智能化時(shí)代雷達(dá)導(dǎo)引頭信號(hào)處理關(guān)鍵技術(shù)展望

陳偉 孫洪忠 齊恩勇

摘要：隨著電磁及干擾技術(shù)的飛速發(fā)展，戰(zhàn)場(chǎng)環(huán)境日益復(fù)雜，尤其是網(wǎng)絡(luò)化技術(shù)以及人工智能技術(shù)的大量應(yīng)用，現(xiàn)代戰(zhàn)爭(zhēng)越來越呈現(xiàn)出信息化、網(wǎng)絡(luò)化、智能化特點(diǎn)。對(duì)雷達(dá)型空空導(dǎo)彈而言，智能空戰(zhàn)時(shí)代智能組網(wǎng)、協(xié)同攻擊將會(huì)成為雷達(dá)彈的主要作戰(zhàn)模式，此時(shí)傳統(tǒng)的基于個(gè)體的雷達(dá)探測(cè)、識(shí)別、抗干擾方法局限性愈加明顯;協(xié)同智能化探測(cè)、智能抗干擾將逐步成為雷達(dá)導(dǎo)引頭發(fā)展的重要方向，開發(fā)高效的反隱身、智能化抗干擾抗雜波方法將直接關(guān)系到智能時(shí)代雷達(dá)型空空導(dǎo)彈的成敗。從目前歐美的發(fā)展趨勢(shì)來看，將人工智能技術(shù)用于雷達(dá)導(dǎo)引技術(shù)可進(jìn)一步提升雷達(dá)導(dǎo)引頭智能化水平，有助于提升其抗干擾、抗雜波、反隱身能力。

關(guān)鍵詞：雷達(dá)導(dǎo)引頭;智能化;環(huán)境感知;深度學(xué)習(xí);智能決策;雜波智能抑制;智能抗干擾

中圖分類號(hào)：TJ765.3+31;TN93文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673-5048（2019）01-0076-07[SQ0]

0引言

隨著軍事裝備技術(shù)的飛速發(fā)展，雷達(dá)彈面臨著越來越嚴(yán)酷的作戰(zhàn)環(huán)境。反隱身、抗干擾、抗雜波及抗低空突防已經(jīng)成為雷達(dá)彈面臨的重要挑戰(zhàn)[1-4]。對(duì)于雷達(dá)型空空導(dǎo)彈而言，其對(duì)抗對(duì)象已由傳統(tǒng)的三代機(jī)逐步擴(kuò)展為四代隱身戰(zhàn)機(jī)（如F-22，F(xiàn)-35，T-50等）、無人機(jī)、巡航導(dǎo)彈在內(nèi)的各類目標(biāo)，甚至包括部分地面、海面作戰(zhàn)單元。美國(guó)在2004年提出了“聯(lián)合雙任務(wù)制空導(dǎo)彈”（JDRADM）計(jì)劃以及美國(guó)國(guó)防預(yù)先研究計(jì)劃局（DARPA）2010年發(fā)起的T3項(xiàng)目，均對(duì)隱身戰(zhàn)機(jī)、巡航導(dǎo)彈和防空目標(biāo)提出了具體的作戰(zhàn)需求。與常規(guī)的三代作戰(zhàn)飛機(jī)相比，隱身戰(zhàn)機(jī)、無人機(jī)等目標(biāo)的RCS數(shù)量級(jí)降低，回波信號(hào)急劇降低，目標(biāo)更加難以被探測(cè)。此外，隱身戰(zhàn)機(jī)、無人機(jī)的大量裝備使得傳統(tǒng)的高空突防模式正逐步演變?yōu)榈涂?超低空突防，此時(shí)強(qiáng)地海雜波將不可避免地影響到雷達(dá)導(dǎo)引頭的檢測(cè)跟蹤性能。提高雷達(dá)導(dǎo)引頭反隱身、抗雜波能力將成為探測(cè)隱身、低空突防目標(biāo)的不二選擇，直接關(guān)系到是否可以先敵發(fā)現(xiàn)和先敵攻擊以及未來空戰(zhàn)中制空權(quán)奪取問題[5]。因此，開發(fā)高效的、智能化的弱小信號(hào)檢測(cè)算法將具有重要意義。

電磁干擾技術(shù)的快速發(fā)展，尤其是射頻存儲(chǔ)轉(zhuǎn)發(fā)技術(shù)（DRFM）的廣泛應(yīng)用，使得干擾設(shè)備的性能得到了極大提升，DRFM通過射頻截獲、存儲(chǔ)、調(diào)制、轉(zhuǎn)發(fā)敵方雷達(dá)信號(hào)，在距離或速度上生成大量高度逼真的假目標(biāo)，使得雷達(dá)導(dǎo)引頭無法在時(shí)、頻、極化域等分辨目標(biāo)和干擾，影響、欺騙或者阻礙雷達(dá)導(dǎo)引頭對(duì)真實(shí)目標(biāo)的檢測(cè)識(shí)別，甚至從角度上誘偏導(dǎo)引頭，進(jìn)而直接影響導(dǎo)彈武器精確打擊效果。為了提升導(dǎo)引頭抗干擾能力，目前國(guó)內(nèi)外在相關(guān)方面進(jìn)行了大量研究，如時(shí)頻分解、極化信息、相關(guān)函數(shù)、多階矩等統(tǒng)計(jì)特征以及距離超分辨、前沿跟蹤、多域聯(lián)合估計(jì)、復(fù)雜波形調(diào)制、多模等技術(shù)進(jìn)行干擾對(duì)抗，然而上述技術(shù)或方法抗干擾能力有限[5-9]。尤其近年來干擾網(wǎng)絡(luò)化、智能化發(fā)展新趨勢(shì)，傳統(tǒng)的基于預(yù)置抗干擾策略已經(jīng)越來越難以滿足實(shí)際作戰(zhàn)需求。面對(duì)干擾智能化發(fā)展趨勢(shì)，從干擾-抗干擾博弈角度來看，抗干擾技術(shù)也必須實(shí)現(xiàn)智能化，實(shí)現(xiàn)干擾-抗干擾智能化博弈。

