人工智能及其在电子对抗上的应用概述

2021-04-04刘鹏涂彦君张毅周霞

电子测试 2021年18期

刘鹏，涂彦君，张毅，周霞

（中国电子科技集团公司第二十九研究所，四川成都，610036）

0 引言

1950 年，阿兰·图灵发表论文《Computing Machinery and Intelligence》，讨论了“智能机器”的可能性，人工智能（Artificial Intelligence，AI）的研究从此拉开序幕。现阶段还没有人工智能的权威定义，人们普遍认为人工智能是计算机科学的分支，其主要研究用于模拟人类智能的理论、方法、技术和应用等，该领域的研究包括机器学习、专家系统、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等[1]。

1 人工智能研究现状

人工智能中的“智能”主要归功于机器学习，机器学习是运用多种算法分析数据，并且不断进行学习，进而做出判断和预测。研究人员通过大量的数据和“训练”机器，让机器学会执行任务。机器学习的类型一般通过学习方式进行区别，一般分为有监督学习，半监督学习，无监督学习和强化学习，也可根据是否使用了神经网络分为深度学习和其他机器学习。

机器学习的理论基础涉及人工智能、统计学、脑模型、适应性控制理论、心理学模型、进化模型[2]。机器学习领域内已形成多种并行研究，如归纳学习(Inductive Learning)、神经网络(Neural Networks)、聚类(Clustering)、类比学习(Learn by Analogy)、遗传算法(Genetic Algorithms)以及学习理论(Theories of Learning)等[3]，并且己经取得了丰富的研究成果。机器学习已经成为人工智能的研究热点，其应用已遍及专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等[4]。

2 人工智能在电子对抗方面的应用

从美国颁布的一系列战略与规划文件可以看出，美国一直以来重点关注和大力发展人工智能技术。如美国国防部为加速人工智能在电子对抗领域的应用，设立首席信息官、成立联合人工智能中心并发布《人工智能战略》，美国国防高级研究计划局（DARPA）不断将投资重点转向人工智能技术，并资助一系列关于人工智能的项目，美国的其他军兵种也在各种装备和系统中开展人工智能的相关研究，并积极进行试验应用。下文将重点介绍美国在不同领域发展的人工智能项目。

2.1 认知电子战

自2010 年以来，美国重点围绕提高装备认知能力，持续进行了认知电子战技术的研究。美国防部高级研究计划局（DARPA）的“自适应雷达对抗”（ARC）、“行为学习自适应电子战”（BLADE）以及美空军研究实验室的“认知电子战精确参考感知”（PRESENCE）等项目都是美国进行认知电子战研究的典型。从“认知”电子战这一概念被明确提出以来，认知电子战将电子对抗活动中机器智能的能力描述提升至了前所未有的高度，极大地推动了智能化电子对抗系统的研究与开发[5]。认知电子战系统是一种智能、动态的闭环系统，可以通过先验知识及自主交互学习来感知并改变周围局部电磁环境，并且可以在实时感知电磁环境的基础上，高效、自主地对干扰发射机与接收机进行调整，以达到适应电磁环境变化的效果，从而提升干扰的快速反应能力与可靠性。具备认知性能的电子战装备是认知电子战的基础，结合自主交互式的电磁环境学习能力与动态智能化的对抗任务处理能力的电子战作战行动，将电子战从 “人工认知” 提升至机器 “自动认知” 。其中，装备认知能力的提升作为认知电子战的根本属性与显著特点，是其与传统电子战的重要区别。

2.2 智能化无人平台

无人系统本身就是具备人工智能的机器，可自主行动并规划路径，是未来作战的重要组成部分，美国正在提高人机编组能力，有人无人协同、跨域协同将成为重要的作战样式[3]。在无人飞机方面，美国近年来提出了2025－2035 年形成无人机蜂群作战能力的目标，全面开展了顶层设计和关键技术攻关，多个项目推进至飞行演示验证，包括美国防部 “灰山鹑”无人机蜂群项目、海军的“郊狼”无人机和国防高级研究计划局（DARPA）的“小精灵”项目等。在有人-无人协同方面的项目包括DARPA 牵头的联合无人空战系统（J-UCAS）项目、“分布式作战管理”（DBM）项目和“忠诚僚机”计划。在无人水面艇方面，美国海军无人水面艇在开放水域完成远航程自主航行测试，希望将现有小艇改造成海上集群艇，与大型舰艇联合执行监视、护航、拦截、反水雷等任务。同时其还在技术演习中验证了水下—水面—空中人机编组跨域协同作战能力，将无人机作为通信中继平台，实现潜艇、水面舰及无人潜航器的跨域协同。

