認(rèn)知電子戰(zhàn)系統(tǒng)組成及其關(guān)鍵技術(shù)研究

倪叢云，黃 華

（船舶重工集團(tuán)公司723所，揚(yáng)州225001）

0 引 言

認(rèn)知電子戰(zhàn)系統(tǒng)是指在傳統(tǒng)的電子對抗系統(tǒng)中引入認(rèn)知計算理論。它的本質(zhì)是通過對作戰(zhàn)環(huán)境的感知，從大量原始傳感器數(shù)據(jù)中提取高水平知識，然后實(shí)時推導(dǎo)出電子戰(zhàn)攻擊的最優(yōu)化策略，提高裝備的自適應(yīng)能力，然后對其效能進(jìn)行評估[1]。認(rèn)知電子戰(zhàn)的發(fā)展歷程較短，其起始的標(biāo)志是2009年美軍為了應(yīng)對復(fù)雜的陸地環(huán)境、海洋環(huán)境、天空環(huán)境和電磁環(huán)境，以如何提高現(xiàn)役裝備的認(rèn)知能力為目的，將認(rèn)知的概念引入到雷達(dá)、通信和電子戰(zhàn)裝備中。

1 系統(tǒng)組成

認(rèn)知電子戰(zhàn)系統(tǒng)是一個包含了3個功能模塊[2-4]的閉環(huán)系統(tǒng)，它們分別是認(rèn)知偵察模塊、對抗措施合成模塊和對抗效果評估模塊。其系統(tǒng)組成框圖如圖1所示。

認(rèn)知偵察模塊接收到信號后，采用威脅機(jī)器學(xué)習(xí)算法和特征學(xué)習(xí)技術(shù)將該信號分類，分析出該信號的特征，并將特征信息傳給對抗措施合成模塊。對抗措施合成模塊根據(jù)無源、有源探測信號及學(xué)習(xí)信息進(jìn)行攻擊策略搜索，推論多目標(biāo)對抗場景下最佳攻擊策略，同時優(yōu)化干擾波形，自適應(yīng)分配干擾資源。智能干擾機(jī)能根據(jù)威脅信號在我方干擾下產(chǎn)生的明顯變化評估干擾效果，自適應(yīng)優(yōu)化干擾策略。動態(tài)知識庫為上述3個功能模塊提供對應(yīng)的環(huán)境、目標(biāo)、資源策略等知識。

圖1 認(rèn)知電子戰(zhàn)系統(tǒng)組成框圖

1.1 認(rèn)知偵察模塊

認(rèn)知電子戰(zhàn)對環(huán)境的認(rèn)識是通過與環(huán)境不斷交互得來的，它持續(xù)對電磁環(huán)境和目標(biāo)的統(tǒng)計特性進(jìn)行分析，并依據(jù)不同電磁環(huán)境和目標(biāo)的特點(diǎn)選擇合適的信號處理方式。

環(huán)境感知通過環(huán)境分析器對周圍的威脅環(huán)境進(jìn)行識別、分析，從而為接收機(jī)提供環(huán)境分析結(jié)果。這些信息主要包括戰(zhàn)場電磁信息和其他環(huán)境信息（如溫度、濕度、壓強(qiáng)和海洋狀態(tài)），通過戰(zhàn)場環(huán)境感知與建模，為偵察模塊對目標(biāo)的識別提供依據(jù)。

在與其周圍電磁環(huán)境交互的基礎(chǔ)上，認(rèn)知信號處理采用威脅學(xué)習(xí)技術(shù)和特征學(xué)習(xí)技術(shù)將該信號分類，通過模糊聚類、神經(jīng)網(wǎng)絡(luò)等自適應(yīng)信號處理算法分析出該信號的特征，并將特征信息傳給對抗措施合成模塊和對抗效果評估模塊。

1.2 對抗措施合成模塊

認(rèn)知電子戰(zhàn)系統(tǒng)對電磁環(huán)境的認(rèn)知、推理能力，使得其能更有效地應(yīng)對復(fù)雜的電磁環(huán)境以及各種對抗目標(biāo)。