航空武器技術(shù)的不斷發(fā)展以及信息化、網(wǎng)絡(luò)化技術(shù)的大量應(yīng)用，作戰(zhàn)模式已由傳統(tǒng)單一作戰(zhàn)單元間的對(duì)抗逐步過渡為多機(jī)、多彈之間的協(xié)同、體系對(duì)抗，單機(jī)/彈作戰(zhàn)模式已經(jīng)無法滿足日益復(fù)雜的空戰(zhàn)任務(wù)需求。美國(guó)早在MKV（MultipleKillVehicles）計(jì)劃中就披露：現(xiàn)有的地基和?；到y(tǒng)很難準(zhǔn)確識(shí)別帶誘餌的低空突防目標(biāo)，但可通過多枚攔截器協(xié)同工作對(duì)真假目標(biāo)進(jìn)行攔截，多攔截器協(xié)同工作時(shí)大大降低了對(duì)單個(gè)探測(cè)系統(tǒng)目標(biāo)識(shí)別能力的需求[10];俄羅斯也在這方面進(jìn)行了大量研究，并取得了一定的成果，其研發(fā)的П-700導(dǎo)彈具備協(xié)同探測(cè)與攻擊能力。從信息化戰(zhàn)爭(zhēng)以及導(dǎo)彈戰(zhàn)術(shù)使用角度來看，多彈信息共享、協(xié)同作戰(zhàn)不僅可以利用群體優(yōu)勢(shì)對(duì)敵進(jìn)行協(xié)同探測(cè)、多層次全方位打擊，還能實(shí)現(xiàn)戰(zhàn)術(shù)隱身，增強(qiáng)目標(biāo)識(shí)別及抗干擾能力，提升導(dǎo)引頭戰(zhàn)場(chǎng)環(huán)境感知能力[11-12]。然而現(xiàn)役導(dǎo)彈大都獨(dú)立工作，信息共享能力差，融合方式簡(jiǎn)單。因此，面向未來的體系化空戰(zhàn)需求，導(dǎo)引頭首先要解決多彈/多平臺(tái)信息共享、信息融合、智能決策等問題，也就是說雷達(dá)導(dǎo)引頭必須努力提升其智能化水平。實(shí)際上，近年來空空導(dǎo)彈的技術(shù)發(fā)展已經(jīng)對(duì)智能信息處理方法提出了需求，隨著作戰(zhàn)需求不斷提升、多模技術(shù)發(fā)展以及電子元器件集成度提高，導(dǎo)引頭的復(fù)雜度及信息感知能力越來越強(qiáng)，信息量越來越大，此時(shí)傳統(tǒng)的基于專家經(jīng)驗(yàn)知識(shí)的信號(hào)處理手段的局限性愈來愈明顯，尤其在處理異構(gòu)、多域、高維度信息方面，局限性已經(jīng)越來越明顯，開發(fā)高效的、基于數(shù)據(jù)驅(qū)動(dòng)的智能化信號(hào)處理方法已經(jīng)成為雷達(dá)信號(hào)處理領(lǐng)域的重要研究方向及研究熱點(diǎn)[13-15]。

1雷達(dá)導(dǎo)引頭信號(hào)處理發(fā)展趨勢(shì)

人工智能是一門基于計(jì)算機(jī)科學(xué)、生物學(xué)、神經(jīng)科學(xué)、數(shù)學(xué)等多學(xué)科的科學(xué)和技術(shù)，通過計(jì)算機(jī)模擬人類行為，使之能夠獲取新的知識(shí)和技能、重組已有知識(shí)并使之不斷完善。機(jī)器學(xué)習(xí)作為人工智能技術(shù)的核心，經(jīng)過60余年的不斷發(fā)展，目前已經(jīng)取得了長(zhǎng)足進(jìn)步。近年來，隨著大數(shù)據(jù)技術(shù)、機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，以深度學(xué)習(xí)為代表的人工智能技術(shù)掀起了一股研究熱潮，其在語音識(shí)別、手寫識(shí)別、自動(dòng)駕駛、人臉識(shí)別等領(lǐng)域均顯示了良好的生命力，尤其是在處理高維度、復(fù)雜數(shù)據(jù)方面的優(yōu)越性日益明顯[16-18]。

航空兵器2019年第26卷第1期

陳偉，等：智能化時(shí)代雷達(dá)導(dǎo)引頭信號(hào)處理關(guān)鍵技術(shù)展望

從軍事領(lǐng)域的發(fā)展及應(yīng)用需求來看，人工智能技術(shù)也是未來解決復(fù)雜戰(zhàn)場(chǎng)環(huán)境下目標(biāo)探測(cè)、抗干擾的重要發(fā)展方向之一。實(shí)際上歐美國(guó)家早已經(jīng)在相關(guān)領(lǐng)域開展了研究工作[14，18-21]。如美國(guó)DRPRA，NASA等在20世紀(jì)90年代就持續(xù)支持人工智能技術(shù)在空中偵察、雷達(dá)抗干擾等領(lǐng)域的應(yīng)用研究，并且取得了一定的研究成果，其中遠(yuǎn)程反艦導(dǎo)彈（LRASM）是人工智能技術(shù)在軍事領(lǐng)用應(yīng)用的一個(gè)典范。此外，DARPA在自適應(yīng)電子戰(zhàn)、自適應(yīng)波形設(shè)計(jì)、自適應(yīng)雷達(dá)對(duì)抗領(lǐng)域也開展了大量研究，部分項(xiàng)目已經(jīng)進(jìn)入演示驗(yàn)證階段，但由于軍事技術(shù)保密原因，智能化抗干擾技術(shù)一直屬于敏感方向，國(guó)外相關(guān)技術(shù)及實(shí)現(xiàn)途徑鮮見公開發(fā)表或報(bào)道。國(guó)內(nèi)高校及一些研究機(jī)構(gòu)近年也興起了一股以深度學(xué)習(xí)為代表的智能識(shí)別研究熱潮，并取得了不錯(cuò)的成果，但主要集中在自動(dòng)駕駛、語音識(shí)別等領(lǐng)域;在軍事應(yīng)用領(lǐng)域，目前尚處于借鑒階段及理論研究階段，且主要集中在有源干擾識(shí)別等領(lǐng)域，具體到空空導(dǎo)彈應(yīng)用領(lǐng)域，從目前公開資料來看，大都尚處于概念論證階段，距離工程應(yīng)用還有很長(zhǎng)的一段路程。

