認知電子戰系統組成及其關鍵技術研究

倪叢云，黃 華

（船舶重工集團公司723所，揚州225001）

0 引 言

認知電子戰系統是指在傳統的電子對抗系統中引入認知計算理論。它的本質是通過對作戰環境的感知，從大量原始傳感器數據中提取高水平知識，然后實時推導出電子戰攻擊的最優化策略，提高裝備的自適應能力，然后對其效能進行評估[1]。認知電子戰的發展歷程較短，其起始的標志是2009年美軍為了應對復雜的陸地環境、海洋環境、天空環境和電磁環境，以如何提高現役裝備的認知能力為目的，將認知的概念引入到雷達、通信和電子戰裝備中。

1 系統組成

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

認知偵察模塊接收到信號后，采用威脅機器學習算法和特征學習技術將該信號分類，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無源、有源探測信號及學習信息進行攻擊策略搜索，推論多目標對抗場景下最佳攻擊策略，同時優化干擾波形，自適應分配干擾資源。智能干擾機能根據威脅信號在我方干擾下產生的明顯變化評估干擾效果，自適應優化干擾策略。動態知識庫為上述3個功能模塊提供對應的環境、目標、資源策略等知識。

圖1 認知電子戰系統組成框圖

1.1 認知偵察模塊

認知電子戰對環境的認識是通過與環境不斷交互得來的，它持續對電磁環境和目標的統計特性進行分析，并依據不同電磁環境和目標的特點選擇合適的信號處理方式。

環境感知通過環境分析器對周圍的威脅環境進行識別、分析，從而為接收機提供環境分析結果。這些信息主要包括戰場電磁信息和其他環境信息（如溫度、濕度、壓強和海洋狀態），通過戰場環境感知與建模，為偵察模塊對目標的識別提供依據。

在與其周圍電磁環境交互的基礎上，認知信號處理采用威脅學習技術和特征學習技術將該信號分類，通過模糊聚類、神經網絡等自適應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

認知電子戰系統對電磁環境的認知、推理能力，使得其能更有效地應對復雜的電磁環境以及各種對抗目標。

對抗措施合成模塊通過不斷感知周圍的環境更新決策數據庫，根據無源、有源探測信號和學習來的信息自動合成能夠有效打擊目標的對抗手段，優化干擾波形。

對抗措施合成模塊采用蟻群優化等仿生計算方法，解決非線性、非高斯干擾資源分配問題，實現高效、穩健的多目標干擾，使整個系統的性能達到最優。

1.3 對抗效果評估模塊

智能干擾模塊實時接收認知偵察模塊發送的無源、有源探測信息以及認知信息，現場給出威脅信號在我方干擾下產生的明顯變化，如威脅雷達波來波瞄準角、重頻率、帶寬的變化，以及是否對雷達目標采用ECCM模式等，進行干擾效能評估，并推斷威脅目標的真實性。同時根據干擾效能優化制定有針對性的電子攻擊方法，優化干擾參數與干擾波形。

智能干擾模塊采用基于進化式實時優化的粒子群算法進行干擾策略與干擾參數優化，該方法將模型更新及參數設定優化表達為一個多目標的進化過程，把擾動后等待穩態的過程劃分為若干擬穩態區間，并以干擾效能評估作為測量值進行連續的模型更新和優化計算，實現干擾過程的實時優化。

1.4 動態知識庫模塊

認知電子戰系統的主要特征之一是采用動態知識庫代替傳統的輻射源數據庫和預編程對抗措施，動態知識庫為認知偵察模塊、對抗措施合成模塊、智能干擾機模塊提供先驗知識，并利用反饋信息進行認知學習，動態更新知識庫。

頻譜表征與學習是動態知識庫的基礎，在傳統的頻率、脈寬、波形、功率等信號描述的基礎上，動態知識庫增加了識別信息、定位信息、電子防護模式信息、作戰功能信息、意圖信息、網絡拓撲信息等認知推理信息。

2 關鍵技術

在認知電子戰技術的發展過程中，要突破的關鍵技術可總結為4點：

（1）基于自適應機器學習的認知偵察技術；

（2）基于頻譜知識的認知建模技術；

（3）智能化干擾措施合成技術；

（4）高度自適應的電子進攻技術。

2.1 基于自適應機器學習的認知偵察技術

基于自適應機器學習的認知偵察技術是認知電子戰的首要關鍵技術之一，原因在于只有系統從其周圍威脅環境中獲取有用信息，才可為有效干擾措施的智能化合成提供可靠的支撐。此關鍵技術的突破在于自適應機器學習算法的開發，現有較可行的算法包括模糊聚類、神經網絡等自適應信號檢測處理算法，通過該類算法可以將周圍環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，自適應機器學習算法建立在一定的先驗基礎知識之上，該先驗知識不一定在系統工作之前就提供，而是作戰過程中在新環境中所出現的新威脅的不斷積累，這個積累過程便是一種自適應的學習過程。圖2給出了自適應機器學習算法檢測對象，通過模糊聚類、神經網絡等算法，從周圍的自然環境分析、戰場環境感知、先驗知識庫及編隊信息融合等知識環境中檢測出威脅目標信號，并進行處理。

圖2 自適應機器學習算法合成

若要從未知環境中實現對目標的檢測處理，必須能夠保證得到準確的所需檢測環境中的概率密度函數，那么必須對所需檢測的未知環境進行估計。傳統的檢測算法主要包括：基于廣義似然比（GLRT）的自適應檢測算法[5]、自適應匹配濾波的檢測器（AMF）[6]及改進的 GLRT 檢測算法[7]，但此類算法均較復雜，且需要利用訓練單元的觀測數據對所需檢測環境的協方差矩陣進行估計，實際操作過程中所估計的協方差矩陣往往是奇異的。為此，基于貝葉斯的環境檢測估計算法能解決該問題，通過結合先驗知識及未知環境中所采集的數據完成對目標運動模型及系統觀測模型的聯合狀態的后驗概率密度函數的準確提取。下面將主要對該算法予以介紹。

