田锦昌，齐大志，李书香

(北京机电工程研究所，北京 100074)

·专家论坛·

人工智能干扰技术发展现状及趋势探析

田锦昌，齐大志，李书香

(北京机电工程研究所，北京 100074)

近年来人工智能技术得到迅速发展，屡屡在比赛中胜出，引起了各界的关注，人工智能的应用在军事领域迅速普及。基于美军对智能化电子对抗即认知电子战的高度重视，对传统电子战面临的困境进行了梳理，阐述了认知电子战的概念和特点，分析了未来认知电子战的重点发展方向，为智能化电子战技术研究提供参考。

人工智能；干扰；电子战；发展；应用

0 引言

2017年5月，谷歌公司开发的AlphaGo围棋人工智能程序三战三捷，再次战胜世界围棋冠军，连续第二年大显身手。人工智能方面的专家表示，目前AlphaGo只是展示弱人工智能，但已经显示了巨大威力，代表了未来技术的发展前沿，特别受到武器装备发展的青睐。人工智能在电子战的应用尽管举步维艰，但是以美国为首的军事强国正在加速推动发展人工智能技术，即认知电子战技术。2016年2月29日，美国《国家利益》双月刊网站发文章称，DARPA正致力于开发基于人工智能的新型电子战系统，以对抗俄罗斯等国功能日益强大的雷达；2016年，美国《航空周刊》报道，DARPA正在向客户移交根据极端射频频谱条件下的通信项目(CommEx)开发的技术，且五角大楼决定将这一技术整合到Link-16数据链中，以保护广泛使用的战术数据链免受干扰；2016年5月，英国《简氏防务评论》报道，美国海军目前正在研究将自适应电子战行为学习项目(BLADE)开发的技术应用于反简易爆炸装置中，并将BLADE项目和自适应雷达对抗项目(ARC)开发的算法应用到EA-18G“咆哮者”电子战飞机上。

本文以认知电子战技术为核心，对人工智能技术在电子战中的应用进行了系统分析，提出了后续发展建议。

1 传统电子战面临的挑战

现代战争是高技术条件下的信息化战争，随着信息化技术的不断进步，现代高技术战争日益依赖电子设备，战场电磁环境日益复杂多变。面对日益复杂的电磁环境，常规电子战手段的作战效能在逐步下降，面临着诸多亟须解决的问题，主要来自以下四个方面：一是随着更多合作与非合作辐射源的出现，电磁环境日趋复杂，由此造成的信号在频域、时域、空域上的拥堵严重降低了干扰机对威胁信号的侦察分选能力；二是雷达的抗截获与抗干扰性能不断提升，对电子战的侦察能力与干扰技术提出了更高的要求；三是在人工智能、软件无线电、认知无线电等技术的推动下，雷达的智能化程度不断提高，更注重对电磁环境的自主感知能力与快速应变能力，由此逐渐拉开了与电子战装备的技术差距；四是组网雷达等组网系统的出现，对电子战系统及时发现并攻击组网系统关键节点与要害的能力提出了迫切需求。

随着微波技术和信号处理技术的飞速发展，雷达技术发展迅猛，以收发数字波束形成技术为标志的二维相控阵雷达已服役，数字阵列技术的应用使一部雷达具备防空/反导、搜索/跟踪/制导等多种功能；为了适应不同环境下目标的探测，一部雷达也可以集MTI/MTD/PD/STAP等多种处理模式于一身，灵活强大的数字处理能力，也极大增强了雷达自身的抗干扰能力。多功能、多处理模式意味着雷达具有多种工作参数和多种扫描跟踪方式，传统的瞄频粗放式干扰已经不能实现有效对抗，基于数据库的干扰引导方式也已经不能满足快速精确引导的要求。

