外研究,認(rèn)知電子戰(zhàn)系統(tǒng)架構(gòu)一般由可重構(gòu)射頻模塊、偵察感知模塊、干擾生成模塊、推理學(xué)習(xí)模塊、動(dòng)態(tài)知識庫等組成,如圖1所示。可重構(gòu)射頻模塊主要負(fù)責(zé)與電磁環(huán)境的交互,包括接收環(huán)境中的射頻信號與發(fā)射干擾信號。偵察感知模塊主要負(fù)責(zé)射頻信號接收與智能分析識別、信息提取以及輻射源行為分析、意圖識別等,為對抗決策提供輸入依據(jù),同時(shí)也為在線干擾效果評估提供輸入依據(jù);干擾生成模塊主要負(fù)責(zé)對抗策略以及干擾波形的實(shí)時(shí)生成;推理學(xué)習(xí)模塊為整個(gè)系統(tǒng)提供運(yùn)算條件,支撐離線學(xué)習(xí)以及在線運(yùn)算等,充當(dāng)認(rèn)知電子戰(zhàn)系統(tǒng)的大腦;動(dòng)態(tài)知識庫存儲感知判斷得到的目標(biāo)輻射源波形、模式規(guī)律等知識并能夠進(jìn)行動(dòng)態(tài)更新。認(rèn)知電子戰(zhàn)系統(tǒng)的核心特征是通過智能賦能,動(dòng)態(tài)適應(yīng)電磁環(huán)境和目標(biāo)變化,敏銳發(fā)現(xiàn)、精確識別和高效干擾威脅目標(biāo),并能自適應(yīng)實(shí)現(xiàn)資源動(dòng)態(tài)調(diào)度,通過學(xué)習(xí)不斷優(yōu)化策略。

圖1 通用的認(rèn)知電子戰(zhàn)系統(tǒng)體系結(jié)構(gòu)Fig.1 General architecture of cognitive electronic warfare system

在系統(tǒng)架構(gòu)的基礎(chǔ)上,認(rèn)知電子戰(zhàn)系統(tǒng)還可以進(jìn)一步根據(jù)不同的功能層次進(jìn)行詳細(xì)設(shè)計(jì)與劃分。

根據(jù)自頂向下的設(shè)計(jì)原則,采用分層架構(gòu)將認(rèn)知電子戰(zhàn)系統(tǒng)劃分為用戶層、應(yīng)用層、算法層、數(shù)據(jù)層和硬件層,如圖2所示。層次越向上,其抽象層次就越面向業(yè)務(wù)、面向用戶;層次越向下,其抽象層次就變得越通用、面向設(shè)備。

圖2 認(rèn)知電子戰(zhàn)系統(tǒng)的分層架構(gòu)Fig.2 Layered architecture of cognitive electronic warfare system

4 認(rèn)知電子戰(zhàn)關(guān)鍵技術(shù)

認(rèn)知電子戰(zhàn)的核心是感知能力、判斷能力、決策能力?？紤]到感知、判斷、決策每個(gè)方面具有不同評價(jià)方式,認(rèn)知電子戰(zhàn)的效能函數(shù)可以表示為

(1)

其中:mob、mor、mde分別表示感知、判斷、決策三個(gè)方面的性能指標(biāo)向量;cob、cor、cde分別表示感知、判斷、決策三個(gè)方面的控制參數(shù);U(·)表示系統(tǒng)效能函數(shù),將多個(gè)性能指標(biāo)m合成單一標(biāo)量值,w是不同模塊對應(yīng)指標(biāo)的權(quán)重系數(shù)。通過尋找最優(yōu)的cob、cor、cde,使得認(rèn)知電子戰(zhàn)系統(tǒng)的效能函數(shù)最大化。mob、mor、mde等每一個(gè)指標(biāo)的提升都應(yīng)該會(huì)帶來認(rèn)知電子戰(zhàn)系統(tǒng)性能的提升,但是單一的指標(biāo)提升只能在一定程度范圍內(nèi)提升認(rèn)知電子戰(zhàn)系統(tǒng)的效能,而不能無限提高。Ceq(·)、Cnon-eq(·)分別代表優(yōu)化問題中的等式限制條件與不等式限制條件,即表示認(rèn)知電子戰(zhàn)系統(tǒng)在學(xué)習(xí)優(yōu)化控制參數(shù)過程中需要遵循的約束條件。例如,電子戰(zhàn)系統(tǒng)的干擾樣式集、偵察與干擾的開窗時(shí)間限制等。

從每個(gè)功能模塊的角度出發(fā),效能函數(shù)可以進(jìn)一步表示為

U(mob(cob),mor(cor),mde(cde),w)

Ude(mde(cde),wde),w]

(2)

4.1 感知技術(shù)

