基于機(jī)器學(xué)習(xí)的雷達(dá)電子偵察中的應(yīng)用探析

徐福富，劉欣怡，高希光

（中國電子信息產(chǎn)業(yè)集團(tuán)桂林長海發(fā)展有限責(zé)任公司 廣西 桂林 541001）

1 引言

隨著技術(shù)的不斷發(fā)展，以人工智能技術(shù)基礎(chǔ)的認(rèn)知技術(shù)也迎來了新一輪的發(fā)展[1-2]，在現(xiàn)代信息戰(zhàn)場的電子戰(zhàn)領(lǐng)域中，電子偵察是軍事情報(bào)偵察的重要手段之一，可以說任何在戰(zhàn)場上采取的大多數(shù)對抗及進(jìn)攻模式都需要以電子偵察為基礎(chǔ)，而且電子偵察裝備并不輻射電磁能量，可靈活搭載于各種海陸空平臺中，需要反應(yīng)迅速、提供情報(bào)及時(shí)等特點(diǎn)。電子偵察對特定區(qū)域或特定輻射源目標(biāo)的信號進(jìn)行預(yù)先的精確參數(shù)測定、收集和記錄，為己方有針對地發(fā)展和使用電子對抗技術(shù)、制定軍事作戰(zhàn)計(jì)劃提供依據(jù)。強(qiáng)調(diào)的是快速反應(yīng)能力以及實(shí)時(shí)的分析和處理能力，將人工智能技術(shù)應(yīng)用于電子偵察能夠提高偵察設(shè)備的反應(yīng)速度與提供更準(zhǔn)確的情報(bào)[3-4]。

傳統(tǒng)的電子偵察是將偵察所得的信號進(jìn)行分析，并將所得的結(jié)果存儲于數(shù)據(jù)庫中，如果之后遇到相同或者相似的威脅，仍需要進(jìn)行比對，之后再采取相應(yīng)的措施，這大大耗費(fèi)了時(shí)間，很難進(jìn)行有效的對抗，此外，傳統(tǒng)的電子偵察沒有進(jìn)行有效整合，其數(shù)據(jù)庫所包含的信息難以有效描述復(fù)雜多變環(huán)境下復(fù)雜多變的信號。本文通過采用機(jī)器學(xué)習(xí)的方法對所偵察得到的雷達(dá)信號進(jìn)行處理，并將所得的分析結(jié)果進(jìn)行圖形建模，并能夠通過數(shù)據(jù)量對模型進(jìn)行完善，從而能夠快速識別出輻射源的威脅情況，并建立與之對應(yīng)的干擾策略，若后面有相同或者相似的威脅，可以根據(jù)先驗(yàn)?zāi)Ｐ椭苯幼R別出輻射源信息，對其進(jìn)行快速干擾，而不必重新分析，從而節(jié)省時(shí)間與資源[5-6]。而對于新型和未知威脅信號，則可以利用其信號特征來完善所建模型，從而優(yōu)化模型，相對于傳統(tǒng)的“條目狀”比對更具優(yōu)勢。

此外，電子偵察的作戰(zhàn)對象如雷達(dá)、通信等電子信息設(shè)備開始逐步走向認(rèn)知，智能化方向發(fā)展，使得相關(guān)設(shè)備具有自主學(xué)習(xí)，推理，決斷能力，傳統(tǒng)的電子偵察設(shè)備獲得對方的信息難度加大，因此，采用將人工智能技術(shù)應(yīng)用于電子偵察中，對未知信號進(jìn)行檢測，提取相應(yīng)特征，優(yōu)化所使用的智能識別設(shè)備模型，提高偵察設(shè)備的識別能力。

2 偵察處理流程

電子偵察主要對接收信號進(jìn)行提取其相應(yīng)信號特征，從而利用其特征信息對設(shè)備進(jìn)行識別。其識別流程如圖1所示。

圖1 偵察識別流程

電子偵察主要對設(shè)備進(jìn)行識別，從圖1中可以看到，識別設(shè)備主要包括信號特征提取、模型建立與優(yōu)化、模型識別等三個(gè)部分，在電子偵察中，對信號所提取的特征可以傳給數(shù)據(jù)庫進(jìn)行積累，進(jìn)行訓(xùn)練模型，也可以為干擾提供數(shù)據(jù)支撐。從圖1可以看出，模型判決是偵察識別流程的關(guān)鍵，其主要是利用所建立的模型對信號進(jìn)行快速識別，從而識別出設(shè)備，當(dāng)無法匹配時(shí)，將所得到的未知信號特征存入數(shù)據(jù)庫進(jìn)行積累，對模型進(jìn)行優(yōu)化訓(xùn)練，從而使模型對在下一次對這種未知信號進(jìn)行識別，為后續(xù)的干擾提供參考。