從未來空戰(zhàn)形式以及雷達(dá)彈反隱身、抗干擾、抗雜波等需求來看，雷達(dá)導(dǎo)引頭必須努力提高信息共享、智能雜波抑制、智能檢測(cè)、自適應(yīng)波形設(shè)計(jì)以及大數(shù)據(jù)處理能力，具備環(huán)境感知、自主決策功能。因此，在未來雷達(dá)導(dǎo)引頭發(fā)展及設(shè)計(jì)過程中，以下幾項(xiàng)關(guān)鍵技術(shù)需要重點(diǎn)關(guān)注及突破。

1.1環(huán)境感知技術(shù)

對(duì)雷達(dá)型空空導(dǎo)彈而言，作戰(zhàn)環(huán)境復(fù)雜多變，作戰(zhàn)背景一般可分為山區(qū)、丘陵、城市、海洋、沙漠等，而且環(huán)境中還包含各種人為及自然干擾;作戰(zhàn)目標(biāo)類型也復(fù)雜多變，如彈道導(dǎo)彈、巡航導(dǎo)彈、隱身戰(zhàn)機(jī)、無人飛行器、海面艦艇、地面炮車等。復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境對(duì)雷達(dá)導(dǎo)引頭探測(cè)、抗干擾性能提出了更加嚴(yán)苛的需求。雷達(dá)導(dǎo)引頭的基本任務(wù)是從包含噪聲、雜波、干擾的回波信號(hào)中提取目標(biāo)信息。在實(shí)際設(shè)計(jì)過程中，其需要在控制虛警前提下，盡可能提高檢測(cè)概率，這本身就是一對(duì)矛盾命題。雷達(dá)導(dǎo)引頭檢測(cè)算法與背景密切相關(guān)，如雜波抑制算法、恒虛警算法等均需要根據(jù)實(shí)時(shí)態(tài)勢(shì)進(jìn)行設(shè)計(jì)或動(dòng)態(tài)調(diào)整，如自適應(yīng)低副瓣雜波抑制方法需要根據(jù)回波特征實(shí)時(shí)調(diào)整權(quán)重系數(shù);恒虛警算法需要依據(jù)噪聲、雜波、干擾分布選擇合適算法，否則不僅不會(huì)改善檢測(cè)性能，還會(huì)惡化檢測(cè)結(jié)果;基于能量/幅度的目標(biāo)檢測(cè)算法需要預(yù)估目標(biāo)尺寸、機(jī)動(dòng)特性，否則也會(huì)因?yàn)槟Ｐ褪鋹夯瘷z測(cè)跟蹤性能。此外，抗干擾策略的設(shè)計(jì)也需要實(shí)時(shí)根據(jù)干擾特點(diǎn)進(jìn)行動(dòng)態(tài)調(diào)整，否則抗干擾性能將會(huì)下降。簡(jiǎn)而言之，反隱身、抗雜波、抗干擾算法設(shè)計(jì)都依賴于對(duì)背景環(huán)境的準(zhǔn)確了解與估計(jì)。

現(xiàn)有雷達(dá)導(dǎo)引頭大都按照預(yù)定邏輯完成目標(biāo)探測(cè)、識(shí)別及跟蹤，不具備環(huán)境感知能力，難以依據(jù)當(dāng)前所處環(huán)境動(dòng)態(tài)調(diào)整信息及信號(hào)處理算法。而在實(shí)際設(shè)計(jì)過程中，也不可能對(duì)所有可能環(huán)境、態(tài)勢(shì)進(jìn)行遍歷建模，一一設(shè)計(jì)出對(duì)應(yīng)信號(hào)處理算法。為了盡可能適應(yīng)多種環(huán)境，現(xiàn)有設(shè)計(jì)在不同態(tài)勢(shì)下進(jìn)行折中處理，因此，其環(huán)境適應(yīng)性會(huì)受到限制。而在信息化、網(wǎng)絡(luò)化作戰(zhàn)環(huán)境下戰(zhàn)場(chǎng)環(huán)境瞬息萬變，雷達(dá)導(dǎo)引頭必須具有根據(jù)作戰(zhàn)任務(wù)及環(huán)境態(tài)勢(shì)“智能”調(diào)整工作參數(shù)、選擇合適的對(duì)抗策略，否則就很難起到戰(zhàn)術(shù)作用。從匹配設(shè)計(jì)原則可知：要提升導(dǎo)引頭在不同環(huán)境下的適應(yīng)性并獲得最大信號(hào)處理增益，導(dǎo)引頭信號(hào)處理方法必須與環(huán)境態(tài)勢(shì)匹配。因此，未來導(dǎo)引頭必須具備的環(huán)境感知及學(xué)習(xí)能力，通過環(huán)境感知學(xué)習(xí)實(shí)現(xiàn)高維度目標(biāo)與環(huán)境的全面描述，從而智能的調(diào)整工作參數(shù)、選擇合適的信號(hào)處理方法及抗干擾策略，進(jìn)而全面提升導(dǎo)引頭在各種環(huán)境下的適應(yīng)性及關(guān)鍵技術(shù)指標(biāo)。

