人工智能在電子偵察中的應用分析

王利偉，朱曉丹，王 建，劉宇辰

(1.中國航天科工集團8511研究所，南京 210007；2.中國人民解放軍32032部隊，北京 100094)

0 引言

人工智能(AI)[1]是研究、開發用于模擬、延伸和擴展人的智能的一門綜合性科學技術，是計算機科學的一個重要分支。AI概念的提出可追溯到1956年的Dartmouth學會，歷經60余年的發展，人工智能目前已在知識處理、模式識別、自然語言處理、專家系統、圖像識別、智能機器人等多個領域取得舉世矚目的成果[2]，并且與基因工程、納米科學一起被稱為21世紀三大尖端技術。隨著人工智能與大數據、云平臺、機器人、移動互聯網及物聯網等的深度融合，人工智能技術與產業已經在金融、能源、教育、交通、國防等領域扮演著關鍵性和前沿性的角色。

在信息化戰爭的背景下和通用人工智能技術發展的推動下，以各種多種信息技術為基礎的軍用人工智能技術也迎來了新一輪機遇期。美軍于2014年推出以“創新驅動”為核心，重點發展能夠“改變未來戰局”的顛覆性技術群優勢的“第三次抵消戰略”，并且明確把人工智能技術和自主化技術作為實現該戰略的兩大技術支柱。在電子戰領域，美國國防高級研究計劃局(DARPA)近年來正在依托新一代人工智能技術重點發展自適應電子戰行為學習、自適應雷達對抗等認知電子戰項目[3-4]，并將電子戰系統的智能化水平提到前所未有的高度。從作戰應用的角度分析，電子偵察是認知電子戰體系的重要組成部分，是解決環境態勢感知、目標情報獲取的核心手段，其有效性直接決定后續電子對抗作戰的快速反應能力和綜合效能。因此，發展自主化、智能化、高效化的電子偵察裝備顯得尤為重要。在當前大數據資源迅猛增長、人工智能技術持續發展和設備運算能力迅速提升的新形式下，如何發揮和利用人工智能技術優勢推動電子偵察技術、裝備的發展，從而適應未來智能化作戰背景下認知電子戰的發展需求，是本文探討的主要內容。

1 電子偵察任務與面臨的挑戰

1.1 電子偵察任務

電子偵察是軍事情報偵察的重要手段之一，其主要任務是對敵方雷達、通信等電磁輻射源進行截獲、分析和識別，從而獲取敵方輻射源技術參數、通信內容、所在位置、威脅等級等高價值電子情報。電子偵察裝備并不輻射電磁能量，而且可靈活搭載于各種陸基、空基、天基平臺，因此具有作用距離遠、偵察范圍廣、隱蔽性好、保密性強、反應迅速、提供情報及時等特點。根據任務的不同，電子偵察可以分為電子情報偵察和電子支援偵察。

電子情報偵察的任務特點是：對特定區域或特定輻射源目標的信號進行預先(可長期或者反復進行)的精確參數測定、收集和記錄，為己方有針對性地發展和使用電子對抗技術、制定軍事作戰計劃提供依據。電子支援偵察的任務特點是：基于已有的電子情報在戰區進行實時偵察，迅速、準確地判明敵方輻射源類型、工作狀態、位置、威脅程度和使用情況，以實時支援軍事行動部署，特別是為實施威脅告警、規避、電子干擾、引導殺傷武器打擊等提供所需信息。強調的是快速反應能力、高截獲概率以及實時的分析和處理能力。

1.2 電子偵察面臨的挑戰

現代信息戰場電子偵察占有很重要的地位，可以說任何在戰場上所采取的大多數對抗及進攻模式都需要以電子偵察為基礎。然而隨著現代高新技術的發展，各種新體制雷達、通信技術、信息裝備、反偵察技術的應用使得電子偵察面臨新的挑戰，主要表現在以下幾個方面：

1)復雜電磁環境引發極高的信息密度

隨著信息化進程的不斷加快，數量龐大、體制復雜、種類多樣的電子設備和信息化裝備在軍事領域的廣泛應用使得戰場空間中的電磁信號非常密集，構成類型眾多，能量分布差異大，所占頻譜越來越寬，進而形成了極為復雜的電磁環境。特別是在重要的軍事集結區域，在大縱深、立體化的戰場空間信號密度可達千萬個脈沖/量級。在這樣的背景下，加之電子偵察設備具備寬頻率覆蓋范圍、高接收靈敏度和大的動態范圍，在固定頻段或帶寬內所能捕獲的信息量和實際任務需求可能會形成顯著差異。故電子偵察設備需具備高密度信息的處理和分析能力。

