认知电子战研究进展

刘松涛，雷震烁，温镇铭，葛 杨

(海军大连舰艇学院信息系统系，辽宁 大连 116018)

0 引言

电子战的目的是识别辐射源并通过反辐射武器或电子干扰对其目标探测或信息传输进行破坏，而雷达想要探测敌方目标并引导火力打击，通信需要传输目标信息、指挥信息等实现体系作战，因此，电子战与雷达、通信之间是博弈关系，形成了雷达和通信引领、电子战追赶的发展态势。过去二十年，雷达技术取得了巨大的进步，相参累积、功率管理、超低旁瓣天线等技术降低了信号被截获的概率；正交频分复用等新型信号的应用，使电子战系统难以推断雷达的行为意图；低截获概率(LPI)雷达、多功能雷达、认知雷达等新型雷达的出现增加了雷达侦察和干扰的难度。另外，在真实的作战状态下，我们所了解和记录的敌方威胁信号很可能是没有见过的，这是由于雷达可能通过软件改变发射信号波形和特征进入新的作战模式。通信技术的进步也是有目共睹的，认知无线电能够搜索并迅速将其信号转移到空闲频谱，或者跳变到以前从未用过的频段，这极大地增加了通信侦察发现短持续时间通信信号的难度。应该说，随着雷达和通信等作战对象转向自适应和不可预测的频谱使用，探测和干扰这些系统的电子战系统也必须对不断变化的频谱和信号做出自适应响应。另外，民用领域雷达和通信的不断发展也带来了海量数据的频谱拥堵。上述一切使电子战系统面临从未遇到过的复杂电磁环境。

然而，目前的电子战系统主要依靠已知辐射源(雷达、通信等)的威胁数据库工作，通常是在实验室研究并开发有效对抗措施。面对采用新型、未知波形和其他技术的辐射源则需要记录、回到实验室、研究对抗措施并将其带回战场，才能对其实施有效对抗。为了缩短这个时间，出现了电子战作战支持，可以在执行任务间隙快速实现对抗措施定制[1]；但这个过程还是太慢了，因为需求通常要求在数秒钟内完成。虽然专用的电子攻击飞机(如EA-18G“咆哮者”)能通过机上的电子战军官识别和干扰未知的威胁辐射源，但是这完全依靠电子战军官的技能。因此，作战对象(雷达和通信系统)的变化迫使电子战系统必须要发展，目标是能够在密集的电磁环境中分离出未知的威胁信号，然后快速生成有效的电子对抗措施。人工智能和大数据技术的蓬勃发展，软件无线电技术的日益成熟，也正在推动传统电子战升级换代到认知电子战，解决作战对象技术进步带来的对抗难题。认知电子战将能够自主识别并干扰敌方信号，即使在作战过程中也能瞬时识别威胁数据库没有预编程的敌方信号，然后实时生成有效的波形实施对抗，即认知电子战能够在交战中进行学习并实时反应。美国国防部第三次“抵消战略”的核心是在各军种和任务领域快速研发和部署最新的技术能力，确保美军相对所有可能的对手继续拥有决定性的军事优势。目前，电子战领域受到最多关注的也是认知电子战，充分说明了认知电子战的重要性。

“认知”一词的首次应用主要与通信有关，它是指系统搜寻特定频段，评估其是否未受干扰并可使用，然后引导无线电台使用该频段或转移到其他可选频段的能力。1999年，瑞典的Joseph Mitola博士首次提出了认知无线电的概念[2]。2006年，顺应自适应智能的发展趋势，Simon Haykin教授提出了认知雷达的概念[3]。为了对抗认知无线电和认知雷达，2010年，美国国防部高级研究计划局(DARPA)开始启动“行为学习自适应电子战”(BLADE)等一系列认知电子战项目研制，目前已进入装备转化应用阶段。2008年，杨小牛院士设计了一种新的以电子侦察为技术基础的认知无线电体系结构[4]，标志着国内开始关注认知电子战领域，但目前仍处在算法理论研究阶段，缺少信号级的仿真论证和工程项目应用。关于认知电子战的研究情况，文献[5—10]从不同角度、不同层次，以不同方式进行了综述。为了帮助电子对抗领域的学者能够更加全面和深入地了解认知电子战的研究情况，本文从为什么要发展认知电子战入手，对比分析了认知电子战的相关概念，给出了典型认知电子战的系统组成，重点对认知电子战技术的国内外现状和项目研制情况进行概括总结，并指出认知电子战需要重点发展的10个方向。

1 认知电子战概念分析

认知电子战的定义为：以具备认知能力的电子战装备为基础，注重运用自主交互式电磁环境学习能力与动态智能化对抗能力的电子战作战行动[11]。主要包含三个基本要素：1) 认知侦察——自适应智能感知电磁环境，确定存在的辐射信号以及其位置和类型；2) 认知干扰——这是认知技术的本质，利用机器学习算法做出最佳决策，即用哪个干扰信号对哪一层(物理层、链路层或网络层)实施干扰；3) 认知防御——从认知技术角度做好己方雷达和通信系统的防御。

由于认知电子战技术非常先进、新颖，这一领域看起来复杂且难以理解，相关概念还需要通过对比分析来进一步阐明。下面从学习能力、自适应能力、预测能力和反应时间四个方面来分析认知电子战与自适应电子战的差异。

1) 学习能力

自适应电子战通常是根据预先定义的输入和预先确定的行动而产生的一系列响应，其运行均受到软件程序的制约。例如：目标改变发射带宽，系统就要调整接收机资源以匹配该带宽，不需要学习。认知电子战具有在线学习能力，能够自主从经验中学习怎么对抗未知威胁，以及如何记录和应用这些经验。认知系统能够在程序框架外进行思考推断，不受基础程序的制约，主要是依赖机器学习技术，通过刺激敌方系统，观察敌方的反应并进行自动学习，尝试使用不同波形，从而快速找到有效的干扰信号。

2) 自适应能力

自适应电子战聚焦于实时适应威胁环境并根据不断变化的威胁特征自动改变电子战手段，前提是针对已知威胁信号。认知电子战对已知和未知威胁信号均具有自适应能力，能够快速改变发射的信号，来响应接收到的信号变化；所以，认知电子战必定有自适应能力，而自适应电子战不一定具备认知能力。

3) 预测能力

自适应电子战系统通常没有存储器，这意味着其针对敌方的每次调整都是基于当前的信息。认知电子战系统具有经验累积能力，因此能知道敌方系统在较长时段的反应情况，可以预测敌方系统可能采取的下一步动作。

