人工智能在网电对抗中的应用现状与展望

引用本文

文章摘要

电子对抗包括电子攻击、电子防御、电子支援、电磁频谱控制等方面。其中，电子侦察是电子支援的重要途径，电子干扰是电子攻击的主要手段，电子隐身与伪装是电子防御的关键方式。

2.1 传统电子侦察挑战与人工智能应用

电子侦察可分为电子支援侦察与电子情报（electronic intelligence, ELINT）侦察。电子支援侦察在获取电子对抗情报时强调实时性、高截获率及快速反应能力，在实际电子对抗中能实时对截获的信号进行分选和识别。ELINT侦察在获取电子对抗情报时强调准确性、完备性，在实际电子对抗前对敌方具有高威胁的设备进行针对性的分析，以提升对抗的有效性。本文主要探讨传统电子侦察面临的挑战，以及机器学习算法在雷达信号分选、识别及电子对抗情报挖掘等方面的应用。

2.1.1 传统电子侦察面临的挑战

随着电磁环境日趋复杂，新体制雷达不断涌现，电子侦察设备截获的数据在复杂程度和数据量上均持续增长，传统电子侦察正面临以下挑战：

（1）复杂电磁环境。电子对抗装备类型和数量的持续增加，使得电磁环境日益复杂，给电子侦察信号的分选与识别带来了挑战。

（2）新技术体制引发的未知和复杂的信号形式。频率捷变雷达、数字可编程雷达等先进雷达的出现，使雷达工作模式从固定参数发展为可根据战场环境实时调整参数和行为模式的智能模式。传统基于模板匹配的电子侦察方法，难以对雷达信号进行分选与识别。

（3）电子侦察数据呈现“大数据”特征。电子侦察设备接收的信号呈现出数据类型多样（variety）、处理速度快（velocity）、数据规模海量（volume）、价值密度低（value）等“4V”特性。传统电子对抗方法难以利用电子侦察数据获取准确、完备、有效的雷达信息。

2.1.2 人工智能在电子侦察中的应用

人工智能为解决复杂电磁环境下雷达信号分选识别、情报挖掘等问题提供了新思路。

（1）人工智能在雷达信号分选识别中的应用。随着有源相控阵雷达（active electronically scanned array, ASEA）、低截获概率（low probability of interception, LPI）雷达等具备多种工作模式及参数捷变与跳变能力的新体制雷达广泛应用，电磁环境正日趋复杂。在对这些复杂雷达信号进行分选时，传统基于脉冲重复频率的分选算法接收到的雷达信号数据体制复杂，一些算法已不适用于新体制雷达信号分选需求。在根据分选所形成的新型雷达信号全脉冲数据对雷达信号数据进行识别时，由于新体制雷达信号经参数提取后生成的参数更为复杂，传统基于模板匹配法及D-S证据融合等方法面临时效性下降乃至失效的问题。

当已知雷达辐射源的种类等先验信息时，雷达信号的分选和识别过程可视为分类问题；而对非合作的辐射源进行电子侦察时，该过程则可视为聚类问题。机器学习在处理聚类和分类问题方面表现优异，目前基于支持向量机（support vector machine, SVM）、神经网络等算法的方法已在雷达信号分选识别中得到较为广泛的应用：

①神经网络算法：神经网络算法因能有效拟合非线性映射关系，在雷达信号分选任务中具有较高的准确率。对雷达信号数据进行分选时，Anderson等人首先提出了基于神经网络的雷达信号分选算法，初步建立了雷达信号分选的流程和框架。为进一步提升神经网络在雷达信号分选中的准确率，陈卫等人基于集成学习思路，采用Boosting方法对多种神经网络算法进行集成，相较于传统神经网络算法，该方法提升了复杂电磁环境下雷达信号分选的准确率。

②聚类算法：聚类算法通常应用于非合作辐射源的识别场景，其优势在于无需获取之前雷达信号识别结果作为训练集，模型训练相对快速，但识别准确率通常较低。聚类算法种类繁多且迭代速度快，贺宏洲等人提出一种基于模糊C均值的雷达信号分选方法；赵贵喜等人提出一种基于改进人工鱼群聚类算法的雷达信号分选方法；丁天一等人针对敌方通信信号，采用基于自组织特征（self-organization feature map, SOFM）映射神经网络的二阶段聚类算法对其进行处理，有效提取了信号中有价值的参数。以上聚类算法解决了传统聚类算法难以对通信信号进行聚类的问题，相较于基于神经网络算法的信号分类模型，具有训练时间短、模型可解释性强等优势。