設目標運動模型為｛x｝1∶k，則k時刻目標的運動狀態可表示為xk；系統觀測模型為｛z｝1∶k，則k時刻整個觀測空間的觀測量可表示為zk。不同時刻目標聯合狀態后驗概率密度函數為p（xk，ek｜z1∶k），由貝葉斯理論可知，概率密度函數可表示為：

式中：ek表示事件Ek＝1；ˉek表示事件Ek＝0。

由全概率公式，式（1）可轉化為：

將概率乘法定理運用到式（2），化簡后可得：

將式（3）代入式（1）可得：

則目標存在的后驗概率可表示為：

那么，目標不存在時的后驗概率可表示為：

由式（1）到式（7）可給出目標聯合后驗概率密度函數的迭代運算全過程。結合非齊次馬爾可夫鏈模型，通過100次蒙特卡洛仿真，目標存在狀態變量的系統檢測跟蹤性能如圖3所示，其中實驗目標位置以均方根誤差表示。

從圖3中可以看出，經過幾次迭代之后，目標存在狀態變量的非齊次馬爾可夫鏈模型的跟蹤性能較好，符合實際目標存在狀態的轉移。由此可見，非齊

圖3 目標存在狀態變量下系統的檢測性能

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進行檢測。

2.2 基于頻譜知識的認知建模技術

認知電子戰系統實時感知戰場環境信息以及雷達、通信、導航、激光、干擾機等目標信息，不同類型的信息在時域、空域、頻域存在較大的差異，需要采用統一的頻譜知識架構和標準，進行動態戰術電磁環境描述，其描述參數由靜態參數與動態參數組成，包括物理層屬性（頻率、帶寬、功率、波形等）、協議、功能和意圖（探測距離、波形模糊度、狀態轉移與其它雷達的協同等）、網絡拓撲、自適應行為、電子防護模式等。認知偵察技術對偵收的信息進行處理要基于一定的數學描述，即首先要確定環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行正確建模，才可為認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

通過自適應機器學習算法對周圍威脅的處理，可得到威脅目標的具體特征參數的解算，通過認知建模技術完成獲得信息的正確建模，從而利用優化算法，從時域、空域、頻域和極化域出發，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突破的關鍵亦在于軟件設計，即智能化優化算法的開發，數學模型化便成為了算法開發的重要目標，主要考慮的因素有目標的威脅程度、匹配干擾策略及干擾實施參數。優化的目標函數表示為：fobj＝αiTi＋βiSi＋γiPi（1）式中：Ti、Si、Pi分別為目標的威脅程度、匹配干擾策略及干擾實施參數；αi、βi、γi分別為前面3項因素的權值，且α＋β＋γ≤1。

以Ti、Si、Pi為優化因子，通過調整αi、βi、γi權值大小優化目標函數，即使干擾效果最優。

具體實施過程中的優化方法包括遺傳算法（GA）、粒子群算法（PSO）、差分進化算法（DEA）及快速多層多極子算法等，但此類優化算法或多或少在優化速度、最優解的選取效果等方面存在各自的不足之處，不能滿足實際戰場中快速、最優策略選取的目的。通過開發更優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支持。

2.4 高度自適應的電子進攻技術

隨著科技發展，對抗目標的復雜性及靈活性也相應增加，就固態有源相控陣雷達而言，在波形的設計中采用了寬帶跳頻和復雜脈內調制相結合等技術；發射和接收處理方面采用數字波束形成技術，實現超低發射和接收副瓣電平；另一方面，其工作方式更靈活，作戰模式也復雜多變，致使固態有源相控陣雷達探測時的脈沖數量減少，整個系統的抗干擾能力增強。這便增加了固態有源相控陣雷達的對抗難度，以至于采用傳統的電子進攻技術難以實現有效的干擾。

認知電子戰技術正是傳統電子戰技術的發展，通過基于自適應機器學習偵察技術的突破，不斷地感知周圍的環境，適應新的威脅目標的識別，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，采取高度自適應的電子進攻技術，完成對新的威脅目標的有效干擾，同時還可以采取評估措施對對抗能力和對抗效果進行評估，為先驗知識庫的更新提供佐證。

3 結束語

現代戰場日益復雜，電磁環境錯綜交錯，新型的威脅不斷出現，認知電子戰技術的開發研究成為必然趨勢。本文主要對認知電子戰系統中認知偵察模塊、對抗措施合成模塊、智能干擾模塊和動態知識庫模塊的基本功能進行了概述；重點對認知偵察模塊進行了介紹，給出了非齊次馬爾可夫鏈模型下的貝葉斯環境目標檢測處理算法；并歸納了認知電子戰技術的發展，需要突破基于自適應機器學習的認知偵察技術、基于頻譜知識的認知建模技術、智能化干擾措施合成技術及高度自適應的電子進攻技術的4項關鍵技術。這些技術依托的硬件基礎比較簡單，可直接對舊裝備的軟件進行升級，實現電子戰系統的更新，從而提高系統作戰效能。

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

[2]黎湘，范梅梅.認知雷達及關鍵技術研究進展[J].電子學報，2012，40（9）：1863－1870.

[3]楊小軍，閆了了，彭琿，等.認知雷達研究進展[J].軟件，2012（3）：6－8.

[4]林志遠，戴國憲.未來電子戰技術[J].雷達與對抗，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，Fuhrmann 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.