從深度學(xué)習(xí)在圖像識(shí)別、圖像理解、圖像重構(gòu)等領(lǐng)域的應(yīng)用經(jīng)驗(yàn)來看，其不依賴于專家經(jīng)驗(yàn)知識(shí)且對(duì)數(shù)據(jù)格式無嚴(yán)格要求，避免了大量的人工特征提取及優(yōu)選過程，具有極高的識(shí)別概率與極低的重構(gòu)誤差[22]。從任務(wù)需求、數(shù)據(jù)規(guī)模及格式來看，雷達(dá)信號(hào)處理與圖像信號(hào)處理高度相似，深度學(xué)習(xí)是解決環(huán)境感知學(xué)習(xí)的一個(gè)重要途徑。通過多層神經(jīng)網(wǎng)絡(luò)等模型對(duì)導(dǎo)引頭獲取信息進(jìn)行訓(xùn)練積累、歸納和學(xué)習(xí)，快速發(fā)現(xiàn)雜波、干擾、目標(biāo)特征，通過機(jī)器學(xué)習(xí)對(duì)環(huán)境態(tài)勢(shì)進(jìn)行判斷評(píng)估，引導(dǎo)雷達(dá)系統(tǒng)自主地調(diào)整工作模式、參數(shù)、信號(hào)處理算法等，獲得最優(yōu)解，提高雷達(dá)導(dǎo)引頭環(huán)境適應(yīng)性。

1.2智能雜波抑制技術(shù)

現(xiàn)代及未來空戰(zhàn)中，打擊低空突防目標(biāo)是雷達(dá)導(dǎo)引頭的基本任務(wù)之一，此時(shí)強(qiáng)地/海雜波將不可避免地影響導(dǎo)引頭探測(cè)性能。

雜波的幅度譜是指幅度服從固定的概率密度函數(shù)，通常與地形或海情相關(guān)。早期的低精度雷達(dá)，功率譜可看作高斯譜;而現(xiàn)代高精度雷達(dá)，其發(fā)射的波束很窄且擦地角很小，功率譜分布并不能近似看作高斯譜，而是近似看作柯西譜或立方譜。實(shí)際中，雜波的分布特性更加復(fù)雜，雜波分布與彈體飛行姿態(tài)、擦地角、地貌、海情等多種因素強(qiáng)相關(guān)。目前廣泛使用的自適應(yīng)雜波抑制方法大都建立在廣義平穩(wěn)假設(shè)基礎(chǔ)之上，通過樣本的統(tǒng)計(jì)協(xié)方差矩陣優(yōu)化權(quán)重，實(shí)現(xiàn)最優(yōu)濾波器設(shè)計(jì)。實(shí)際應(yīng)用中，空空導(dǎo)彈下視工作時(shí)所面臨的雜波通常都不是廣義平穩(wěn)的，使得自適應(yīng)處理性能急劇惡化。雜波協(xié)方差等統(tǒng)計(jì)特征準(zhǔn)確估計(jì)直接關(guān)系到自適應(yīng)處理成敗。近年來，雜波積累數(shù)據(jù)的不斷增長(zhǎng)，為雜波協(xié)方差、分布等準(zhǔn)確估計(jì)提供了可能，此外導(dǎo)引頭信息感知能力的不斷增長(zhǎng)，也為雜波自適應(yīng)抑制提供了更多可供參考的先驗(yàn)信息，利用先驗(yàn)輔助信息進(jìn)行自適應(yīng)設(shè)計(jì)是當(dāng)前研究的熱點(diǎn)[23-24]。然而，現(xiàn)有的基于統(tǒng)計(jì)學(xué)方法已經(jīng)越來越難以滿足實(shí)際需求，一方面海量雜波數(shù)據(jù)加大了人工統(tǒng)計(jì)難度;另一方面也對(duì)專家知識(shí)提出了更高挑戰(zhàn)。開發(fā)高效面向大數(shù)據(jù)的雜波學(xué)習(xí)算法就顯得尤為重要。不妨借鑒深度學(xué)習(xí)圖像降噪思想，利用積累的目標(biāo)和雜波數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)、分層神經(jīng)網(wǎng)絡(luò)等實(shí)現(xiàn)目標(biāo)及雜波深度特征的表示學(xué)習(xí)和雜波類型的智能學(xué)習(xí)，從而確定雜波類型及特征，形成雜波環(huán)境的先驗(yàn)知識(shí)，進(jìn)而以雜波類型、特征及其他相關(guān)先驗(yàn)知識(shí)為基礎(chǔ)，實(shí)現(xiàn)基于深度學(xué)習(xí)技術(shù)自適應(yīng)雜波抑制方法。此外，還可以利用深度學(xué)習(xí)、支持向量機(jī)等方法完成對(duì)目雜波等的特征提取和模式識(shí)別任務(wù)，實(shí)現(xiàn)雜波和目標(biāo)可靠鑒別，提高導(dǎo)引頭雜波下的檢測(cè)性能。

1.3智能目標(biāo)檢測(cè)識(shí)別技術(shù)

1.3.1多源信息處理技術(shù)

對(duì)于空空導(dǎo)彈而言，雷達(dá)導(dǎo)引頭可視作導(dǎo)彈信息獲取的一類傳感器。隨著技術(shù)進(jìn)步，導(dǎo)引頭獲取的信息及信號(hào)形式不再單一，回波信號(hào)可以是一維信號(hào)，如高分辨一維距離像，也可以是二維信號(hào)，如時(shí)頻二維譜或二維距離像，甚至是更高維的信號(hào)，如時(shí)-頻-極化信息等;此外，導(dǎo)引頭覆蓋頻段也不再單一，可以跨越兩個(gè)甚至多個(gè)頻段，如C+X，X+Ku+Ka等，回波信號(hào)中包含更多波段的電磁特性信息。與此同時(shí)，隨著抗干擾需求提升以及復(fù)合技術(shù)的進(jìn)步，雷達(dá)導(dǎo)引頭通?？膳c紅外、激光復(fù)合，也可以是主動(dòng)與被動(dòng)復(fù)合，此時(shí)導(dǎo)引頭獲取的信息更加豐富，不僅含有目標(biāo)電磁散射特性信息，還包含目標(biāo)的光學(xué)信息。

