电子对抗干扰效果评估技术现状

2018-08-30冉小辉朱卫纲

兵器装备工程学报 2018年8期

冉小辉，朱卫纲，邢强

(中国人民解放军航天工程大学 a.研究生管理大队； b.电子与光学工程系, 北京 101416)

电子对抗在现代战争中发挥着重要作用。典型的电子对抗系统主要包含电子对抗侦察、干扰、指挥控制3个子系统。其中，电子对抗指挥控制子系统需要根据侦察信息以及干扰效果调整干扰策略，以达到最佳干扰效果。因此，对于干扰效果评估技术的研究具有重要的军事应用价值。

干扰效果评估是指在实施电子干扰后对被干扰设备所产生的损伤或破坏进行定性或定量评价的过程[1]。它是电子对抗作战的核心问题，同时也对电子对抗技术研究以及电子对抗设备开发起着重要作用。该技术在战时可及时评价并反馈干扰效果，使电子战装备能够快速调整干扰措施，得到最佳干扰效果；在电子战装备开发过程中又可以用于客观、准确估计装备作战效能，以便改善其干扰性能或抗干扰性能[2]。

目前，对电子对抗干扰效果评估技术的研究主要关注于评估准则、评估指标以及评估方法3个方面。经过多年的发展，对该技术的研究已经取得了一系列成果。本文总结了电子对抗干扰效果评估技术的发展现状，结合当前电子对抗技术发展的最新趋势，指出了亟需解决的问题，分析了进一步研究方向。

1 干扰效果评估技术现状

电子对抗干扰效果评估主要包含3个核心部分：评估准则、评估指标和评估方法[3-4]。其中，评估准则是进行干扰效果评估的依据；评估指标是指在进行干扰效果评估时，需要检测的被干扰对象受干扰效应影响的关键性能指标，它是后续应用评估方法进行评估的基础；评估方法则是利用评估指标实现干扰效果定量分析的数学途径。

根据以上对干扰效果评估过程的分析可以得出电子对抗干扰效果评估的一般步骤：

1) 根据被干扰对象的特点以及干扰措施的类型选定合适的干扰效果评估准则。选择评估准则时需要结合实际情况充分考虑，选取一种或多种评估准则；

2) 根据评估准则并结合评估需求、外部环境等诸多因素确定评估指标；

3) 根据评估指标的特点及形式选取合适的评估方法进行干扰效果评估。

1.1 干扰效果评估准则与评估指标

评估准则与评估指标对于干扰效果评估至关重要[5]。评估指标的选定是干扰效果评估过程中最核心的步骤，是在对干扰类型与被干扰对象以及外部环境等因素进行细致分析的基础上，结合评估准则来进行选择的。并且在实际应用中，利用单一的评估指标往往无法全面反映干扰效果，常需要从多方面考虑，建立相应的评估指标体系[6]。目前，常用的评估准则以及根据各评估准则提出的评估指标如表1所示，其主要包括[7]：

表1 常用评估准则及其对应评估指标

1) 信息准则：从电子设备获取的有用信息角度出发，利用干扰后电子设备获取信息的损失程度度量干扰效果。实际应用中，首先计算出干扰信号的熵，以此来评价干扰信号品质，继而以此评估干扰效果。可以粗略总结为干扰信号的熵越大，干扰效果就越好。其中，干扰信号J的熵H(J)为

其中pi表示干扰信号Ji出现的概率。如果干扰信号是连续分布的，可用概率分布密度p(x)来表示它的熵，即

信息准则理论清楚、运算简单，但是它仅仅只是根据干扰信号自身的优劣评价干扰效果，没有考虑到被干扰对象的抗干扰措施等其他因素对干扰效果的影响。从信息准则的角度出发，主要是以干扰信号的熵作为干扰效果评估指标。

2) 功率准则：也称干信比准则，在实际应用中一般用压制系数KA来表征：

KA=Jmin/S

KA表示对雷达产生有效干扰时，雷达接收机输入端需要的最小干扰信号功率Jmin与接收到的雷达信号功率S的比值。功率准则是目前实际应用较多的一种干扰效果评估准则，可以较好地反映压制性干扰的效果，但是对于欺骗性干扰却并不适用。在实际的压制干扰效果评估中，基于此准则提出了雷达接收机输入端信干比、压制系数、干扰压制区域、最小干扰距离等一系列评估指标。

3) 概率准则：通常根据被干扰对象在有无干扰条件下完成同一任务概率的比值来对干扰效果进行评估。概率准则相比信息准则与功率准则对于干扰过程考虑更加全面，并且对压制性干扰和欺骗性干扰均适用，但是由于此准则的应用是建立在大量统计数据基础上的，限制了应用范围。基于概率准则，常用杀伤概率、引导概率、发现概率、