2)新技術體制引發未知、復雜的信號形式

在信息化戰場中，交戰雙方從反偵察、反干擾、抗摧毀角度出發，越來越多地使用各種新體制雷達、通信、光電等設備，并且在新體制電子設備上越來越多地采用更為復雜的信號樣式。特別是隨著雷達技術的發展，各種新體制、新概念雷達應運而生[5]，例如相控陣雷達、脈沖多普勒雷達、頻率捷變雷達、合成孔徑雷達、低截獲概率雷達等。從電子對抗的角度分析，新型雷達為了在頻域、時域和空域上具備反偵察能力，往往采用各種復雜波形調制樣式、靈活的波束及掃描控制技術、自適應發射功率控制技術等，使得雷達信號難以被截獲和識別。以被動感知方式工作的電子偵察在面對上述種種復雜且未知因素時，實施起來愈加困難。

3)電子偵察數據呈現“大數據”特性

在信息化條件下的未來戰場，數據的重要作用將會更加明顯，電子偵察所獲取的電子情報都是以偵察接收機所采集的數據為基礎。當前，各種寬帶雷達、寬帶通信體制的出現，對電子偵察接收機的瞬時處理帶寬提出了更高的要求，因而高速AD的應用也越來越廣泛。以單通道1 GHz帶寬、采樣速率2.5 GHz的應用場景為例計算，并以雙字節保存一個樣點，則每秒的數據量為5 GB以上，一個小時就能生成18 TB的數據量[6]。特別是在戰略偵察中，長期的數據積累生成的數據量是巨大的。因此，從數據采集量的角度而言，電子偵察已經邁入“大數據”時代，大量偵察數據的處理和分析也是電子偵察設備必須面對的任務和挑戰。

2 人工智能發展簡析

如今，人工智能的飛速發展可以概括為是硬件、數據、算法三個方面的要素綜合驅動和交互影響產生的結果。首先，硬件平臺(計算機)數據處理能力和復雜算法的執行能力不斷提升是人工智能發展的重要支撐；其次，數據價值的充分利用，尤其是大數據和云計算技術的廣泛運用可以稱為是人工智能突破的催化劑；最后，算法賦予機器“學習”能力的日益提升，特別是深度學習的出現，形成了人工智能內涵發展的關鍵要素。

當前，機器學習領域興起的深度學習[7]是人工智能領域發展最受關注的核心理論方法之一。深度學習具有強大的非線性處理能力，逐層理解、自動分析提取的結構，良好的“記憶”性質等獨特優勢。很多深度學習相關的框架體系已經被提出，包括卷積神經網絡(CNN)、限制玻爾茲曼機RBM)、深度置信網絡(DBN)以及遞歸神經網絡(RNN)等。從深度學習的現階段主要的應用情況來看，它在語音識別、人臉識別、圖像分類與識別、視頻分類及行為識別等方面均取得了顯著成就。歸納這些應用的特點不難看出，它們都屬于邊界劃定明確的問題，即便是著名的圍棋人工智能軟件AlphaGo所完成的圍棋任務也不例外。機器學習(深度學習)類算法的優勢，同時也是其工程推廣的局限，就是依靠高質量、大規模的訓練數據。在很多領域，深度學習和大數據的契合突破了訓練數據量不足的瓶頸；另一方面，蘊藏于大數據內部的復雜高階信息需要高容量的深度模型來深度發掘，對新模型、新技術的需求依然迫切。可以肯定的是，機器智能的獲取必將很大程度上依賴深度學習、強化學習、深度強化學習等機器學習方法[8-9]的發展和有效利用，甚至有學者提出機器學習與認知科學相結合的高級機器學習形式——認知機器學習，并將其視為機器學習發展的頂級形勢。

