電磁環境態勢生成與認知技術研究現狀與展望

胡煒林，朱然剛，彭 闖，王倫文

(國防科技大學電子對抗學院，安徽 合肥 230001)

0 引言

近年來，伴隨科學技術的進步，電磁設備數量與日俱增，電磁頻譜信號愈發密集，頻譜資源出現緊張局面，電磁環境與態勢也愈發復雜，給正常秩序運行和無線電監測管理帶來嚴重影響。對于電磁環境及其態勢的研究是電磁領域的一項重要課題。在民用上，電磁環境態勢認知有助于無線電頻譜管理、打擊非法通信設施、營造良好的社會氛圍；在軍事上，電磁環境態勢認知有助于指揮員掌握電磁環境的狀態和趨勢，把握戰場敵我雙方的電磁兵力分布，能夠對電磁環境態勢的威脅程度給出有效評估，有助于提高電子對抗效果。因此，對電磁環境態勢生成和認知研究具有重要的理論意義和軍事使用價值。

當前，學術界許多學者對電磁環境復雜度進行了廣泛而深入的研究。人們對復雜電磁環境下局部電子對抗也進行了實踐，但當前電磁環境態勢認知的相關研究還不能滿足現代戰爭的需求。電磁環境態勢生成與認知是一項系統工程，目前還存在許多難題和挑戰，尚有一些問題亟待解決。比如，電磁環境態勢的概念還存在爭論，對電磁環境態勢概念的理解仍然存在著不夠明晰和操作性不強的缺憾。在電磁環境態勢生成方面，當前仍舊處于廣泛探索的階段，已經出現了圖像、信號、示意圖等多種生成形式，然而生成方式和形式尚無統一認可的客觀標準；在認知方面，如何認知、如何應用是一個多學科、智能化的任務，而深度學習等前沿方式在電磁環境態勢中應用還不多，實現電磁環境態勢的智能化認知還需要很長時間。

總而言之，開展電磁環境態勢研究是認識理解電磁空間分布狀態的有效手段，是構建電磁環境思維體系的客觀需要，是推斷電子對抗力量軍事意圖的重要參考。本文結合近年來眾多研究者對電磁環境態勢的理解，梳理了國內外電磁環境態勢的相關研究和應用，為研究電磁環境態勢生成和認知技術提供理論依據和技術參考。

1 電磁環境態勢基本概念

電磁空間是由客觀存在的各種電場、磁場與電磁波組成的物理空間，電磁環境是電磁空間的一種表現形式，是一切電磁現象的總和。文獻[1]將電磁環境描述為：設備、分系統或系統在執行規定任務時，可能遇到的輻射或傳導電磁發射電平在不同頻率范圍內功率和時間的分布，電磁環境有時也可用場強表示。為了客觀描述電磁環境，文獻[2]提出電磁環境的描述指標，并將電磁環境劃分為5個等級，同時為了精準評估和準確描述，文獻[3-5]均給出了復雜電磁環境的定義，與電磁環境相比，復雜電磁環境并沒有給定無限廣泛的空間和時間，而是強調了區域性和時段性。因此，劃定戰場區域和作戰時間后，戰場電磁環境和電磁作戰環境[6]也劃歸于復雜電磁環境的范疇。戰場電磁環境是以電磁波及其活動為中介，對戰場上軍事人員及其活動有影響的各種情況和條件的統稱[7]，戰場電磁環境與電磁環境主要區分在是否符合戰場條件，此條件是人為給出定義，包括但不限于區域、協議、敵我等因素。