受欺骗概率、拖引成功率等作为评估指标评估干扰效果。

4) 效率准则：通过比较被干扰对象在有无干扰条件下同一性能指标的变化评估干扰效果。一般利用有无干扰条件下同一性能指标的比值表征干扰效果。效率准则是一种适用范围较广的评估准则，对任意干扰类型和干扰对象都适用。但是，该准则通常只考虑作战对象的性能变化，而没有结合具体作战意图进行考虑。基于此准则，常用被干扰对象性能(如探测距离、检测时间，以及速度、距离、角度测量精度等)下降程度来表征干扰效果。

不同评估准则优缺点对比如表2所示。

表2 不同评估准则优缺点

1.2 干扰效果评估方法

评估方法是实现干扰效果评估的途径，解决了指标体系中各个指标与最终评估结果的关系问题[8]。不同评估方法的优缺点如表3所示，现有的干扰效果评估方法可以分为以下几类：

1) 评估因子法。评估因子法是一种早期的评估方法。其基本思想是将一些对干扰效果有影响的主要因素通过数学处理组合成评估因子，以此来评估干扰效果[9]。文献[10]在对压制干扰和欺骗干扰信号的统计特性及与之相对应的干扰效果进行分析的基础上，将雷达性能下降量、接收机输入端信噪比等因素进行数学处理，得到了一种能够比较全面地反映出电子对抗过程中各因素对于干扰效果影响的评估因子-有源干扰效果因子JECM。文献[11]在对遮盖性干扰进行评估时，采用雷达系统在受到干扰前后输出的信干比的比值来评估干扰效果。文献[12] 从功率角度出发分析遮盖性干扰的效果，将干扰功率J、目标回波功率S和目标的有效散射面积σ作为主要影响因素，构造了一种干扰因子。

评估因子法利用了对干扰效果有影响的一些重要因素，能够简单地对干扰效果进行评估。但在一般情况下，该方法考虑的因素数量较少，不足以全面反映干扰效果。同时通过该方法计算得到的评估结果不是归一化的，不便用于不同方法之间的比较。

2) 模糊综合评判法。电子对抗干扰效果评估过程中对干扰效果有影响的因素很多，并且各个影响因素与最终干扰效果之间的关系具有模糊性。为了解决干扰效果评估的模糊性问题，研究人员将模糊数学的工具引入到干扰效果评估中，形成了模糊综合评判法[13]。

模糊综合评判法的基本流程如图1所示，其步骤主要包括：对干扰因素进行分析，将影响干扰效果的各因素组成因素集，评价结果组成评价集，各因素对干扰效果的影响程度组成权重集；根据各因素的隶属度函数求出每个干扰因素的隶属度，利用单因素评价的隶属度进一步评定其等级，以此建立模糊综合评判矩阵；通过模糊算子得到干扰效果。

文献[14]在解决单部干扰机对单部雷达的干扰效果评估问题时，选取干扰时机Et、干扰频率Ef、干扰功率Ep、空间电磁环境、干扰样式Em与抗干扰措施等因素组成因素集,并为各因素选取合理的权重，最终将干扰效果映射到0～1范围内。文献[13]在对传统的雷达波门拖引式欺骗干扰进行评估时，选择干扰-信号功率比(J/S)、拖引速度Vp、干扰脉冲相对回波时延量Tg和雷达抗干扰能力Sj作为干扰效果主要影响因素，并利用层次分析法为每个影响因素分配合理的权重；最终实现对干扰效果评估。文献[15]在运用模糊综合评判方法时，通过选取不同的隶属函数和权重值对比分析了隶属函数与权值对评估结果的影响；文献[16]针对雷达干扰效果模糊综合评判法中权值因素对评估结果带来的不确定性问题，提出使用一种改进层次分析方法对评价模型进行改进，取得了较好的结果。

模糊综合评判法可以较好地适应干扰效果评估中影响因素众多的特点，能够将分析得出的可能影响干扰效果的所有因素全部引入到因素集中。但该方法中隶属度函数和权值的选择还没有统一的理论指导，需要靠评估人员的经验选取[17]。

(1)体现BEPS第7项行动计划部分成果。中国国内的税收协定解释性文件(《中华人民共和国政府和新加坡共和国政府关于对所得避免双重征税和防止偷漏税的协定及议定书条文解释》)已体现BEPS第7项行动计划部分成果，如所有豁免活动都必须满足准备性和辅助性的定义，代理人常设机构的判定等。

3) 智能评估法。智能评估法主要是指基于机器学习理论的干扰效果评估方法。该方法利用各种雷达对抗实验所得到的数据作为训练样本，通过学习得到影响因素对干扰效果的影响规律，进而实现特定影响因素下的干扰效果评估。智能评估法主要有人工神经网络(Artificial Neural Networks,ANN)方法与支持向量机(Support Vector Machine,SVM)方法。