4.1.1 問題模型

感知的目標(biāo)是對截獲到的信號進(jìn)行處理,獲取信號的基本參數(shù)、信號樣式、個(gè)體身份等信息,能夠?yàn)閷共ㄐ紊商峁┗A(chǔ)參數(shù)。其核心在于如何根據(jù)不同的需求,構(gòu)造不同的特征提取模型,可以表示為

(3)

為了完成對目標(biāo)的感知任務(wù),需要對接收到的信號進(jìn)行分步驟處理,包含信號檢測、測向、信號識別、個(gè)體識別等,從而實(shí)現(xiàn)從復(fù)雜電磁環(huán)境中發(fā)現(xiàn)、識別輻射源目標(biāo),為后續(xù)干擾決策提供目標(biāo)指引?？刂茀?shù)cob中核心控制變量為特征提取函數(shù)f(·),f(·)在很大程度上決定了感知模塊的效能。目前,在認(rèn)知電子戰(zhàn)感知技術(shù)研究中,f(·)一般采用不同的深度學(xué)習(xí)模型。下面分別對感知技術(shù)中涉及的檢測、測向、信號識別和個(gè)體識別技術(shù)進(jìn)行介紹。

4.1.2 檢測技術(shù)

信號檢測的目的是從接收的無線電數(shù)據(jù)中檢測出潛在的目標(biāo)信號,是實(shí)現(xiàn)認(rèn)知電子戰(zhàn)感知技術(shù)的第一步。傳統(tǒng)信號窄帶檢測方法主要分為匹配濾波法[12-13]、循環(huán)平穩(wěn)法[14]、特征值檢測法[15-18]和能量檢測法四大類。但是這些經(jīng)典檢測方法重點(diǎn)關(guān)注的是信號存在性判定問題,大都未對信號參數(shù)估計(jì)進(jìn)行研究,而全面準(zhǔn)確的信號參數(shù)獲取對于后續(xù)盲處理是至關(guān)重要的。

近幾年隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展和巨大性能突破,將其引入寬帶信號檢測效果十分顯著?；舅悸肥且詴r(shí)頻圖作為輸入,預(yù)測信號在時(shí)頻圖上的邊界框和類型;再將預(yù)測的邊界框進(jìn)行簡單的轉(zhuǎn)換,即可得到信號的起止時(shí)間、中心頻率、帶寬以及信號類別等參數(shù)。Yuan等在時(shí)頻圖上利用能量檢測方法獲取感興趣區(qū)域(regions of interest, RoI),然后利用多層卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)組成的分類器對RoI進(jìn)行識別以檢測Morse信號[19]。該方法的性能瓶頸主要在于能量檢測在信道環(huán)境復(fù)雜時(shí)魯棒性較差。Prasad等認(rèn)為信號檢測任務(wù)復(fù)雜性低于通用目標(biāo)檢測,因此采用了一個(gè)簡化的Faster R-CNN模型來從含干擾時(shí)頻圖中檢測Wi-Fi信號,并且對模型不同超參數(shù)進(jìn)行了詳細(xì)討論和優(yōu)化[20]。Zha等采用單階段目標(biāo)檢測器從寬帶時(shí)頻圖中檢測多種調(diào)制類型的信號[21]。Li等采用YOLOv3針對寬帶時(shí)頻圖中檢測多調(diào)制類型信號開展了實(shí)驗(yàn)驗(yàn)證[22]。

隨著新體制信號的出現(xiàn),信號帶寬范圍大,一次通聯(lián)涉及多種不同突發(fā)寬度、多頻點(diǎn)、多帶寬,如何應(yīng)對時(shí)間頻域尺度差異較大的不同類型信號的檢測成為亟待解決的難題。

4.1.3 測向技術(shù)

空間信號波達(dá)方向(direction of arrival, DOA)估計(jì),也稱為陣列測向,其主要目的是對空間某區(qū)域目標(biāo)信源進(jìn)行精確的測向。

經(jīng)典的DOA估計(jì)方法,即模型驅(qū)動(dòng)類方法,通過預(yù)先建立的陣列觀測數(shù)據(jù)與信號角度之間的數(shù)學(xué)模型,計(jì)算出相應(yīng)準(zhǔn)則下的信號方向。該類方法需要經(jīng)過特征值分解、多維搜索、迭代運(yùn)算等計(jì)算過程,會(huì)產(chǎn)生巨大的計(jì)算量,并且當(dāng)預(yù)設(shè)模型與實(shí)際情況不匹配或存在較大偏差時(shí),該類方法的性能將會(huì)出現(xiàn)急劇惡化甚至完全失效,難以滿足日益復(fù)雜的電磁環(huán)境下對測向準(zhǔn)確性、實(shí)時(shí)性和穩(wěn)健性的要求。

