人工智能技術在雷達中的應用分析

李中偉 王殿勛

（91550部隊，遼寧大連 116023）

1.人工智能

人工智能就是用人工的方法和技術，研究、開發應用計算機的硬件基礎和軟件功能來模擬人類智能行為的理論、方法和技術。“智能”具有的基本能力包括：感知能力、記憶與思維能力、學習與自適應能力、行為能力。

1956 年，人們開始對人工智能領域進行研究，它是一門新思想、新理論、新技術不斷涌現的新興學科。自開始研究和應用以來，人工智能技術在人們日常生活和工作的各個方面都有廣泛應用，并且在軍事領域也有廣闊的應用前景。隨著計算機技術的迅速發展，人工智能技術將會給人們的工作、生活帶來更大的影響。

2.人工智能的發展

2.1 國外人工智能發展現狀

由于人工智能技術的迅速發展和廣闊發展前景，美國、英國、日本、德國等主要國家不斷加強引導和政策支持。目前，已有30 多個國家將人工智能作為國家級發展戰略。由于技術資源、技術發展能力以及基礎設施水平不同，世界各國的人工智能技術發展及目標有較大差異。

美國政府將人工智能研究和開發作為優先事項，維持并拓展美國在人工智能領域的領導地位。

為爭奪未來智能戰爭的技術優勢，美國加大人工智能技術以及在軍事上的應用研究。DARPA 啟動的“知識導向的人工智能推理圖式”主要是通過具有圖式推理的人工智能技術，完成復雜的現實世界事件進行語境和時間推理，從而生成對這些事件的可操作理解并預測其發展。

美國海軍編制并發布了《海軍人工智能框架》報告，試圖加快海軍采用人工智能的速度。為了保持武器裝備的巨大優勢，美海軍希望在“宙斯盾”作戰系統中加裝基于人工智能技術的應用軟件，為“宙斯盾”作戰系統的值班人員提供完整的態勢感知能力[1]。

2.2 國內人工智能發展現狀

近5 年來，我國人工智能技術的研究和發展已經由初步發展階段進入快速發展階段，我國更加注重人工智能技術的實際應用，以人工智能技術為基礎的產業鏈逐步形成。

我國基于人工智能的產業鏈主要包含：第一是基于人工智能技術的軟硬件研發，如AI 芯片、大數據、云計算平臺等，為人工智能提供數據及算力支撐，這也是最基礎的一方面；第二是人工智能技術的實現，這是核心內容，通過不斷訓練學習模擬人類的智能相關特征，來構建智能技術路徑，如算法理論、技術開放平臺、基礎開源框架等。第三是人工智能技術在各領域的實際應用，針對某類特定的實際需求，綜合應用多種人工智能基礎技術，研發出解決實際需求的產品或方案，如智能交通、智能醫療、智能武器等。

社會環境的需求使得我國人工智能技術的應用發展非常迅速，新冠疫情以來，人工智能識別和算法應用到群體測溫、疫情預警及抗新型冠狀病毒藥物的研究工作等方面并取得了一定成果。

2.3 人工智能未來發展

人工智能技術的迅速發展和各領域的廣泛應用，使其具有更加廣闊的前景：

2.3.1 認知智能的發展

當前的人工智能雖然具備或超越了人類的某些基本感知技能，但不具備對獲得信息進一步的理解和自我思考能力。通過接收外界信息，掌握大量的知識并能像人腦一樣自我分析推理，就是認知智能。要真正從感知智能走向認知智能，就需要建立具有關聯能力的知識圖譜，人工智能汲取更多的知識，形成大腦，綜合運用持續學習、因果推理等技術，讓機器真正地理解知識并具備靈活運用知識能力，實現從感知智能到認知智能的關鍵突破。

2.3.2 計算存儲一體化突破AI 算力瓶頸

馮·諾伊曼架構的存儲和計算分離，已經不適合數據驅動的人工智能應用需求。頻繁的數據搬運導致的算力和功耗瓶頸已經成為對更先進算法探索的限制因素。類似于腦神經結構的計算架構將數據存儲單元和計算單元融合為一體，能顯著減少數據搬運，極大提高計算并行度和能效。計算存儲一體化在硬件架構方面的革新，將突破AI算力瓶頸。

2.3.3 新型神經網絡技術

為了克服目前神經網絡沒有空間分層以及因果推理能力等局限性，業界開始探索新型神經網絡節點，這會使得神經網絡的功能越來越豐富。隨著發展，未來新型網絡還將不斷出現。

深度神經網絡工程化應用技術不斷深化。由于深度神經網絡模型參數和空間占用規模巨大，對一些資源缺乏、性能不足的設備來說，無法滿足深度神經網絡巨大的運算量。為減少運算量，保證深度神經網絡模型的可部署，采用了模型壓縮技術來降低模型參數和空間占用量。