更重要的是，自2006年加拿大Haykin教授提出认知雷达系统概念以来，认知雷达技术发展迅速，给传统的电子对抗带来了前所未有的挑战：

1)认知雷达根据杂波场景、目标特征以及目标姿态变化自适应设计和调整发射波形。

认知雷达采用LPI波形降低雷达峰值功率，侦察系统需进一步提高灵敏度；出现更多难以描述的未知波形，对干扰机的目标识别和干扰确认带来困难；雷达波形脉间或脉组参数捷变，对干扰机的分选识别和干扰引导带来挑战。

2)认知雷达为了实现发射自适应控制，广泛采用数字阵列体制。

认知雷达具有更低的发射副瓣，侦察系统需大幅提高侦察灵敏度；更低的接收副瓣，干扰系统需大幅提高干扰等效辐射功率；对干扰机方向自适应置零，干扰机需要针对性的干扰策略或进一步提高干扰等效辐射功率；根据目标的远近、威胁程度以及空间分布，自适应选择波束形状、指向以及个数，对抗系统需综合提高灵敏度、干扰功率以及干扰资源管理能力。

3)认知雷达在接收端自适应调整信号处理和数据处理方法，以适应认知雷达在发射端自适应调制波形。

为了提高干扰效率，实现精细化干扰，对抗系统需具备快速识别雷达波形、判断雷达工作方式、自动生成干扰措施的能力。

4)多部认知雷达协同工作，组成认知雷达网。

传统的雷达组网对电子战系统已经形成了巨大威胁，使其面临必须在体系对抗中获取优势的局面。认知雷达在雷达组网进行应用后，将对电子战系统构成明显优势。

5)认知射频通用架构使得雷达、通信、导航等领域可以共用射频平台。

多功能一体化的认知射频通用架构，可有效增强网络中心战的作战效能，实现体系对抗，需要认知电子战装备能够同时对抗同一平台的多种电子载荷，将体系对抗转化为单机对抗，提升武器装备的效费比。

未来的认知雷达系统对环境的认识是通过与环境不断交互获得的，持续地学习环境，再利用学来的信息提高接收系统的性能，积累经验；发射系统依据侦察结果和积累的知识智能地调整对目标的照射，能根据目标的尺寸、距离等重要因素，以高效、鲁棒的方式调整发射波形参数；最终形成一个动态而封闭的“发射系统—环境—接收系统”反馈环来提升雷达系统的整体效能。

认知雷达的智能化工作模式以及战时工作模式的使用，使得未来战场中必将出现众多的未知雷达信号。传统的电子战系统能够识别固定频谱工作的威胁系统，利用预先编程的对抗技术有效对抗预订的威胁。但面对多功能/多模式雷达、应用认知技术的雷达，应对电子战面临的多方面挑战，电子战必须从固定模式向自适应模式发展，突破传统电子战采用的预加载体制，采用认知电子战技术，实现快速感知环境、自主学习、自适应对抗的方式，及时适应变化了的对抗目标，最终实现高效对抗。认知电子战技术正是传统电子战技术的发展，通过基于自适应机器的学习侦察技术的突破，不断地感知周围的环境，适应新的威胁目标的识别，完成对新的威胁目标的有效干扰。

2 人工智能干扰的概念和特点分析

以认知电子战为代表的人工智能干扰技术理论、技术、装备的兴起，主要有两方面的动因：一、软件无线电技术日益成熟，为认知电子战奠定了技术基础；二、随着现代战场电磁环境越来越复杂，电子战领域对自适应、自动化、智能化要求越来越高，为认知电子战提供了旺盛的军事需求。