近年來,很多國內(nèi)外研究者開始引入了機(jī)器學(xué)習(xí)技術(shù),如支持向量回歸[23-24]、徑向基函數(shù)[25-26]、深度神經(jīng)網(wǎng)絡(luò)[27-29]等來解決DOA估計(jì)問題。以機(jī)器學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)類方法能夠直接基于對數(shù)據(jù)的學(xué)習(xí)提取特征與入射角度之間的非線性映射關(guān)系,可表示為f(s)→θ′,對難以建模的復(fù)雜環(huán)境具有較強(qiáng)的適應(yīng)性。同時(shí),其在線測試過程能夠被硬件高效地并行實(shí)現(xiàn),在計(jì)算效率方面也具備顯著優(yōu)勢。但對該類方法的研究目前還處于探索階段,仍然面臨著很多問題,如問題條件理想化、先驗(yàn)信息挖掘不充分、少樣本問題以及在線學(xué)習(xí)問題等。

4.1.4 信號識別技術(shù)

信號識別是指對接收到的電磁信號進(jìn)行特征測量,識別信號規(guī)格或者信號樣式,具體包括雷達(dá)、通信信號的調(diào)制方式等。

目前,智能信號識別算法根據(jù)數(shù)據(jù)預(yù)處理階段所使用的信號表示技術(shù)可以劃分為基于序列表示、特征表示、圖像表示或它們的組合表示的智能信號識別四類方法。

序列表示是最直觀的信號表示,常用的方法是使用同相正交(inphase and quadrature, IQ)序列、幅度相位(amplitude and phase, AP)序列和快速傅里葉變換(fast Fourier transform, FFT)序列等表示信號。文獻(xiàn)[30]基于相同CNN和RadioML2016.10a[31]中的相同數(shù)據(jù)集研究了IQ序列、AP序列和FFT序列表示對識別性能的影響,實(shí)際應(yīng)用中應(yīng)根據(jù)具體的場景和信號特點(diǎn)進(jìn)行綜合考慮以選擇合適的序列表示方法。

基于特征表示的智能信號識別算法由傳統(tǒng)的基于特征提取算法發(fā)展而來。它通過提取多個(gè)特征來表示接收信號,再輸入深度學(xué)習(xí)模型完成識別。常使用的特征有高階累積量、瞬時(shí)特征、循環(huán)統(tǒng)計(jì)量、小波變換特征和近似熵特征等。因?yàn)樘崛〉奶卣鲾?shù)目通常小于接收信號的長度,故可以使用具有較少神經(jīng)元的簡單神經(jīng)網(wǎng)絡(luò)。但也存在以下幾點(diǎn)不足:一是信號特征的計(jì)算導(dǎo)致額外的計(jì)算復(fù)雜度;二是需要根據(jù)候選信號樣式選擇適當(dāng)?shù)奶卣?依賴于專業(yè)知識和經(jīng)驗(yàn);三是提取信號的某些特征,可能丟失一些關(guān)鍵信息,并影響調(diào)制識別的性能。

基于圖像表示的智能信號識別算法是在數(shù)據(jù)預(yù)處理階段將接收信號轉(zhuǎn)換為星座圖、特征點(diǎn)圖像、模糊函數(shù)圖像、眼圖、譜相關(guān)函數(shù)圖像等,通過圖像識別來完成信號識別。

由于單一一種信號表示方式均存在片面性,很難僅利用某一種表示技術(shù)完整地表征信號全部特性。因此,現(xiàn)有研究中也有考慮使用多個(gè)特征、圖像或序列的組合來表示接收信號,作為深度學(xué)習(xí)模型的輸入用于信號智能識別。通過綜合運(yùn)用多種信號表示,多種表示優(yōu)勢互補(bǔ),解決了單一表示對信號反映不完整的問題,可以提高識別的魯棒性和準(zhǔn)確率。

4.1.5 個(gè)體識別技術(shù)

特定輻射源個(gè)體識別(specific emitter identification, SEI)技術(shù),又稱輻射源指紋識別技術(shù),是指對接收的電磁信號進(jìn)行特征測量,并根據(jù)已有的先驗(yàn)信息確定產(chǎn)生信號的輻射源的個(gè)體識別過程?，F(xiàn)有SEI技術(shù)根據(jù)特征提取方式可以劃分為基于特征工程的輻射源個(gè)體識別技術(shù)與基于深度學(xué)習(xí)的輻射源個(gè)體識別技術(shù)[32]兩大類。人工設(shè)計(jì)指紋特征面臨的挑戰(zhàn)主要表現(xiàn)在兩個(gè)方面:一是特征設(shè)計(jì)函數(shù)復(fù)雜度較低導(dǎo)致指紋特征表征能力較弱;二是隨著加工工藝不斷進(jìn)步,輻射源個(gè)體差異日益縮小,同時(shí)新體制輻射源信號日益復(fù)雜,導(dǎo)致SEI特征設(shè)計(jì)難度顯著增加[32]。

