浅析人工智能在信号情报侦察的应用分析

王 波，顾帅楠

（1.武警海警学院，浙江 宁波 315801；2.92192部队，浙江 宁波 315122）

1 信号情报侦察任务及现状问题

1.1 信号情报侦察任务

信号情报侦察，是获取军事情报的一种重要手段，也是实施电子攻击和电子防护的前提。主要利用信号情报侦察装备对敌方陆海空天平台的电子设备辐射的电磁信号进行截获、测向、定位以及解调、分析、处理，从而查明敌方军事电子设备属性、方位及相关平台的性能参数，帮助了解敌方的作战能力、兵力部署以及行动企图等信息，为己方指挥决策提供情报支撑。

1.2 信号情报侦察现状

1.2.1 信号来源广泛，目标平台难判

目前，多样化、轻便化、兼容强、体积小的电子设备已逐渐装备在各种陆海空天平台上，其辐射的信号覆盖域广、频段宽、种类多，形成了复杂的电磁环境。在重要、敏感的军事区域，电磁环境更是呈现出高密度、高强度、多频谱状态。因此，在这样的背景下，全方位、多层次的信号不断涌进，区分信号的国别种类、识别信号的目标平台难度也随之加大：对于不同方位、相同信号的目标平台判别通过提取信号的细微特征尚能判定，对于同一方位的军用信号经包装后混杂在民用信号中辐射出来，其目标平台的判别却是异常困难。

1.2.2 调制体制复杂，截获解调困难

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。从模拟调制到数字调制，从脉间固定调制到脉内捷变调制，信号的调制体制逐渐迈向组合化、复杂化的方向。经复杂调制后的信号在发射机内由特定的方式辐射出去后，使之在时域、频域、空域上形成低截获与低识别概率特征[1]。在一些承载重要作战情报的信号上更是多达几种调制方式，再通过猝发、跳频等特定方式辐射出去的信号，遇到各种功能和体制的通信、雷达的组合配置使用和有意或无意干扰的影响，使之更加难以截获和解调。

1.2.3 数据密度庞大，处理费时费力

近年来，无论是在战时的动态战场，还是在平时的静态战场，侦获的信号数据不仅有通信、雷达、水声、敌我识别、导航等，还混杂着军用、民用信号，信号密度异常庞大，呈现出“大数据”特性。将这些“大数据”信号分门别类的归纳、整理，需要专业人士花费大量的时间和精力。在静态战场，人力、物力和时间尚能得到充足的保证，若在动态战场，短时间内不仅需要完成海量信号的分类整理，还需要进行识别判定，即使是经验丰富的情报分析员也难保证不出错。

2 人工智能在信号情报侦察中的应用分析

2.1 提比指纹特征，精细个体识别

人类胎儿4个月大时就已经形成了指纹，指纹的图案、断电、交叉点各不相同，形成了指纹特征。与人的手指类似，射频无线电信号也有“指纹”，信号“指纹”在无线电发射设备出厂时就已形成，其主要包括信源细微特征、调制细微特征以及载波细微特征等，具备独立性、稳定性及可测性三种特性。因此，可以将人工智能的快速算法和深度学习特点应用到信号“指纹”上，对已知信号分析指纹特征，建立指纹数据库，并进行深度学习。在信号情报侦察时，利用信号“指纹”的可测性特性进行测量分析，然后对照指纹数据库进行识别比对，实现对辐射源的个体识别[2]。

2.2 多源联合处理，提高截解质效

考虑到现代信息化战场上信号情报侦察具有低截获、低识别特征，通过多源信息融合处理，将多个侦察平台联成一个有机整体，取长补短，相互印证，形成集成度与可靠性高的侦察综合情报体系，在信号情报侦察中利用人工智能概率化的寻优算法自动寻找体系中最佳侦察平台实现最大概率截获辐射信号。再对截获信号情报进行抽取、转换和优化参数估计，进而利用人工智能先进的特征分析方法、模糊识别方法、人工神经网络等测算解调方式，并判决解调置信水平，直至搜寻出信号数据中的隐藏模式与非显现规律，从而有效解调信号。