上述描述只定義了靜態的電磁環境，但僅從靜態描述指標來研究電磁環境還不夠全面。電磁環境瞬息萬變、對抗性強、影響因素復雜，從變化性的角度來說，需要動態性指標對電磁環境進行更為精確的描述，由此便將態勢的概念引入電磁環境領域。態勢即是事物發展的形勢及狀態[8]。在文獻[9]中，態勢被定義為敵對雙方在戰役力量對比，戰役部署和戰役行動方面形成的狀態和形勢；文獻[10]將戰役態勢定義為戰場態勢在不同級別的體現，而戰場電磁態勢是戰役態勢中戰場環境的要素之一。其實，戰場電磁態勢等同于電磁態勢，是電磁態勢的另一種表達方式，用于描述電磁域作戰[11]，是指在一定的作戰空間內敵對雙方的電子設備、系統分布和電磁活動，以及影響電磁活動的因素所形成的狀態和形勢[12]。從二者的定義中比較，他們都包含戰場區域要素、作戰對象要素，其本質實則相同[13]。將電磁態勢中的環境因素進行單獨研究，即電磁環境態勢或頻譜態勢[14]，它是電磁態勢中的環境因素，是指電磁環境的當前狀態、綜合形勢和發展趨勢，表征電磁環境演變的狀態和趨勢[15]。所以電磁環境態勢實質歸根于環境要素，屬于客觀物理空間，是一個中立的、不包含敵我關系的物理概念。

對比分析近幾年來電磁環境的相關概念，各個概念相互關系如圖1所示。因此，電磁環境態勢可以定義為電磁環境的狀態和變化趨勢，它只描述物理空間中的電磁分布，本身不含任何戰場信息，具有整體性、動態性、多維性等特點[16]。研究電磁環境態勢的目的就是為了客觀描述電磁場分布，利用海量的原始數據，結合其他要素綜合對電磁環境態勢進行理解，在作戰行動中，根據戰場需求，給定作戰意義，定向研判戰場形勢。

圖1 電磁環境態勢定義Fig.1 Electromagnetic spectrum map generation process

2 電磁環境態勢生成

電磁環境態勢源于電磁環境，是電磁環境的狀態和變化趨勢。電磁環境態勢構建生成主要是研究電磁環境態勢的描述方法，包括但不限于綜合性的、圖像類的、指標類的，這里總結了電磁環境態勢在圖像上的生成與表示的典型方法，并列舉部分學者根據不同需要和不同理解設計的電磁環境態勢生成系統。

電磁頻譜地圖由美國弗吉尼亞技術團隊首次提出[16]，也被稱為電磁環境地圖、無線電環境地圖等，可以表示無線電網絡的信號強度圖或覆蓋區域[17-18]，它是電磁環境的一種可視化方式，有助于人們客觀觀察電磁環境狀態及其變化規律，也是電磁環境態勢的一個熱點研究方向。文獻[19]指出，快速準確是生成電磁態勢圖的要求，因此構建電磁頻譜地圖也務必簡單、準確。

電磁頻譜地圖的構建過程被稱為頻譜制圖[18]，通過空間區域內的數據采集節點測量數據，融合先驗信息、存儲信息和認知信息等知識，從而構建電磁頻譜地圖[20]，頻譜制圖系統可表示為圖2所示流程。電磁頻譜地圖的構建方法一般可分為空間插值構建法、參數構建法和混合構建法，在實際應用中，文獻[21—22]均對上述方法中的技術進行過比較，證明了Kriging算法在傳統插值算法中的效果比較精確。因此，以構建精度為目的，Kriging算法在電磁頻譜地圖中得到廣泛應用，同時衍生許多改進算法。文獻[23—24]將Kriging中的變異函數進行改進，引入支持向量回歸(support vector regression, SVR)改善插值效果，在信號覆蓋探測應用中取得了很好的效果，相比于原算法，誤差下降約16%，但是該算法需要先驗數據學習訓練，尚不知其遷移應用效果。文獻[25]利用先驗知識修正插值結果，引入Egli電波傳播模型，得到基于傳播模型的Kriging插值算法，該模型改善了只有路徑損耗條件下的應用效果，而大尺度衰落條件下的應用效果較差，對于實際復雜電磁環境下的頻譜地圖構建還有許多可做的工作。文獻[26]嘗試性地提出一種新的無線電地圖構造方法，聯合空間-頻率插值技術，在數據量少的情況下獲得精確的電磁頻譜地圖，該方法考慮了頻域的相關性，可實現未知頻率的空間電磁頻譜地圖構建時，由于頻率相關性依賴于主觀假設、已知頻率數據少、不同頻率在環境中的損耗大不相同，構建效果會逐漸變差。文獻[27]針對節點分布不均勻會影響構建精度這一問題，利用Vonoroi原理和K-means聚類劃分粒度，提高構建精度，此算法復雜度隨著粒度逐漸提高，且在地形環境復雜、電磁波反射折射多的情況下效果不佳。此外，除了在Kriging算法上改進外，文獻[28]將參數構建法中的發射機位置估計技術應用于多徑衰落中，與Kriging、反距離加權法(inverse distance weighted, IDW)進行了比較，其均方誤差和正確檢測率優于另外兩者。從頻譜制圖的系統和流程來說，網絡的傳輸、節點的數據都影響呈現出來的構建效果。基于該考慮，文獻[29]使用一種新的時空方法ST-REM，在測量數據錯誤概率高的情況下，通過迭代的方式由數據中心計算數據可信度，最后在不同類型的節點類別中驗證該算法的有效性。以上兩種算法對先驗信息要求較高，在民用領域通過其他途徑獲取信息的方式較為便捷，因此改進算法作用較大，而在軍事領域獲取先驗信息的難度大，因此上述兩種算法還需考慮更多的客觀因素。文獻[30]將三維空間網格離散化，建立Kriging和薄板樣條插值(thin plate spline, TPS)的插值模型并給定加權方式，生成電磁頻譜地圖而無需先驗信息，然而三維空域范圍更大，相較于平面電磁頻譜地圖構建，無先驗信息的條件下構建精度較低。