因此,研究人員提出采用深度學(xué)習(xí)技術(shù)代替人工設(shè)計(jì)指紋特征步驟,即在損失函數(shù)的約束下,通過不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),自動(dòng)提取有效的指紋特征,并完成個(gè)體身份識別任務(wù)[32-33]。根據(jù)網(wǎng)絡(luò)輸入的數(shù)據(jù)格式不同,該類技術(shù)可以劃分為兩類,即基于原始IQ數(shù)據(jù)的指紋特征提取與基于信號變換域的指紋特征提取?；谠糏Q數(shù)據(jù)的指紋特征提取技術(shù)的優(yōu)勢在于原始數(shù)據(jù)無信息丟失,可以為深度學(xué)習(xí)模型提供全部可用的信息,但卻同時(shí)帶來了冗余信息干擾訓(xùn)練的問題。針對這一問題,部分學(xué)者首先將信號映射至變換域再輸入深度學(xué)習(xí)模型,以降低訓(xùn)練難度,進(jìn)而提高SEI系統(tǒng)識別準(zhǔn)確率和魯棒性。

4.2 判斷技術(shù)

4.2.1 問題模型

判斷的目標(biāo)是對感知模型輸出的信號基本參數(shù)、信號樣式等特征進(jìn)行時(shí)間維度上建模,分析目標(biāo)的行為規(guī)律,檢測是否異常并識別目標(biāo)意圖,能夠?yàn)閷共呗陨膳c優(yōu)化提供支撐。判斷模型的效用函數(shù)可表示為

(4)

判斷過程包括行為建模、異常檢測和意圖識別。其輸入為偵察感知模塊的輸出,包括信號識別結(jié)果、個(gè)體識別結(jié)果、信號方向、信號參數(shù)等。

在提取行為描述特征后,通過異常檢測計(jì)算fAD(·)進(jìn)行判斷,根據(jù)經(jīng)驗(yàn)誤差設(shè)定閾值ρ判別是否為異常行為。

當(dāng)檢測到目標(biāo)信號波形或工作模式等的異常行為后,可以進(jìn)一步分析并確定其對應(yīng)的事件或意圖YIR,構(gòu)建意圖識別函數(shù)fIR(·)與事件YIR作對應(yīng),即可得到意圖識別結(jié)果。

4.2.2 行為建模

行為建模是通過對特定輻射源的長期行為觀察、描述和統(tǒng)計(jì)分析,從數(shù)據(jù)中獲取目標(biāo)的行為描述和規(guī)律特征。電磁目標(biāo)行為是指目標(biāo)面對任務(wù)需求及外界環(huán)境時(shí)做出的決策反應(yīng)。通過建立電磁目標(biāo)在信號參數(shù)和工作狀態(tài)等方面的行為模型,便于對后續(xù)的行為進(jìn)行判別。

隨著智能化認(rèn)知設(shè)備的發(fā)展,電磁目標(biāo)行為分析相關(guān)的研究逐漸興起[34],相繼提出雷達(dá)行為[35]、電磁輻射源行為學(xué)[36]等相關(guān)概念。根據(jù)現(xiàn)有研究,電磁目標(biāo)行為可分為個(gè)體行為和群體行為。個(gè)體行為通常表現(xiàn)為輻射源信號參數(shù)的變化、所搭載平臺運(yùn)動(dòng)規(guī)律的改變,以及環(huán)境因素等其他能夠引起個(gè)體行為發(fā)生反應(yīng)并可被非合作單位識別的變化等,例如輻射源掃描方式的改變、電磁目標(biāo)工作時(shí)間段的變化等;群體行為則需要注重空間相互關(guān)系的影響,包括電磁密度、電磁頻譜占用度的劃分,群體陣列的結(jié)構(gòu)構(gòu)成,以及任務(wù)事件的進(jìn)程等。要建立龐大的行為知識體系,行為建模不僅要包含個(gè)體行為和群體行為,還要考慮時(shí)間粒度、空間粒度的劃分。目前關(guān)于電磁目標(biāo)行為建模一般采用人工或機(jī)器學(xué)習(xí)的方法提取行為描述特征,也有采用多層級語義建模的方法[37],還有學(xué)者構(gòu)建實(shí)時(shí)動(dòng)態(tài)的頻譜行為知識圖譜,利用采集頻譜數(shù)據(jù)中提取的語義與知識進(jìn)行建模[38]。通過行為建模來獲得電磁目標(biāo)的內(nèi)部決策機(jī)制,進(jìn)而為后續(xù)干擾策略優(yōu)化提供基礎(chǔ)參數(shù)。