③特征工程方法：为进一步提升对多功能雷达、LPI雷达等新体制雷达的识别能力，研究者引入特征工程方法，以提升雷达信号分选识别结果的准确率。涂同珩在传统雷达参数的基础上，提出了雷达信号的脉内调制特征参数信息维数、Lempel-Ziv复杂度、信息熵和小波脊频特征等新型雷达参数，将其作为雷达信号的特征，并结合神经网络反向传播算法进行识别。谭茂洲等人通过特征工程手段，将雷达信号特征设计为以频率特征与幅度特征为像素点的2×N维特征图形，并提出了一种基于卷积神经网络的雷达信号识别方法。针对自适应雷达，黄旭佳根据自适应雷达调整参数的特征和规律提出了“雷达行为”概念，并基于贝叶斯推理对不同行为模式的自适应雷达进行识别。

④ SVM算法：对于雷达信号进行分选识别的过程，SVM算法相较于神经网络算法具有更好的可解释性和较短的训练时间，但传统SVM在处理大规模数据分类时所需时间过长。陈婷等人在对雷达信号数据进行识别时，将粗糙集属性约简与SVM的分类机理相结合，有效避免了训练模型的过拟合现象，从而提升了雷达信号识别模型的准确性和效率。

（2）人工智能在电子对抗情报挖掘中的应用。人工智能方法在电子侦察中的另一个应用方向是电子对抗情报挖掘。在获取大量雷达信号的分选与识别结果后，可进一步对电子侦察设备所截获的海量数据中隐含的雷达情报进行分析和挖掘。目前该方向仍处于理论研究阶段，尚难以实际应用于电子对抗任务中。

随着新型电子对抗装备的不断涌现，所截获的威胁辐射源信号逐渐变多，ELINT中的电子侦察数据规模迅速增长，呈现出大数据的“4V”特征。为有效挖掘数据中的潜在规律，从海量信息中提取出有价值的雷达情报，研究者借鉴数据挖掘方法开展分析。旷生玉等人提出了一种可演进的电子对抗情报大数据平台架构，其“大数据分析与挖掘层”采用深度学习技术实现了雷达参数特征提取，能够自动学习海量雷达参数中的抽象特征。为提升数据挖掘结果的可视化能力，徐建平等人介绍了一种基于可视化数据挖掘平台Spark的电子侦察数据分析架构，利用并行化的决策树C4.5算法对雷达情报数据进行挖掘与分析，实现了对电子侦察数据的高效识别与分选。该方法具有较好的可解释性，其可视化的数据挖掘框架有助于更直观地展示雷达信号数据的特征。

2.2 传统电子干扰挑战与人工智能应用

电子干扰主要分为有源干扰与无源干扰。在人工智能应用于电子干扰的相关研究时，通常所指的电子干扰为有源干扰。有源干扰通过主动向敌方辐射源发射干扰电磁信号，实现对目标的压制或欺骗。有源干扰可以分为欺骗式干扰、压制式干扰和灵巧干扰。

2.2.1 传统电子干扰面临的挑战

随着新型雷达工作体制愈发复杂和智能，评估电子战作战效能也愈发困难，传统电子干扰正面临以下挑战：

（1）传统干扰决策调度策略难以应对新体制雷达。随着LPI雷达、多功能雷达及具有认知能力的新体制雷达的出现，雷达工作模式已由固定工作模式发展为可根据工作环境与任务需求灵活调整工作模式与雷达参数的智能模式。在复杂电磁环境下，基于全空间搜索的传统电子干扰调度算法在对灵活多变的多功能雷达形成干扰时，其实时性与准确性均面临较大挑战。

（2）传统电子干扰效能评估方式面临挑战。电子对抗效能评估是电子对抗系统最重要的综合性指标和判断电子对抗系统作战能力的重要途径。根据运用阶段，可将电子对抗效能评估分为平时装备能力评估、战前效能推演评估、战中在线效能评估及战后总结评估。传统的电子对抗效能评估方法主要包括解析法、统计法、仿真法及综合法。

评估指标的选取与评估结果的生成方式直接影响评估效果。传统的电子干扰效能评估指标体系由专家建立，具有一定主观性，且可能因指标间的相互影响而导致评估结果出现偏差。

2.2.2 人工智能在电子干扰中的应用

本文探讨人工智能在电子干扰决策选取和调度中的应用，以及人工智能在电子干扰效能评估中的应用。

（1）人工智能在干扰策略选取中的应用。为应对能够改变自身参数或存在多种工作模式和参数、导致传统干扰策略难以起效的新体制雷达，研究者最初采用遗传算法与模板匹配法求解最佳干扰策略。然而，模板匹配法只能对预先设置好的情形进行分析，遗传算法则需要对雷达属性等数据进行编码转换，算法编程复杂度较高，形成有效干扰策略所需时间较长。

