郭玉霞，刘功斌，崔炳喆，潘 亮

(1.中国空空导弹研究院，河南 洛阳 471009；2.航空制导武器航空科技重点实验室，河南 洛阳 471009；3.94326部队，山东 潍坊 261051)

0 引 言

人工智能技术是一门基于计算机科学、哲学、认知科学、脑科学、逻辑学等学科的技术。近年来，以深度学习为代表的人工智能技术得到了快速发展，并在图像识别、语音识别、围棋等领域取得了突破性进展，其在军事领域的应用也正在深入拓展研究。

从军事领域的发展及应用来看，人工智能技术是解决未来复杂电磁战场环境下目标探测、抗干扰、抗杂波以及低空突防的重要手段，欧美国家早在20世纪90年代就开展了人工智能技术在目标探测、识别、抗干扰领域的应用和研究。

未来战争的关键是武器装备智能化的竞争与较量。将人工智能技术与导弹武器精确制导技术相结合是提升导弹作战能力的重要举措。随着航空武器的快速发展，以及信息化、网络化、智能化[1-4]技术的大量应用，武器系统对智能化导弹提出了新的需求，多弹信息融合、智能组网、协同作战等可以实现对敌目标的协同探测等。面对未来体系化的空战形势的需求，多弹协同、同构异构信息融合、智能决策、分布式作战是导弹武器具备的关键要素，其实现的关键技术是智能导引头。

未来战争是高科技的战争，也是海、陆、天、空、电五维空间的立体智能化战争，其中智能空战是战争的主要形式，制空权和制电磁频谱权决定着战争的胜负。本文结合智能化空战需求，对空空导弹的雷达导引头智能化展开分析。

智能化导弹的作战模式大致可以分为3个阶段，作战准备阶段、中制导阶段和末制导阶段，如图1所示。在雷达型空空导弹系统中，导引头作为弹上获取、处理和提取外界信息的重要组成部件，需要具备目标检测与识别、抗干扰、抑制地海杂波等功能，是实现智能作战的中、末制导的关键环节，以及效果评估的直接参与者，其智能化程度直接决定了未来作战智能化的深度和广度。因此，智能信息处理是智能雷达导引头的重要研究方向。

图1 智能化导弹作战模式Fig.1 The combat mode of intelligent missile

1 雷达导引头探测面临的挑战

1.1 反隐身挑战

雷达型空空导弹的对抗对象已由传统的第三代战机扩展为第四代隐身战机[4]，包括F-22,F-35,T-50等，以及无人机、巡航导弹在内的各类目标。与常规的第三代战机相比，隐身战机、无人机等目标的 RCS数量级降低，回波信号急剧降低，目标更加难以被探测。因此，提高雷达导引头的反隐身[4]能力将成为探测隐身目标的重要选择，直接关系到能否先敌发现、先敌攻击，以及未来空战中制空权夺取问题。

1.2 抗干扰挑战

近年来的战争实践表明，电子干扰总是率先发起并贯穿始终，对战争的进程和结果产生重要影响。基于对电子干扰作战效果和战略战术地位的认识，美军不断加大电子干扰武器装备的研发和投入，使得电子干扰手段日新月异。现代空战中，空空导弹除了面临支援干扰、自卫式干扰、箔条干扰外，还有近年来出现的新型角度欺骗类干扰。由于干扰信号在时频域全面压制回波信号，雷达跟踪系统不能有效地区分出目标机和诱饵，从而跟踪干扰，导致导弹脱靶，因此对雷达导引头抗干扰性能提出挑战。

1.3 抗杂波挑战

现代空战中，隐身战机、无人机的大量装备，目标的低空/超低空突防已成为常规进攻手段，低空/超低空目标的杂波、镜像干扰是雷达导引头需要面临的主要问题之一，强地海杂波、以及云/雨/雾等气象杂波将不可避免地影响到雷达导引头的检测性能。图2为地杂波和气象杂波采集图形。

图2 地杂波和气象杂波采集图形Fig.2 The gathered graphics of ground clutter and meteorological clutter

1.4 多任务挑战

随着空空、空地作战任务，以及复杂战场环境作战的需求，空空导弹不仅需要攻击空中目标，如大气层内、外的隐身目标，高机动目标，预警机，以及临近空间目标等，还肩负着攻击海面、地面慢速移动的大型时敏目标，和固定高价值目标等任务，多任务作战对雷达导引头的体制、目标分类、目标识别等能力提出了新的需求。