與單一信源相比，多源信息不僅可以降低模糊程度，提高時(shí)空分辨率，還能增強(qiáng)系統(tǒng)的容錯(cuò)性及可靠性。近年來，國(guó)內(nèi)外在相關(guān)領(lǐng)域開展了大量研究工作，如融合識(shí)別、融合信息診斷、多源融合定位等，但大都集中在融合結(jié)構(gòu)、準(zhǔn)則及算法選擇與優(yōu)化上面，對(duì)深層次的高效異構(gòu)融合問題較少涉及[25-27]。從導(dǎo)引頭信號(hào)處理領(lǐng)域來看，在同源或異源信息處理方面，工程實(shí)現(xiàn)上尚未找到特別好的處理方法，目前仍然是以決策層融合為主，首先對(duì)不同的異類傳感器數(shù)據(jù)/信息設(shè)計(jì)專門的信號(hào)處理算法，然后在決策層對(duì)結(jié)果進(jìn)行融合，如加權(quán)平均、置信度選取、選舉決策、分時(shí)切換等，一方面對(duì)專家經(jīng)驗(yàn)知識(shí)依賴較高，另一方面信息綜合利用率極低。

如何充分利用導(dǎo)引頭獲取的同源同構(gòu)/同源異構(gòu)信息提高其綜合性能已成為當(dāng)前急需解決的關(guān)鍵問題。一方面可嘗試開發(fā)新的方法對(duì)獲取的同構(gòu)/異構(gòu)進(jìn)行深度融合，如特征級(jí)融合，甚至是數(shù)據(jù)級(jí)融合，提高信息利用率。另外一方面也需要積極探索研究新的理論，在新的框架下對(duì)多源數(shù)據(jù)融合進(jìn)行統(tǒng)一的、抽象層級(jí)描述，實(shí)現(xiàn)深度信息融合。此外，對(duì)傳感器信息缺失、連續(xù)性以及交叉提示等方面的研究也較少涉及，后續(xù)需要繼續(xù)加強(qiáng)該方面的研究以提高協(xié)同探測(cè)及隱身目標(biāo)探測(cè)能力。

深度學(xué)習(xí)通過模擬人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，借助復(fù)雜的多層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，完成了數(shù)據(jù)從低層次到高層次的抽象表示，實(shí)現(xiàn)了數(shù)據(jù)到結(jié)果端到端學(xué)習(xí)，解決了同構(gòu)、異構(gòu)信息在統(tǒng)一框架下描述及聯(lián)合學(xué)習(xí)問題，降低了對(duì)高維數(shù)據(jù)結(jié)構(gòu)約束要求。結(jié)合導(dǎo)引頭智能化發(fā)展需求，深度學(xué)習(xí)技術(shù)為解決導(dǎo)引頭多源信息融合問題、提高導(dǎo)引頭檢測(cè)識(shí)別性能提供了重要的技術(shù)解決方案。對(duì)導(dǎo)引頭獲取的同構(gòu)/異構(gòu)信息，采用如卷積神經(jīng)網(wǎng)絡(luò)、堆棧自編碼器等技術(shù)實(shí)現(xiàn)數(shù)據(jù)到結(jié)果的投影學(xué)習(xí)，實(shí)現(xiàn)數(shù)據(jù)在抽象層次的深度融合，挖掘數(shù)據(jù)間的相關(guān)性，提高數(shù)據(jù)利用率，大幅改善探測(cè)識(shí)別性能。

1.3.2智能檢測(cè)識(shí)別技術(shù)

目標(biāo)檢測(cè)是導(dǎo)引頭的主要問題之一，經(jīng)典算法主要是基于相參與非相參體制的能量檢測(cè)算法，近年來隨著技術(shù)的進(jìn)步，也陸續(xù)出現(xiàn)了一些檢測(cè)前跟蹤算法，如粒子濾波、Hough變換、檢測(cè)前聚焦等[13，18，28-29]。上述方法大都是基于能量或者目標(biāo)的運(yùn)動(dòng)狀態(tài)，信息利用率有限，檢測(cè)過程容易受噪聲、雜波、干擾等因素影響，尤其是高速、大機(jī)動(dòng)、干擾情況下，檢測(cè)算法的性能通常會(huì)存在不同程度下降。面對(duì)導(dǎo)引頭不斷增強(qiáng)的信息獲取能力，現(xiàn)有的基于專家經(jīng)驗(yàn)知識(shí)的檢測(cè)、識(shí)別算法已經(jīng)難以滿足戰(zhàn)場(chǎng)需求。

從歐美等國(guó)近年的研究來看，將知識(shí)輔助、智能學(xué)習(xí)引入到目標(biāo)檢測(cè)領(lǐng)域是解決復(fù)雜電子環(huán)境下目標(biāo)探測(cè)、識(shí)別的一個(gè)重要途徑[14，30]。雖然幅度特性、時(shí)域相關(guān)性、頻域相關(guān)性、空域相關(guān)性、波形熵等特征均可輔助目標(biāo)檢測(cè)，但其容易受噪聲及干擾影響，因此，從復(fù)雜的回波信號(hào)中進(jìn)一步提取對(duì)尺度、環(huán)境、狀態(tài)不敏感的特征就成為了研究難點(diǎn)。而這恰恰是深度學(xué)習(xí)擅長(zhǎng)領(lǐng)域，其通過多層感知器實(shí)現(xiàn)了數(shù)據(jù)從低層次到高層次的抽象表示，而無需設(shè)計(jì)具體的特征提取方法。因此，可利用深度學(xué)習(xí)對(duì)回波信號(hào)進(jìn)行分析，構(gòu)建基于特征及能量的聯(lián)合目標(biāo)檢測(cè)算法。圖1所示為智能多特征聯(lián)合檢測(cè)方法。