电子干扰效能评估可视为一种典型的强化学习场景，电子干扰中不同策略选取之间的转化可映射至强化学习算法的状态转移图中，可视为强化学习的行为。因此，深度学习也可以作为解决电子干扰策略选取的工具之一。目前，关于机器学习方法在电子干扰策略调度中的应用，多数研究仍处于仿真模型与验证阶段，尚未得到广泛应用。

基于Q-Learing等强化学习的方法能够有效应对具有感知能力的雷达、多种具有感知能力的雷达的组网，以及多功能雷达。李云杰等人提出了基于Q-Learning算法的电子干扰方法，实现了干扰策略选取。杨鸿杰等人基于传统深度学习的K-摇臂赌博机算法与深度强化学习中的深度确定性策略梯度算法，提出了一种智能干扰算法，适用于敌方在受到干扰后主动切换信道或改变通信参数等多种场景。张雪梅提出了基于强化学习的干扰策略，比较了在强化学习的“探索和利用”阶段采用不同策略的K-摇臂赌博机模型与马尔可夫模型对静态与动态目标进行干扰决策调度时的干扰效果差异，同时提出一种新型“探索和利用”阶段策略，提升了干扰效果。

相较于强化学习方法，SVM具有较好的泛化能力与可解释性，但难以处理大规模数据的回归计算或分类。孟祥航等在空—空对抗机载多功能火控雷达的场景下，根据先验知识构建了一种小样本干扰规则库，并结合SVM形成了对新体制雷达的干扰策略。该方法在实时性与干扰样式选择正确率方面均优于传统电子干扰方法。

（2）人工智能在电子干扰效能评估中的应用。建立电子干扰效能评估体系的过程与机器学习中对数据进行特征工程处理的过程相似，而根据指标体系形成效能评估结果的过程也可视为一种回归或分类问题。目前，机器学习在效能评估中的应用处于起步阶段，大部分基于机器学习的效能评估方法仍停留在仿真验证层面。

在已有指标体系的基础上，徐新华等人将影响电子干扰效果的因素进行量化，提出了遮盖干扰效果评估因子与欺骗干扰效果评估因子。通过量化后的评估因子训练反向传播神经网络（back propagation neural network, BPNN），并通过仿真验证了所用评估因子的准确性。毕斯威基于一组已有的传统雷达参数评估指标集提出了基于粒子群优化的BPNN与径向基神经网络模型，对干扰效果进行评估，提升了评估效果。

翁鑫锦利用随机森林与BPNN对电子干扰效果进行评估，首先基于随机森林算法对雷达评估指标数据集进行初步处理，其次选取最具代表性的指标作为BPNN的输入，并在训练过程中利用雷达干扰反馈信息调整模型参数，最后基于训练好的模型实现在线干扰效能评估。

2.3 传统电子隐身与伪装、电子摧毁挑战与人工智能应用

隐身技术分为雷达隐身、可见光隐身、红外隐身、激光隐身和声波隐身，其中雷达隐身是电子对抗隐身技术中的关键。电子隐身提升了己方电子摧毁装备的隐蔽度，为电子摧毁提供了先决条件。电子摧毁是指通过武器装备对敌方电子对抗设备或目标进行物理打击和摧毁。使用的武器装备包括反辐射雷达和反辐射无人机等。

2.3.1 传统电子隐身与伪装、电子摧毁面临的挑战

人工智能在电子隐身与伪装、电子摧毁2个方面的应用研究相对较少，主要存在以下挑战：

（1）传统电子隐身与伪装方面，在飞行器中使用隐身涂装的成本较高，且传统电子隐身材料无法有效吸收全部频率上的电磁波，在极端情况下隐身涂料可能失效。

（2）传统电子摧毁方面，反辐射雷达与反辐射无人机等装备在应用时难以直接突破敌方防线对敌方电子对抗设备进行有效摧毁和打击。

2.3.2 人工智能在电子隐身与伪装、电子摧毁中的应用

（1）人工智能在电子隐身与伪装中的应用。为保证隐身材料能在复杂电磁环境下保持有效工作，美军最早提出了“智能蒙皮”的概念，当飞机等装备接收到敌方电子对抗设备发出的信号时，可利用人工智能技术对其进行分选和识别，并调整装备的蒙皮参数，实现对多种不同类型雷达的隐身，或利用有源对消技术减小己方装备的雷达反射截面积（radar cross section, RCS），实现电子隐身与伪装。

（2）人工智能在电子摧毁中的应用。为保证导弹、无人机等电子摧毁设备能够实现对敌方雷达的突防，进而打击其电子对抗设备，李乔杨等人提出反辐射导弹应向智能化方向发展，并介绍了智能机动变轨策略。张哲等人提出了一种基于新型A*算法的反辐射无人机路线规划方法，优化了反辐射无人机在应对组网雷达情形下的突防路径。