4) 反应时间

针对已知威胁信号，认知电子战和自适应电子战都可在很短的时间内(数十微秒至数十秒量级)根据接收到的敌方辐射信号改变其干扰参数。针对未知威胁信号，自适应电子战的适应周期可能需要数年时间。当部队要部署到某一战区时，首先观测该地区的信号类型、频率、波长或带宽，并将其带回实验室进行分析和开发相应的对抗措施，然后再将对抗措施应用到系统中。而认知电子战则可以现场来观测信号行为并自动生成和调整对抗措施，实时或近实时地实现对目标的有效干扰。

通过上述对认知电子战的概念分析和对比，可以概括出认知电子战的主要优点包括：

1) 有望彻底解决复杂电磁环境精确态势感知的难题。认知电子战的动态学习能力可以以专家从未想过的方式学习和做出反应，可能会发现迄今无法想象的辐射源之间的区别，这些区别是由制造缺陷等因素引起的波形“无意调制”产生的，而传统基于专家知识的系统可能会丢弃这些数据；因此，精确态势感知是认知电子战的优势之一，它可以帮助我们识别出伪装的射频辐射源。

2) 有效对抗具有认知能力的系统。认知雷达和认知无线电的最大特点就是其认知能力，即自主根据周边的电磁环境选择信号波形(如：频率、脉冲宽度、调制样式等)。传统的功能固化的电子战系统在应对这些认知系统时，其效能将大打折扣。认知电子战能够通过分析目标信号来推断其当前所处的状态，进而通过智能决策来实施最优干扰；干扰实施后，继续观察目标信号，评估判断施加干扰的好坏，反馈到智能决策模块，进一步优化干扰措施，以达到最佳的作战效能。

3) 极大增强电子干扰系统的隐蔽性和抗毁性。传统的电子干扰系统只能依靠大功率压制手段来实现有效对抗，容易暴露并招致反辐射打击；而认知电子战系统以精确的态势感知为基础，干扰信号无需大功率发射。因此，干扰系统的隐蔽性和抗毁性大大提高。

4) 显著提高网电一体化的对抗水平。由于赛博战主要是高层次(网络层、应用层)的信息对抗，缺乏低层次(物理层、链路层)的对抗手段与技术[11]，传统电子战在态势感知、干扰与欺骗等环节的技术水平尚不足以支撑赛博战。认知电子战进一步拉近了电子战与赛博战之间的距离，将电子战和赛博战融为一体，可真正实现网电一体战。

2 认知电子战系统组成

为了发挥认知电子战的能力，需要构建一个认知电子战系统。文献[12]对国外目前提出的三种认知电子战架构系统的目标、特点及其模块功能进行了详细分析。文献[13]设计了认知电子战系统框图，利用认知引擎将认知代理、自动信号分类和射频环境行为分析等功能集成到一起，并设计了详细的工作流程。为了提高认知电子战系统的灵活性、通用性和电磁环境适应能力，王沙飞院士讨论了认知通信电子战体系架构和认知雷达电子战体系架构，并将认知电子战系统体系架构统一设计为由软件定义可重构侦察干扰设备、设备控制中间层、认知电子战应用程序、认知引擎中间层和认知引擎5部分组成[14]。本文在上述工作的基础上，对认知电子战的系统组成进行细化，并梳理每个组成模块涉及的主要内容，见图1。

图1 认知电子战系统组成框图Fig.1 Composition block diagram of cognitive electronic warfare system

1) 认知侦察模块

该模块通过对战场电磁环境感知，截获辐射信号后，进行参数测量、信号分选、辐射源识别和辐射源个体识别等信号处理分析，提取出描述目标的核心特征数据，判断威胁等级，并传送至认知干扰和干扰效果在线评估模块。环境感知主要通过天线、A/D等硬件实现。基本参数测量结果会反馈给态势感知单元，调整态势感知参数，实现最优环境感知。辐射源个体识别是为了确定目标所在的具体平台，有利于进行威胁判断。

2) 认知数据库模块

该模块包括威胁目标库、干扰规则库、先验知识库等。认知数据库是动态更新的，为认知侦察模块、认知干扰模块、干扰效果在线评估模块提供先验信息，并将其学习成果进行经验累积，动态更新数据库。在传统的频率、脉宽、波形、功率等信号描述的基础上，认知数据库增加了识别信息、定位信息、电子防护模式信息、作战功能信息、目标行为等认知推理信息。

3) 干扰效果在线评估模块

该模块根据实施干扰前后目标信号参数的变化来识别目标工作状态和可能采取的抗干扰措施，并结合外部预警探测系统的输入信息，定量地分析对抗效果，得到当前干扰样式的评估结果，识别出目标系统的薄弱环节，指导干扰决策单元优选或生成干扰样式。多功能雷达的出现使得仅对雷达辐射源的型号进行识别已无法判断威胁等级，还需要进一步利用雷达工作状态来进行判断；因此，目标工作状态反馈输出到认知侦察模块。

4) 认知干扰模块

干扰决策是指根据认知侦察模块的分析结果，认知数据库中己有的数据和干扰资源以及干扰效果评估结果和目标工作状态进行干扰样式优选或生成。如果是已知威胁目标，利用机器学习算法优选干扰样式，因为目标工作状态在对抗过程中可以快速切换，故干扰样式决策时应该建立目标状态与已有干扰样式之间的最佳对应关系；如果是未知威胁目标或目标未知状态，需要动态地调整干扰参数、优化干扰波形，从而生成新的干扰样式输出，并将最终有效的干扰样式保存到干扰规则数据库。干扰资源分配是指在干扰机为多个或需干扰目标为多个时，对干扰机功率等参数的选择使用智能算法进行优化，使系统的干扰性能达到最优。干扰信号生成是指产生相应的干扰信号，辐射到电磁环境并作用到干扰对象。

5) 人机交互模块

该模块主要包括目标参数、威胁判定、干扰效果等结果的显示，以及电子战职手纠错性的及时控制。

通过以上五个模块，认知电子战系统可以在无需人为干预(或少量干预)的情况下自主进行决策和学习。随着学习次数的增多，认知系统也会不断地累积经验和进化，实现对抗效果更好和对抗时间更短。

为了搞清认知电子战的对抗过程，还需要深入了解其作战对象，即威胁环境或目标。当前简单的静态参数已难以描述环境或目标的复杂性和动态性，因此，描述参数应该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、状态转移等)、自适应行为和电子防护模式等，并通过信息模型的方式进行表示。信息模型中，目标行为模型对认知过程的分析和判断最为重要。