對抗措施合成模塊通過不斷感知周圍的環(huán)境更新決策數(shù)據(jù)庫，根據(jù)無源、有源探測信號和學(xué)習(xí)來的信息自動合成能夠有效打擊目標(biāo)的對抗手段，優(yōu)化干擾波形。

對抗措施合成模塊采用蟻群優(yōu)化等仿生計算方法，解決非線性、非高斯干擾資源分配問題，實(shí)現(xiàn)高效、穩(wěn)健的多目標(biāo)干擾，使整個系統(tǒng)的性能達(dá)到最優(yōu)。

1.3 對抗效果評估模塊

智能干擾模塊實(shí)時接收認(rèn)知偵察模塊發(fā)送的無源、有源探測信息以及認(rèn)知信息，現(xiàn)場給出威脅信號在我方干擾下產(chǎn)生的明顯變化，如威脅雷達(dá)波來波瞄準(zhǔn)角、重頻率、帶寬的變化，以及是否對雷達(dá)目標(biāo)采用ECCM模式等，進(jìn)行干擾效能評估，并推斷威脅目標(biāo)的真實(shí)性。同時根據(jù)干擾效能優(yōu)化制定有針對性的電子攻擊方法，優(yōu)化干擾參數(shù)與干擾波形。

智能干擾模塊采用基于進(jìn)化式實(shí)時優(yōu)化的粒子群算法進(jìn)行干擾策略與干擾參數(shù)優(yōu)化，該方法將模型更新及參數(shù)設(shè)定優(yōu)化表達(dá)為一個多目標(biāo)的進(jìn)化過程，把擾動后等待穩(wěn)態(tài)的過程劃分為若干擬穩(wěn)態(tài)區(qū)間，并以干擾效能評估作為測量值進(jìn)行連續(xù)的模型更新和優(yōu)化計算，實(shí)現(xiàn)干擾過程的實(shí)時優(yōu)化。

1.4 動態(tài)知識庫模塊

認(rèn)知電子戰(zhàn)系統(tǒng)的主要特征之一是采用動態(tài)知識庫代替?zhèn)鹘y(tǒng)的輻射源數(shù)據(jù)庫和預(yù)編程對抗措施，動態(tài)知識庫為認(rèn)知偵察模塊、對抗措施合成模塊、智能干擾機(jī)模塊提供先驗(yàn)知識，并利用反饋信息進(jìn)行認(rèn)知學(xué)習(xí)，動態(tài)更新知識庫。

頻譜表征與學(xué)習(xí)是動態(tài)知識庫的基礎(chǔ)，在傳統(tǒng)的頻率、脈寬、波形、功率等信號描述的基礎(chǔ)上，動態(tài)知識庫增加了識別信息、定位信息、電子防護(hù)模式信息、作戰(zhàn)功能信息、意圖信息、網(wǎng)絡(luò)拓?fù)湫畔⒌日J(rèn)知推理信息。

2 關(guān)鍵技術(shù)

在認(rèn)知電子戰(zhàn)技術(shù)的發(fā)展過程中，要突破的關(guān)鍵技術(shù)可總結(jié)為4點(diǎn)：

（1）基于自適應(yīng)機(jī)器學(xué)習(xí)的認(rèn)知偵察技術(shù)；

（2）基于頻譜知識的認(rèn)知建模技術(shù)；

（3）智能化干擾措施合成技術(shù)；

（4）高度自適應(yīng)的電子進(jìn)攻技術(shù)。

2.1 基于自適應(yīng)機(jī)器學(xué)習(xí)的認(rèn)知偵察技術(shù)

基于自適應(yīng)機(jī)器學(xué)習(xí)的認(rèn)知偵察技術(shù)是認(rèn)知電子戰(zhàn)的首要關(guān)鍵技術(shù)之一，原因在于只有系統(tǒng)從其周圍威脅環(huán)境中獲取有用信息，才可為有效干擾措施的智能化合成提供可靠的支撐。此關(guān)鍵技術(shù)的突破在于自適應(yīng)機(jī)器學(xué)習(xí)算法的開發(fā)，現(xiàn)有較可行的算法包括模糊聚類、神經(jīng)網(wǎng)絡(luò)等自適應(yīng)信號檢測處理算法，通過該類算法可以將周圍環(huán)境信號的特征分析出來，并將所分析出來的特征信息傳給對抗措施合成模塊和對抗效果評估模塊。