4.2.3 異常檢測

異常檢測就是將被視為正常的活動(dòng)定義與觀察到的事件進(jìn)行比較,以識別顯著偏差的過程[39]。深度學(xué)習(xí)未發(fā)展之前,異常檢測分析主要基于統(tǒng)計(jì)的方法[39]。但隨著數(shù)據(jù)量呈指數(shù)型增長且參數(shù)靈活多變,過時(shí)的模型導(dǎo)致誤報(bào)率更高,文獻(xiàn)[40]證明基于統(tǒng)計(jì)的算法在檢測圖像和序列數(shù)據(jù)集上的異常值方面性能是次優(yōu)的。而深度學(xué)習(xí)的方法可以學(xué)習(xí)大規(guī)模數(shù)據(jù)的深層特征,從而獲得良好的性能。

以標(biāo)簽數(shù)據(jù)劃分,基于深度學(xué)習(xí)的異常檢測可分為有監(jiān)督、無監(jiān)督和半監(jiān)督三類。有監(jiān)督的異常檢測使用標(biāo)注的正常和異常數(shù)據(jù)來訓(xùn)練深度分類器,盡管相對于傳統(tǒng)方法性能有所提高,但數(shù)據(jù)類別不平衡,即正類標(biāo)簽的總數(shù)遠(yuǎn)遠(yuǎn)多于負(fù)類標(biāo)簽的總數(shù)的問題常常導(dǎo)致性能次優(yōu)。此外,在電子戰(zhàn)領(lǐng)域的輻射源行為特征數(shù)據(jù)通常難以準(zhǔn)確完善地標(biāo)注,因此有監(jiān)督的方法不如無監(jiān)督或半監(jiān)督的方法有效。無監(jiān)督的異常檢測僅基于數(shù)據(jù)的內(nèi)在分布特性來區(qū)分異常,大多采用聚類的方法。而半監(jiān)督的異常檢測通常采用正類的單類標(biāo)簽來分離異常,利用異常數(shù)據(jù)與正常數(shù)據(jù)的特征差異性,在模型訓(xùn)練時(shí)學(xué)習(xí)正類數(shù)據(jù)特征,在測試時(shí)對包含有正常和異常的數(shù)據(jù)進(jìn)行分類,進(jìn)而識別出異常數(shù)據(jù)。

4.2.4 意圖識別

意圖識別[41]也被稱為目的識別,是通過分析目標(biāo)的部分或所有行動(dòng),或者分析其行動(dòng)導(dǎo)致的狀態(tài)或環(huán)境變化來識別意圖的任務(wù),而行為預(yù)測更側(cè)重于通過分析歷史數(shù)據(jù)來預(yù)測未來的行為,這是兩個(gè)相關(guān)但不完全相同的概念。在認(rèn)知電子戰(zhàn)中,既要考慮對方意圖具備的欺騙性、動(dòng)態(tài)性以及對抗性等諸多特性,同時(shí)還要考慮意圖誤判的代價(jià)敏感性。識別對方意圖是一個(gè)由諸多細(xì)微信息綜合提煉、依靠經(jīng)驗(yàn)數(shù)據(jù)支持的推理分析和概率計(jì)算過程。

由于智能算法在處理復(fù)雜大數(shù)據(jù)的優(yōu)越表現(xiàn),意圖識別的研究已經(jīng)逐漸從基于模板匹配、貝葉斯網(wǎng)絡(luò)[42]以及隱馬爾可夫模型等依靠領(lǐng)域?qū)＜抑R的傳統(tǒng)方法轉(zhuǎn)為深度學(xué)習(xí)的方法。因?yàn)樽鲬?zhàn)意圖具有時(shí)間關(guān)聯(lián)性,目前意圖識別中深度學(xué)習(xí)的方法多采用門控循環(huán)單元、長短時(shí)記憶網(wǎng)絡(luò)等時(shí)間序列網(wǎng)絡(luò)模型。但是考慮到認(rèn)知電子戰(zhàn)中決策的時(shí)效性,網(wǎng)絡(luò)模型的快速性同樣不可忽視。而且現(xiàn)有方法的參數(shù)選擇多從信號層面,環(huán)境建模較為理想化,要構(gòu)建更為完善的意圖識別系統(tǒng),還需要綜合考慮信號、時(shí)間、空間層面,甚至輿論層面的各種因素影響。最終通過不斷改進(jìn)完善,在保證準(zhǔn)確率和誤判代價(jià)的前提下,逐步發(fā)展為更具先進(jìn)性的意圖預(yù)測[43]。

4.3 決策技術(shù)

