认知电子战系统组成及其关键技术研究

倪丛云，黄 华

（船舶重工集团公司723所，扬州225001）

0 引 言

认知电子战系统是指在传统的电子对抗系统中引入认知计算理论。它的本质是通过对作战环境的感知，从大量原始传感器数据中提取高水平知识，然后实时推导出电子战攻击的最优化策略，提高装备的自适应能力，然后对其效能进行评估[1]。认知电子战的发展历程较短，其起始的标志是2009年美军为了应对复杂的陆地环境、海洋环境、天空环境和电磁环境，以如何提高现役装备的认知能力为目的，将认知的概念引入到雷达、通信和电子战装备中。

1 系统组成

认知电子战系统是一个包含了3个功能模块[2-4]的闭环系统，它们分别是认知侦察模块、对抗措施合成模块和对抗效果评估模块。其系统组成框图如图1所示。

认知侦察模块接收到信号后，采用威胁机器学习算法和特征学习技术将该信号分类，分析出该信号的特征，并将特征信息传给对抗措施合成模块。对抗措施合成模块根据无源、有源探测信号及学习信息进行攻击策略搜索，推论多目标对抗场景下最佳攻击策略，同时优化干扰波形，自适应分配干扰资源。智能干扰机能根据威胁信号在我方干扰下产生的明显变化评估干扰效果，自适应优化干扰策略。动态知识库为上述3个功能模块提供对应的环境、目标、资源策略等知识。

图1 认知电子战系统组成框图

1.1 认知侦察模块

认知电子战对环境的认识是通过与环境不断交互得来的，它持续对电磁环境和目标的统计特性进行分析，并依据不同电磁环境和目标的特点选择合适的信号处理方式。

环境感知通过环境分析器对周围的威胁环境进行识别、分析，从而为接收机提供环境分析结果。这些信息主要包括战场电磁信息和其他环境信息（如温度、湿度、压强和海洋状态），通过战场环境感知与建模，为侦察模块对目标的识别提供依据。

在与其周围电磁环境交互的基础上，认知信号处理采用威胁学习技术和特征学习技术将该信号分类，通过模糊聚类、神经网络等自适应信号处理算法分析出该信号的特征，并将特征信息传给对抗措施合成模块和对抗效果评估模块。

1.2 对抗措施合成模块

认知电子战系统对电磁环境的认知、推理能力，使得其能更有效地应对复杂的电磁环境以及各种对抗目标。

对抗措施合成模块通过不断感知周围的环境更新决策数据库，根据无源、有源探测信号和学习来的信息自动合成能够有效打击目标的对抗手段，优化干扰波形。

对抗措施合成模块采用蚁群优化等仿生计算方法，解决非线性、非高斯干扰资源分配问题，实现高效、稳健的多目标干扰，使整个系统的性能达到最优。

1.3 对抗效果评估模块

智能干扰模块实时接收认知侦察模块发送的无源、有源探测信息以及认知信息，现场给出威胁信号在我方干扰下产生的明显变化，如威胁雷达波来波瞄准角、重频率、带宽的变化，以及是否对雷达目标采用ECCM模式等，进行干扰效能评估，并推断威胁目标的真实性。同时根据干扰效能优化制定有针对性的电子攻击方法，优化干扰参数与干扰波形。

智能干扰模块采用基于进化式实时优化的粒子群算法进行干扰策略与干扰参数优化，该方法将模型更新及参数设定优化表达为一个多目标的进化过程，把扰动后等待稳态的过程划分为若干拟稳态区间，并以干扰效能评估作为测量值进行连续的模型更新和优化计算，实现干扰过程的实时优化。

1.4 动态知识库模块

认知电子战系统的主要特征之一是采用动态知识库代替传统的辐射源数据库和预编程对抗措施，动态知识库为认知侦察模块、对抗措施合成模块、智能干扰机模块提供先验知识，并利用反馈信息进行认知学习，动态更新知识库。