若要实现一个认知电子战系统，在认知电子战系统组成框图的基础上，还需要结合具体硬件平台，设计系统软件。软件定义可重构侦察和干扰设备是认知电子战系统适应电磁环境，对抗未知威胁目标的硬件基础，以便于认知侦察和干扰的分析结果对侦察和干扰设备的功能和参数进行在线重构。文献[15]提出了一种软件架构，进行认知推理和表示，目前已经实现了多个推理技术，比如：基于案例的推理，贝叶斯网络，模糊推理等，并应用到BLADE项目以及未知雷达波形感知与对抗项目。

3 认知电子战技术国内外研究现状

当前电子战系统的硬件在设计时并未考虑到未来智能化的需求，而智能化要求电子战系统能够完成更多的运算；因此，合适的发展思路是首先以先进算法的形式在现有电子战系统中增加智能化功能，以便将成本降到最低，然后再提高硬件和系统的运算能力，以及传感器的探测能力。由于认知电子战比能量探测器要求更高，它需要更高质量的探测数据，因此必须改善传感器带宽、A/D转换器、噪声系数等。当前认知电子战领域的核心是算法和技术，故本章主要论述认知电子战技术的国内外研究现状。

3.1 目标行为建模技术

战场电磁环境是动态的，而且许多传感器的数据也是不完整的，有时在时域、频域和空域还可能是冲突的；因此，传统的统计参数模型已无法描述目标和环境，有必要将人工智能和机器学习领域的知识表示方法引入到电子战领域。

此处重点研究目标行为建模技术。其基本思路是通过对特定电磁辐射源的行为观察、描述和分析，建立该电磁辐射源的行为描述模型[16]。该模型可以用在认知侦察中的目标工作状态估计、辐射源识别、目标行为预测以及认知干扰中的目标行为控制等。概括起来，行为描述模型主要包括以下四类：

1) 层级结构模型

文献[17]针对目前电子情报系统无法对多功能雷达信号进行有效描述的问题，在分析多功能雷达信号产生机制的基础上，建立了其“功能、任务和波形”的层级结构模型。

2) 隐马尔可夫模型

文献[18]为了反映系统内部的状态变化规律和信号的动态特性，将多功能雷达系统等效为一个有限状态机，采用隐马尔可夫模型对多功能雷达的脉冲序列信号直接进行建模，指出了时序特征在多功能雷达信号描述中的重要性。

3) 自然语言模型

文献[19]把多功能雷达看成是按照一定的语法规则“讲话”的系统，将多功能雷达信号用句法模型表示，明确地建立了系统的内部状态与外部的观测信号之间的对应关系；文献[20]参考自然语言中的语义结构关系，提出了自适应雷达的行为描述模型，这是一个分层次的行为表示模型，其层次分别为脉冲描述、状态序列、雷达子行为、任务和状态转换与统计。

4) 分段式统计参数模型

文献[21]用传统的统计参数模型来描述每个模式内信号的特征，然后通过实时地检测信号中的模式变化来反映信号的动态特征，并结合神经网络分类器实现信号分段和模式判断。

3.2 认知侦察技术

复杂电磁环境中，如何以最快的速度了解电磁环境，选择最优侦察方式，是认知电子侦察需要解决的问题。认知侦察技术主要包括认知信号参数测量，认知信号分选，辐射源分类识别和辐射源个体识别等。

1) 认知信号参数测量

和传统信号参数测量不同，文献[22]在认知侦察模块的参数测量部分给出了认知处理方法，主要包括：①基于认知技术的宽带数字信道技术，主要指频域参数测量时，利用认知结果对信道参数进行动态调整；②基于认知技术的数字多波束形成技术，主要指空域参数测量时，利用认知结果对数字波束形成参数进行动态调整。

2) 认知信号分选

当前的辐射源信号环境密集而复杂，侦察范围内可能同时存在几十上百部雷达，表示雷达特征的时域、空域、频域参数很可能发生全部或部分重叠，难以进行有效的分选，多功能雷达信号的特点使得分选处理的难度进一步增加。针对多功能雷达的波形特征变化给信号分选带来的困难，文献[17]提出利用与雷达位置有关的多站时差信息来进行信号分选。文献[23]采用包络智能判别方法和自适应通道管理技术，解决了信号分选过程中通道脉冲采样的“边界效应”以及抑制并消除反射信号、剔除虚假目标和平滑目标角度跳变等难题。

3) 辐射源分类识别

随着战场电磁环境的日益复杂和多功能雷达的出现，传统方法难以有效识别雷达辐射源：一是特征提取和选择比较困难，人为设计特征总是很难完整反映雷达辐射源特定型号和发射波形信号的细微差异；二是多数分类、回归等学习方法(比如：支持向量机(SVM))的实质为浅层结构算法，对于有限样本的复杂函数表示能力有限。

深度学习是机器学习的一个新分支，其主要优点是跨过整个特征设计阶段，直接从原始数据中进行特征提取和特征学习[24]。现场可编程门阵列(FPGA)、图形处理单元(GPU)的加速处理方法使得运算的实时性能够保证。通常说深度学习的计算量大，是指训练时间长，但是实际应用时耗时很短；因此，利用机器学习自动提取特征已成为现实。典型的深度学习网络结构包括卷积神经网络(convolutional neural networks, CNNs)、深度置信网络(deep belief networks, DBNs)、深度玻尔兹曼机(deep boltzmann machines, DBMs)和堆栈自动编码器(stacked auto-encoder, SAE)等。文献[25]将深度限制波尔兹曼机应用到辐射源信号特征提取和分类识别，具体模型由多个限制波尔兹曼机组成，通过逐层自底向上无监督学习获得初始参数，并用后向传播算法对整个模型进行有监督的参数微调，最后利用Softmax进行分类识别。在低信噪比情况下，该模型具有较高的识别精度和较强的鲁棒性。考虑到辐射源射频信号时域特征易受到干扰，而雷达信号时频特征具有惟一可辨识性，文献[26]首先利用短时傅里叶变化(STFT)生成时频图像，并利用随机投影和主成分分析方法分别从维持子空间和能量角度对时频图像降维，然后利用无标签的样本信号训练SAE模型，再利用带有类别标签的辐射源信号数据对深度网络进行精度调谐，最后也是用Softmax进行识别，仿真实验中利用6种辐射源信号验证了提出算法的有效性。而文献[27]利用Choi-Williams分布生成时频图像，结合CNNs实现了12种雷达辐射源信号识别。可见，将雷达信号转化为二维图像的方法有很多，具体用哪种方法好呢？文献[28]生成了不同的时频图像，再利用非负矩阵分解网络和不同的CNNs进行训练，对其结果利用SAE进行融合和SVM分类，最后利用人工蜂群算法进行集成学习；该方法充分利用了图像处理领域大量的CNNs网络，比如：VGG-19, ResNet-50, GoogLeNet等，适用于大量不同类型不同信噪比的雷达信号识别。针对伪随机序列相位调制信号的时频图像难以区分的问题，文献[29]提出了特征融合的CNNs分类方法，即一个CNNs的输入为时频图像，一个CNNs的输入为经过预处理的相位信号，并设计一个特征融合层，最后仍是经过Softmax分类器输出。考虑到利用集成学习的思想能构建一个有效的组合分类器模型，因此，可用来替代深度学习中的Softmax分类器进行辐射源识别[30]。文献[31]在利用深度学习识别分类雷达信号的基础上，进一步提取每个信号的参数，为截获信号的显示和认知数据库更新做好了准备。