隨著深度學習的廣泛應用，電磁頻譜地圖的構建方法也有了一些新的實踐。文獻[31]運用多種構建數據檢驗了梯度推進決策樹在電磁頻譜地圖中的效果，并且驗證了優越性能；文獻[32]為實現時域、空域的站點信息聯合預測，在圖神經網絡中引入注意力機制，以此挖掘電磁強度之間的時空關聯信息，同時設計了一種并行Kriging算法，生成電磁頻譜地圖；文獻[33]利用生成對抗網絡(genverative adversarial networks, GAN)還原了有阻擋情況下的電磁頻譜地圖；文獻[34]基于深度學習技術補全缺失數據，從而生成頻譜態勢。以上深度學習方法在測試階段相比于傳統算法效果有較大的提升，但是電磁環境受溫度、濕度、地形、電離層等諸多因素影響，尚無研究表明深度學習模型遷移到其他環境中仍能保持高準確率，其遷移性和實用性還有待研究。

在軍事領域，電磁頻譜地圖也是一項研究課題。文獻[21]詳細介紹了支持頻譜制圖的軍用通信系統體系，從戰術角度研究地圖構建質量與傳感器位置部署、相互關系、環境與算法之間的聯系。文獻[22]為了驗證電磁頻譜地圖的普適性，考慮了包括軍事沖突、人道主義行動在內的等一系列聯合行動方案，其目的在于探究傳感器數量與部署如何影響地圖質量。由這兩項研究表明，研究軍事電磁環境態勢生成關注節點與質量的關系，主要為了實現感知節點的最優部署和不同環境下的節點部署規律，十分強調實時性。

3 電磁環境態勢認知

電磁環境態勢認知是指在一定時間和空間內對電磁頻譜各組成成分的感知、理解和預測。作為軍民兩用的理論，雖然起步不久，但是發展迅速。本章主要介紹電磁環境態勢認知，列舉該技術中的研究熱點，分析各個具體應用上的研究現狀。

3.1 電磁環境態勢描述

當前對電磁環境態勢的描述指標研究較少，且大多仍停留在電磁環境復雜度上，國內外專家學者在電磁環境復雜度的量化指標和描述方法上各抒己見，尚無統一的量化指標。我國對電磁環境復雜度的官方描述是文獻[1]下的分類方法，而在具體研究中，學者根據自己研究領域的關注點，不斷擴充該指標體系。如文獻[35]所述，戰場電磁環境態勢表征指標也可以從“四域”特征中產生，并且劃分客觀層面和環境效應層面加以區分，即電磁環境復雜度層面和電磁環境威脅度層面。在文獻[36]中以電磁環境復雜度為目標，將指標體系劃分為3個準則下的11項描述指標，考慮了電磁干擾和電磁適應對電磁環境的影響，重點關注我方利用電磁環境的復雜程度。文獻[37]立足于電磁環境監測儀器的不同，結合電磁環境復雜度一般度量指標，將二者進行有效結合，實現電磁環境復雜度的實時描述。隨著軍事需求的拓展和智能化的推進，文獻[15]提出電磁環境表征不僅需要電磁信號層的描述指標，還應加入環境實體，由此形成電磁環境態勢表征。上述文獻雖然考慮了儀器、環境和應用的影響，擴充了電磁環境態勢描述指標，但是歸根結底仍然是在電磁環境復雜度上進行評估，與態勢的聯系較少。