另一方面，自適應(yīng)機(jī)器學(xué)習(xí)算法建立在一定的先驗(yàn)基礎(chǔ)知識之上，該先驗(yàn)知識不一定在系統(tǒng)工作之前就提供，而是作戰(zhàn)過程中在新環(huán)境中所出現(xiàn)的新威脅的不斷積累，這個積累過程便是一種自適應(yīng)的學(xué)習(xí)過程。圖2給出了自適應(yīng)機(jī)器學(xué)習(xí)算法檢測對象，通過模糊聚類、神經(jīng)網(wǎng)絡(luò)等算法，從周圍的自然環(huán)境分析、戰(zhàn)場環(huán)境感知、先驗(yàn)知識庫及編隊(duì)信息融合等知識環(huán)境中檢測出威脅目標(biāo)信號，并進(jìn)行處理。

圖2 自適應(yīng)機(jī)器學(xué)習(xí)算法合成

若要從未知環(huán)境中實(shí)現(xiàn)對目標(biāo)的檢測處理，必須能夠保證得到準(zhǔn)確的所需檢測環(huán)境中的概率密度函數(shù)，那么必須對所需檢測的未知環(huán)境進(jìn)行估計。傳統(tǒng)的檢測算法主要包括：基于廣義似然比（GLRT）的自適應(yīng)檢測算法[5]、自適應(yīng)匹配濾波的檢測器（AMF）[6]及改進(jìn)的 GLRT 檢測算法[7]，但此類算法均較復(fù)雜，且需要利用訓(xùn)練單元的觀測數(shù)據(jù)對所需檢測環(huán)境的協(xié)方差矩陣進(jìn)行估計，實(shí)際操作過程中所估計的協(xié)方差矩陣往往是奇異的。為此，基于貝葉斯的環(huán)境檢測估計算法能解決該問題，通過結(jié)合先驗(yàn)知識及未知環(huán)境中所采集的數(shù)據(jù)完成對目標(biāo)運(yùn)動模型及系統(tǒng)觀測模型的聯(lián)合狀態(tài)的后驗(yàn)概率密度函數(shù)的準(zhǔn)確提取。下面將主要對該算法予以介紹。

設(shè)目標(biāo)運(yùn)動模型為｛x｝1∶k，則k時刻目標(biāo)的運(yùn)動狀態(tài)可表示為xk；系統(tǒng)觀測模型為｛z｝1∶k，則k時刻整個觀測空間的觀測量可表示為zk。不同時刻目標(biāo)聯(lián)合狀態(tài)后驗(yàn)概率密度函數(shù)為p（xk，ek｜z1∶k），由貝葉斯理論可知，概率密度函數(shù)可表示為：

式中：ek表示事件Ek＝1；ˉek表示事件Ek＝0。

由全概率公式，式（1）可轉(zhuǎn)化為：

將概率乘法定理運(yùn)用到式（2），化簡后可得：

將式（3）代入式（1）可得：

則目標(biāo)存在的后驗(yàn)概率可表示為：

那么，目標(biāo)不存在時的后驗(yàn)概率可表示為：

由式（1）到式（7）可給出目標(biāo)聯(lián)合后驗(yàn)概率密度函數(shù)的迭代運(yùn)算全過程。結(jié)合非齊次馬爾可夫鏈模型，通過100次蒙特卡洛仿真，目標(biāo)存在狀態(tài)變量的系統(tǒng)檢測跟蹤性能如圖3所示，其中實(shí)驗(yàn)?zāi)繕?biāo)位置以均方根誤差表示。

從圖3中可以看出，經(jīng)過幾次迭代之后，目標(biāo)存在狀態(tài)變量的非齊次馬爾可夫鏈模型的跟蹤性能較好，符合實(shí)際目標(biāo)存在狀態(tài)的轉(zhuǎn)移。由此可見，非齊

