复杂电磁环境下的智能干扰系统架构研究

吴剑锋，余勇军，裴虎城，李 洋

(1.北京机电工程研究所，北京 100074； 2.火箭军驻三院型号办，北京 100074)

·工程应用·

复杂电磁环境下的智能干扰系统架构研究

吴剑锋1，余勇军1，裴虎城1，李 洋2

(1.北京机电工程研究所，北京 100074； 2.火箭军驻三院型号办，北京 100074)

主要分析了国外在智能干扰技术上的最新研究成果，研究了人工智能技术的基本原理，在此基础上提出了一种复杂电磁环境下的智能干扰系统架构，最后研究了一种可用于智能干扰系统的认知引擎技术。

人工智能；智能干扰；认知引擎

0 引言

现代战场电磁环境越来越复杂，空间上无处不在，时间上密集交叠，频谱上宽广重叠。在时域上，电子战将由传统的“突击式”向“全程式”发展，电子侦察、监视、预警等设备将不分昼夜地连续工作；在空域上，面临陆、海、空、天构筑的全方位立体作战体系；在频域上，电磁频谱将从声波一直延展到光波的所有频谱, 涉及预警探测、导航、制导、通信、敌我识别、光电对抗等多个应用领域。在此背景下，传统上那种分散的、功能单一的电子干扰装备已远远不能适应未来作战需要，装备综合化、智能化、网络化将是在适应复杂电磁环境作战需求牵引背景下新的发展趋势。随着“第三次抵消战略”的重要能力支撑——人工智能技术的爆炸式发展，新一代的电子干扰装备将广泛采用先进的人工智能技术，大幅度提高整个系统的智能化程度，以具备更好的实时处理能力、复杂电磁环境适应能力和自适应的管理能力。

1 国外研究现状分析

2006年，加拿大科学家Haykin将“认知”引入到雷达上，提出了“认知雷达”的概念，人工智能进入电子对抗技术领域。

2010年7月10日，美国防高级研究计划局(DARPA)发布了“行为学习自适应电子战”(BLADE)项目公告，其主要组成如图1所示。BLADE项目的主要目的是开发一个能够自主地学习新威胁的电子战设备，用于对抗复杂电磁环境下与战术级目标相关的自适应无线通信威胁，以破坏敌方利用无线电信号和网络来发布命令、控制和通信(C3)的企图。BLADE系统的处理结果通过人机接口传递给电子战指挥官，为作战者提供有力的环境认知能力。指挥官通过系统接口来干扰特定威胁，或者通过简单地分辨潜在的威胁来学习对抗方式、方法。BLADE项目为期51个月，分三个阶段进行：第一阶段主要进行系统设计和算法开发，并进行测试；第二阶段实时实现第一阶段的设计，演示组网能力；第三阶段提供组网样机，实时运行。

2012年7月，DARPA发布了“自适应雷达对抗”(ARC)项目公告，该项目主要利用信号处理和机器学习等技术来开发智能算法，通过实时评估其行为，自主生成对抗措施，同时将评估结果反馈给武器系统操作员来对抗自适应雷达威胁，尤其是对抗波形特征从未出现、且行为未知的雷达威胁。该项目采用模块化、开放式、可升级软件架构，使飞行员或其他操作员进入“环路”中，而无需进行昂贵的硬件更新。2013年9月，BAE系统公司获得一份五年期、三阶段任务中1A和1B两个阶段的任务合同，合同价值3490万美元，主要任务为开发下一代电子战算法套件研发新的技术，使现有的电子战系统可以应对新的雷达威胁，为夺取空中优势提供一种重要的能力。

图1 BLADE项目主要组成示意图

2016 年，美军在认知电子战领域取得重大进展，BLADE项目系统首次进行了飞行试验；“自适应雷达对抗”(ARC)项目在实验室环境中验证了原型样机对未知雷达信号的自适应响应能力。在此成绩基础上，美军计划将已取得的认知电子战研究成果应用到F-35 和“下一代干扰机”(NGJ)上。

2 智能干扰系统架构研究

从上述国外研究现状可以看出，美国已经将人工智能技术引入网络战、电子战等信息及电磁对抗领域，并取得了重大突破，因此，某种程度上来说，人工智能技术已经被主要发达国家看作在复杂电磁环境下夺取信息主导优势的关键使能技术。从电子对抗技术的角度看，开展基于人工智能技术的智能干扰技术研究工作已经迫在眉睫，在此过程中，首要问题是需要构建一个科学合理的智能干扰系统架构，以便为后续的研究工作奠定良好的技术基础。