電磁環境態勢表征需要結合電磁環境復雜度要素，融合多種行為參數，直觀呈現當前電磁環境的狀態和發展規律，具備電磁環境演變的預測能力[15]。電磁環境態勢概念宏大，評估指標難以兼顧，評估方法比較復雜。文獻[38]采用12個態勢要素結合起來描述整體電磁環境態勢，利用3個步驟生成態勢并劃分為5個等級，但文中所提態勢要素均是靜態描述指標，尚未體現電磁環境態勢的動態性。隨后，文獻[39]創新性地將電磁環境態勢劃分為狀態描述指標和趨勢描述指標，將二者結合共同描述電磁環境態勢，使得該指標融合了電磁環境的動態信息。近年來，人工智能、深度學習與各學科知識不斷融合，電磁環境和電磁環境態勢表征也呈現智能化的趨勢[19]。但是深度學習提取的特征難以解釋，當前的發展仍在起步階段。

3.2 電磁環境態勢評估

電磁環境態勢評估也可分為3個步驟：態勢感知、態勢理解和態勢預測[40]。首先提取精確的電磁環境態勢表征指標，融合大數據挖掘技術和專家經驗知識，利用信息融合處理技術提取表征指標下的隱藏行為信息，從而對指定區域內的電磁環境態勢實現評估。綜上，文獻[41]通過對典型的3種態勢評估理論模型進行比較，三者都包含態勢要素的關系整理，因此電磁環境態勢評估的核心問題在于尋找電磁環境態勢表征指標，即3.1節所述指標體系，挖掘電磁環境態勢評估結果的物理關系，以及各個表征指標之間的物理關系。

為了實現有效評估，提取指標、選取模型和分析結果是常用的態勢評估流程。文獻[41]列舉了當前在評估領域的常用技術手段，文獻[42]對所提取戰場態勢評估指標體系應用基于直覺的模糊決策評估方法，實現了對戰場態勢的有效評估和理解，但是該方法未能實現由評估結果到評估原因的映射，不善于挖掘影響態勢變化的主要原因。文獻[36,38]對戰場電磁環境建立了五級評價指標體系，分別運用灰色評價理論和模糊關系矩陣實現態勢等級評估，但是二者依賴專家經驗，大量指標和數據下難以逐一打分。文獻[43]基于電波傳播理論模型，提出一種“精準”的電磁態勢評估方法，以評估具體數值為首要內容，然而該方法的最終效果是單個位置的評估，與電磁環境態勢整體評估無關。文獻[44]利用評估方法解決實際問題，為了探究高鐵運行對機場起飛環境的電磁影響，在原始指標集中加入列車速度這一評價標準，利用了主成分分析法重新對機場周圍電磁環境進行評估，并根據結果提出了列車限速方案。

由以上研究可以看出，評估技術可以指導實踐活動，提供參考方案。電磁環境態勢評估技術難、發展時間短，相近學科的許多評估方式對研究電磁環境態勢評估具有良好的參考意義。文獻[45]利用認知無線電安全態勢評估指標集，驗證了模糊數學模型在此應用上的可行性。文獻[46]針對傳統網絡節點信息安全量化不穩定的問題，提出一種基于攻防博弈的網絡安全威脅態勢識別方法，通過識別網絡安全的威脅情況來降低風險。文獻[47]提出了一種基于目標結果并結合人工神經網絡的評估模型，用于13個評價指標下的空域態勢識別。以上3個研究的效果取決于指標體系的準確度和表征范圍，需要提供具有實際表征意義的評估指標。此外，深度學習應用于評估技術是當前的一個熱點方向，文獻[48]總結了近些年深度學習評估技術在海洋水質估計中的應用，并且討論了遷移學習、異常檢測、強化學習等技術在海洋水質評估中的發展潛力。文獻[8,49-50]均是深度學習在態勢評估中的應用研究。文獻[8]在態勢評估模型中引入卷積神經網絡(convalutional neural networks, CNN)，提出一種Inception-CNN的網絡安全態勢評估方法，將3類共17個指標進行評估試驗。文獻[49]基于重構的方法進行網絡威脅態勢評估，將正常數據送進變分自編碼器和生成對抗網絡的混合網絡進行訓練，得到正常數據的樣本空間，從而根據測試數據的重構誤差劃分等級，實現態勢評估。盡管文獻[50]以空海態勢威脅評估為研究對象，總結了人工神經網絡、機器學習和深度學習在態勢評估技術上的應用效果，同時證明了深層神經網絡比另外兩個評估模型準確率更高、魯棒性也更好，但是以上深度學習技術在態勢評估方向上始終涉及訓練數據來源、模型遷移效果等問題，當前研究還太少，實際效果有待考察。