针对雷达信号脉冲检测可能不准确的问题，文献[32]首先用STFT将信号转化成时频图像，然后在时频图像中利用Hough变换检测脉冲，最后用时频图像中包括脉冲的区域来训练CNN，识别LPI雷达信号。另辟蹊径，从深度神经网络入手，文献[33]采用SSD(single shot multibox detector)来进行LPI雷达信号的分类识别，也解决了时频图像中非目标脉冲信息的干扰问题；这是因为SSD不仅可以从时频图像中自动提取特征，还可以定位图像中目标信号的区域。当前，大多数LPI雷达信号的分类识别都是针对脉冲信号，而连续波LPI雷达信号由于功率低，难以截获，研究较少。

在通信侦察与通信抗干扰领域中，为保证能在复杂的通信环境中对接收信号进行正确的解调，首先要准确识别出信号的调制方式。文献[34]在仅有少量已标记调制信号的条件下，首先使用卷积自编码器(convolutional auto-encoder，CAE)进行无监督学习，得到信号的抽象表达特征，再结合CNNs对已标记的信号进行监督学习，实验结果证明该方法比仅利用同等数量的少量标记信号进行有监督学习的方法平均正确率高出5%左右。考虑到CNNs的分类效果与训练数据紧密相关，文献[35]设计了两个CNNs：一个在同相正交信号数据库上训练，实现粗分类；一个在星座图数据库上训练，进一步区分正交调幅信号为16状态还是64状态，实现精分类。与雷达辐射源识别类似，将通信信号转化成星座图以后，可以充分利用计算机视觉领域的成果，比如：AlexNet和GoogleNet来进行通信信号识别[36]。

4) 辐射源个体识别

在战时复杂电磁环境下，对于每个电磁辐射源而言，很难获取充裕的已知类别的辐射源观测数据。针对小样本情况下的通信辐射源个体特征识别问题，文献[37]设计了一种堆栈自编码网络的通信辐射源细微特征提取算法：首先通过高阶谱分析将原始通信辐射源信号从时域转化到高维特征空间；然后利用大量无标签的通信辐射源高维样本来训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对Softmax回归模型进行精校训练，从而获得面向通信辐射源个体特征提取的深度学习网络。与深度学习从训练数据中学习不同，强化学习采用试错机制，在与环境的交互中学习，学习过程中仅需要获得评价性的反馈信号，以极大化奖赏为学习目标，主要实现算法包括动态规划算法、蒙特卡罗算法、时序差分算法、Q-学习算法等。文献[38]将强化学习和CNNs结合，提出了一种深度强化学习的辐射源个体识别方法：因为雷达辐射源个体识别时，状态空间的状态数目无限，无法用有限空间存储所有状态动作对的Q值，因此，基于CNNs的函数泛化能力进行Q值函数的拟合；考虑到实时性要求，文中个体特征选用辐射源包络前沿。

3.3 认知干扰技术

传统干扰方式一般只针对某种体制的雷达，而面对灵活多变的多功能雷达，本地数据库未存储该雷达信息或只存储了部分信息，传统干扰方式很难实施有效干扰；因此需要研究认知干扰技术。考虑到Q-学习算法能够在缺乏立即回报函数和状态转换函数时依然可以求出最优干扰策略，文献[39]在假定雷达工作模式数目已知的条件下基于Q-学习算法实现了认知干扰。进一步，文献[40]设计了工作模式的判断和增加过程，使Q-学习算法适用于雷达工作模式及数目未知情况的智能干扰。文献[41]在设计基于Q-学习的认知干扰决策时，又充分考虑了算法各参数、实际战场中转移概率和新状态引入对决策性能的影响。由于基于Q-学习的认知干扰决策方法随着多功能雷达可执行的任务越来越多，决策效率明显下降，文献[42]提出了基于深度Q神经网络的干扰决策方法，雷达任务越多，干扰决策越优于其他决策方法。

类似于雷达干扰领域，深度学习和强化学习在通信干扰领域也非常重要。智能干扰信道选择算法的核心问题是在相应的状态下提供有效的干扰信道，这实际上可以等效成一个序列决策的问题，而强化学习算法则是序列决策问题的一种有效的解决方案。文献[43]提出基于Q-学习算法进行智能干扰信道选择：如果通信方通过改变调制方式、发射功率等通信参数来改善通信效果，考虑到问题的复杂度及值函数近似的局限性，进一步采用深度强化学习算法来实现智能干扰。Q-学习算法的主要不足是在线学习时间偏长，且仅仅保证逼近最优；然而军事应用时，非最优干扰策略可能导致的后果将是严重的。因此，文献[44]将用于无线通信场景中的多臂强盗(multi-armed bandits)算法用于干扰优化，证明了算法收敛到全局最优，且学习速度快，计算量呈亚线性。为了在军事领域更好地应用干扰优化方法，文献[45]提出了贪婪强盗(greedy bandits)算法，设计了新的基于功率和持续时间变化的奖赏标准，通过连续地交互发射和接收，可快速得到最优物理层干扰参数(比如信号样式、功率大小和脉冲间隔等)。

3.4 干扰效果在线评估

在实际作战环境中，由于被干扰对象是非合作目标，只能间接地根据实施干扰前后侦察设备侦收的被干扰目标的变化情况，并结合己方电子战经验和平时收集的情报数据来综合判断可能的干扰效果，因此，电子战干扰效果的在线评估非常困难。干扰效果在线评估的重点是评估指标的选取和评估方法的设计。