频谱表征与学习是动态知识库的基础，在传统的频率、脉宽、波形、功率等信号描述的基础上，动态知识库增加了识别信息、定位信息、电子防护模式信息、作战功能信息、意图信息、网络拓扑信息等认知推理信息。

2 关键技术

在认知电子战技术的发展过程中，要突破的关键技术可总结为4点：

（1）基于自适应机器学习的认知侦察技术；

（2）基于频谱知识的认知建模技术；

（3）智能化干扰措施合成技术；

（4）高度自适应的电子进攻技术。

2.1 基于自适应机器学习的认知侦察技术

基于自适应机器学习的认知侦察技术是认知电子战的首要关键技术之一，原因在于只有系统从其周围威胁环境中获取有用信息，才可为有效干扰措施的智能化合成提供可靠的支撑。此关键技术的突破在于自适应机器学习算法的开发，现有较可行的算法包括模糊聚类、神经网络等自适应信号检测处理算法，通过该类算法可以将周围环境信号的特征分析出来，并将所分析出来的特征信息传给对抗措施合成模块和对抗效果评估模块。

另一方面，自适应机器学习算法建立在一定的先验基础知识之上，该先验知识不一定在系统工作之前就提供，而是作战过程中在新环境中所出现的新威胁的不断积累，这个积累过程便是一种自适应的学习过程。图2给出了自适应机器学习算法检测对象，通过模糊聚类、神经网络等算法，从周围的自然环境分析、战场环境感知、先验知识库及编队信息融合等知识环境中检测出威胁目标信号，并进行处理。

图2 自适应机器学习算法合成

若要从未知环境中实现对目标的检测处理，必须能够保证得到准确的所需检测环境中的概率密度函数，那么必须对所需检测的未知环境进行估计。传统的检测算法主要包括：基于广义似然比（GLRT）的自适应检测算法[5]、自适应匹配滤波的检测器（AMF）[6]及改进的 GLRT 检测算法[7]，但此类算法均较复杂，且需要利用训练单元的观测数据对所需检测环境的协方差矩阵进行估计，实际操作过程中所估计的协方差矩阵往往是奇异的。为此，基于贝叶斯的环境检测估计算法能解决该问题，通过结合先验知识及未知环境中所采集的数据完成对目标运动模型及系统观测模型的联合状态的后验概率密度函数的准确提取。下面将主要对该算法予以介绍。

设目标运动模型为｛x｝1∶k，则k时刻目标的运动状态可表示为xk；系统观测模型为｛z｝1∶k，则k时刻整个观测空间的观测量可表示为zk。不同时刻目标联合状态后验概率密度函数为p（xk，ek｜z1∶k），由贝叶斯理论可知，概率密度函数可表示为：

式中：ek表示事件Ek＝1；¯ek表示事件Ek＝0。

由全概率公式，式（1）可转化为：

将概率乘法定理运用到式（2），化简后可得：

将式（3）代入式（1）可得：

则目标存在的后验概率可表示为：

那么，目标不存在时的后验概率可表示为：

由式（1）到式（7）可给出目标联合后验概率密度函数的迭代运算全过程。结合非齐次马尔可夫链模型，通过100次蒙特卡洛仿真，目标存在状态变量的系统检测跟踪性能如图3所示，其中实验目标位置以均方根误差表示。

从图3中可以看出，经过几次迭代之后，目标存在状态变量的非齐次马尔可夫链模型的跟踪性能较好，符合实际目标存在状态的转移。由此可见，非齐

图3 目标存在状态变量下系统的检测性能

次马尔可夫链模型下的贝叶斯检测估计算法能够很好地对目标进行检测。

2.2 基于频谱知识的认知建模技术

认知电子战系统实时感知战场环境信息以及雷达、通信、导航、激光、干扰机等目标信息，不同类型的信息在时域、空域、频域存在较大的差异，需要采用统一的频谱知识架构和标准，进行动态战术电磁环境描述，其描述参数由静态参数与动态参数组成，包括物理层属性（频率、带宽、功率、波形等）、协议、功能和意图（探测距离、波形模糊度、状态转移与其它雷达的协同等）、网络拓扑、自适应行为、电子防护模式等。认知侦察技术对侦收的信息进行处理要基于一定的数学描述，即首先要确定环境感知分析仪获得的信息模型，因此，只有通过对获得信息进行正确建模，才可为认知侦察模块中的侦收、检测、识别核心提供正确处理的先决条件。

