人工智能在军事通信中的应用

2020-12-20王振义

通信电源技术 2020年3期

王振义，邹力

（国防科技大学信息通信学院，湖南长沙 410003）

0 引言

人工智能被誉为引领科技变革的颠覆性技术，近几年在多个领域得到了广泛应用和发展，引起了国内外研究人员的高度重视。美国国防部第三次“抵消战略”，日本的“人工智能/大数据分析/物联网/网络安全项目”，欧盟的“人脑计划”，均力图抢占人工智能在军事科技领域的高地[1]。目前，人工智能已经成功应用于智能翻译、电子战系统、自动情报与图像识别系统、人工智能武器等方面。在通信领域，人工智能也逐步在组合优化、检测、估计等问题上进行了成功探索。可见，研究人工智能在军事通信中的应用，对未来战场的通信保障有着重大意义。

1 人工智能的概念

人工智能诞生于20世纪中叶，发展过程并非一帆风顺。随着计算机计算规模的逐步提升，依托强大的计算力，近年来人工智能复兴并取得了瞩目成果。人工智能技术涵盖遗传算法和人工神经网络两大类，本身是普适性的机器学习技术，可以进行数据的分类、推断、拟合、聚类以及优化等。根据训练标签是否已知，可以将人工智能算法粗略分为监督学习、非监督学习和强化学习3大类[2]。

监督学习从给定的数据集中学习一个函数（模型参数），并可根据非数据集中的输入数据预测结果。监督学习的训练数据集要求包含输入和输出，即训练标签要已知。训练集中的目标是人为标注的，利用人为标注的训练集训练得到最优模型，再利用这个模型将所有的输入映射为相应的输出。监督学习是训练神经网络和决策树的常见技术，高度依赖数据集的标签。常见的监督学习算法有回归分析和统计分类等。

当输入标签未知即无法明确一个给定输入的确切输入结果时，只能从原先没有样本标签的样本集中开始学习，这种方法称为非监督学习。通过非监督学习，算法试图寻找数据中的隐含结构，从而解决问题。非监督学习算法可分为两大类，一类为概率密度函数估计的直接方法，另一类为基于样本间相似性度量的简洁聚类方法。

强化学习用于描述和解决智能体与环境交互过程中通过学习策略制定达到最大化回报的问题。强化学习的模型为标准马尔可夫决策过程。按照给定条件，强化学习可分为基于模式的强化学习和无模式强化学习，以及主动强化学习和被动强化学习[3]。

人工智能的核心为数据处理和模型训练。因此，目前应用效果较好的行业集中在拥有数据质量和数量的业务，如金融领域的交易系统、汽车领域的自动驾驶、人脸识别、棋类竞技等。2018年全国人民代表大会和全国政协代表大会正式将人工智能写入政府报告，宣告了其广阔的发展前景。

2 人工智能在军事通信中的应用

作为普适性的人工智能技术，在军事通信领域可广泛应用于各个环节。按照待解决的技术问题，可大体分为以下3个方面[4]。

2.1 组合优化问题

军事通信涵盖多个设备、多类别资源的组合运用。这些设备与资源工作在通信网络的各个层级，如何最大化资源利用率，提高通信效率，涉及资源池中的最优资源配置方式的选择计算，是一个典型的组合优化问题。美国DARPA组织的为期3年的“频谱协作挑战赛”，力争通过人工智能更好地完成空间频谱协作能力，提高频谱利用率。赛事中人工智能表现出来的性能较传统自适应算法有明显提升，且动态跟踪预测的效果要远胜于传统算法。通信组网的优化同样是人工智能在军事领域的一大发展前景。电台组网和传感器间的组网是各国军事领域争相竞争的技术高点，极具代表的有战术通信数据链和无人机集群。目前，传统的组网方式为人为设置或通过基于多项式计算的自组网路由算法，其效率和网络规模都较小，人工智能的普适性和训练特性可显著提高自组网的灵活性。

2.2 检测问题

对网络制式、通信信号等的识别，可以提高自身打击和抗打击能力。现在已商用的调制方式识别、编码识别等，都是典型的检测问题。目前，实验室环境下已经实现了高于传统识别率的调制识别，编码识别也经过了功能性验证。军事领域的干扰和抗干扰是通信对抗中的两大方面，传统的通信对抗已越来越难适应现代化高节奏的战场需求。通过识别对方或己方的调制方式、编码、射频频带以及复用方式等，可以更精准地实施干扰和抗干扰，且人工智能的预测性能可以很好地解决对方策略调整的问题。经过大量的数据学习和积累，它的干扰和抗干扰能力将逐步递增。通过人工智能的方式检测参数、调整参数，可以大大降低人为操作带来的失误率。

2.3 估计问题

军事通信中的参数估计对通信系统的可靠性起着至关重要的作用。战争条件下准确估计出敌方通信参数，将会迅速占据主动权。例如，无线通信中的信道估计，是实现稳定通信的必要条件。在大规模MIMO的大量应用下，信道估计在天线阵密集、接收机配备的射频链路受限的情况下将极具挑战性。文献[4]提出的LDAMP网络已证明其信道估计的性能已优于当前最具潜力的其他信道估计算法。国内外学者也提出了多个基于深度学习的信道估计器，都表现了各自的优势，逐步向实际应用推进。

另外，还存在以上三个问题联合或协作应用的探索。有学者应用深度神经网络设计端到端的无线通信系统，与信号相关的编码、解码、调制以及均衡等都使用深度神经网络进行设计，实现了功能性探索，但可操作性较低。军事领域人工智能与5G技术的结合，将产生多种应用场景。人工智能中模型的环境自适应性和泛化性，将非常适合未来动态多变的战场和越来越紧张的频谱资源。同时，5G场景下的低时延、高速率也非常适配未来战场数据的高速增长。

3 人工智能在军事通信领域面临的挑战

虽然人工智能在军事通信领域有着广阔的应用场景，但目前成功运用的案例较少，人工智能自身面临着挑战。首先，军事通信领域的通信数据集获取是一个极具挑战性的工作，尤其对于非己方数据的获取，而这是人工智能最关键的部分。其次，军事通信领域不同于民用领域，其对安全性、可靠性的要求较高。通信系统日趋复杂，各模块之间紧密联系，一旦某个模块的某个模型受到攻击，将大大影响整体性能，大大制约了人工智能在军事通信领域的发展。最后，人工智能强烈依赖于强大的计算力，动辄上亿的浮点型运算和GB量级的通信数据，将给通信设备的广泛列装和小型化、便携化带来巨大挑战。