結合以上情況，電磁環境態勢評估研究雖然開始涉及，但是還不夠深入、不夠廣泛，還存在許多挑戰，仍需要專家學者廣泛借鑒其他領域的先進技術對其探討。

3.3 電磁環境態勢異常檢測

異常檢測是指在數據中發現不符合預期行為模式。隨著電磁環境的地位越來越高，造成的影響越來越嚴重，電磁環境態勢異常檢測也成為一個重要的課題，尤其在無線電管理、軍事斗爭等方面。異常的類型通常分為點異常、集合異常和上下文異常[51-52]，電磁環境態勢異常更多傾向于上下文異常。與此同時，它通常還區分為背景環境異常和有意識行為引發的異常，前者包含環境因素和無意識行為因素，包括雷電、人群移動等，后者特指含有目的性的電磁活動所引發的異常[53]。電磁環境異常檢測的目的是發現不符合預期的電磁環境態勢，為電磁頻譜管理和威脅評估提供依據。

異常是相對正常而言，正常電磁環境態勢是指一定區域、時間、頻段范圍內的電磁頻譜狀態和趨勢滿足一定規律，比如，電磁頻譜幅度或變化幅度在一定范圍內有規律的變化。

異常電磁環境態勢是指在時域、頻域、空域等方面電磁環境態勢超出正常變化區間，違背正常變化規律，比如，輻射源移動、開關機、功率調整等都可能造成異常。

從算法角度來說，異常檢測技術研究比較成熟，文獻[52]詳細闡述了當前異常檢測領域現狀，分析了現有的異常檢測方法并對部分方法進行對比驗證，包括序列模型、圖像問題等，每一章節針對一個模型進行理論、技術的詳細闡述，具有極高的學習價值。從實際應用角度來說，頻譜安全態勢異常檢測是頻譜資源態勢決策和管理的前提條件，文獻[53]指出頻譜態勢異常檢測可以利用神經網絡等技術學習頻譜態勢樣本空間，而后根據異常檢測機制，發掘異常特點，找到異常原因，同時建立安全評估機制，提高頻譜態勢安全質量。文獻[54]提出一種基于對抗自編碼器(adversarial autoencoder, AAE)的無監督頻譜異常檢測技術，利用功率譜密度和基于模型的重構誤差進行異常檢測，具有部分可解釋特征，實現了良好的異常檢測和定位。文獻[55]改進了GAN的網絡結構，將自編碼器與原始GAN進行結合，重構新的譜圖，通過重構誤差和鑒別器損耗來檢測異常，同時還能定位時域異常。文獻[56]利用計算機視覺和深度無監督學習技術，僅依靠信號星座圖進行頻譜異常檢測，將CNN提取出來的特征用于無監督學習聚類，并與OCSVM和DBSCAN-U進行了比較。上述三種算法利用深度學習的圖像重構技術進行圖像異常檢測，用于有嚴格規定的場景，由于考慮時序性，因此不易發掘電磁環境態勢的時間維度異常，在規律性的態勢變化情景下，模型的樣本空間大、虛警概率較大。除了圖像重構技術外，還有基于循環神經網絡(crecurrent neural network, RNN)的異常檢測，文獻[57]結合長短期記憶網絡(long short-term memory, LSTM)和深度自編碼器構建了一個深度神經網絡用于檢測頻譜使用異常，并且使用遷移學習方式來最小化時間和數據訓練量，通過數據驅動進行無監督異常檢測，此方法可以挖掘電磁環境態勢的時間變化規律，但是LSTM更適用于序列數據的異常檢測，應用于圖像異常檢測時復雜度通常過高，需結合卷積神經網絡共同處理。