2 导引头信息处理现状与典型框架

导引头的智能化程度取决于信息处理软硬件整体性能，其中软件性能是关键。目前在通用的多片DSP+FPGA信号处理机架构下，雷达导引头信息处理主要处于初级人工智能阶段，即在程序化+自动化基础上实现简单的智能。导引头典型的信号处理[5]框架如图3所示。

图3 典型信号处理器的处理模块框图Fig.3 The processing module block diagram of a typical signal processor

结合雷达导引头所面临的挑战，对导引头信息处理在典型信号处理框架下的智能化现状进行分析。

反隐身在雷达导引头信息处理的应用，主要表现为弱小特征目标检测技术，目前常采用长时间相参积累技术、检测前跟踪技术[6]等。长时间相参积累作为一种比较成熟的传统检测技术，对弱小信号检测具有很好的提升作用，但对空中高机动目标检测时，需要解决长时间积累引起跨距离和跨多普勒的“双跨”问题。检测前跟踪技术是利用目标回波的相关性对多帧数据进行信号能量积累，然后进行目标检测，对于噪声高于信号的弱小目标检测具有一定优势，但对目标类型和运动特征等适用条件要求较高，同时未能利用目标的其他微弱特征。

建立时、频、空和极化等多维信息融合技术，多波形组合频率捷变技术等是抗干扰的重要方法。多维信息融合技术是利用目标与干扰源之间的特征差异来实现抗干扰，但其实现过程中需要多维数据源支撑和相应先验信息。多波形组合的频率捷变技术作为一种主动抗干扰方法，能很好地抗有源干扰，但回波信息的后端处理比较复杂，并对无源干扰和角度反射器等干扰的适用性较差。

在抗杂波方面，基于统计学、散射理论和非线性分析的地海杂波的目标检测处理方法主要是采用统计假设检验的思想，利用能量检测器、匹配假设等方法，进行强杂波的多普勒滤除，实现杂波背景下的目标检测判决。但由于杂波的复杂时变性和弱规律混沌性等因素，这些方法的应用需要大量的数据积累和特征提取，对低速和静止目标的检测能力受限。

3 导引头信息处理智能化发展思考

基于导引头信息处理发展的初级智能化现状，未来中级人工智能应具有如下特点，即雷达导引头具有认知雷达反馈架构，充分利用深度学习算法，更好地应对复杂场景；而更高级的人工智能则可以实现多平台智能协同、人机混合交互、自主智能感知等智能化水平。考虑到现阶段工程应用的实际，本文对导引头信息处理中级人工智能化，从三个方面提出思考。

3.1 微弱特征目标智能检测技术

基于贝叶斯估计的粒子滤波[6-11]技术、深度学习的弱小信号检测技术等，作为智能检测算法，具有一定程度的自学习、自搜索能力，在微弱特征目标检测方面，具有很大的应用潜力。

(1) 基于贝叶斯估计的粒子滤波技术

粒子滤波技术主要依据系统状态向量的经验分布，在状态空间中产生一组被称为粒子的随机样本集合，然后根据最新的观测值不断调整粒子的权重信息，从而对最初的经验分布进行修正，最终利用目标状态密度的滤波结果进行目标存在性判决，从而可以最终估计输出目标的信息。同为90%的检测概率时，与传统的基于相参-非相参处理检测算法的检测系数13 dB相比较，基于贝叶斯估计的粒子滤波技术的检测系数约8 dB，即检测灵敏度改善约5 dB，如图4所示。但是应用粒子滤波技术时，需要权衡大量样本来保持粒子有效性,多样性和有限样本导致粒子退化。

图4 检测性能比较Fig.4 Comparison of detection performance

(2) 基于深度学习的弱小信号检测技术

通常基于相参-非相参的信号检测算法容易受噪声、杂波、干扰等因素影响。从国外近年的研究成果来看，基于知识辅助和智能学习的弱小信号检测方法[9,12]是改善弱小目标探测的一个重要途径。通过神经网络模型和目标鉴别模型，发现可能的目标区域，进一步提取对尺度、环境、状态不敏感的特征，利用回波信号的分析数据，构建基于特征及能量智能融合的目标检测算法，实现对弱小目标的检测功能，图5所示为智能多特征融合目标检测方法。应用中需要解决对抗环境下目标鉴别问题，同时，多层神经网络模型设计也是一个挑战。