決策技術(shù),即干擾決策,其目標(biāo)是基于感知和判斷的結(jié)果實(shí)時(shí)生成最佳的干擾策略與波形。

4.3.1 問題模型

最佳干擾策略的關(guān)鍵是最佳干擾波形序列的生成,包括干擾樣式、干擾時(shí)刻、干擾能量等。在此基礎(chǔ)上,根據(jù)干擾目標(biāo)不同狀態(tài)變化情況,對干擾效能進(jìn)行評估,進(jìn)而優(yōu)化干擾策略,對后續(xù)的干擾資源調(diào)度進(jìn)行引導(dǎo),從而保證干擾持續(xù)有效。核心目標(biāo)是基于可觀測參數(shù)向量[o(0),…,o(t)](如目標(biāo)信號特征、干擾信號特征、接收機(jī)狀態(tài)、環(huán)境因素、任務(wù)目標(biāo)等)、不可觀測參數(shù)向量[z(0),…,z(t)](如未知環(huán)境因素、未知輻射源狀態(tài)等)和控制參數(shù)向量[c(0),…,c(t-1)](如干擾信號j(t)生成參數(shù)、干擾模式、發(fā)射機(jī)參數(shù)、節(jié)點(diǎn)部署方式等)來確定控制參數(shù)向量c(t),使得效用函數(shù)U(t+1)最大,目標(biāo)函數(shù)表示為

=ζ(o(0),…,o(t),c(0),…,c(t),z(0),…,z(t))

(5)

其中滿足條件的c(t)構(gòu)成t時(shí)刻最佳干擾策略s(t)。

4.3.2 認(rèn)知干擾策略生成

在傳統(tǒng)對抗過程中,獲取目標(biāo)信號偵察信息后主要依靠從預(yù)設(shè)干擾策略庫中或憑借經(jīng)驗(yàn)制定干擾策略,選取預(yù)存儲的干擾波形進(jìn)行對抗,而當(dāng)目標(biāo)先驗(yàn)缺失、目標(biāo)信號參數(shù)動(dòng)態(tài)變化或出現(xiàn)新目標(biāo)時(shí),傳統(tǒng)基于“劇本”的對抗方式無法自適應(yīng)地調(diào)整干擾策略以完成有效干擾,對抗效果將會(huì)被極大地削弱甚至完全失效。

現(xiàn)有的認(rèn)知干擾重點(diǎn)是基于偵察中獲取的目標(biāo)特征信息進(jìn)行最優(yōu)化干擾決策,其能夠適應(yīng)數(shù)據(jù)庫中有類似波形對抗策略的未知目標(biāo)對抗問題。

目前,認(rèn)知干擾策略生成的主要方法是基于強(qiáng)化學(xué)習(xí)的決策方法。常用的強(qiáng)化學(xué)習(xí)算法主要包括動(dòng)態(tài)規(guī)劃、時(shí)序差分學(xué)習(xí)、Q-Learning等[44]。但該類方法實(shí)現(xiàn)的前提是實(shí)時(shí)獲取并修正干擾獎(jiǎng)勵(lì)函數(shù),而對于快速變化的對抗場景,獎(jiǎng)勵(lì)函數(shù)的定義本身就是一個(gè)難題。因此,該類方法目前只能針對特定緩慢變化目標(biāo)的干擾任務(wù),當(dāng)目標(biāo)信號參數(shù)快速變化時(shí),仍然難以發(fā)揮作用。另外,對于多種已有波形組合或者是全新波形的對抗問題,一般性的推理和決策也難以找到最優(yōu)的干擾波形。

認(rèn)知干擾決策難題在于如何基于對威脅目標(biāo)未知波形的認(rèn)知實(shí)現(xiàn)實(shí)時(shí)高效對抗策略的優(yōu)化。生成式深度學(xué)習(xí)技術(shù)[45-46]、零樣本學(xué)習(xí)技術(shù)[47]以及知識-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)學(xué)習(xí)技術(shù)[48]的興起為解決這個(gè)問題提供了新的思路。面對潛在未知目標(biāo)波形,由于學(xué)習(xí)過程中數(shù)據(jù)樣本的缺失,需要融合領(lǐng)域知識進(jìn)行聯(lián)合驅(qū)動(dòng),使系統(tǒng)具有對信號的“深度”理解能力,進(jìn)而縮短對未知威脅的干擾反應(yīng)時(shí)間, 提升電子戰(zhàn)系統(tǒng)干擾成功率。

4.3.3 在線效果評估

傳統(tǒng)電子戰(zhàn)不能實(shí)時(shí)評估干擾效果,感知—判斷—決策—行動(dòng)環(huán)始終是“偵察—干擾”的開環(huán)模式,無法實(shí)現(xiàn)“偵察—干擾—偵察”的閉環(huán)模式。閉環(huán)對抗要實(shí)時(shí)獲取干擾效果信息,即要能夠做到基于干擾方的干擾效果評估。以雷達(dá)對抗為例,雷達(dá)在受到干擾后,在工作模式、行為特征、信號特征等方面會(huì)存在一定的變化,主要包括:工作模式切換如跟蹤模式受到干擾后會(huì)切換到搜索模式,或者采用一些抗干擾措施如頻率捷變、重頻抖動(dòng)、功率管控等。通過工作模式、行為特征、信號特征等的變化能評估雷達(dá)受到干擾的效果。