當前，根據電磁環境態勢的不同描述方法，圖像表述類的電磁環境態勢異常檢測問題可以歸類為時序圖像的異常檢測問題。深度學習技術在時序圖像異常檢測問題上應用廣泛，具體針對電磁環境態勢異常檢測這一類任務時，將時序模型和圖像模型聯合檢測是一個研究趨勢。文獻[58]提出一種基于生成對抗網絡的異常檢測方法，在GAN中使用LSTM-RNN來捕獲多元時間序列分布，可以區分異常狀態和正常狀態。文獻[59]改進了梯度計算方法，提出新的融合算法LSTM-GAN-XGBOOST，其中 LSTM用于提取時間序列數據的時間維度特征，GAN用于提取正常數據的深度特征，極端梯度增強(extreme gradient boosting, XGBOOST)對提取的特征進行分類并導出異常評分，以獲得最終的異常結果和評價指標。文獻[60]研究有位置變化的多個目標下的時空序列異常檢測，利用顯示約束圖(display contraint graph, DGG)來表示位置關系，并設計了一個LSTM框架來計算重構誤差，基于DCG的異常分值對異常子序列和異常對象進行識別。文獻[61]以ConvLSTM為基礎網絡，聯合學習三維上下文和縱向或時間動態，將時域信息融合進ConvLSTM，形成ST-ConvLSTM算法，該模型基于整體圖像，可以整合端到端的訓練深度學習框架。從以上結合圖像處理和時序處理的研究中分析，提取電磁環境態勢的靜態特征和時序特征是當前解決電磁環境態勢異常檢測的研究方向，而后在優化函數進行改進，從而實現異常檢測，但是電磁環境態勢需要的是迅速和準確的平衡點，現有研究趨向于復雜化，缺少輕量化的態勢異常檢測技術。

以上研究均可解決電磁環境態勢的異常檢測問題，表明該任務的理論技術發展比較成熟，但具體應用仍有很大發展空間，尤其是電磁環境態勢應用問題，例如在深度學習下的異常解釋問題，深層指標的物理意義問題，實際物理問題下的網絡架構等問題還需要大量研究。

3.4 電磁環境態勢認知技術

電磁環境態勢認知，是在一定時間和空間內對電磁頻譜各組成成分的感知、理解和預測。它能夠基于電磁環境態勢變化，分析戰場形勢、判別輻射源移動。電磁環境態勢認知以結合多維度信息，分析異常現象為主要內容，涉及輻射源的定位、軌跡分析、功率變化，給出初步認知結果，最后根據算法結果，結合作戰計劃與敵方情報，形成最終的形勢研判和戰局預測。

認知科學是研究人類感知和人類思維信息處理過程的科學[19]。學術界普遍認可Endsley在1995年提出態勢認知的3級模型，因此態勢認知實質上是一種由態勢估計得到知識狀態的過程[10]。文獻[62]首次提出認知電磁環境適應這一概念，以電磁環境效應的機理分析為基礎，以人工智能學習算法為工具，是涉及多個領域的新概念。文獻[15]給出了電磁環境態勢感知與電磁環境認知之間的關系框架，電磁環境態勢認知的關鍵就在于針對感知信息來支配行為舉措、做出最優應對。電磁環境態勢認知系統通常是電磁態勢系統的子模塊，文獻[16]指出，態勢的可視化要對態勢要素進行科學的視覺編碼，才能有好的視覺呈現。電磁環境態勢可視化要以指揮員的需要為出發點并客觀反映電磁環境，要做到重點突出、真切反映戰場實際態勢[13]。文獻[38]介紹了一種電磁環境態勢可視化認知方法，實現對信號數據和頻譜數據的聯合分析，設計出一種帶有可視化視圖和交互的雙模塊接口，包含監測模塊、分析模塊和態勢分析視圖，可以幫助用戶感知總體電磁態勢和無線電信號整體分布情況，通過監控視圖對變化趨勢進行概述，確定通信異常的根本原因并了解高危態勢，但這個系統屬于信號層面的態勢異常檢測，不含地理信息，適用民用電磁環境態勢感知。文獻[4]設計了戰場電磁態勢系統的基本架構，其可視化引擎可實現戰場電磁環境、裝備電磁兼容性的趨勢可視化和綜合信息顯示，并自主建立了地理信息平臺、輻射源模型和電波傳播模型，最終可為官兵提供地形信息、輻射源位置信息、電磁環境信息和鏈路質量信息等，也可顯示武器裝備性能、可用性等，該系統有良好的應用前景，但是以電磁環境態勢的展現為主，缺乏認知環節，未能將自適應預測、行為認知等功能融入其中。