虽然美国已经开发了一系列名为认知电子战的项目，但在理论或学术层面，目前还没有对认知电子战技术明确的概念，术语也不统一(例如，“自适应电子战”、“智能电子战”等多个名称)。不少学者对此开展了研究，提出各种观点。如第一种观点是根据美国的多个认知电子战项目研究内容，认为认知电子战的内涵为：依据实时环境态势感知、作战效能评估以及学习、积累的结果，动态地自主调整攻击与防护策略，通过流程的闭环，实现智能、高效的信息对抗。第二种观点认为具备“自主态势感知，自主学习与经验积累，自主推理与辅助决策，自主干扰策略优化与攻击”中的一种或多种能力的电子战技术即可算作认知电子战技术范畴。第三种观点认为：能够快速感知外界威胁环境，对威胁环境、目标和干扰等具有记忆和学习能力；自动进行分析，选择干扰策略；自动调整干扰样式和参数；能够判断干扰效果并进行实时评估等能力的电子战系统是认知电子战系统。有学者将认知电子战定义为：以具有一定认知性能的电子战装备为基础，注重自主交互式的电磁环境学习能力与动态智能化的对抗任务处理能力的电子战形态。还有学者将认知电子战定义为：一种具有通过先验知识以及自主交互学习来感知并改变周围局部电磁环境能力的智能、动态的闭环系统，可在实时感知电磁环境的基础上，高效自主调整干扰发射机与接收机以适应电磁环境的变化，提高干扰的快速反应能力和干扰性能。还有学者对认知电子战的描述如下：认知电子战是一种在软件无线电技术基础上实现的智能化、网络化(知识共享)、多功能电子战理念，除了可以对抗传统电子信息系统以外，还可以对抗新兴的认知电子信息系统(认知无线电台、认知网络、认知雷达等)。其核心技术包括软件无线电技术、机器学习技术、行为建模技术等。

认知电子战与传统电子战相比具有明显的特点，主要包括以下几个方面：1)认知电子战具备快速感知威胁的能力，具备对干扰环境及目标记忆和学习的能力；2)认知电子战能够自主分析威胁环境，并选择适当的干扰策略；3)认知电子战能够依据对外界环境的探测，分析、评估干扰效果；4)认知电子战能够根据评估后的干扰效果自动调整干扰样式和参数。认知电子战要求电子战系统具备学习的能力，这主要体现在：首先要通过对外界环境的探测了解目标，然后通过对比、分析进行自我学习，最后通过自我调整适应新的环境。

3 智能干扰技术重点发展方向

1)深度学习

深度学习是目前人工智能领域一个最热门的主题。据称，AlphaGo程序主要就是基于深度学习算法完成的，其核心程序有2个：①落子选择器——利用具备监督学习功能的策略网络来选择下一步棋的最佳下法；②棋局评估器——利用价值网络来辅助落子选择器。香港科技大学学者认为，AlphaGo取得成功的经验，就是通用型算法与机器学习、符号空间的搜索能力、强化学习等多方面的组合。除深度学习外，逻辑推理、智能规划、迁移学习、智能博弈等知识也会在未来发挥作用。该学者正在研究利用深度学习、强化学习、迁移学习的有机结合，建立起一个通用的、可以个性化的机器学习体系。

深度学习能力是不同认知系统的重要基本特征，强化学习从动物学习理论发展而来，是实现行为学习的方法之一。强化深度学习方法具有自主学习的能力，它不依赖先验知识，仅通过不断与环境交互来获得知识，自主地进行动作选择，使得到奖励的行为被“强化”而受到惩罚的行为被“弱化”。映射到认知雷达电子对抗系统中，即是需要通过干扰激励和行为学习过程的实施，建立干扰资源与目标雷达工作体制或抗干扰措施的联系，作为智能化干扰资源调度的依据。

2)智能化的干扰资源调度

在现代战争中，电子对抗环境复杂多变，干扰方所面对的敌方雷达目标往往有很多个，在同一时间需要干扰的雷达目标也有几个甚至几十个，而干扰方可用的干扰资源往往也有几个到几十个，但一般是很有限的。那么如何合理充分地利用干扰资源，让既有的干扰资源获取更大的作战效益，就成了战场指挥员所面临的棘手问题。很多情况下，指挥员都是凭自己的经验来分配干扰任务，但是当敌方雷达数量很多，或者战场环境很复杂时，这种分配可能会带来严重的后果。所以，雷达干扰资源调度是电子对抗系统实现的关键技术，合理的干扰资源调度可以使有限的干扰资源发挥最佳的干扰效果。