目前,在線干擾效果評估是認(rèn)知電子戰(zhàn)領(lǐng)域的研究難題。學(xué)術(shù)界的研究成果較少,其核心在于構(gòu)建目標(biāo)電子系統(tǒng)的狀態(tài)變化集、狀態(tài)變化集如何與干擾決策過程進(jìn)行耦合,以及修正干擾目標(biāo)獎(jiǎng)勵(lì)函數(shù)并共同引導(dǎo)決策過程在線優(yōu)化。

5 未來挑戰(zhàn)與發(fā)展

認(rèn)知電子戰(zhàn)概念自提出以來,已經(jīng)經(jīng)歷了十多年的發(fā)展,但現(xiàn)有的系統(tǒng)距離真正意義上的“認(rèn)知能力”還具有一定的差距,本節(jié)將闡述認(rèn)知電子戰(zhàn)所面臨的挑戰(zhàn)與其關(guān)鍵技術(shù)發(fā)展方向。

5.1 未來挑戰(zhàn)

雖然人工智能技術(shù)已經(jīng)在計(jì)算機(jī)視覺、自然語言處理領(lǐng)域得到了廣泛應(yīng)用,但是在與電子戰(zhàn)結(jié)合的過程中依舊面臨諸多挑戰(zhàn),主要表現(xiàn)為開放性電磁環(huán)境帶來的變化引起的智能學(xué)習(xí)過程的非魯棒性。

一是未知目標(biāo)。認(rèn)知電子戰(zhàn)中的信號識別、個(gè)體識別、行為建模、意圖識別等環(huán)節(jié)都面臨著新增的未知目標(biāo)的挑戰(zhàn)。一方面,隨著電子信息系統(tǒng)的數(shù)量與種類不斷增加,新的波形層出不窮,信號識別與個(gè)體識別等任務(wù)必須具有開集識別和新目標(biāo)認(rèn)知能力;另一方面,不同目標(biāo)執(zhí)行的任務(wù)多導(dǎo)致信號工作模式等更加多樣化,未知行為分析和意圖識別挑戰(zhàn)大。

二是未知環(huán)境?，F(xiàn)代戰(zhàn)場的電磁空間斗爭激烈,多種電磁信號、干擾和噪聲相互交織。檢測、測向、信號識別、個(gè)體識別等環(huán)節(jié)均易受到復(fù)雜多變環(huán)境的影響,即復(fù)雜多變的電磁環(huán)境使平時(shí)積累的數(shù)據(jù)分布特性與模型應(yīng)用時(shí)實(shí)時(shí)接收到的數(shù)據(jù)分布特性存在不同程度的差異,從而導(dǎo)致學(xué)習(xí)訓(xùn)練模型失配,性能大幅度下降。

三是頻譜對抗?，F(xiàn)實(shí)中大部分偵察活動(dòng)面臨著干擾的挑戰(zhàn)。干擾技術(shù)旨在破壞或掩蓋原始信號,通常采用高功率、捷變頻等手段,使偵察系統(tǒng)難以檢測和區(qū)分所需的信號和干擾信號?，F(xiàn)有列裝的設(shè)備大多依賴于時(shí)域或頻域分離信號。如何應(yīng)對時(shí)頻混疊干擾信號的威脅,保證干擾條件下偵察系統(tǒng)的可靠性、穩(wěn)定性、準(zhǔn)確性(即擾中偵),已成為重中之重。

5.2 關(guān)鍵技術(shù)發(fā)展

5.2.1 基于零樣本學(xué)習(xí)的信號與目標(biāo)認(rèn)知

如前文所述,認(rèn)知電子戰(zhàn)的最大優(yōu)勢在于可以針對未知目標(biāo)進(jìn)行分析識別,這一過程所涉及的關(guān)鍵技術(shù)為零樣本學(xué)習(xí)。

零樣本學(xué)習(xí)允許人工智能模型識別以前從未見過的目標(biāo)或概念。與傳統(tǒng)的監(jiān)督學(xué)習(xí)不同,模型從訓(xùn)練實(shí)例中學(xué)習(xí),只能在它所訓(xùn)練的類別中對物體進(jìn)行分類,零樣本允許人工智能模型使用語義屬性和關(guān)系來建模所學(xué)的目標(biāo)。

在零樣本學(xué)習(xí)中,模型學(xué)習(xí)信號數(shù)據(jù)和特征語義信息之間的映射,如信號不同特征描述、信號屬性的層次和關(guān)系。根據(jù)這些語義屬性為新的未知目標(biāo)預(yù)測一個(gè)標(biāo)簽。因此,在認(rèn)知電子戰(zhàn)關(guān)鍵技術(shù)研究中,面對潛在的未知目標(biāo)與未知波形,需要融合關(guān)于輻射源信號領(lǐng)域知識進(jìn)行語義建模與關(guān)聯(lián),實(shí)現(xiàn)對未知波形的特征提取。