在電磁環境態勢認知整體框架下，文獻[63]聚焦雷達對抗領域，將雷達對抗認知模型的層次劃分為判斷干擾、識別戰術和報告我方受擾情況3個步驟，是電磁環境態勢認知在具體問題上的實現，具有很強的參考意義。文獻[64]強調在電磁環境態勢認知中感知技術的重要性，研究了智能決策和自適應評估等關鍵技術，對提高電磁環境態勢的認知水平有較大的作用。以上兩個研究提出了戰場電磁環境態勢認知系統的理論框架和要素，尚未明確技術路線。此外，考慮到電磁環境態勢認知的目的在于指導電子對抗力量部署，因此可以考慮強化學習在智能決策當中的應用[65]。

4 挑戰與發展

近年來，電磁環境態勢生成和認知技術雖然取得了長足進步，但是尚不能滿足軍事斗爭需求。面對日益復雜的電磁環境，電磁環境態勢生成和認知等方面還存在以下挑戰。

4.1 面臨的挑戰

1) 影響電磁環境態勢有效生成的客觀因素依然存在。首先，自然因素影響不可忽視，比如，地形、天氣、建筑物、時間等都對電磁場的分布產生作用，因此要保證相關算法的有效應用，需要針對不同自然條件研究不同的電磁環境態勢生成模型；其次，為了保證態勢生成的客觀性、準確性和實時性，生成算法通常需要一定的先驗信息，包括地形地勢、氣候條件、情報信息等，且態勢的準確性嚴重依賴先驗信息的準確性，而獲取準確的先驗信息通常具備高的復雜度；最后，電磁環境態勢生成與感知到的電磁信號有關，全面、客觀、立體、準確地感知電磁信號也存在挑戰。

2) 電磁環境態勢表征指標和評估體系構建的挑戰。電磁環境涉及頻譜非常廣泛，包含通信、雷達、光電等頻段，其表征指標體系龐大且必須涵蓋多維度信息。對電磁環境態勢有效描述，除了靜態指標，還要考慮動態指標。當前，電磁環境態勢應用于多個領域，整體來看現有指標專業性太強、可遷移性不高，很難形成一個普適性的表征指標體系。同時電磁環境態勢是一個包含多維度信息的宏觀概念，評估方法復雜多樣，沒有統一的評價標準，這也是當前電磁環境態勢研究較少、落地困難的原因之一。

3) 電磁環境態勢認知理論構思復雜，技術實現困難。在軍事領域中，電磁環境態勢認知這一術語已經廣泛使用，但多數人僅僅是一種感官、直覺上的描述，也有少數專家根據用途、需求設計電磁環境態勢認知系統，但是難以融合包括心理學、運籌學、概率學、戰術學等在內的多學科知識，因此形成完整的電磁環境態勢認知理論較難。同時，其相關算法對應的數據要求高，技術方法實現困難，不僅需要適應多樣的環境，在準確性的基礎上兼顧魯棒性和穩定性，在一定程度上還要盡量輕量化相關算法，以提供準確迅速的數據結果。因此，認知理論應該具備嚴謹的體系，需要眾多學科領域專家集體研究、統一部署、共同攻關。