本文采用機(jī)器學(xué)習(xí)中的決策樹方法進(jìn)行建立模型，利用信號所提取的特征作為樣本，進(jìn)行建模，所建立的模型會隨著數(shù)據(jù)庫數(shù)據(jù)量的增加和充實(shí)，不斷優(yōu)化，相對于傳統(tǒng)的比對匹配方法，更簡潔，速度更快，隨著模型的不斷完善，其對設(shè)備的識別率也在不斷提高，識別出設(shè)備的威脅等級，能為后續(xù)的干擾提供重要的信息。

3 建立決策模型的方法

決策樹是一種常見的機(jī)器學(xué)習(xí)方法，一般情況一棵決策樹包含一個(gè)根結(jié)點(diǎn)、若干個(gè)內(nèi)部結(jié)點(diǎn)和若干個(gè)葉結(jié)點(diǎn)；葉結(jié)點(diǎn)對應(yīng)于決策結(jié)果，其他每個(gè)結(jié)點(diǎn)則對應(yīng)于一個(gè)屬性測試；每個(gè)結(jié)點(diǎn)包含的樣本集合根據(jù)屬性測試的結(jié)果被劃分到子結(jié)點(diǎn)中；根結(jié)點(diǎn)包含樣本全集。從根結(jié)點(diǎn)到每一個(gè)葉結(jié)點(diǎn)的路徑對應(yīng)了一個(gè)判定測試序列。決策樹的目的是為了產(chǎn)生一棵泛化能力強(qiáng)，即處理未示例能力強(qiáng)的決策樹，其基本流程遵循簡單而且直觀的“分而治之”策略，是一種進(jìn)行分類與回歸的方法；本文利用決策樹進(jìn)行建模訓(xùn)練，學(xué)習(xí)時(shí)，利用訓(xùn)練數(shù)據(jù)，根據(jù)損失函數(shù)最小化原則建立決策樹模型；訓(xùn)練時(shí)，對新的數(shù)據(jù)，利用決策樹模型進(jìn)行分類。

決策樹學(xué)習(xí)主要包含3個(gè)步驟：特征選擇、決策樹的生成、決策樹的修剪。本文采用的是CART算法，CART模型決策樹的生成就是遞歸地構(gòu)建二叉決策樹的過程，對回歸樹用平方誤差最小化準(zhǔn)則，對分類樹用基尼指數(shù)最小化準(zhǔn)則，進(jìn)行特征選擇，生成二叉樹。CART生成算法如下：

輸入：訓(xùn)練數(shù)據(jù)集D

輸出：決策樹模型

根據(jù)訓(xùn)練數(shù)據(jù)集，從根節(jié)點(diǎn)開始，遞歸的對每個(gè)節(jié)點(diǎn)進(jìn)行以下操作，構(gòu)建二叉決策樹。

（1）設(shè)結(jié)點(diǎn)的訓(xùn)練數(shù)據(jù)集為D，計(jì)算現(xiàn)有特征對該數(shù)據(jù)集的基尼指數(shù)。此時(shí)，對每一個(gè)特征A，對其可能取的每個(gè)值a，根據(jù)樣本點(diǎn)對A=a時(shí)的測試為“是”或“否”將D分割成D1和D2兩部分，計(jì)算A=a時(shí)的基尼指數(shù)。

（2）在所有可能的特征A以及它們所有可能的切分點(diǎn)a中，選擇基尼指數(shù)最小的特征及其對應(yīng)的切分點(diǎn)作為最優(yōu)特征與最優(yōu)切分點(diǎn)，依最優(yōu)特征與最優(yōu)切分點(diǎn)，從現(xiàn)結(jié)點(diǎn)生成兩個(gè)子結(jié)點(diǎn)，將訓(xùn)練數(shù)據(jù)集依特征分配到兩個(gè)子結(jié)點(diǎn)中去。

（3）對兩個(gè)子結(jié)點(diǎn)遞歸地調(diào)用（1）、（2），直至滿足停止條件。

（4）生成CART決策樹。

算法停止計(jì)算的條件是結(jié)點(diǎn)中的樣本個(gè)數(shù)小于預(yù)定閾值，或樣本集的基尼指數(shù)小于預(yù)定閾值，或者沒有更多特征。CART剪枝算法由兩部分組成：首先從生成算法產(chǎn)生的決策樹T0底端開始不斷剪枝，直到T0的根節(jié)點(diǎn)，形成一個(gè)子樹序列{T0, T1，…，Tn}；然后通過交叉驗(yàn)證法在獨(dú)立的驗(yàn)證數(shù)據(jù)集上對子樹序列進(jìn)行測試，從中選擇最優(yōu)子樹，完成建模。