從整體上講，人工智能已經演變成一個影響面極廣的關鍵、共性科學問題，它由不同的領域組成，如知識表示、自動推理和搜索方法、機器學習和知識獲取以及智能優化算法等。在模式識別、智能搜索、輔助決策、智能控制以及醫療、翻譯等專業領域均已陸續進入實用階段。同時，作為一門戰略前沿技術，人工智能在軍事領域也具有極大的潛力和應用價值，并得到美國、俄羅斯等軍事大國高層的高度重視。美國多個軍方機構和DARPA自2010年開始長期扶持人工智能在軍事領域應用，包括電子戰、軍用智能機器人、戰機輔助駕駛系統、智能情報挖掘與處理、智能攻擊武器開發等方面。在2016年6月，美國辛辛那提大學開發的人工智能“阿爾法”運用美國第三代戰斗機在一場空戰模擬中擊敗了退役美國空軍上校基恩·李所運用的美軍第四代戰機，并表現出靈敏、多變、極具侵略性的作戰特點。在現代戰役中，這是人工智能首次直面并打敗經驗豐富的軍官，這一事件引起了全球軍事專家的廣泛重視。

3 人工智能在電子偵察中的應用

電子偵察技術與雷達、通信技術一直在電磁頻譜空間和信息空間進行博弈，其終極循環極有可能是通過人工智能技術在電子設備中的應用，讓機器自行去“學習”，自行去“對抗博弈”，實現自我“完善與改進性能”。下面結合電子偵察本身的特點和技術需求，重點分析現代人工智能技術在電子偵察領域的應用方向。

1)基于偵察“大數據”的智能電子情報挖掘

如今，通過電子偵察設備獲取的數據規模隨著裝備類型的增多和技術水平的提升，已經發展到極其龐大的規模。而這些數據則表現出類似“大數據”的4個“V”特點，即大量(Volume)、多樣(Variety)、低價值密度(Value)和高速(Velocity)。它們的具體表現形式為：海量的情報偵察數據；信號密集，信號形式復雜多樣，而且描述信號特征的參量多；在復雜電磁環境下(包括電子干擾、環境噪聲、己方和友方的各種信號)，高價值情報信息密度變低；要求高的處理速度以便獲取及時情報信息。因此，復雜環境下的偵察數據處理已然演變成“偵察大數據”中情報信息挖掘的問題。

另一方面，從深度學習的特點和優勢可以看出，它可為研究解決數據分析和挖掘問題提供有效的方法手段，同時，深度學習所具有的深層、復雜網絡結構也使得其在學習訓練過程中需要足夠多、足夠有效的大數據支持，因此，深度學習與大數據具有不可分割的必然聯系，利用深度學習方法研究解決的問題在一定程度上就是大數據問題。所以，引入人工智能思想，將“大數據+深度學習”的模式應用在新時期電子偵察情報數據處理和信息提取中，特別是復雜電磁環境數據下潛在的、有價值的未知情報信息挖掘中，是非常具有應用潛力的。

2)智能信號分選與識別

電子偵察實質上是對偵測到的、事先不知道特征的信號進行處理、分析和識別，特別是新型雷達輻射源信號的分選與識別，是如今電子偵察技術必須面對的突出難題。新型、新體制、綜合雷達采用的波形復雜，調制形式多樣，要求雷達偵察接收機必須具有很高的靈敏度和截獲概率以及高效的信號分選處理能力，而且把真正的威脅信號快速、準確地提取、分選識別出來是關鍵。目前的偵察信號處理主要采用了基于多參數(脈寬、脈幅、到達時間、到達角、載頻等傳統特征參數)的信號分選和基于模板匹配的型號識別方式，而且這一模式已經無法應對上述新型雷達信號形式。可以說，當前的電子情報系統所采用的理論和方法已經嚴重滯后于雷達技術的發展，即使偵察設備有可能截獲敵方雷達信號，也受限于方法能力難以對其進行有效的分析處理。

盡管聚類分析、脈內特征分析、全脈沖包絡分布特征分析等技術的應用在一定程度上解決了復雜環境下雷達信號的分選與識別問題，但是其應用存在很大的局限性，更精細的信號分析處理依然難以實現。此外，由于現代雷達信號特征參數越來越多，也難于訴諸于一種技術或者工作模式完成全部的信號處理任務。這就必然引出智能化信號參數測量、智能化信號分選與識別的概念。值得注意的是，將人工智能技術，例如人工神經網絡、專家系統、支持向量機、認知推理等技術應用于輻射源信號分選與識別的研究在20世紀90年代就引起了廣大學者的重視，其發展也伴隨著人工智能技術的發展而不斷拓展，而且已有學者研究利用深度學習方法實現雷達信號的特征提取[10]。然而，當前的大部分研究依然是基于已知的信號形式或典型信號參數進行的，針對復雜、未知信號的研究尚未取得突破性進展。今后，引入新型智能處理模式并賦予算法自主學習和拓展能力，依舊是解決上述問題的潛在途徑，值得深入研究。