评估指标选择时，雷达工作状态的判断很重要，这是因为：1) 明确了雷达的工作状态，才能为其分配相应的干扰措施；2) 工作状态的改变可以评价干扰效果。因此，反映工作状态的指标和推断工作状态的方法是研究热点。指标选择方面，文献[46]利用截获信号的幅度变化趋势和干信比这两个指标来确定敌方雷达是否已偏离跟踪状态。文献[47]以Link-16系统为作战对象，通过对其受扰前后的行为分析，提出了以通信信号体制、功率、编码方式、封装结构和组网等行为参数变化作为评估依据。目标状态识别方面，文献[48]结合相控阵雷达多功能、多工作方式的特点，通过侦察雷达辐射信号判断相控阵雷达的工作状态。文献[49]利用聚类算法完成对初始信号样本的状态划分，从而不需要人工标注先验类别信息，能够在线判断新到来的信号样本是否属于未知目标状态。借鉴其他领域研究成果，也可解决目标状态识别问题：文献[17]引入生物序列分析中的点阵图分析技术和多序列比对技术，提出了一种基于序列相似性分析的搜索规律重建方法；该方法通过定量地对波形序列不同分段之间的相似部分进行检测和计算，能够实现高精度搜索规律重建。文献[50]将不同工作模式下雷达信号参数的变化规律与数据挖掘中的关联分析问题联系起来，利用Apriori算法对全脉冲数据进行关联分析，实现工作模式判断。天线扫描方式对雷达类型和工作状态的识别非常关键：为了识别圆形扫描、扇形扫描、相控阵扫描等天线扫描方式，文献[51]将截获的雷达信号转化为可视图(visibility graph)，然后从图中提取平均度、平均聚类系数等特征，并用SVM、BP网络、朴素贝叶斯、多层感知机和DBN进行分类，结果表明，多层感知机、DBN和朴素贝叶斯对天线扫描方式的识别率都比较高。

评估方法设计时，文献[52]提出了一种从侦察干扰系统的角度定量评估干扰效果的方法。该方法根据干扰前后侦察系统截获的雷达脉冲幅度和数据率变化，将截获信号中积累的幅值作为统计特征，结合雷达受干扰后的响应机理，设计了基于显著性检验的干扰效果检测器。机器学习算法能够较好地利用线下经验指导线上对抗，所以为实现智能化评估引入机器学习算法是必然的趋势。文献[53]针对雷达行为参数在不同工作模式下的变化规律，构建了干扰效果评估知识库，并将SVM理论应用于干扰效果在线评估，具有较高的可靠性。文献[54]利用随机森林算法的特征选取能力优选指标，结合神经网络算法强大的回归能力进行评估，结果比单一的神经网络算法评估模型具有更好的评估性能。

当前干扰效果在线评估的研究大多集中在理论层面，结合工程项目的较少，作者所在课题组围绕舰载认知电子战初步做了一些工作，包括：在线评估的准则和流程[55]，SVM-DS融合评估[56]，DS时空融合评估[57]和目标轨迹估计等，需要克服的难点还比较多，比如：复合制导导弹的认知对抗，导弹目标轨迹估计的精确性，评估的实时性和外场测试验证等。

3.5 认知数据库技术

围绕认知数据库的技术主要包括：1) 认知作战对象的行为模型数据以及动态环境数据的存储方式；2) 干扰规则库中干扰样式的存储方式；3) 数据库整体结构及索引方式的优化，以减少存储和调用的时间。文献[58]提出了认知侦察数据库的概念，主要是指增加具有认知能力的作战对象行为模型以及战场动态环境的存储，并通过与智能化算法的结合，使得数据库作为存储单元可以和其他信号处理环节自适应结合的侦察数据库。

4 认知电子战项目研制情况

以美国为首的发达国家在认知电子战领域开展了广泛研究，典型项目包括：

1) “行为学习自适应电子战”(BLADE)项目

2010年，DARPA发布BLADE项目公告，然后授予洛克希德·马丁公司、雷声公司等开展研究，项目周期51个月[59]。该项目是美国国防部认知电子战的先驱，致力于开发机器学习算法和技术，快速探测并表示新的无线电威胁，动态生成新的对抗措施，并根据空中观察到的威胁变化，提供精确的战斗损伤评估。新的机器学习算法和技术还能对敌方通信干扰信号进行特征识别和对抗。2016年，洛克希德·马丁公司成功地演示了认知电子战系统通过机器学习实现动态对抗自适应通信威胁的能力。

2016年，美国海军为了寻求减少生成对抗无线电控制简易爆炸装置威胁的干扰波形的时间，由海军水面作战中心负责研制反简易爆炸装置电子战(CREW)独立高精度响应路径(SHARP)自适应电子战行为学习(BLADE)项目(SHARP BLADE for CREW)。该系统将减少美国作战人员易损于新威胁的时间，并能减少开发波形的劳动力成本。

2) “自适应雷达对抗”(ARC)项目

2012年，DARPA发布ARC项目公告，然后资助BAR系统公司、Leidos公司等6家公司开展研究[60]。ARC项目的目标是针对新的、未知的和自适应的雷达，采用先进的数字信号处理、智能算法和机器学习技术，在战场上实时地自动生成有效对抗措施。主要功能包括：在存在敌方、友方和中立方信号的情况下，找出未知的雷达信号；判定该雷达的威胁等级；基于某种期望的效果来合成并发射对抗信号；最后通过观测威胁雷达的行为来评估对抗措施的有效性。无需大量改变前端射频硬件，ARC算法和信号处理软件适用于新的电子战系统，并可用于改进现有的系统。

BAE系统公司全程参与了ARC项目三个阶段的研发工作，2018年完成项目技术成果的试飞验证。据称，ARC开发的技术可能部署到F-35A和F-22A战斗机上，未来还可能部署到B-21战略轰炸机上。2018年5月，美国海军选定Leidos和哈里斯公司在ARC项目中开发的技术用于F/A-18“超级大黄蜂”战斗机，实现认知电子战能力。

3) “极端射频频谱环境下的通信”(CommEx)项目

2010年，DARPA发布CommEx项目公告，然后资助BAE系统公司和频谱共享公司等[61]开展研究。该项目是典型的认知电子防御项目，利用机器学习算法来识别干扰并选择一种应对措施(对消、规避、容忍或欺骗干扰等)来减轻干扰，并能够自适应和学习新的应对措施，特别是针对机载战术数据链的干扰。美国已决定将这一能力整合到Link-16数据链中，以保护正在广泛使用的战术数据链免受干扰。