目標(biāo)識(shí)別是導(dǎo)引頭的重要任務(wù)之一，然而復(fù)雜電磁環(huán)境下，傳統(tǒng)基于專家規(guī)則及簡(jiǎn)單分類器的識(shí)別系統(tǒng)已無法匹配戰(zhàn)場(chǎng)需求，一方面數(shù)據(jù)維度急速擴(kuò)展增大了規(guī)則表達(dá)難度，加大了提取對(duì)噪聲、干擾、尺度不敏感特征的難度，另外一方面系統(tǒng)可擴(kuò)展性差，難以適應(yīng)未知目標(biāo)。從國(guó)內(nèi)外近年的研究及人工智能技術(shù)發(fā)展來看，借助多層神經(jīng)網(wǎng)絡(luò)等方法對(duì)回波信號(hào)進(jìn)行訓(xùn)練、歸納，可挖掘更多更好目標(biāo)信息及特征，從而達(dá)到提高目標(biāo)識(shí)別概率的目的[14]。與此同時(shí)，基于機(jī)器學(xué)習(xí)的投影變換思路，在高維空間中對(duì)各類目標(biāo)、雜波、干擾進(jìn)行精細(xì)化建模，快速實(shí)現(xiàn)模型迭代升級(jí)與改進(jìn)，也是提高對(duì)目標(biāo)、干擾、雜波的識(shí)別概率的一個(gè)重要途徑。

1.4智能干擾對(duì)抗技術(shù)

實(shí)際作戰(zhàn)中，雷達(dá)導(dǎo)引頭和被探測(cè)目標(biāo)雙方始終處于相互博弈狀態(tài)。傳統(tǒng)干擾（自衛(wèi)有源干擾、無源干擾、箔條彈等）組合使用，仍具威脅，新型干擾（拖曳誘餌、空射誘餌、交叉眼、照射箔條等）大量列裝，抗干擾形勢(shì)越加嚴(yán)峻。從干擾對(duì)抗角度來看，努力降低自身低截獲概率與設(shè)計(jì)合理的抗干擾策略是改善導(dǎo)引頭抗干擾性能的兩個(gè)重要途徑。

降低雷達(dá)導(dǎo)引頭發(fā)射信號(hào)被截獲概率和提高敵方干擾設(shè)備對(duì)導(dǎo)引頭發(fā)射信號(hào)參數(shù)的解析難度，是提升導(dǎo)引頭低截獲能力的重要途徑[31-32]。傳統(tǒng)雷達(dá)導(dǎo)引頭低截獲抗干擾技術(shù)通過優(yōu)化發(fā)射波形功率和頻率、相位等調(diào)制方式，獲得較低峰值功率和優(yōu)良的探測(cè)性能，但該方法一般采用單一信號(hào)形式，參數(shù)容易被解析且存在性能瓶頸。實(shí)際上導(dǎo)引頭的低截獲特性與波形組合形式密切相關(guān)，即使是簡(jiǎn)單波形組合也可能大幅改善低截獲特性，如欺騙式干擾下組合信號(hào)較單一信號(hào)具有更好的低截獲抗干擾性能。為了進(jìn)一步提升導(dǎo)引頭的低截獲特性，一方面采取不同的優(yōu)化準(zhǔn)則，如互信息、MMSE、差異最大化等實(shí)現(xiàn)波形差別化設(shè)計(jì)，構(gòu)建不同低截獲波形集;另一方面需加強(qiáng)復(fù)合調(diào)制信號(hào)多準(zhǔn)則聯(lián)合優(yōu)化，增大發(fā)射信號(hào)的隨機(jī)性及解析難度。

波形優(yōu)化不僅受自身正交性與目標(biāo)特性約束，還需要綜合考慮外界雜波、干擾博弈過程[33-34]，如連續(xù)波和線性調(diào)頻信號(hào)下雜波分布存在明顯差異，干擾機(jī)對(duì)捷變波形與非捷變波形響應(yīng)可能截然不同。也就是說，波形優(yōu)化依賴于環(huán)境認(rèn)知及博弈狀態(tài)。因此，可考慮認(rèn)知理論及智能學(xué)習(xí)進(jìn)行波形優(yōu)化。首先，基于雷達(dá)認(rèn)知結(jié)果，利用專家知識(shí)或者借助深度學(xué)習(xí)方法獲取目標(biāo)、環(huán)境的最大差異化特征;然后，根據(jù)目標(biāo)與雜波、干擾的狀態(tài)建立博弈模型，進(jìn)而實(shí)現(xiàn)發(fā)射波形智能優(yōu)化。

設(shè)計(jì)合理的抗干擾策略是改善抗干擾的另外一個(gè)重要途徑[14，35]。從當(dāng)前的研究來看，抗干擾策略主要借助專家經(jīng)驗(yàn)知識(shí)，預(yù)先設(shè)置多種抗干擾策略，導(dǎo)引頭系統(tǒng)按照預(yù)置順序或者隨機(jī)輪換、或者基于觸發(fā)條件選擇合適對(duì)抗措施，但戰(zhàn)場(chǎng)環(huán)境瞬息萬變，干擾樣式也是復(fù)雜多變，上述抗干擾策略在實(shí)際中通常都存在一定的局限性，甚至失效，尤其是面對(duì)未知新型干擾樣式時(shí)適應(yīng)性有待商榷。從對(duì)抗角度來看，合理的抗干擾策略需要實(shí)時(shí)對(duì)外界環(huán)境進(jìn)行感知，并且根據(jù)感知的態(tài)勢(shì)實(shí)時(shí)調(diào)整抗干擾決策與動(dòng)作，如改變工作模式、發(fā)射波形、波形參數(shù)等，以降低敵方干擾信號(hào)對(duì)導(dǎo)引頭目標(biāo)檢測(cè)影響。也就是說，導(dǎo)引頭抗干擾過程應(yīng)該是一個(gè)動(dòng)態(tài)的閉環(huán)發(fā)射-環(huán)境-接收-目標(biāo)跟蹤和環(huán)境參數(shù)感知-發(fā)射循環(huán)系統(tǒng)，需具備自學(xué)習(xí)、自適應(yīng)、智能決策能力。