下面以10個(gè)樣本數(shù)據(jù)為例子進(jìn)行解釋說明，用基尼指數(shù)來計(jì)算其節(jié)點(diǎn)。

表1 樣本數(shù)據(jù)例子

從表1中可以看出，樣本數(shù)據(jù)10個(gè)例子，型號有2種，“A”有6種，“B”為4種，對于信號類型和調(diào)制方式等特征參數(shù)，對其進(jìn)行賦值量化，根據(jù)根節(jié)點(diǎn)信息熵的計(jì)算公式，計(jì)算信息熵為：

接下來，計(jì)算特征集合中每個(gè)特征的信息增益（即基尼指數(shù)），首先計(jì)算每個(gè)特征的基尼值，從表中可以看出，信號類型只有雷達(dá)，其基尼值為：

信號類型的基尼指數(shù)為：

調(diào)制方式的基尼值為：

信號類型的基尼指數(shù)為：

同理，下面對頻率，帶寬，脈寬，脈沖重復(fù)周期等特征參數(shù)求基尼指數(shù)，找出最小的基尼指數(shù)，即為根節(jié)點(diǎn)，并在最小基尼指數(shù)的特征上找出切分點(diǎn)，將訓(xùn)練數(shù)據(jù)分成兩組，重復(fù)上面的情況，求解下一節(jié)點(diǎn)，依次即可建立決策樹的模型。

對于類似頻率等連續(xù)值的特征需要進(jìn)行離散化處理，以頻率為例，在表中10個(gè)樣本中，頻率的值為10個(gè)，分 別 是（8255，9004，9752，10504，11254，12005，8151,8903,9655,10402）直接對頻率進(jìn)行排序，排序后 的 結(jié) 果 為（8151，8255，8903，9004，9655，9752，10402，10504，11254，12005），然后取前后兩個(gè)頻率點(diǎn)的中間值做為分支點(diǎn)，分支點(diǎn)為（8203，8579，8953.5，9329.5，9703.5，10077，10453，10879，11629.5）同 理計(jì)算其基尼指數(shù)即可。

4 仿真與建模

下面利用數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，選用4種設(shè)備的參數(shù)，型號為“A”、“B”、“C”、“D”四種型號的設(shè)備的訓(xùn)練樣本，利用不同數(shù)據(jù)量進(jìn)行建模，并對測試數(shù)據(jù)進(jìn)行判決。

四種設(shè)備時(shí)，分別選取總樣本數(shù)據(jù)120，600,3000,15000例，平均每種型號設(shè)備的訓(xùn)練樣本分別為30,150,750,3750例，并且設(shè)備之間的特征參數(shù)具有重疊的區(qū)間。對模型進(jìn)行建模，所建模型變化見圖2。

圖2 四種型號建模情況

從圖2可以看出，訓(xùn)練數(shù)據(jù)的增加，都會增加模型的復(fù)雜度，也使模型的構(gòu)建不斷完善，下面運(yùn)用所建模型的四個(gè)模型，對測試數(shù)據(jù)進(jìn)行測試，測試數(shù)據(jù)分別選擇每種型號80,400,2000,10000個(gè)樣本，做蒙特卡洛仿真測試100次，其測試結(jié)果見圖3。

圖3 模型測試識別情況

從圖3中可看出，模型（D）的識別率是最好的，相對于其他模型，其識別率也比較穩(wěn)定，從而可以看出，模型越完善，其識別率更好，圖2可以看到，訓(xùn)練數(shù)據(jù)的增加，使模型更加優(yōu)化。結(jié)合圖2和圖3，可以看到，隨著數(shù)據(jù)庫的完善，其對數(shù)據(jù)模型進(jìn)行優(yōu)化，從而使識別率更好，對后面的情報(bào)分析與智能干擾提供重要支撐作用。

5 結(jié)論

通過利用機(jī)器學(xué)習(xí)中的決策樹對雷達(dá)輻射設(shè)備進(jìn)行識別的仿真驗(yàn)證與分析，可以看到，相對于傳統(tǒng)的匹配比對判斷，決策樹具有快速，不斷優(yōu)化，具象化的優(yōu)勢；判決模型也會隨著數(shù)據(jù)的完善而不斷優(yōu)化，使得識別準(zhǔn)確性提高，從樹形圖來看，對于某一種設(shè)備識別規(guī)則，有直觀的認(rèn)識。隨著新型智能體制雷達(dá)的發(fā)展，傳統(tǒng)電子偵察難度在不斷提高，電子偵察技術(shù)需要往一體化，可優(yōu)化，可重構(gòu)方向發(fā)展，因此，將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于電子偵察中能起到重要支撐作用。