图5 智能多特征融合目标检测方法Fig.5 The target detection method of intelligent multi-feature fusion

3.2 智能抗干扰技术

基于随机有限集的抗干扰技术和基于环境感知与深度学习的智能抗干扰技术等具有一定自组织、自学习能力，能够更好地适应瞬息多变的战场环境，实现抗干扰的电子战博弈。

(1) 基于随机有限集的抗干扰技术

基于随机有限集[13]的抗干扰技术是将目标和干扰的联合状态作为系统状态矢量，采用状态相关杂波模型来描述系统的量测集，在贝叶斯框架下有效集成物理空间中的运动约束、行为差异性及干扰角度量测分布等先验知识来实现系统贝叶斯后验概率[14]的高效传递。在此基础上，基于系统贝叶斯后验概率完成目标、干扰的最优状态估计和干扰类型辨识等。图6～7所示为基于随机有限集的目标估计和目标干扰估计情况。由于可用数据还不完备，建立在杂波相关理论的先验知识在一定程度上限制了有限集的抗干扰技术应用。

图6 干扰环境下基于随机有限集的目标估计结果Fig.6 The target estimation results based on random finite set in jammed environment

(2) 基于环境感知与深度学习的智能抗干扰技术

基于环境感知与深度学习的智能抗干扰技术是在信息化、网络化作战基础上，赋予导引头实时环境感知能力，同时具备智能学习能力，通过对周围干扰等环境的实时感知、学习，实现多维目标和干扰特征的全面描述，同时基于深度学习或强化学习获取最优的对抗匹配策略解，进而提高智能导引头对抗自卫式和角度欺骗式干扰的能力。

智能抗干扰系统涉及发射系统、接收系数、目标跟踪和战场环境态势感知等，具有闭环在线深度学习、在线自适应和在线智能决策等动态能力[9,13-16]。智能学习通过多层神经网络等模型对雷达导引头获取的杂波、干扰、目标特征进行判断评估，进而自适应地调整导引头的工作模式、工作参数、工作波形、信号处理算法等，获得最优解。图8为基于环境感知与深度学习的智能抗干扰技术构成。建立数据共享的智能抗干扰系统，需要综合解决目前空空导弹按舱段划分的工作体制问题。

图7 基于随机有限集的目标干扰估计情况Fig.7 The target jamming estimation based on random finite set

图8 基于环境感知和深度学习的智能抗干扰Fig.8 Intelligent anti-jamming based on environmental perception and deep learning

3.3 智能杂波抑制技术

未来空战中，面对低空突防目标，随着地形或海情变化，以及时空分布的复杂特性，强地海杂波将不可避免地影响导引头探测性能。基于杂波环境感知的智能杂波抑制技术[15-17]是建立在智能学习图像降噪思想上，综合考虑杂波特征，利用采集的杂波和目标回波数据，通过卷积神经网络、分层神经网络等智能学习算法，实现对杂波和目标特征的智能学习[18]，从而确定杂波类型和特征，形成杂波环境的先验知识，通过在线实时杂波特征提取和模式识别，自适应完成智能杂波抑制，实现目标和杂波的可靠鉴别，从而提高智能导引头在杂波背景下的检测性能。图9为基于杂波环境感知的智能杂波抑制技术构成。杂波先验知识的智能学习需要大数据支撑，而目前杂波数据有限，另外杂波理论、杂波分析算法有许多不足。

图9 基于杂波环境感知的智能杂波抑制技术Fig.9 The intelligent clutter suppression based on clutter environmental perception

4 结 束 语

基于深度学习的智能信息处理技术在初步的仿真和试验中验证了其在目标探测、干扰识别、场景分类等方面的有效性，但在实际工程应用中尚需要解决大量的问题，如战场环境复杂多变、训练样本数据有限，杂波理论模型不完备以及多层神经网络模型不足等问题。如何在小样本、小体积、大动态场景下实现基于深度学习的雷达性能提升是需要解决的重要问题。因此，在智能化信息处理发展过程中，可以从多个方面，逐层推进智能化雷达导引头技术，如开展波形认知的雷达信息处理、知识辅助的雷达信息处理等，同时加强基于大数据支撑的智能化信息处理技术研究。后续加快智能化雷达导引头领域关键瓶颈技术的突破，进一步创新智能算法,必将促进武器智能化发展。