當前機器學習模型是“黑盒子”，很多時候可以拿來用，但具體原理并不十分清楚，即缺乏足夠的“可解釋性”?？山忉屝韵ＭＰ筒辉偈牵ㄒ膊粦撌牵┖谙蛔?，其結果的每個決定都必須可解釋?？山忉屝砸彩前l展的重要趨勢之一。

3.人工智能在雷達中的應用

3.1 智能雷達基本概念

智能雷達就是具備一定人類特征及行為能力，綜合應用人工智能技術、網絡技術、信息技術及現代雷達技術等驅動雷達與環境自動交互及持久學習的雷達系統。目前，國內外對智能雷達的概念并沒有確切的定義，但人工智能技術在雷達中有了越來越多的應用，智能雷達概念也逐步形成和發展。廣義上講，在雷達系統中采用了人工智能技術的雷達就稱為智能雷達。它可以是整個雷達某一分系統的智能化，也可以是整個雷達系統或雷達組網系統的智能化[2]。狹義上講，智能雷達就是具有一定信息獲取、知識學習訓練、自主推理和決策能力的雷達。它可以通過不斷的信息數據積累和學習訓練，根據任務的需求、工作環境、目標類別等自主切換發射信號波形、雷達資源分配、目標信號處理方式等，能更好地提高目標跟蹤測量、識別性能。

目前，國內多家單位開展了對智能雷達的研究，在多波形優化、雜波抑制、資源調配、目標識別等方面具有一定的研究基礎。但與國外研究程度相比還有較大差距，軍事雷達智能技術應用成熟度不高。

3.2 人工智能在雷達中的應用分析

人工智能技術及其應用的研究日趨深入和成熟，其在雷達中的應用程度也勢必加深，目前基于人工智能的自適應算法和處理技術已經在雷達中廣泛應用，這就是雷達的初級智能。隨著人工智能技術在雷達中的深入應用，采用深度學習的高級智能雷達必將很快出現。

3.2.1 雷達智能信息處理

隱身技術的發展使得測量目標具有較低的RCS，同時雷達測量時會面臨復雜測量環境和雜波干擾，這些都會導致雷達的檢測和跟蹤性能降低。將人工智能技術應用到雷達信息處理中，利用各種已有信息和知識形成各類目標和環境的數據庫，通過不斷學習、分析、訓練等過程，雷達自主調整發信信號波形、能量等資源，提高對弱信號目標的檢測和跟蹤性能。

某研究所采用基于視覺認知的目標檢測跟蹤技術，改變先檢測后跟蹤的傳統雷達跟蹤方式，通過卷積神經網絡自動提取目標特征，可以提高復雜場景下適用性與傳統跟蹤的對比，可抑制90%的虛警率。對比圖見圖1。

圖1 多目標跟蹤對比圖

3.2.2 雷達智能化測試、診斷及性能評估

隨著計算機技術和人工智能技術的迅速發展，及其在裝備中的多方面應用，基于人工智能的裝備測試及故障診斷方法得到了更加深入、系統的研究。將人工智能技術應用于雷達裝備工作狀態和性能的自動化測試、故障診斷及裝備總體性能評估中，可大大提高雷達裝備的實時狀態檢測、監視及各類故障的實時診斷和處理能力，并根據實時測試結果給出雷達裝備的性能評估結果，作為能否參加任務的判斷標準。

3.2.3 雷達智能雜波抑制

對于某些低仰角情形下探測跟蹤目標的雷達，會受到較強的地、海雜波干擾，空時耦合性高。將人工智能技術應用到雷達雜波抑制上。雷達探測各種雜波環境下的回波信號后，建立雜波圖，構建雜波區域，提取雜波特征，完成雜波類型識別和各類雜波的精細化特性分析，從而實現對雜波環境的感知，通過大量連續的知識學習與積累，形成雜波環境感知數據庫，結合靈活的雷達多波形優化及發射技術，提高自適應雜波抑制性能和強雜波干擾下的目標檢測性能。

3.2.4 雷達智能目標識別

在實際測量任務中，需要對測量目標進行類型、數量、特性進行分類和識別。人工智能技術的應用可大大提高目標識別的智能化，采用基于深度網絡的目標特征與學習方法、基于大數據小樣本的目標分類識別方法，完成對測量目標和環境特征的提取及識別工作，實現實際作戰環境下非合作目標的有效識別。

某單位針對真實數據樣本少的特點，研究了基于深度遷移學習的雷達高分辨距離像（HRRP）識別，通過HRRP 的歸納式遷移學習，將輔助數據的預訓練數據遷移至目標數據中，降低網絡對標簽樣本的需求[3]。圖2 為三類目標的原始數據、無預訓練最后特征層、歸納式遷移學習（預訓練）最后特征層數據分布的主成分分析（PCA）示意圖。

圖2 PCA示意圖

4.結語

人工智能技術未來發展及應用前景廣闊，雷達裝備的發展必須融合新興技術，加快技術創新發展的進程。目前國內對智能雷達技術尚未形成統一的概念，但人工智能的雷達探測應用已經在快速進行中，將雷達技術與人工智能技術深度融合，雷達裝備將更加智能化。