4) 電磁環境態勢認知系統投入較大，落地困難。對比現有的學術研究，電磁環境態勢呈現軍事需求多、工程實踐少的現象。由于學者之間認知的標準不一、思路不同等原因，電磁環境態勢認知的研究成果認可度不高，這也是現在電磁環境態勢認知工程應用落地困難的原因之一。另外，從系統應用角度來說，前端采集設備是該系統的必要元素，電磁環境態勢感知需要大量的、精密的分布式感知節點，且還需考慮良好的網絡性能、地形地勢的影響和前端設備的穩定性。電磁環境態勢認知需要強大的數據儲存中心、高速的數據處理模塊和認知結果分發中心。電磁環境態勢應用需要涵蓋各個專業領域的子系統等。因此，電磁環境態勢系統整體設計復雜、建設困難，難以落地實施。

4.2 發展趨勢分析

盡管電磁環境態勢認知的研究難度大、系統應用性價比不高，但是由于它在當今社會生活的發展中具有舉足輕重的地位，因此電磁環境態勢認知是一項必要的研究課題。分析現階段電磁環境態勢認知的現狀和當今軍事科技的發展潮流，電磁環境態勢生成與認知有以下發展趨勢：

1) 電磁環境態勢生成技術必須實時和高效。電磁環境態勢生成不僅與感知和截獲的電磁信號數據、場強數據有關，而且還與地理數據、天氣數據等有關。按照綜合分析、按需提取的要求，基于大數據挖掘的多維度信息融合分析是實現電磁環境態勢高效生成的重要方式。同時，由于空間電磁場的復雜性、瞬變性，電磁環境態勢生成必須保證動態和實時生成，在這一要求下，輕量化的算法、準確的判定條件、強大的數據處理中心、良好的網絡運輸等都是保障電磁環境態勢感知的軟硬件條件，也是實現電磁環境態勢實時生成、高效認知的有力保障。

2) 電磁環境態勢表征體系必須全面、普適。隨著深度學習在不同學科之間不斷融合，強化人工智能技術在電磁環境態勢表征中的應用也是今后工作的一個重點。當前電磁環境態勢面臨物理指標提取不足的難題，人工智能技術在該方面可以發揮巨大的作用，通過深度學習網絡在數據驅動的模式下提取表征指標，并將該網絡作為指標提取的專用網絡，特定輸出評估指標。這些指標可以作為電磁環境態勢評估的輸入數據，其本質上是代表某種物理意義，但由于深度學習的黑盒屬性，該指標又具備不可解釋性。因此運用人工智能技術的同時，也要加強深度網絡在物理意義上的解釋性質，二者結合運用更具有研究價值。

3) 電磁環境態勢認知方法必須智能化。電磁環境態勢認知對于闡述電磁環境的狀態和發展規律，對異常輻射源的定位識別和協調頻譜使用等方面有較高應用價值。電磁環境態勢認知需要結合大量的描述指標和特定需求的認知方向，不同研究方向的認知方法不同。多學科運用的目的在于多維度挖掘電磁環境信息、多領域運用既有信息，不僅重視一對一的認知效果，還要關注不同認知層面、認知范圍之間的相互影響。實現電磁環境態勢智能認知，其本質上是靈活運用多領域的不同經驗實現既定目標的智能決策，這也是符合當今社會信息化、智能化的主流趨勢。

4) 電磁環境態勢應用研究和硬件技術開發必須持續推進。當前軍事理論明確將電磁環境態勢作為戰場態勢分析的一個要素，與電磁環境態勢相關的理論與仿真運用也不斷增加。為了滿足戰場需求，深度研究電磁環境態勢在戰場中的應用方法，研究在軍事行動中的功能，以及開發電磁環境態勢綜合應用系統和相關的系統模塊即成為進一步開展電磁環境態勢研究的工作重點，這同時也是落實電磁環境態勢系統落地建設的最重要的一步。

近幾年，國內關于電磁環境態勢感知、電磁態勢認知等主題的學術會議、研討會逐漸增多，國內國際相關的研究文章也明顯增多，證明了國內學者對電磁環境態勢的研究正在從理論研究走向技術應用。隨著電磁環境態勢研究熱情的與日俱增，在眾多專家學者的集思廣益和廣泛探討的發展潮流下，電磁環境態勢生成與認知技術定將取得穩定的發展，相關系統的建設指日可待。