深度學(xué)習(xí)的核心在于感知和表達(dá)，通過訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)獲得數(shù)據(jù)深層次特征表示，具有強(qiáng)大的數(shù)據(jù)及復(fù)雜任務(wù)處理能力。在控制領(lǐng)域，深度學(xué)習(xí)已成功應(yīng)用于目標(biāo)識(shí)別、狀態(tài)特征提取、系統(tǒng)參數(shù)辨識(shí)等方面，但深度學(xué)習(xí)在智能決策方面有所欠缺，而這恰恰是強(qiáng)化學(xué)習(xí)擅長(zhǎng)領(lǐng)域。強(qiáng)化學(xué)習(xí)核心在于策略選擇，通過對(duì)不同決策的評(píng)價(jià)及反饋實(shí)時(shí)調(diào)整自身策略，實(shí)現(xiàn)決策最優(yōu)。因此，可借助深度強(qiáng)化學(xué)習(xí)，實(shí)現(xiàn)從導(dǎo)引頭信息感知到干擾對(duì)抗最優(yōu)“動(dòng)作”決策，達(dá)到智能化抗干擾目的。基于深度學(xué)習(xí)，導(dǎo)引頭感知外界環(huán)境狀態(tài)，然后利用強(qiáng)化學(xué)習(xí)獲取最優(yōu)策略，進(jìn)而引導(dǎo)導(dǎo)引頭采取相應(yīng)的抗干擾措施，達(dá)到智能抗干擾目的。

2結(jié)論

隨著電磁技術(shù)飛速發(fā)展以及信息化、網(wǎng)絡(luò)化、智能化技術(shù)的大量應(yīng)用，未來空戰(zhàn)形式將更加注重武器裝備間的智能化對(duì)抗。傳統(tǒng)的反隱身、抗雜波抗干擾策略將越來越難以適應(yīng)智能空戰(zhàn)需求。從歐美國(guó)家解決復(fù)雜電磁環(huán)境下目標(biāo)檢測(cè)、抗干擾發(fā)展趨勢(shì)來看，將人工智能技術(shù)用于導(dǎo)引頭信號(hào)處理是解決雜波干擾下目標(biāo)檢測(cè)的一個(gè)重要途徑。建議后續(xù)加強(qiáng)人工智能技術(shù)研究，結(jié)合導(dǎo)引頭信號(hào)處理流程，開展基于人工智能技術(shù)的雜波抑制、目標(biāo)檢測(cè)等方面的研究，提升雷達(dá)型空空導(dǎo)彈導(dǎo)引頭智能化水平。

參考文獻(xiàn)：

[1]ZuoLei，LiMing，ZhangXiaowei，etal.AnEfficientMethodforDetectingSlowMovingWeakTargetsinSeaClutterBasedonTimeFrequencyIterationDecomposition[J].IEEETransactionsonGeoscienceandRemoteSensing，2013，51（6）：3659-3672.

[2]ZhangShunsheng，ZengTao，LongTeng，etal.DimTargetDetectionBasedonKeystoneTransform[C]∥IEEEInternationalRadarConference，Arlington，2005：889-894.

[3]RaoXuan，TaoHaihong，SuJia，etal.AxisRotationMTDAlgorithmforWeakTargetDetection[J].DigitalSignalProcess，2014，26（1）：81-86.

[4]WeiYinsheng，LiuYongtan.NewAntiJammingWaveformDesigningandProcessingforHFRadar[C]∥ProceedingsofCIEInternationalConferenceonRadar，2001：281-284.

[5]周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

ZhouZhihua.MachineLearning[M].Beijing：TsinghuaUniversityPress，2016.（inChinese）

[6]HurtadoM，NehoraiA.PolarizationDiversityforDetectingTargetsinInhomogeneousClutter[C]∥InternationalWaveformDiversityandDesignConference，Pisa，2007：383-386.

[7]BundyA.PreparingforFutureofArtificialIntelligence[J].AI&Socity，2017，32（2）：285-287.

[8]DARPA.TheTargetRecognitionandAdaptioninContestedEnvironments（TRACE）ProgramHomepage[EB/OL].[2018-12-24].https：∥www.technion.ac.il/～research/DARPA-BAA-15-09.pdf.

[9]王雪松.雷達(dá)極化技術(shù)研究現(xiàn)狀及展望[J].雷達(dá)學(xué)報(bào)，2016，5（2）：119-131.

WangXuesong.StatusandProspectsofRadarPolarimetryTechniques[J].JournalofRadars，2016，5（2）：119-131.（inChinese）

[10]MissileDefenseAgency.MultipleKillVehicleCompletesHoverTest[EB/OL].（2008-12-03）[2018-12-23].https：∥www.mda.millglobal/documents/pdf/08fyiollo.pdf.

[11]葉繼坤，雷虎民，薛東風(fēng)，等.基于幾何關(guān)系的多導(dǎo)彈協(xié)同跟蹤算法[J].系統(tǒng)工程理論與實(shí)踐，2012，32（10）：2332-2338.

YeJikun，LeiHumin，XueDongfeng，etal.MultipleMissileCooperativeTrackingAlgorithmBaseonGeometricRelation[J].SystemsEngineeringTheory&Practice，2012，32（10）：2332-2338.（inChinese）

[12]謝宇婷，周軍，盧曉東.基于多導(dǎo)彈協(xié)同目標(biāo)探測(cè)的空間配準(zhǔn)算法[J].航空兵器，2018（2）：9-15.

XieYuting，ZhouJun，LuXiaodong.SpatialRegistrationAlgorithmBasedonMultiMissileCooperativeTargetDetection[J].AeroWeaponry，2018（2）：9-15.（inChinese）

[13]李云坤，陳偉，曹旭東.粒子濾波檢測(cè)前跟蹤算法的粒子比優(yōu)化方法研究[J].航空兵器，2017（5）：25-30.

LiYunkun，ChenWei，CaoXudong.ParticleRatioOptimizationofParticleFilterTrackbeforeDetectAlogrithm[J].AeroWeaponry，2017（5）：25-30.（inChinese）

[14]胡仕友，趙英海.導(dǎo)彈武器智能精確制導(dǎo)技術(shù)發(fā)展分析[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2017（2）：1-6.