2.3 决策为中心

基层指挥官利用人工智能支持决策辅助的能力可以控制分散的部队，以适应环境的变化以及对手的行动，并将复杂性强加给对手。将人类的指挥和机器控制相结合，优势互补，以提高美国部队对对手施加多重困境的能力。人类提供灵活性并运用创造性洞见，机器提供了速度和规模。2016 年3 月，美国陆军通信电子研发与工程中心展示“虚拟参谋”项目成果，该项目运用自动化和认知计算技术研发出了一款辅助决策工具，指挥官通过该工具可以进行更好的知情决策。2016 年5 月，DARPA 展示“用于情报数据分析的非传统信号处理（”UPSIDE）项目成果，将“细胞神经网络”计算体系结构与低功耗量子隧穿晶体管结合，使图像处理能力提高3 个量级。

另一方面，传统远程制导武器需要中继平台提供目标指示信息，容易遭到敌军电子战、网络战攻击，使武器致盲。为此，DARPA 和美国海军联合研制的远程反舰导弹（LRASM）是首型半自主武器，采用无源射频传感器定位，实现智能导航和路径规划，摆脱了对GPS 导航的依赖，能应对敌方电子战和网络战攻击，同时具备自主目标识别能力，可从多艘舰艇目标中自主选择打击对象。

2.4 情报应用

现代战争已全面进入信息化作战，情报信息越来越受到重视，但另一方面，情报资源数据量大、信息多源异构等特点，限制了其作用效果。随着人工智能技术的发展，利用人工智能促进情报信息更及时的、有效的为战争服务已成为可能，因此，人工智能在军事情报领域的应用，受到美国等军事强国的重点关注。

美军在科索沃、阿富汗、伊拉克等战争中，先后投入多种无人平台，如“全球鹰”、“捕食者”、“龙眼”、“阴影200”等，对战场情报侦察起到了不可代替的作用。此外，美军还进行了无人侦察车、无人潜航器等无人化作战平台的研究与实践，这些无人化作战平台体积小，不易被发现，可以适用于多种复杂的作战场景，进行全天候的情报搜集侦察，弥补了人在回路的侦察方式以及航天器侦察的局限性，拓宽了情报来源，在现代战争军事情报领域有着至关重要的作用。

在拓宽情报来源的同时，更重要的是从海量情报信息中挖掘出有效成分，这就涉及到数据的分类、关联、融合等，需要大量的搜索、计算，人工智能算法在这些方面有着得天独厚的优势。美军情报机构广泛应用的Gotham 平台，则是人工智能算法在情报数据搜索、挖掘方面的成功案例。Gotham 平台可以根据用户提供的关键词，准确的判断用户意图，在数据库中，对海量数据进行搜索、标注、关联，挖掘出潜在的情报数据，并提供多种方式共用户来快速的浏览情报成果。此外，Gotham 平台还可以对不同来源的孤立数据进行分析、关联，在看似孤立的数据之间建立联系，从而分析出数据所蕴含的意义，甚至可以结合数据场景、目标行为习惯，得出数据背后的意图趋势，从而达到预测的效果。

在情报分析方面，由于分析过程专业性较强，所以，很多时候，情报分析在很大程度上过于依赖分析专家的经验，因此，传统的情报分析主要通过人工来完成，这就导致情报分析工作效率低，时效性不强，而人工智能深度学习算法的应用，则可以大幅提升分析效率，典型的应用案例是军事专家系统。军事专家系统是通过模拟人类专家进行情报分析的思维逻辑来构建系统自身的处理架构，并对专家经验进行学习，将专家经验转化为系统的情报分析规则。此外，系统还能进行自我学习，在大量样本的处理过程中，不断完善自身能力。

另一个就是情报欺骗，人工智能可以通过分析受骗方的行为特性、习惯等，做到“有的放矢”、“投其所好”，将虚假情报包装成受骗方容易接受的形式，精准投送，达到以假乱真，迷惑对手的作用。