3)智能威脅識別與情報生成

美國國防部高級研究項目局局長普拉巴卡爾面對新時期的電子戰局勢曾說：“我們正利用人工智能來實時了解敵方的雷達正在做什么，隨后立即創建一個新的干擾配置文件。這一整個感知、學習和適應過程連續不斷進行。”這里“利用人工智能來實時了解敵方的雷達正在做什么”反應出的理念正是智能的輻射源威脅識別與情報信息生成。

針對電子偵察系統，開發具備自主學習、自主分析、自主推理的情報分析軟件系統，有助于充分利用專家知識、人工智能技術優勢提供更核心和更可靠的情報服務，以解決復雜電磁環境下的精確態勢感知問題。

4)基于智能平臺的認知電子偵察作戰

近年來，基于人工智能的無人機器(也可稱為智能主體)異軍突起，而且正在逐步獲得更多的感知與決策能力，變得更具自主性，環境適應能力更強。特別是小型、微型智能無人機以及智能集群技術的發展，為電子偵察提供了靈活的作戰應用平臺，也為實施新型電子偵察策略開拓了新的途徑。

從當前分布式、網絡化、綜合化的裝備發展趨勢來看，集群智能技術已經成為軍用人工智能的核心技術之一，是未來無人化、智能化、自主化作戰的一個重要突破口。當前，美國DARPA著名的“小精靈”(Gremlins)項目代表了現階段無人機集群系統應用的最高水平[11]，已經初步具備了發展基于無人機集群的裝備體系的基礎條件。從技術層面，發展智能化的電子偵察技術、獨立裝備并不是電子偵察任務智能化的唯一途徑。從更高一級的系統層面，依托智能集群平臺并搭載獨立電子偵察載荷裝備的“集群認知偵察”系統同樣可具備智能靈活、效能顯著的優勢，也極有可能成為未來電子偵察任務執行的主流模式。

4 結束語

人工智能的誕生與發展可以稱為是20世紀最偉大的科學成就之一，也是新世紀引領未來發展的主導學科之一。本文結合當前電子戰領域中電子偵察所面臨的問題以及人工智能技術的發展，對人工智能在電子偵察領域的應用做了探討和展望。可以預見，人工智能技術賦予機器“智能”的潛力也是不可估量的，基于先進人工智能技術提升電子偵察體系、裝備的發展值得同領域專家和學者們的關注和推動。■

參考文獻：

[1] 趙旭，袁瑋．人工智能革命正在到來[J]．現代電信科技，2016，46(3)：65-68．

[2] 鄒蕾，張先鋒．人工智能及其發展應用[J]．信息網絡安全，2012(2)：11-13．

[3] 范忠亮，朱耿尚，胡元奎．認知電子戰概述[J]．電子信息對抗技術，2015，30(1)：33-38．

[4] 戴幻堯，周波，雷昊，等．認知電子戰的關鍵技術發展動態與分析[J]．飛航導彈，2014(9)：57-60．

[5] 朱崢嶸．國外雷達技術新進展概述[J]．信息化研究，2010，36(6)：8-10．

[6] 楊小牛，楊志邦，賴蘭劍．下一代信號情報偵察體系架構：大數據概念的應用[J]．中國電子科學研究院學報，2013，8(1)：1-7．

[7] 尹寶才，王文通，王立春．深度學習研究綜述[J]．北京工業大學學報，2015，41(1)：48-59．

[8] Zhao D，Shao K，Zhu Y，et al．Review of deep reinforcement learning and discussions on the development of computer Go[J]．Control Theory and Applications，2016，33(6)：701-717．

[9] 朱豐，胡曉峰．基于深度學習的戰場態勢評估綜述與研究展望[J]．軍事運籌與系統工程，2016，30(3)：22-27．

[10] 孫志軍，薛磊，許陽明．基于深度學習的邊際Fisher分析提取算法[J]．電子與信息學報，2013，35(4)：805-811．

[11] 申超，武坤琳，宋怡然．無人機蜂群作戰發展重點動態[J]．飛航導彈，2016(11)：28-33．