人工智能在电子侦察中的应用分析

王利伟，朱晓丹，王 建，刘宇辰

(1.中国航天科工集团8511研究所，南京 210007；2.中国人民解放军32032部队，北京 100094)

0 引言

人工智能(AI)[1]是研究、开发用于模拟、延伸和扩展人的智能的一门综合性科学技术，是计算机科学的一个重要分支。AI概念的提出可追溯到1956年的Dartmouth学会，历经60余年的发展，人工智能目前已在知识处理、模式识别、自然语言处理、专家系统、图像识别、智能机器人等多个领域取得举世瞩目的成果[2]，并且与基因工程、纳米科学一起被称为21世纪三大尖端技术。随着人工智能与大数据、云平台、机器人、移动互联网及物联网等的深度融合，人工智能技术与产业已经在金融、能源、教育、交通、国防等领域扮演着关键性和前沿性的角色。

在信息化战争的背景下和通用人工智能技术发展的推动下，以各种多种信息技术为基础的军用人工智能技术也迎来了新一轮机遇期。美军于2014年推出以“创新驱动”为核心，重点发展能够“改变未来战局”的颠覆性技术群优势的“第三次抵消战略”，并且明确把人工智能技术和自主化技术作为实现该战略的两大技术支柱。在电子战领域，美国国防高级研究计划局(DARPA)近年来正在依托新一代人工智能技术重点发展自适应电子战行为学习、自适应雷达对抗等认知电子战项目[3-4]，并将电子战系统的智能化水平提到前所未有的高度。从作战应用的角度分析，电子侦察是认知电子战体系的重要组成部分，是解决环境态势感知、目标情报获取的核心手段，其有效性直接决定后续电子对抗作战的快速反应能力和综合效能。因此，发展自主化、智能化、高效化的电子侦察装备显得尤为重要。在当前大数据资源迅猛增长、人工智能技术持续发展和设备运算能力迅速提升的新形式下，如何发挥和利用人工智能技术优势推动电子侦察技术、装备的发展，从而适应未来智能化作战背景下认知电子战的发展需求，是本文探讨的主要内容。

1 电子侦察任务与面临的挑战

1.1 电子侦察任务

电子侦察是军事情报侦察的重要手段之一，其主要任务是对敌方雷达、通信等电磁辐射源进行截获、分析和识别，从而获取敌方辐射源技术参数、通信内容、所在位置、威胁等级等高价值电子情报。电子侦察装备并不辐射电磁能量，而且可灵活搭载于各种陆基、空基、天基平台，因此具有作用距离远、侦察范围广、隐蔽性好、保密性强、反应迅速、提供情报及时等特点。根据任务的不同，电子侦察可以分为电子情报侦察和电子支援侦察。

电子情报侦察的任务特点是：对特定区域或特定辐射源目标的信号进行预先(可长期或者反复进行)的精确参数测定、收集和记录，为己方有针对性地发展和使用电子对抗技术、制定军事作战计划提供依据。电子支援侦察的任务特点是：基于已有的电子情报在战区进行实时侦察，迅速、准确地判明敌方辐射源类型、工作状态、位置、威胁程度和使用情况，以实时支援军事行动部署，特别是为实施威胁告警、规避、电子干扰、引导杀伤武器打击等提供所需信息。强调的是快速反应能力、高截获概率以及实时的分析和处理能力。

1.2 电子侦察面临的挑战

现代信息战场电子侦察占有很重要的地位，可以说任何在战场上所采取的大多数对抗及进攻模式都需要以电子侦察为基础。然而随着现代高新技术的发展，各种新体制雷达、通信技术、信息装备、反侦察技术的应用使得电子侦察面临新的挑战，主要表现在以下几个方面：

1)复杂电磁环境引发极高的信息密度

随着信息化进程的不断加快，数量庞大、体制复杂、种类多样的电子设备和信息化装备在军事领域的广泛应用使得战场空间中的电磁信号非常密集，构成类型众多，能量分布差异大，所占频谱越来越宽，进而形成了极为复杂的电磁环境。特别是在重要的军事集结区域，在大纵深、立体化的战场空间信号密度可达千万个脉冲/量级。在这样的背景下，加之电子侦察设备具备宽频率覆盖范围、高接收灵敏度和大的动态范围，在固定频段或带宽内所能捕获的信息量和实际任务需求可能会形成显著差异。故电子侦察设备需具备高密度信息的处理和分析能力。