2.1人工智能技术的基本原理

人工智能是一种外向型学科，也是一门多领域综合学科，其主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。2000年，Mitola博士将人工智能引入无线电技术中，提出了OOPDAL认知环路，用于构建基于人工智能的无线电技术的基本架构。整个环路包括以下状态：观测(Observe)、判断(Orient)、计划(Plan)、决定(Decide)、行动(Act)、学习(Learn)，因此，被称为OOPDAL认知环路。OOPDAL环路主要工作状态由外环和内环组成。其中，外环被称为决策环；内环则称为学习环，用于从外环运行的历史经验中提取知识，并存放知识库以指导决策环运行。总体来说，Mitola博士构建的OOPDAL认知环路具有完整的认知功能和清晰的认知过程，是基于人工智能的无线电技术最为理想的环路模型，因此，具有普遍的适用性。

然而，针对电子对抗领域，Mitola博士构建的人工智能架构过于复杂，在实现过程中环节比较繁杂。为此，在Mitola博士构建的认知环路基础上，许多学者提出了一些简化模型，以便更好地适应现有的电子对抗技术，如图2所示。

图2 人工智能基本架构

如图2所示，人工智能基本架构主要由获取(Acquisition)、认知(Cognitive)、决策(Strategy)、执行(Execution)以及知识库等组成，主要过程为：通过对环境的信息获取，进行信息认知，形成知识，然后根据知识进行决策，形成智能策略方案，最后进行执行，作用于环境，使环境发生变化，进入下一个循环。在此过程中，通过将环境(或问题)要素纳入架构，形成了一个闭环的人工智能体系。与Mitola博士的认知环路架构相比，该模型更能表征认知过程的基本要素。

2.2智能干扰系统架构

从人工智能技术的实现过程和特点来看，其优势主要体现在“软”方式的能力提升上，因此，本文构建的智能干扰系统架构主要考虑算法、流程等“软”方式上能力提升的需求，硬件架构可通过其他路径进行优化升级，比如目前正在广泛研究的综合射频技术等。

按照这一原则和思路，通过参考国外的研究成果和成熟经验(如图1所示)，并基于上文对人工智能技术的研究，构建智能干扰系统的架构，如图3所示。

图3 智能干扰系统基本架构

从图3可见，智能干扰系统主要由接收模块、发射模块、评估模块、干扰策略制定模块以及知识库等组成，其中，接收模块和发射模块属于硬件模块，主要基于射频综合技术这种通用化硬件平台。整个系统的工作流程为：接收模块侦察复杂电磁环境中的威胁信号，并将侦察结果发送给评估模块；评估模块进行信号特征提取、识别等信号分选识别的工作，并对威胁环境进行评估，形成评估结果，将评估结果发送给干扰策略制定模块；干扰策略制定模块根据评估结果选择最优的干扰参数、干扰资源分配方式、干扰时序等策略；根据制定的策略控制发射模块以对威胁目标实施干扰，使威胁环境发生变化；最后进入下一个循环周期。在此过程中，知识库主要存储每次评估和策略制定的结果，并为下次评估和策略制定提供依据。由于在过程中加入了威胁环境要素，因此，从本质上来说，智能干扰系统与复杂电磁环境共同组成了一个闭环优化的系统。

比较图2、图3这两种架构，可以很容易地看出两种架构中各个功能模块的对应关系，如表1所示，因此，本文所构建的智能干扰系统是基于“获取→认知→决策→执行”这种人工智能的认知方式的。

表1 两种架构中功能模块的对应关系

2.3智能干扰系统的认知引擎技术

当完成智能干扰系统的架构构建后，接下来需要解决的问题是采用何种方式使整个智能干扰系统实现有效运转，此项工作主要由认知引擎完成。所谓认知引擎，指的是在可重配置的架构体系平台上，实现基于人工智能技术的推理与学习，并做出优化决策的智能主体。认知引擎是实现智能干扰这种理念的核心。认知引擎可以采用现今一些基于人工智能的最新研究成果，比如遗传算法、神经网络、模糊聚类方法等，这里主要介绍利用遗传算法作为智能干扰系统认知引擎的技术。

遗传算法是一种借鉴生物进化和遗传等生物学行为的人工智能技术，主要用于解决目标优化问题，通过找到一组参数(基因)使目标函数最大化。遗传算法的基本原理是根据求解问题的目标构建适值函数，使初始种群通过杂交和变异不断选择好的适值进行繁殖，从而产生新一代种群，并逐步使种群进化到包含近似最优解的状态。