4) “反应式电子攻击措施”(REAM)项目

美国海军研究办公室在2016年启动了REAM项目，专门对EA-18G的干扰机系统进行改进。REAM项目致力于应对敌方雷达频率的快速变化、识别频移模式，并在飞行过程中自动对这些频率进行干扰或欺骗，同时评估所应用对抗措施的有效性。

2018年4月，诺斯罗普·格鲁曼公司获得美国海军合同，为REAM项目开发机器学习算法，以实现“应对灵活、自适应、未知的敌方雷达”的目标，计划2025年前后完成对整个EA-18G机群认知电子战能力的部署。

5) “射频机器学习系统”(RFMLS)项目

2018年11月，BAE系统公司开始进行由DARPA资助的RFMLS项目研究，用于开发新的由数据驱动的机器学习算法，以识别不断增长的射频信号，利用特征学习技术鉴别信号，提供更好的对射频环境的感知能力。RFMLS项目是一项基础性的工作，这项工作正在为许多深层次问题的解决奠定技术基础，包括如何改进电子战和雷达系统，如何更好地理解射频信号环境等。

6) “电子支援关键试验”(ESCE)项目

2017年10月，美国空军研究办公室就ESCE项目授予雷声公司开发一种试验性的开放式机载电子攻击系统，以有效对抗当前及新出现的各种雷达威胁。ESCE项目包含三个内容：确定一种电子战接收机架构，以满足应对当前或新出现的各种射频威胁的作战需求；验证关键的信号处理功能；评估关键使能技术。

7) 认知干扰机项目

2010年，美国空军研究中心(AFRL)启动了认知电子战项目，用于开发第一代认知干扰机[62]。其目的是开发一个基于网络化软件定义架构的自适应、多功能(通信、雷达)干扰机，提高干扰效果，缩短干扰学习的时间，同时使自扰最小。

8) 非典型认知电子战项目

这些项目是认知电子战的基础性研究，或者是认知电子战的扩展性研究，比如：①BAE系统公司集成自适应射频干扰和感知能力的项目，主要包括“射频任务行动融合协同单元”(CONCERTO)和“射频现场可编程门阵列”(RF-FPGA)等；②佐治亚理工研究负责的“愤怒的小猫”项目，该项目结合了先进数字射频存储技术和认知学习算法等。

应该说，当前认知电子战已经从概念走向实践，在技术研究不断深化的同时，正逐步实现平台应用。2016年2月，DARPA局长表示，DARPA正在与各军种协作，以便将其在认知电子战领域取得的技术成果转化为具体装备，以列装F-18、F-35、多功能电子战项目和下一代干扰机。主要平台应用包括：

1) EA-18G的电子战系统

EA-18G是美军现役唯一的舰载和陆基战术雷达干扰和通信干扰飞机，当前其电子战系统是改进型的AN/ALQ-99干扰吊舱、ALQ-218接收机和ALQ-227通信对抗系统。为了适应对抗新型雷达和通信系统的需要，2019年，美国国会拨款近1亿美元明确要将美国海军研究办公室发起的认知电子战项目(ARC、BLADE等)转换到作战应用中，目标是在2025年前后交付新系统。主要改进包括：①加快研制下一代干扰机(型号为ALQ-249)，采用先进的氮化镓技术、波束形成技术，内含采用机器学习算法的新型处理器；②ALQ-218(V)2将能够探测并识别具有复杂波形的射频辐射源。

2) F-35的电子战系统

认知电子战是F-35这一世界上最先进战机上最重要的特性。2018年，BAE系统公司将数字信道化接收机/技术发生器和调谐器插入项目技术引入了生产流程；2019年，BAE系统公司完成F-35电子战的升级改进，成功将新技术插入AN/ASQ-239电子战系统，能为飞行员提供实时战场空间态势感知和快速反应能力。

3) 破坏者SRx电子战系统

2016年，美国推出世界首套认知电子战系统，即Exelis公司研制的破坏者SRx电子战系统。该系统首次采用了认知电子战技术，已成为电子战技术发展史上的一个重要里程碑。SRx系统代表了下一代电子战技术，可以提供在不断变化的环境中夺取胜利所需的自适应、可远程重新编程等功能，并集成到手掌大小的模块中。破坏者SRx系统可以实现全谱覆盖，与平台无关，非常适合于海上、空中和地面作战环境。

俄罗斯作为一个老牌军事大国在认知电子战方面也投入了巨大的力量。下面简单介绍俄军几个认知电子战方面的项目：

1) “克拉苏哈-4”电子战系统

克拉苏哈-4是一种广频谱强噪声干扰系统，能够对300 km范围内的敌方通信设备和雷达设备进行有效地干扰。该系统运用了认知电子战技术，能够自主地进行侦察和干扰，使操作员从手动操作中解放出来。克拉苏哈-4的研发使得俄军的陆基电子战能力进一步提升。

2) “希比内”电子战系统

希比内系统是一种典型的认知电子战系统，它应用了大量的人工智能技术，能够自主地进行电子对抗，突出优点是实时性强，自适应能力好，且拥有威胁等级评定能力。

5 认知电子战发展趋势

通过对认知电子战技术以及研制项目的深入分析，归纳总结出认知电子战的10个发展方向，也是认知电子战领域需要重点开展的工作，具体如下：

1) 推动雷达和通信一体化侦察

过去，射频通信情报(COMINT)系统和执行雷达探测任务的非通信电子情报(ELINT)系统有很大不同，覆盖频段和信号类型不同，操作员必备的技能也不同；现在，远程VHF以及使用低功率低截获概率脉冲的超视距雷达的复兴又要求截获频率低至30 MHz，雷达系统所采用的技术、频率甚至有些波形特征常常与现代通信系统所采用的一样。因此，低频段所需要的ELINT天线，会与COMINT系统的测向和监视天线相似或相同。这些接收机和模数转换器，必须提供与COMINT一样高的动态范围、频率分辨率和处理能力。

传统的射频系统对每个收到的信号采用相同的处理步骤，雷达通信一体化侦察需要首先区分信号类型，然后采用不同的处理方法。文献[63]基于循序平稳特征以及人工神经网络和卷积神经网络实现了雷达和通信信号分类。在集成SIGINT组件中，ELINT系统已经具备了COMINT能力，例如：以色列埃尔塔公司研制的ELI-3001机载SIGINT装备，提供ELINT和COMINT能力，ELINT覆盖的雷达频率范围是0.5～18 GHz，COMINT的频率范围是30 MHz～1.2 GHz。