2)新技术体制引发未知、复杂的信号形式

在信息化战场中，交战双方从反侦察、反干扰、抗摧毁角度出发，越来越多地使用各种新体制雷达、通信、光电等设备，并且在新体制电子设备上越来越多地采用更为复杂的信号样式。特别是随着雷达技术的发展，各种新体制、新概念雷达应运而生[5]，例如相控阵雷达、脉冲多普勒雷达、频率捷变雷达、合成孔径雷达、低截获概率雷达等。从电子对抗的角度分析，新型雷达为了在频域、时域和空域上具备反侦察能力，往往采用各种复杂波形调制样式、灵活的波束及扫描控制技术、自适应发射功率控制技术等，使得雷达信号难以被截获和识别。以被动感知方式工作的电子侦察在面对上述种种复杂且未知因素时，实施起来愈加困难。

3)电子侦察数据呈现“大数据”特性

在信息化条件下的未来战场，数据的重要作用将会更加明显，电子侦察所获取的电子情报都是以侦察接收机所采集的数据为基础。当前，各种宽带雷达、宽带通信体制的出现，对电子侦察接收机的瞬时处理带宽提出了更高的要求，因而高速AD的应用也越来越广泛。以单通道1 GHz带宽、采样速率2.5 GHz的应用场景为例计算，并以双字节保存一个样点，则每秒的数据量为5 GB以上，一个小时就能生成18 TB的数据量[6]。特别是在战略侦察中，长期的数据积累生成的数据量是巨大的。因此，从数据采集量的角度而言，电子侦察已经迈入“大数据”时代，大量侦察数据的处理和分析也是电子侦察设备必须面对的任务和挑战。

2 人工智能发展简析

如今，人工智能的飞速发展可以概括为是硬件、数据、算法三个方面的要素综合驱动和交互影响产生的结果。首先，硬件平台(计算机)数据处理能力和复杂算法的执行能力不断提升是人工智能发展的重要支撑；其次，数据价值的充分利用，尤其是大数据和云计算技术的广泛运用可以称为是人工智能突破的催化剂；最后，算法赋予机器“学习”能力的日益提升，特别是深度学习的出现，形成了人工智能内涵发展的关键要素。

当前，机器学习领域兴起的深度学习[7]是人工智能领域发展最受关注的核心理论方法之一。深度学习具有强大的非线性处理能力，逐层理解、自动分析提取的结构，良好的“记忆”性质等独特优势。很多深度学习相关的框架体系已经被提出，包括卷积神经网络(CNN)、限制玻尔兹曼机RBM)、深度置信网络(DBN)以及递归神经网络(RNN)等。从深度学习的现阶段主要的应用情况来看，它在语音识别、人脸识别、图像分类与识别、视频分类及行为识别等方面均取得了显著成就。归纳这些应用的特点不难看出，它们都属于边界划定明确的问题，即便是著名的围棋人工智能软件AlphaGo所完成的围棋任务也不例外。机器学习(深度学习)类算法的优势，同时也是其工程推广的局限，就是依靠高质量、大规模的训练数据。在很多领域，深度学习和大数据的契合突破了训练数据量不足的瓶颈；另一方面，蕴藏于大数据内部的复杂高阶信息需要高容量的深度模型来深度发掘，对新模型、新技术的需求依然迫切。可以肯定的是，机器智能的获取必将很大程度上依赖深度学习、强化学习、深度强化学习等机器学习方法[8-9]的发展和有效利用，甚至有学者提出机器学习与认知科学相结合的高级机器学习形式——认知机器学习，并将其视为机器学习发展的顶级形势。