5.2.2 魯棒性學(xué)習(xí)推理

認(rèn)知電子戰(zhàn)技術(shù)發(fā)展和系統(tǒng)研制離不開多樣化數(shù)據(jù)的支撐,這就要求研究人員以及工程師們高度重視電子戰(zhàn)數(shù)據(jù)工程問題。但是,現(xiàn)有研究揭示了以深度學(xué)習(xí)為代表的人工智能模型存在明顯的脆弱性[49-50],以對抗樣本為代表的攻擊技術(shù)將會(huì)制約未來智能化手段部署到電子戰(zhàn)裝備中的安全性。因此,認(rèn)知電子戰(zhàn)模型的魯棒性和安全性不容忽視。近年來,世界各主要軍事強(qiáng)國在智能化電磁頻譜對抗樣本攻防領(lǐng)域的研究飛速發(fā)展[51-60]。

自2019年始,對抗樣本的研究成果開始應(yīng)用于電磁信號領(lǐng)域。Sadeghi等首次在基于深度學(xué)習(xí)的無線信號調(diào)制識別任務(wù)中提出了一種白盒對抗攻擊方法和通用對抗攻擊方法[61]。結(jié)果表明對抗攻擊可以在極小的擾動(dòng)下大大降低智能調(diào)制識別的分類性能,這給使用基于深度學(xué)習(xí)的識別算法帶來了重大的安全性問題。隨后,不同研究人員先后開展各類對抗樣本攻擊算法在調(diào)制識別、個(gè)體識別等領(lǐng)域的應(yīng)用。2021年開始,研究人員開始結(jié)合真實(shí)物理場景,結(jié)合領(lǐng)域特有的知識,優(yōu)化對抗樣本的生成算法,不斷增強(qiáng)對抗樣本對真實(shí)物理場景的適應(yīng)能力。

綜上,現(xiàn)有認(rèn)知電子戰(zhàn)關(guān)鍵技術(shù)中基于深度學(xué)習(xí)模型的各類方法由于缺乏可解釋性,極容易受到對抗樣本攻擊的威脅,給模型在復(fù)雜電磁環(huán)境下強(qiáng)對抗場景中的實(shí)際應(yīng)用帶來嚴(yán)重安全隱患,亟待開展適應(yīng)對抗樣本波形的魯棒性學(xué)習(xí)推理方法研究。

5.2.3 時(shí)頻混疊信號實(shí)時(shí)分離

在實(shí)際對抗過程中,當(dāng)電子戰(zhàn)系統(tǒng)實(shí)施干擾時(shí),由于干擾信號與目標(biāo)時(shí)頻重疊,無法同步開展偵察,這就帶來兩個(gè)挑戰(zhàn):一是無法實(shí)時(shí)偵測目標(biāo)信號的變化從而及時(shí)做出反應(yīng),導(dǎo)致認(rèn)知電子戰(zhàn)過程無法持續(xù)進(jìn)行;二是干擾過程中無法偵察到目標(biāo)信號的變化從而直接影響在線效果評估。因此,需要開展時(shí)頻混疊信號實(shí)時(shí)分離技術(shù)研究,為實(shí)現(xiàn)認(rèn)知電子戰(zhàn)過程中的“干擾中偵察”以及在線效果評估提供實(shí)時(shí)不斷的目標(biāo)數(shù)據(jù)。

5.2.4 分布式認(rèn)知對抗技術(shù)

群體智能是一個(gè)受社會(huì)昆蟲群落集體行為啟發(fā)的概念,其中個(gè)體代理在本地相互作用以實(shí)現(xiàn)全球目標(biāo)。這一概念已成功應(yīng)用于各個(gè)領(lǐng)域,包括機(jī)器人、優(yōu)化和決策。通過利用群體的集體智慧,可以實(shí)現(xiàn)卓越的性能并克服傳統(tǒng)集中式方法的局限性。在認(rèn)知電子戰(zhàn)的背景下,群體智能可以增強(qiáng)其分布式感知和通信、自適應(yīng)和彈性行為、合作干擾和欺騙、動(dòng)態(tài)任務(wù)分配等能力,大幅提升系統(tǒng)適應(yīng)性、彈性和有效性。

6 總結(jié)

隨著人工智能理論的高速發(fā)展和不斷涌現(xiàn),更加先進(jìn)的機(jī)器學(xué)習(xí)算法和技術(shù)將會(huì)不斷出現(xiàn),認(rèn)知電子戰(zhàn)技術(shù)將逐漸成熟并進(jìn)入應(yīng)用,不斷提升電子戰(zhàn)在強(qiáng)對抗、快變化電磁環(huán)境下的敏捷性與整體作戰(zhàn)能力。