2) 进一步提升电子战系统的认知能力

人工智能和机器学习等技术的发展会进一步推动认知电子战的发展，其中，深度学习的应用还需要拓展。

一是如何以合适的数值化形式将信号表示为网络的输入。常见基于CNNs的辐射源识别方法，其输入都是时频图像。为了充分利用一维雷达信号的特征，文献[64]用一个新的编码方法构建了同等长度的高维序列表示雷达信号，然后将二维CNNs改进为一维CNNs来分类雷达信号。结果表明，分类精度提高了2%～3%，特别是对12个不易区分的雷达信号，分类精度提高了15%，同时耗时非常少。不同的信号表示(比如：时域IQ数据、幅度相位表示、频域表示等)对CNNs的处理结果有影响，最大差别可达29%；不同任务对信号表示的要求也不一样，幅度相位表示有利于识别调制方式，而频域表示有利于检测干扰信号[65]。因此，针对不同任务，需要对输入信号的不同表示方法进行分析比较研究。

二是如何解决军事领域训练数据少的问题。文献[66]在用CNNs识别通信调制模式时，使用了迁移学习方式，提高了重新训练的效率。多任务神经网络是迁移学习的一个重要分支，它利用相关任务的信息来源来提高当前任务的学习性能，从而提高泛化准确率和加快学习速度：文献[67]对雷达功能分类时，比较分析了单任务神经网络和多任务神经网络，多任务神经网络的分类结果明显更好。除了改进学习方法，还可以尝试构建和运用大数据库：文献[64]在CNNs训练时采用了自己构建的数据库(含67类雷达，227 843个样本)。REDB公开数据库，其当前含有30 000行参数数据，描述部署在全球各地的14 700个不同类型的雷达[68]。充分利用这个数据库，将有利于提高认知电子战系统的学习能力。

三是深度学习的架构，比如：多少隐藏层、每层的结构、层之间的连接等。传统的深度神经网络中，为了保证不陷入局部最小，通常人工选择隐藏层节点的数量，文献[69]利用粒子群优化算法来优化隐藏层节点的数量，提高了网络构建的自动化水平。充分运用图像处理、语言信号处理等领域成功的神经网络架构，比如：将语音信号处理领域的SDNN(sequential deep neural network)[70]应用到雷达信号和通信信号识别领域。

干扰效果在线评估是电子战形成认知能力的关键。需要继续研究无监督机器学习算法，寻找减少对线下数据依赖的评估算法，实现真正的在线干扰效果评估；开展有源欺骗干扰与无源干扰的在线干扰效果评估方法研究等。

3) 加快硬件开发及架构设计水平

认知电子战技术若想充分发挥预期目标，还依赖于电子战系统的硬件水平及架构设计。尽量利用FPGA、DSP、高速存储器、模数和数模转换器等数字器件以软件方式实现其传统模拟器件的功能。这样认知电子战系统不仅可用预编程的波形进行重构，而且可用现场创建的波形进行重构，实时或近实时地针对许多复杂问题同时做出多个超前决策并采取行动。文献[71]设计了自适应放大器模块，不受频率和带宽限制，将自适应能力扩展到模拟前端系统，应用前景非常好。针对宽带雷达信号采集的难题，考虑到其信号的稀疏特性，文献[72]用压缩感知方法，以较低的采样率完成模拟信号的数字化，并高精度重构出原信号。文献[73]研究了并行处理与信息融合式以及迭代渐进式自主处理架构，并在信号流程级侦收处理架构方面，设计了模块输出交互更新式以及电磁环境深度分析型自主处理架构。

雷声公司研制的AN/ALR-69A(V)全数字雷达告警接收机，是世界上首部全数字雷达告警接收机，已经提供快速采用、实现和运用最佳算法(比如复杂神经网络)的基础。雷声公司指出，为了给美国空军飞行员提供在当前及未来复杂辐射源环境下所需的态势感知，将继续改进接收机并增加基于机器学习的模块，这样系统就能自适应新型威胁。2019年，AN/ALR-69A(V)系统已安装在C-130H和KC-46A飞机上，并在F-16飞机上进行了试验。

如果电子器件的小型化和集成度持续提升，将极大地推动射频系统的功能整合和传感器的性能改进。目前有源电扫阵列仅实现了窄频段的多模式，BAE系统公司的目标是构建全数字阵列，阵列中每个单元后面的电子组件都是数字的，实现单元级阵列控制。如果研制出非常大、全数字、精确受控的多功能多模式阵列，就能够通过即时学习，根据需要进行协同或干扰，灵活自适应地同时实现认知电子战、雷达和通信。

4) 重视数据采集和模型测试完善

认知电子战并非只涉及开发更精致的传感器或更智能的算法，也需要遵循严格的数据采集过程，即每次遇到新波形时，要做好数据记录。认知算法不会在部署后立即完美地发挥作用，需要对算法进行多次重新训练才能获得预期效果。所以，大量雷达和通信数据对提高认知电子战的侦察和干扰能力具有重要作用。

开发认知电子战比开发无人驾驶汽车要困难得多。后者可以获取无限的数据，但电子战没有一个巨大的未知雷达数据库，已有的信号数据也是质量较差，未进行标记或未及时标记。因此，商业领域的机器学习方法在电子战领域应用需要更多优化和改进，特别要具有增量学习能力，随时间而逐渐学习，逐步修改完善模型，以使其下次干扰更加准确。

5) 构建认知电子战仿真系统

随着认知电子战概念的发展，构建具有认知能力的电子战仿真系统也提上了议事日程。文献[74]从体系对抗层次，将认知电子战行动视为完整的作战概念进行建模与仿真，但由于模型粒度较低，难以描述信号层面的认知对抗过程。文献[75]基于美国国家仪器公司的NI USRP-2920通用软件无线硬件，结合LabVIEW的框图编码和Matlab脚本，快速模拟了无线信号的收发过程，自动识别出通信信号的调制样式。该实现方式避免了FPGA实现的高门槛，有助于快速构建信号级的认知电子战系统。

6) 完善测试仿真环境和评价手段建设

要开发新一代电子战技术，在包含各种敌方辐射源、友方系统、民用信号的真实电磁环境中对这些技术进行测试是必不可少的。测试环境越真实，越早将电子战系统暴露在复杂威胁场景中，对后续的开发就越有利。要获得这样的逼真度，测试与评估过程中所使用的信号环境就必须能高度逼近遇到的真实环境。目前具有认知电子战测试能力的模拟器主要包括：诺斯罗普·格鲁曼公司的电磁战斗环境模拟器(CEESIM)和德事隆(Textron)公司的A2PATS。