从整体上讲，人工智能已经演变成一个影响面极广的关键、共性科学问题，它由不同的领域组成，如知识表示、自动推理和搜索方法、机器学习和知识获取以及智能优化算法等。在模式识别、智能搜索、辅助决策、智能控制以及医疗、翻译等专业领域均已陆续进入实用阶段。同时，作为一门战略前沿技术，人工智能在军事领域也具有极大的潜力和应用价值，并得到美国、俄罗斯等军事大国高层的高度重视。美国多个军方机构和DARPA自2010年开始长期扶持人工智能在军事领域应用，包括电子战、军用智能机器人、战机辅助驾驶系统、智能情报挖掘与处理、智能攻击武器开发等方面。在2016年6月，美国辛辛那提大学开发的人工智能“阿尔法”运用美国第三代战斗机在一场空战模拟中击败了退役美国空军上校基恩·李所运用的美军第四代战机，并表现出灵敏、多变、极具侵略性的作战特点。在现代战役中，这是人工智能首次直面并打败经验丰富的军官，这一事件引起了全球军事专家的广泛重视。

3 人工智能在电子侦察中的应用

电子侦察技术与雷达、通信技术一直在电磁频谱空间和信息空间进行博弈，其终极循环极有可能是通过人工智能技术在电子设备中的应用，让机器自行去“学习”，自行去“对抗博弈”，实现自我“完善与改进性能”。下面结合电子侦察本身的特点和技术需求，重点分析现代人工智能技术在电子侦察领域的应用方向。

1)基于侦察“大数据”的智能电子情报挖掘

如今，通过电子侦察设备获取的数据规模随着装备类型的增多和技术水平的提升，已经发展到极其庞大的规模。而这些数据则表现出类似“大数据”的4个“V”特点，即大量(Volume)、多样(Variety)、低价值密度(Value)和高速(Velocity)。它们的具体表现形式为：海量的情报侦察数据；信号密集，信号形式复杂多样，而且描述信号特征的参量多；在复杂电磁环境下(包括电子干扰、环境噪声、己方和友方的各种信号)，高价值情报信息密度变低；要求高的处理速度以便获取及时情报信息。因此，复杂环境下的侦察数据处理已然演变成“侦察大数据”中情报信息挖掘的问题。

另一方面，从深度学习的特点和优势可以看出，它可为研究解决数据分析和挖掘问题提供有效的方法手段，同时，深度学习所具有的深层、复杂网络结构也使得其在学习训练过程中需要足够多、足够有效的大数据支持，因此，深度学习与大数据具有不可分割的必然联系，利用深度学习方法研究解决的问题在一定程度上就是大数据问题。所以，引入人工智能思想，将“大数据+深度学习”的模式应用在新时期电子侦察情报数据处理和信息提取中，特别是复杂电磁环境数据下潜在的、有价值的未知情报信息挖掘中，是非常具有应用潜力的。

2)智能信号分选与识别

电子侦察实质上是对侦测到的、事先不知道特征的信号进行处理、分析和识别，特别是新型雷达辐射源信号的分选与识别，是如今电子侦察技术必须面对的突出难题。新型、新体制、综合雷达采用的波形复杂，调制形式多样，要求雷达侦察接收机必须具有很高的灵敏度和截获概率以及高效的信号分选处理能力，而且把真正的威胁信号快速、准确地提取、分选识别出来是关键。目前的侦察信号处理主要采用了基于多参数(脉宽、脉幅、到达时间、到达角、载频等传统特征参数)的信号分选和基于模板匹配的型号识别方式，而且这一模式已经无法应对上述新型雷达信号形式。可以说，当前的电子情报系统所采用的理论和方法已经严重滞后于雷达技术的发展，即使侦察设备有可能截获敌方雷达信号，也受限于方法能力难以对其进行有效的分析处理。

尽管聚类分析、脉内特征分析、全脉冲包络分布特征分析等技术的应用在一定程度上解决了复杂环境下雷达信号的分选与识别问题，但是其应用存在很大的局限性，更精细的信号分析处理依然难以实现。此外，由于现代雷达信号特征参数越来越多，也难于诉诸于一种技术或者工作模式完成全部的信号处理任务。这就必然引出智能化信号参数测量、智能化信号分选与识别的概念。值得注意的是，将人工智能技术，例如人工神经网络、专家系统、支持向量机、认知推理等技术应用于辐射源信号分选与识别的研究在20世纪90年代就引起了广大学者的重视，其发展也伴随着人工智能技术的发展而不断拓展，而且已有学者研究利用深度学习方法实现雷达信号的特征提取[10]。然而，当前的大部分研究依然是基于已知的信号形式或典型信号参数进行的，针对复杂、未知信号的研究尚未取得突破性进展。今后，引入新型智能处理模式并赋予算法自主学习和拓展能力，依旧是解决上述问题的潜在途径，值得深入研究。