常用的雷达干扰资源分配算法中，动态规划算法的大致思路是将雷达干扰资源分配问题简化为普通的单目标规划问题，进而采用传统的动态规划模型来进行求解。这种算法计算量较少，也可以降低解决问题的复杂度，但是这种算法忽略了干扰样式等一些不便于量化的因素，使得计算精确度大打折扣。模糊多属性动态规划算法利用多属性决策方法和模糊集理论，解决了雷达干扰资源分配中的多因素和模糊性问题。对于因素的隶属度的确定，一般是通过专家来进行赋值，从而实现多阶段多属性整体优化，因而能够合理地进行雷达干扰资源分配，达到最佳整体效果。

3)对抗效果实时评估

认知电子战通过对抗效果实时评估，将认知侦察和智能干扰紧密结合起来，实现高度自适应的智能对抗。雷达态势识别是认知对抗过程评估的关键问题，首先分析认知对抗中状态识别与传统电子侦察接收机实现功能的联系与区别，明确认知对抗系统中状态识别功能的概念与内涵；然后讨论基于干扰系统可提取的特征参量来定义雷达状态转换识别以及具体的状态转换识别方法，给出雷达状态转换判别结果和实际雷达工作状态的模板匹配方法，构建适用于认知对抗系统的完整状态识别方法和基于状态识别结果的干扰改变方法。

4 结束语

人工智能技术促进了以认知电子战为特征的智能化干扰技术的发展。尽管目前还处于初级阶段，但是智能干扰技术自主态势感知、自主学习与经验积累、自主推理与辅助决策、自主干扰策略优化与干扰的特点代表了下一代干扰机的发展方向，并且已在电子对抗装备的设计中得到应用，随着其算法的不断改进，将会大大提高电子战装备的对抗性能。■

[1] 马月槐,刘跃宣,范玉虎,等. 军用认知系统的电子对抗技术研究[J]. 通信技术,2013(3): 7-9.

[2] 张春磊,杨小牛.认知电子战初探[J]. 通信对抗, 32(2): 1-4.

[3] 石荣,邓科,阎剑.雷达认知能力提升及其与EW 的智能博弈[J]. 雷达科学与技术, 2015(3): 228-232.

[4] 倪丛云,黄华.认知电子战系统组成及其关键技术研究[J]. 舰船电子对抗, 2013(3): 32-35.

[5] 戴幻尧,周波,雷昊申,等. 认知电子战的关键技术发展动态与分析[J].飞航导弹, 2014(9): 57-60.

[6] 张珂,张璇,金家才.认知电子战初探[J]. 航天电子对抗, 2013，29(1): 53-56.

[7] 张建华,沈振惠,马腾,等.基于认知的舰船电子对抗系统设计[J]. 指挥控制与仿真, 2015(4): 105-108.

[8] 朱耿尚,陈诚,范忠亮,等.认知雷达对抗技术概述[J].科技创新导报, 2015(8): 99-100.

Status and development trend of artificial intelligence jamming technology

Tian Jinchang， Qi Dazhi， Li Shuxiang

(Institute of Beijing Electro-Mechanical Engineering, Beijing 100074, China)

In the several years, the technology of artificial intelligence(AI) has achieved great performance, and defeated mankind in the competition, which has caused concern all over the world, especially in the military field. The U.S. army pays attention to AI electronic warfare (EW), namely cognitive EW. The difficulty which traditional EW faced is analyzed, the concept and characters of EW are described, and the important development direction in future is analyzed. It can be used as a reference for the study of AI EW.

artificial intelligence；jamming；electronic warfare；development；application

2017-04-07；2017-07-21修回。

田锦昌(1970-)，男，研究员,硕士，研究方向为电子对抗技术。

TN972；TP387

： A