人工神经网络评估方法是利用神经网络从以往多次试验结果中学习干扰效果与各因素之间的关系，以此建立评估模型，用于干扰效果评估。目前，常用的神经网络有BP神经网络以及RBF神经网络。文献[18]针对遮盖干扰选取功率有效度因子、检测概率下降有效度因子、作用距离有效度因子以及检测时间耗费有效度因子作为神经网络的输入，将以往实验的结果作为输出，通过BP神经网络拟合出干扰因素与干扰效果之间的关系，并以此建立评估模型，用于对干扰效果的评估。文献[19]提出了一种基于BP神经网络的复合干扰效果评估方法，针对不同的干扰样式选择不同的评估因子，用以往的试验结果作为BP神经网络的输入与输出，得到干扰因子与干扰效果之间的映射关系，最终通过该神经网络实现评估。文献[20]选定干扰功率、干扰频率、干扰样式、干扰时机4个指标的隶属度作为RBF神经网络的输入数据，得到了比BP神经网络收敛速度更快的评估方法。文献[21]利用模糊神经网络进行欺骗性干扰效果的评估，将干扰功率与雷达信号功率之比、雷达抗截获性、雷达信号模拟的复杂性和雷达系统在时频域上的分辨能力作为影响因素，并利用RBF神经网络，将其映射为优、良、中、差、很差5个干扰效果等级。基于神经网络的干扰效果评估方法简便易行，当样本足够多时能够取得较高的准确率，但是在样本有限的情况下容易出现过学习现象，导致其推广能力下降。

针对以上基于神经网络的干扰效果评估方法的缺点，研究人员提出了利用对小样本具有较好的学习能力的SVM进行干扰效果评估的方法。文献[22]在分析雷达的工作过程及其所面临的有源干扰的特点的基础上，从兼顾遮盖性干扰效果和欺骗性干扰效果的作战要求出发，将效率准则和时间准则相结合，提出了搜索时间比和跟踪误差比两个评估指标，然后利用仿真实验或实装对抗得到的“对抗态势”下的样本对LS-SVM进行训练，得到各影响因素与干扰效果之间的函数关系，最后利用训练好的LS-SVM回归机评估干扰效果。文献[23]针对波门拖引式欺骗干扰，从干扰机本身和雷达的抗干扰能力两个方面出发，总结出干扰-信号功率比、拖引速度、干扰脉冲相对回波时延以及雷达抗干扰能力四个影响因素，并将不同因素的隶属度作为SVM的输入值，利用多次试验的数据对SVM进行训练，得到干扰因素隶属度与最终干扰效果的映射关系。文献[24]将干扰效果评估问题看作一种有限样本分类问题，以干扰方的设置以及被干扰方的行为变化数据作为评估指标，并结合其对应的干扰效果构建了干扰行为特征训练数据库，再利用支持向量机对数据库中的训练样本进行学习，得到最优的分类结果，最后用实验证明该方法的可行性。

支持向量机对小样本具有较好的学习能力，相比神经网络更适合用于干扰效果评估。但是该方法对缺失数据敏感，对非线性问题核函数的选择没有通用解决方案。

表3 不同评估方法优缺点

2 研究方向

近年来，电子对抗干扰效果评估技术受到了电子对抗领域研究人员的广泛关注，取得了一系列的成果。但是由于雷达干扰过程本身的复杂性以及新的电子战技术发展带来的挑战，使得现有的研究成果仍然难以客观、全面地对雷达干扰效果进行评估。对于下一步的研究主要有如下几个方面：

1) 机器学习作为一种智能的数据分析工具，能够处理复杂数据并发现数据中隐藏的规律，已经被广泛应用于多种领域。目前，已有一部分学者将机器学习方法应用于干扰效果评估中，并取得了较好的评估结果，但是运用的算法大多仅限于神经网络与支持向量机。随着机器学习的进一步发展，研究人员提出了越来越多的新算法。因此，引入新的合适的机器学习算法进行干扰效果评估将会对干扰效果评估技术的发展有着积极的促进作用。

2) 现有的干扰效果评估技术大多属于第三方评估，这种评估方法需要使用被干扰雷达的详细设计参数以及工作性能等信息作为评估指标数据。然而，在实战环境中这些数据是很难获取的，这样就限制了现有干扰评估方法在战时的应用。针对此问题，需要转变评估角度，利用干扰过程中干扰设备接收到的雷达信号特征的变化并结合自身的实时状态数据进行干扰效果评估[25]。美军的一系列认知电子战项目对此类干扰效果评估方法进行了研究，并且已经进行了载机试验，不久将会投入实用[26-28]。国内对于此类干扰效果评估方法的研究较少，为数不多的公开文献也只是进行了理论上的阐述[29-31]。因此，未来对基于干扰方的干扰效果评估将会是干扰效果评估技术的重要发展方向。

3) 目前，各国电子装备更新换代速度很快，新装备层出不穷，战场上可能面临未知电子装备。然而目前大多数干扰效果评估方法是建立在作战对象参数已知情的基础上。当前，人工智能领域已提出迁移学习，零样本学习等可用于样本数据库未知情况下的识别算法。因此，在未来的研究中可以借鉴迁移学习等算法实现对未知作战对象的干扰效果评估。