3)智能威胁识别与情报生成

美国国防部高级研究项目局局长普拉巴卡尔面对新时期的电子战局势曾说：“我们正利用人工智能来实时了解敌方的雷达正在做什么，随后立即创建一个新的干扰配置文件。这一整个感知、学习和适应过程连续不断进行。”这里“利用人工智能来实时了解敌方的雷达正在做什么”反应出的理念正是智能的辐射源威胁识别与情报信息生成。

针对电子侦察系统，开发具备自主学习、自主分析、自主推理的情报分析软件系统，有助于充分利用专家知识、人工智能技术优势提供更核心和更可靠的情报服务，以解决复杂电磁环境下的精确态势感知问题。

4)基于智能平台的认知电子侦察作战

近年来，基于人工智能的无人机器(也可称为智能主体)异军突起，而且正在逐步获得更多的感知与决策能力，变得更具自主性，环境适应能力更强。特别是小型、微型智能无人机以及智能集群技术的发展，为电子侦察提供了灵活的作战应用平台，也为实施新型电子侦察策略开拓了新的途径。

从当前分布式、网络化、综合化的装备发展趋势来看，集群智能技术已经成为军用人工智能的核心技术之一，是未来无人化、智能化、自主化作战的一个重要突破口。当前，美国DARPA著名的“小精灵”(Gremlins)项目代表了现阶段无人机集群系统应用的最高水平[11]，已经初步具备了发展基于无人机集群的装备体系的基础条件。从技术层面，发展智能化的电子侦察技术、独立装备并不是电子侦察任务智能化的唯一途径。从更高一级的系统层面，依托智能集群平台并搭载独立电子侦察载荷装备的“集群认知侦察”系统同样可具备智能灵活、效能显著的优势，也极有可能成为未来电子侦察任务执行的主流模式。

4 结束语

人工智能的诞生与发展可以称为是20世纪最伟大的科学成就之一，也是新世纪引领未来发展的主导学科之一。本文结合当前电子战领域中电子侦察所面临的问题以及人工智能技术的发展，对人工智能在电子侦察领域的应用做了探讨和展望。可以预见，人工智能技术赋予机器“智能”的潜力也是不可估量的，基于先进人工智能技术提升电子侦察体系、装备的发展值得同领域专家和学者们的关注和推动。■

参考文献：

[1] 赵旭，袁玮．人工智能革命正在到来[J]．现代电信科技，2016，46(3)：65-68．

[2] 邹蕾，张先锋．人工智能及其发展应用[J]．信息网络安全，2012(2)：11-13．

[3] 范忠亮，朱耿尚，胡元奎．认知电子战概述[J]．电子信息对抗技术，2015，30(1)：33-38．

[4] 戴幻尧，周波，雷昊，等．认知电子战的关键技术发展动态与分析[J]．飞航导弹，2014(9)：57-60．

[5] 朱峥嵘．国外雷达技术新进展概述[J]．信息化研究，2010，36(6)：8-10．

[6] 杨小牛，杨志邦，赖兰剑．下一代信号情报侦察体系架构：大数据概念的应用[J]．中国电子科学研究院学报，2013，8(1)：1-7．

[7] 尹宝才，王文通，王立春．深度学习研究综述[J]．北京工业大学学报，2015，41(1)：48-59．

[8] Zhao D，Shao K，Zhu Y，et al．Review of deep reinforcement learning and discussions on the development of computer Go[J]．Control Theory and Applications，2016，33(6)：701-717．

[9] 朱丰，胡晓峰．基于深度学习的战场态势评估综述与研究展望[J]．军事运筹与系统工程，2016，30(3)：22-27．

[10] 孙志军，薛磊，许阳明．基于深度学习的边际Fisher分析提取算法[J]．电子与信息学报，2013，35(4)：805-811．

[11] 申超，武坤琳，宋怡然．无人机蜂群作战发展重点动态[J]．飞航导弹，2016(11)：28-33．