CEESIM是最早出现且使用最广泛的模拟器，多年来随着技术的进步不断发展，以满足新的需求。该模拟器利用商用现货处理及数字信号处理部件的软件定义，生成整个电磁频谱环境的综合控制层和多功能系统，为认知干扰功能的测试提供支持。2018年初，美国海军空战中心武器部接收了一套新型CEESIM，为F-35战斗机ASQ-239电子战系统测试提供支持。

A2PATS建立在一个几乎完全数字化的直接端口架构之上，将数字化过程前推到天线阵元级。利用直接数字合成器(DDS)的快速调谐功能开发了基于宽带DDS的合成激励器，然后通过专用信号源在每个天线阵单元上产生信号，这种直接端口方法提供了数字式脉冲描述字(PDW)，这些PDW确定了到达阵元的每个脉冲的特性。该方法还能使一个信号发生器产生多个连续波与脉冲威胁信号。

如何开发具有认知电子战测试能力的模拟器以及评价认知电子战系统的认知能力还需要进一步深入展开。文献[76]从电子支援角度，用6个指标(准确性、及时性、完整性、简洁性、可靠性、效率)对认知性能进行了评估。认知电子战技术也对靶场试验设计和保障条件提出了新的要求，文献[77]根据设备技术特征和战场构想提前开展了试验方法研究，具有一定的前瞻性。

7) 推进认知电子战技术的装备应用

认知电子战系统发展的第一个阶段是在硬件架构不变和现有处理流程不变的情况下，提升处理流程中各个功能模块的自适应性；第二个阶段需要在硬件架构不变和处理任务不变的情况下，对信号处理流程进行自适应性改造；第三个阶段使硬件架构和处理架构可以随着处理任务的调整而改变，自适应地调整系统参数应对动态变化的复杂电磁环境。为了加快认知电子战技术的装备应用，各个认知电子战项目要采用开放式架构来开发认知技术，以允许插入、修改和删除软件模块，使其对系统的其他单元的影响最小。这样，认知电子战的算法和信号处理软件不仅适用于新的电子战系统，也适合于改进现有的电子战系统，有利于尽快提升电子战装备的认知水平。

8) 开展认知电子防御技术研究

认知电子防御系统通过感知电磁环境，检测在时域、空域、频域和极化域中可以被利用的频谱资源，以动态频谱分配理论为基础，合理地分配频谱资源，确保雷达能够有效探测，信息能够快速传递；对敌方干扰信号认知后从知识库提供的先验知识中自适应地选择抗干扰策略，实时地调整频率及调制方式等工作参数，保证己方电子设备的正常工作。为了有针对性地抗干扰，文献[78]基于深度学习方法，自动从数据中提取特征，从而识别出干扰样式。文献[79]将认知雷达防御概括为：干扰信号检测，估计干扰信号参数，识别干扰机，从数据库中选择或生成合适的抗干扰措施和评估应用效果，并将有效的抗干扰措施更新到数据库。文献[80]将认知通信防御概括为：频谱认知、动态频谱分配、智能决策和自适应参数调整。认知电子防御技术，和认知雷达以及认知无线电有很多相通之处，将其结合，可达到相互促进的作用。

9) 网络化协同电子战

传统电子战是多个单独系统对多个传感器实施的电子攻击，只能实现个别或局部效果，而“复仇女神”采用网络化协同电子战系统，能对敌方传感器网络实施大规模电子攻击。“复仇女神”始于2014年的跨学科项目，采用投掷式无人蜂群系统，集成了认知处理能力并以通信网络来协调行动。众多舰载、潜射无人机和自主蜂群系统已经完成开发或处于开发状态，洛克希德·马丁公司的认知算法目前已可用于小型平台。“复仇女神”的目的是将各种平台(电子战气球、无人机蜂群等)进行组合，通过组网协同作战，以迷惑、欺骗或致盲分布在广阔区域的敌方传感器。

网络化协同电子战的关键技术主要包括：网络化协同感知技术、干扰机联网技术、干扰机小型化技术、干扰资源分配方法、干扰机空间位置配置等。文献[81]分析了在未来干扰机集群作战中智能协同干扰的实现方法和思路，形成了认知目标侦察和智能干扰实施算法，以及基于多智能体的干扰机群协同干扰任务决策模型。

10) 电子战与赛博战融为一体

电子战与赛博战差异很大，但两者之间也有交叠。电子战着重于运用电磁频谱对抗雷达、无线电通信以及数据链路；赛博战则专门对付计算机、服务器以及其之间的链接。认知电子战对信息的智能化和自动化处理使得赛博战介入电子战的空间增加，电子战与赛博战的融合正成为一种趋势。电子战为赛博战提供支持，赛博战依靠电子战来实现对电磁频谱的控制和自由接入。电子战平台可能会通过电子攻击手段给敌方雷达嵌入软件代码，而不是经由因特网向威胁系统发送。

除了物理层干扰，认知干扰还可以针对链路层及更高层的协议发起干扰攻击[82]，从而达到更好的干扰效率和隐蔽性。美国空军已经成功地对其EC-130“罗盘呼叫”电子战飞机进行了改进，用于攻击敌方网络。2015年，进行了一系列试验，结果表明，能够从空中接触网络目标并对其进行操控。从赛博防御角度，雷声公司通过先进的指挥控制架构，在多种雷达中引入了最新的赛博安全技术。

6 结论

传统意义上，电子战系统总是会滞后于作战对手的发展，原因很简单，敌方系统是先于对抗措施开发的；因此，新型雷达和通信系统的应用往往会使当前的电子侦察系统对辐射源的识别越来越困难，并导致干扰技术也很快过时。认知电子战的出现将改变这种态势。认知电子战技术有望在今后几年实现无需预编程就能对敌方系统进行自主对抗，利用实时生成的对抗措施及时对抗新出现的雷达和通信信号。

鉴于认知电子战的优越性，迫切需要国内电子对抗领域更加重视和发展认知电子战，不仅要使下一代电子战系统必须具备认知能力，而且还要提高当前电子战系统的认知能力。为了说明当前认知电子战的研究情况，本文进行了系统综述，主要包括：1) 阐明了认知电子战的相关概念，并详细设计了认知电子战的系统组成；2) 从技术角度深入讨论了认知电子战的国内外发展现状和趋势；3) 从应用角度全面讨论了认知电子战的装备情况。

认知电子战将永远是一个精湛的工具，不能完全代替人类。随着发现威胁目标的时间越来越短，人类发挥的作用就会越来越小，但是，电子战职手将永远处于“观察、定位、决策和行动”(OODA)环中，一旦人工智能出了错，则可以及时进行干预。这是目前自动目标识别的工作方式，也将是明天认知电子战的工作方式。