2.3 智能化干扰措施合成技术

通过自适应机器学习算法对周围威胁的处理，可得到威胁目标的具体特征参数的解算，通过认知建模技术完成获得信息的正确建模，从而利用优化算法，从时域、空域、频域和极化域出发，有针对性地合成最有效的干扰措施。由此可见，智能化干扰措施合成技术突破的关键亦在于软件设计，即智能化优化算法的开发，数学模型化便成为了算法开发的重要目标，主要考虑的因素有目标的威胁程度、匹配干扰策略及干扰实施参数。优化的目标函数表示为：fobj＝αiTi＋βiSi＋γiPi（1）式中：Ti、Si、Pi分别为目标的威胁程度、匹配干扰策略及干扰实施参数；αi、βi、γi分别为前面3项因素的权值，且α＋β＋γ≤1。

以Ti、Si、Pi为优化因子，通过调整αi、βi、γi权值大小优化目标函数，即使干扰效果最优。

具体实施过程中的优化方法包括遗传算法（GA）、粒子群算法（PSO）、差分进化算法（DEA）及快速多层多极子算法等，但此类优化算法或多或少在优化速度、最优解的选取效果等方面存在各自的不足之处，不能满足实际战场中快速、最优策略选取的目的。通过开发更优的智能搜索算法为智能化干扰措施的合成提供有力的基础支持。

2.4 高度自适应的电子进攻技术

随着科技发展，对抗目标的复杂性及灵活性也相应增加，就固态有源相控阵雷达而言，在波形的设计中采用了宽带跳频和复杂脉内调制相结合等技术；发射和接收处理方面采用数字波束形成技术，实现超低发射和接收副瓣电平；另一方面，其工作方式更灵活，作战模式也复杂多变，致使固态有源相控阵雷达探测时的脉冲数量减少，整个系统的抗干扰能力增强。这便增加了固态有源相控阵雷达的对抗难度，以至于采用传统的电子进攻技术难以实现有效的干扰。

认知电子战技术正是传统电子战技术的发展，通过基于自适应机器学习侦察技术的突破，不断地感知周围的环境，适应新的威胁目标的识别，从而自动配合操作员分析、探测、识别，智能合成干扰措施；最后，采取高度自适应的电子进攻技术，完成对新的威胁目标的有效干扰，同时还可以采取评估措施对对抗能力和对抗效果进行评估，为先验知识库的更新提供佐证。

3 结束语

现代战场日益复杂，电磁环境错综交错，新型的威胁不断出现，认知电子战技术的开发研究成为必然趋势。本文主要对认知电子战系统中认知侦察模块、对抗措施合成模块、智能干扰模块和动态知识库模块的基本功能进行了概述；重点对认知侦察模块进行了介绍，给出了非齐次马尔可夫链模型下的贝叶斯环境目标检测处理算法；并归纳了认知电子战技术的发展，需要突破基于自适应机器学习的认知侦察技术、基于频谱知识的认知建模技术、智能化干扰措施合成技术及高度自适应的电子进攻技术的4项关键技术。这些技术依托的硬件基础比较简单，可直接对旧装备的软件进行升级，实现电子战系统的更新，从而提高系统作战效能。

[1]曾详能，张永顺，贺泽维，等.电子战新技术发展综述[J].航天电子对抗，2010（5）：31－34.

[2]黎湘，范梅梅.认知雷达及关键技术研究进展[J].电子学报，2012，40（9）：1863－1870.

[3]杨小军，闫了了，彭珲，等.认知雷达研究进展[J].软件，2012（3）：6－8.

[4]林志远，戴国宪.未来电子战技术[J].雷达与对抗，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.