HuShiyou，ZhaoYinghai.AnalysisontheDevelopmentofIntelligentPrecisionGuidanceTechnologyforMissileWeapons[J].TacticalMissileTechnology，2017（2）：1-6.（inChinese）

[15]CarreteroMoyaJ，GismeroMenoyoJ，BlancodelCampoA，etal.StatisticalAnalysisofaHighResolutionSeaClutterDatabase[J].IEEETransactionsonGeoscienceandRemoteSensing，2010，48（4）：2024-2037.

[16]LeCunY，BengioY，HintonG.DeepLearning[J].Nature，2015，521（7553）：436-444.

[17]RussellSJ，NorvigP.ArtificialIntelligence：AModernApproach[M].PrenticeHall，Inc.UpperSaddleRiver，NJ，USA，1995.

[18]曲成華，史新虎，張程，等.基于人工智能的機(jī)動(dòng)目標(biāo)跟蹤處理研究[J].科技視界，2018（13）：3-5.

QuChenghua，ShiXinhu，ZhangCheng，etal.ResearchonManeuveringTargetTrackingProcessingBasedonArtificialIntelligence[J].Science&TechnologyView，2018（13）：3-5.（inChinese）

[19]DelReyMaestreN，MataMoyaD，JaraboAmoresMP，etal.ArtificialIntelligenceTechniquesforSmallBoatsDetectioninRadarClutter.RealDatavalidation[J].EngineeringApplicationsofArtificialIntelligence，2018，67：296-308.

[20]王義寧，姜玉憲.空戰(zhàn)對(duì)策的發(fā)展現(xiàn)狀及未來[J].電光與控制，2000（2）：13-17.

WangYining，JiangYuxian.TheCurrentDevelopmentSituationandFutureoftheAirCombatGame[J].ElectronicsOptics&Control，2000（2）：13-17.（inChinese）

[21]CarreteroMoyaJ，DeMaioA，GismeroMenoyoJ，etal.ExperimentalPerformanceAnalysisofDistributedTargetCoherentRadarDetectors[J].IEEETransactionsonAerospaceandElectronicSystems，2012，48（3）：2216-2238.

[22]陳小龍，關(guān)鍵，何友，等.高分辨稀疏表示及其在雷達(dá)動(dòng)目標(biāo)檢測(cè)中的應(yīng)用[J].雷達(dá)學(xué)報(bào)，2017，6（3）：239-251.

ChenXiaolong，GuanJian，HeYou，etal.HighResolutionSparseRepresentationandItsApplicationsinRadarMovingTargetDetection[J].JournalofRadars，2017，6（3）：239-251.（inChinese）

[23]XuJ，LiaoG，SoHC.SpaceTimeAdaptiveProcessingwithVerticalFrequencyDiverseArrayforRangeAmbiguousClutterSuppression[J].IEEETransactionsonGeoscience&RemoteSensing，2016，54（9）：5352-5364.

[24]ZhangXing，YaoDi，YangQiang，etal.KnowledgeBasedGeneralizedSideLobeCancellerforIonosphericClutterSuppressioninHFSWR[J].RemoteSensing，2018，10（1）：104.

[25]LiT，CorchadoJM，BajoJ，etal.EffectivenessofBayesianFilters：AnInformationFusionPerspective[J].InformationSciences，2016，329：670-689.

[26]LiFeijiang，QianYuhua，WangJieting，etal.MultigranulationInformationFusion：ADempsterShaferEvidenceTheoryBasedClusteringEnsembleMethod[C]∥InternationalConferenceonMachineLearning&Cybernetics，Guangzhou，2015.

[27]PirasL，GiacintoG.InformationFusioninContentBasedImageRetrieval：AComprehensiveOverview[J].InformationFusion，2017，37：50-60.

[28]WangGuohong，LiLin，YuHongbo.AModifiedHoughTransformTBDAlgorithmBasedonPointSetMerging[J].ActaAeronauticaetAstronauticaSinica，2017，38（1）：1-11.

[29]BaiJianxiong，WangJun.WeakTargetDetectionUsingDynamicProgrammingTBDinCDMABasedPassiveRadar[C]∥IETInternationalRadarConference，Guilin，2009.

[30]MishraAK，BakerC.ACognitiveDiversityFrameworkforRadarTargetClassification[EB/OL].（2011-11-30）[2018-12-23].http：∥arxiv.org/pdf/1110.6589.pdf.

[31]龐存鎖，劉磊，單濤.基于短時(shí)分?jǐn)?shù)階傅里葉變換的時(shí)頻分析方法[J].電子學(xué)報(bào)，2014，42（2）：347-352.

PangCunsuo，LiuLei，ShanTao.TimeFrequencyAnalysisMethodBasedonShortTimeFractionalFourierTransform[J].ActaElectronicaSinica，2014，42（2）：347-352.（inChinese）

[32]馬君國(guó)，趙宏鐘，張軍，等.基于高階統(tǒng)計(jì)量的低分辨雷達(dá)空間目標(biāo)識(shí)別算法[J].信號(hào)處理，2006，22（2）：211-214.

MaJunguo，ZhaoHongzhong，ZhangJun，etal.SpaceTargetRecognitionAlgorithmofLowResolutionRadarBasedonHighOrderStatistics[J].SignalProcessing，2006，22（2）：211-214.（inChinese）

[33]FanMeimei，LiaoDongping，DingXiaofeng，etal.WaveformDesignforTargetRecognitionontheBackgroundofClutter[C]∥8thEuropeanRadarConference，Manchester，2011.

[34]WeiYimin，MengHuadong，WangXiqin.AdaptiveSingleToneWaveformDesignforTargetRecognitioninCognitiveRadar[C]∥IETInternationalRadarConference，Guilin，2009.

[35]YuFuping，F(xiàn)engYouqian，GaoDahua，etal.StudyofAntiJammingofRadarSignalBasedonSparseDecomposition[C]∥InternationalSymposiumonIntelligenceInformationProcessing&TrustedComputing，Huanggang，2010.