圖3 目標(biāo)存在狀態(tài)變量下系統(tǒng)的檢測性能

次馬爾可夫鏈模型下的貝葉斯檢測估計算法能夠很好地對目標(biāo)進(jìn)行檢測。

2.2 基于頻譜知識的認(rèn)知建模技術(shù)

認(rèn)知電子戰(zhàn)系統(tǒng)實(shí)時感知戰(zhàn)場環(huán)境信息以及雷達(dá)、通信、導(dǎo)航、激光、干擾機(jī)等目標(biāo)信息，不同類型的信息在時域、空域、頻域存在較大的差異，需要采用統(tǒng)一的頻譜知識架構(gòu)和標(biāo)準(zhǔn)，進(jìn)行動態(tài)戰(zhàn)術(shù)電磁環(huán)境描述，其描述參數(shù)由靜態(tài)參數(shù)與動態(tài)參數(shù)組成，包括物理層屬性（頻率、帶寬、功率、波形等）、協(xié)議、功能和意圖（探測距離、波形模糊度、狀態(tài)轉(zhuǎn)移與其它雷達(dá)的協(xié)同等）、網(wǎng)絡(luò)拓?fù)?、自適應(yīng)行為、電子防護(hù)模式等。認(rèn)知偵察技術(shù)對偵收的信息進(jìn)行處理要基于一定的數(shù)學(xué)描述，即首先要確定環(huán)境感知分析儀獲得的信息模型，因此，只有通過對獲得信息進(jìn)行正確建模，才可為認(rèn)知偵察模塊中的偵收、檢測、識別核心提供正確處理的先決條件。

2.3 智能化干擾措施合成技術(shù)

通過自適應(yīng)機(jī)器學(xué)習(xí)算法對周圍威脅的處理，可得到威脅目標(biāo)的具體特征參數(shù)的解算，通過認(rèn)知建模技術(shù)完成獲得信息的正確建模，從而利用優(yōu)化算法，從時域、空域、頻域和極化域出發(fā)，有針對性地合成最有效的干擾措施。由此可見，智能化干擾措施合成技術(shù)突破的關(guān)鍵亦在于軟件設(shè)計，即智能化優(yōu)化算法的開發(fā)，數(shù)學(xué)模型化便成為了算法開發(fā)的重要目標(biāo)，主要考慮的因素有目標(biāo)的威脅程度、匹配干擾策略及干擾實(shí)施參數(shù)。優(yōu)化的目標(biāo)函數(shù)表示為：fobj＝αiTi＋βiSi＋γiPi（1）式中：Ti、Si、Pi分別為目標(biāo)的威脅程度、匹配干擾策略及干擾實(shí)施參數(shù)；αi、βi、γi分別為前面3項(xiàng)因素的權(quán)值，且α＋β＋γ≤1。

以Ti、Si、Pi為優(yōu)化因子，通過調(diào)整αi、βi、γi權(quán)值大小優(yōu)化目標(biāo)函數(shù)，即使干擾效果最優(yōu)。

具體實(shí)施過程中的優(yōu)化方法包括遺傳算法（GA）、粒子群算法（PSO）、差分進(jìn)化算法（DEA）及快速多層多極子算法等，但此類優(yōu)化算法或多或少在優(yōu)化速度、最優(yōu)解的選取效果等方面存在各自的不足之處，不能滿足實(shí)際戰(zhàn)場中快速、最優(yōu)策略選取的目的。通過開發(fā)更優(yōu)的智能搜索算法為智能化干擾措施的合成提供有力的基礎(chǔ)支持。

2.4 高度自適應(yīng)的電子進(jìn)攻技術(shù)