采用基于遗传算法的认知引擎技术的基本思想是把智能干扰系统类比为一个生物系统，将系统获得的威胁参数、采取的干扰策略等定义为一个染色体后，利用遗传这种生物行为进行干扰策略的优化，因此，比较关键的问题是首先需要构建染色体基因模型。如图4所示，根据智能干扰系统的特点，基因组主要由匹配基因和行为基因两部分组成，其中，前N个基因为匹配基因，后M个基因为行为基因。匹配基因主要用于存放侦察所得的威胁目标参数，通常为侦察系统上报的脉冲描述字(频率、脉冲到达时间、脉冲结束时间、脉冲调制特征等)，要求每个基因(gi)对应一个脉冲描述字特征参数，匹配基因的主要作用为与知识库中的威胁参数特征进行匹配，以确定下一步的干扰策略；行为基因主要用于存放干扰策略，包括干扰参数、干扰资源分配方式以及干扰时序等，要求每个基因(gN+i)对应一个干扰策略的参数。

图4 遗传算法的染色体基因模型

完成染色体基因的构建工作后，就可以按照遗传算法中的经典方法进行干扰策略最优解的搜索寻找，本文提供的认知引擎将评估后威胁度降低趋势设定为最佳的寻优方向；在遗传算法执行过程中综合运用选择、交叉、变异、杂交等遗传算子产生新的染色体基因，而智能干扰系统中的知识库则作为遗传生物行为的基因库。针对染色体基因采取如下原则进行处理：

1)对成功行为有贡献的基因进行强化，对成功行为没有贡献的基因进行弱化，提高有益基因的存活率，同时删除无益基因。

2)基因的随机突变提供了基因序列产生新解的机制。

3)基因不仅以自然选择的方式存活或死亡，而且还可引入全新的种类，得到更高效的推理。

由此，可得基于智能干扰系统的认知引擎的整个工作过程为：

第一步：评估模块对接收到的威胁信号进行信号分选识别和威胁等级评估；

第二步：将信号参数与知识库中的参数进行匹配，并根据知识库构建染色体基因；

第三步：运用遗传算法产生新的染色体基因；

第四步：将新产生的染色体基因作为优化后的干扰策略用于执行干扰行为，并作用于复杂电磁环境；

第五步：接收模块侦察环境中信号的变化情况，并将侦察结果发送给评估模块，重复第一步……。

通过这种认知→干扰→认知……周而复始循环往复的学习推理过程，不断搜索干扰策略的最优解，从而提升智能干扰系统的干扰对抗能力。

3 结束语

人工智能技术在国外被称为“改变游戏规则”的颠覆性技术，其潜能不可估量，可以预见，智能技术的发展和应用必将支撑新一代武器装备的非连续、超常规、跨越式发展，从而促进作战样式、战争形态的变革。在此智能风暴的推动下，基于人工智能的电子干扰技术业已成为了一个热门的研究领域。本文主要提出了一种可用于复杂电磁环境的智能干扰系统构建理念，主要初衷是为智能干扰技术的研究工作奠定一定的技术基础，希望后续能在此基础上进行理论、方法等的丰富和完善，不断向研制工程实用化的智能干扰系统原理样机的目标前进。■

[1] 沈妮,肖龙,谢伟，等.认知技术在电子战装备中的发展分析[J].电子信息对抗技术,2011(6):22-26.

[2] 倪丛云,黄华.认知电子战系统组成及其关键技术研究[J].船舶电子对抗,2013,36(3):32-35,87.

[3] 蔡亚梅,张宇,陈利玲.认知电子战探析[J].航天电子对抗,2014,30(3):22-23,42.

[4] 邢传鼎,杨家明,任庆生,等.人工智能原理及其应用[M]. 1版.上海:东华大学出版社,2005.

[5] Mitola J.Cognitive radio:an integrated Agent architecture for software define radio[M].Sweden:Royal Institute of Technology,2000.

[6] Rondeau TW.Application of artificial intelligence to wireless communications[D]. Blacksburg: Virginia Polytechnic Institute and State University,2007:11-12.

Architecture of intelligent jamming system in complex electromagnetic environment

Wu Jianfeng1， Yu Yongjun1， Pei Hucheng1， Li Yang2

(1.Beijing Electro-mechanical Engineering Institute，Beijing 100074，China；2.Project Management Office of Rocket Army in Third Research Academy，CASIC，Beijing 100074，China)

The latest research results of intelligent jamming technology abroad are mainly analyzed，and the basic principle of artificial intelligence is studied. On this basis，the architecture of intelligent jamming system in complex electromagnetic environment is proposed. Finally，a cognitive engine technique for intelligent jamming system is studied.

artificial intelligence；intelligent jamming；cognitive engine

2017-04-08；2017-07-21修回。

吴剑锋(1979-)，男，硕士，主要研究方向为电子对抗技术。

TN972；TP387

： A