2.3 快速数据整合，提炼价值情报

信号数据是一组庞大、广泛、复杂的特定信息，这些特定信息中又充斥着大量的无用信息，需进行去伪存、真去粗取精。此时可以利用人工智能的深度学习技术，从信号数据中自动学习到有用的、高度抽象的特征，将这些特征进行分析、理解以及判读等规范化处理，再进行分类归纳整合，创建特征模型。通过学习特征模型，对“大数据”信号进行特征模型匹配，计算匹配置信度，设置好门限，剔除门限以外的无用信号，保留门限内的有用信号；同时自动优化完善特征模型，提高匹配精度。以使在动态战场，最大限度缩短信号数据整合时间，及时提炼价值情报，一方面分发应用价值情报，提供态势感知、战场预警、指挥决策等；另一方面，入库累积价值情报，以便提供全面战场信息与进一步分析处理。

3 人工智能在信号情报侦察中的思考研究

3.1 强化感知信号情报

如今，无线通信和非通信的电信信号激增，使得在复杂电磁信号中搜集情报变得越发困难。但是信号情报搜集的信号主要表现为符号和编码，且不具备可视性与可读性，常规处理和人为处理耗时耗力，还容易出错，但可利用人工智能对数字代码比人有着更直接的感知优势，大力强化机器学习算法在信号检测、诊断、调制上和目标识别的运用，从而获得比人力处理更高的效率和正确率。美国Deepsig公司的OmniSIC传感器软件中使用了基于深度学习的商业化RF传感技术，借助深度学习的自动特征学习功能，OmniSIC传感器经过几秒钟的信号捕捉和训练，就可以识别新的信号类型。

3.2 深入智能算法研究

人工智能并非万能，要让机器可以代替甚至超越人的大脑，必须基于强大、先进的算法。一是要加快研究数据处理算法。随着传感器水平的不断提高，大量数据可以被采集分析，但由于数据量过于庞大及数据速度产生过快等原因，仅依靠人力难以将这些数据转化为战场态势情报。通过研究数据处理算法，对海量数据进行处理，筛选特定威胁，为情报系统提供可信合理的数据；二是要深入研究智能算法。目前，人工智能主要存在两种实现方法，工程学习法和模拟法。前者主要是利用传统的编程技术，使相关系统能够呈现出一定的智能化效果，但是这种方法较为繁琐；模拟法是通过对智能系统进行设计，并实现有效的控制，让其具备自主学习的功能，相较于工程法来说，模拟法更为省力，且能发挥更大的优势。智能算法是模拟法中很重要的一环，加快对智能算法的研究可以大大提高人工智能的效率。

3.3 注重挖掘开源情报

在大数据时代，互联网、Web2.0、传感器以及政府数据开放、企业年报等都提供了源源不断的信息供应。与传统情报源相比，开源情报不仅成本更低、更及时、更准确，而且能提供特定目标或事件的发展背景和整体视图。但是开源情报不仅数量庞大，而且是多来源、多语种、多介质、多类型、多结构和多文化背景，需要将高级信息搜索与处理技术与多外语技能、多元文化知识、特定专业背景以及情报敏感性结合起来，才能对其进行有效的分析处理，难度较高。利用人工智能技术强大的智能计算以及情景感知、自动翻译等能力，挖掘开源情报，提取核心情报要素，用于在信号情报侦察中辅助判决和对比参照，提供实际依据。

4 结束语

随着数字化、网络化作战体系的诞生与运用，在未来战场上，信息化程度将更加密集。可以预见，人工智能也占据着越来越重要的角色，并催生出侦察与反侦察新一轮的技术变革。因此，只有将人工智能的先进理念充分理解，并将其技术深度融合到信号情报侦察中，构成有机、高效的情报系统，达成全方位、全天时、全天候的情报信息保证，才能在信息化战争中取得决定性优势。