隨著科技發(fā)展，對抗目標(biāo)的復(fù)雜性及靈活性也相應(yīng)增加，就固態(tài)有源相控陣?yán)走_(dá)而言，在波形的設(shè)計中采用了寬帶跳頻和復(fù)雜脈內(nèi)調(diào)制相結(jié)合等技術(shù)；發(fā)射和接收處理方面采用數(shù)字波束形成技術(shù)，實(shí)現(xiàn)超低發(fā)射和接收副瓣電平；另一方面，其工作方式更靈活，作戰(zhàn)模式也復(fù)雜多變，致使固態(tài)有源相控陣?yán)走_(dá)探測時的脈沖數(shù)量減少，整個系統(tǒng)的抗干擾能力增強(qiáng)。這便增加了固態(tài)有源相控陣?yán)走_(dá)的對抗難度，以至于采用傳統(tǒng)的電子進(jìn)攻技術(shù)難以實(shí)現(xiàn)有效的干擾。

認(rèn)知電子戰(zhàn)技術(shù)正是傳統(tǒng)電子戰(zhàn)技術(shù)的發(fā)展，通過基于自適應(yīng)機(jī)器學(xué)習(xí)偵察技術(shù)的突破，不斷地感知周圍的環(huán)境，適應(yīng)新的威脅目標(biāo)的識別，從而自動配合操作員分析、探測、識別，智能合成干擾措施；最后，采取高度自適應(yīng)的電子進(jìn)攻技術(shù)，完成對新的威脅目標(biāo)的有效干擾，同時還可以采取評估措施對對抗能力和對抗效果進(jìn)行評估，為先驗(yàn)知識庫的更新提供佐證。

3 結(jié)束語

現(xiàn)代戰(zhàn)場日益復(fù)雜，電磁環(huán)境錯綜交錯，新型的威脅不斷出現(xiàn)，認(rèn)知電子戰(zhàn)技術(shù)的開發(fā)研究成為必然趨勢。本文主要對認(rèn)知電子戰(zhàn)系統(tǒng)中認(rèn)知偵察模塊、對抗措施合成模塊、智能干擾模塊和動態(tài)知識庫模塊的基本功能進(jìn)行了概述；重點(diǎn)對認(rèn)知偵察模塊進(jìn)行了介紹，給出了非齊次馬爾可夫鏈模型下的貝葉斯環(huán)境目標(biāo)檢測處理算法；并歸納了認(rèn)知電子戰(zhàn)技術(shù)的發(fā)展，需要突破基于自適應(yīng)機(jī)器學(xué)習(xí)的認(rèn)知偵察技術(shù)、基于頻譜知識的認(rèn)知建模技術(shù)、智能化干擾措施合成技術(shù)及高度自適應(yīng)的電子進(jìn)攻技術(shù)的4項(xiàng)關(guān)鍵技術(shù)。這些技術(shù)依托的硬件基礎(chǔ)比較簡單，可直接對舊裝備的軟件進(jìn)行升級，實(shí)現(xiàn)電子戰(zhàn)系統(tǒng)的更新，從而提高系統(tǒng)作戰(zhàn)效能。

[1]曾詳能，張永順，賀澤維，等.電子戰(zhàn)新技術(shù)發(fā)展綜述[J].航天電子對抗，2010（5）：31－34.

[2]黎湘，范梅梅.認(rèn)知雷達(dá)及關(guān)鍵技術(shù)研究進(jìn)展[J].電子學(xué)報，2012，40（9）：1863－1870.

[3]楊小軍，閆了了，彭琿，等.認(rèn)知雷達(dá)研究進(jìn)展[J].軟件，2012（3）：6－8.

[4]林志遠(yuǎn)，戴國憲.未來電子戰(zhàn)技術(shù)[J].雷達(dá)與對抗，2003（2）：45－48.

[5]Kelly E J.An adaptive detection algorithm[J].IEEE Transactions on Aerospace and Electronic Systems，1986，22（1）：115－127.

[6]Frank C R，F(xiàn)uhrmann D R，Kelly E J.A CFAR adaptive matched filter detector[J].IEEE Transactions on Aerospace and Electronic Systems，1992，28（1）：208－216.

[7]Ayoub T F，Haimovich A R.Modified GLRT signal detection algorithm[J].IEEE Transactions on Aerospace and Electronic Systems，2000，36（3）：810－828.