无线电引信认知抗干扰模型及关键技术综述

李剑锋，代 健，郝新红，陈秀梅，于洪海

(1. 北京理工大学机电动态控制重点实验室，北京 100081； 2. 解放军战略支援部队，陕西 西安 710600)

0 引言

无线电引信能够通过电磁波感知环境及目标信息并在距目标最佳炸点处起爆战斗部，从而有效打击空中和地面目标，是武器系统的重要组成部分，其能否有效作用于目标直接影响到武器系统的毁伤效能[1-5]。随着电子干扰设备智能化、集成化的发展，战场上出现的电磁干扰样式与功率逐渐增加，战场电磁环境日趋复杂，给无线电引信带来严峻考验。根据GJB 6520—2008战场电磁环境分类与分级方法，无线电引信处于中度或重度复杂电磁环境中[6-9]。在复杂战场电磁环境下，引信可能同时面临多种电磁干扰的威胁。

自无线电引信出现开始，无线电引信干扰技术就随之出现了。按产生来源的不同，无线电引信面临的干扰可分为有源干扰和无源干扰。无源干扰本身不主动产生电磁波，而是通过反射引信信号从而达到干扰引信的效果，最常用的人为无源干扰是箔条干扰[10-11]。有源干扰是指干扰机主动向外辐射电磁能量的一类干扰，其目的是削弱敌方作战效能[12-13]。有源干扰按照对引信作用功率和效应不同可进一步分为能量型干扰和信息型干扰，其中信息型干扰由于具备使用成本较低、干扰效果好等优势，受到了世界各国的青睐。近年来，随着直接数字频率合成(DDS)精确频率引导技术和数字射频存储(DRFM)技术的发展[14-15]，引信干扰机可以在极短的时间内完成从欺骗式到压制式的干扰形式变化，若干扰机在上一个工作周期处于欺骗式干扰状态，下一个周期完全可能处于压制式干扰状态，使战场电磁环境呈现出复杂多变的状况，如果不能紧跟这些变化，引信就难以有效抵抗干扰。因此，引信在客观上需要对干扰、环境和目标进行认知，及时对抗干扰策略和资源做出针对性调整，从而有效提高自身抗干扰性能。

传统无线电引信设计主要基于简单场景的理想环境假设，采用的抗干扰手段缺乏对电磁环境的感知与优化处理，面对复杂多变的战场电磁干扰环境，探测与作用能力往往被严重削弱[16-22]。因此，为了提高无线电引信抗干扰手段对环境与干扰类型的适应性，需要加强引信对环境与干扰类型的认知能力，建立抗干扰处理输出与输入之间的反馈机制，自适应优化与调整抗干扰资源参数，从而提高无线电引信在复杂多变战场电磁环境下的适应能力与生存能力，为我国无线电引信抗干扰技术的发展奠定理论基础。

对认知电子对抗技术的研究，国内和国外起步时间较为接近。2012年，美国国防部高级计划研究局(DARPA)启动了一项名为“自适应雷达对抗(ARC)”的项目[23-25]，旨在研发能够对抗已知或者未知威胁源能力的雷达对抗系统，其核心是对信号进行分选识别并根据评价与判断结果进行自适应调整。对于通信对抗，美国开展了“行为学习自适应电子战(BLADE)”项目研究工作，其目的是开发一套具备认知能力的智能通信对抗系统，能够在实际战场中自主学习并优化系统资源，自适应对抗无线通信威胁。国内一些学者也开展了部分认知电子对抗领域的研究，文献[26—27]研究利用矢量和粒子群优化神经网络完成辐射源信号自适应识别问题；文献[28]利用无监督聚类学习对缺乏先验知识的辐射源信号进行分选识别，成功完成对未知威胁的感知与适应；文献[29]从雷达可见度图中提取平均度、平均聚类系数等特征，并选用随机森林分类器对主动干扰和目标进行识别，识别概率超90%。此类方法具有高效、复杂度低等优点，但缺点也同样存在，即对与目标相关性较强的干扰信号识别率不足，抗干扰效果不理想。

无线电引信认知抗干扰技术是认知电子战技术在引信抗干扰设计上的发展与应用，能够有效地提高引信对抗复杂电磁环境威胁的能力。基于认知原理的无线电引信抗干扰关键技术主要包括波形设计和信号分选识别等。在波形设计方面，采用任意相位调制的脉冲波形编码技术得到了国内外学者的广泛重视和研究。文献[30]提出了一种Brijin正交编码序列，由于干扰信号与发射信号不相干，因而通过对脉冲序列正交编码完成对干扰的有效抑制；文献[31]提出一种多样性脉冲波形，通过改变每个脉冲波形内的线性调频信号的调制频率，使每个周期的发射信号波形相互正交，从而有效对抗干扰的威胁；美国新奥尔良大学的学者提出用退火算法和随机优化算法来获得雷达脉冲序列波形的最优解，但随着序列长度的增加，其算法的复杂度急剧上升，严重影响了系统响应的实时性[32-34]。文献[35—36]基于Logistic 混沌序列设计了一种加密的无线电引信发射信号波形，利用混沌序列初值敏感性与良好的自相关性实现了对目标与干扰信号的有效识别。

对于信号的分选识别，一种典型的思路是通过分析目标信号与干扰特征差异，建立目标与干扰信号特征空间，并利用机器学习方法对信号特征进行训练和学习，从而完成对信号的分类识别。文献[37—39]对脉冲多普勒引信距离门输出信号进行分析，提取了包括信号频域熵在内的多维特征，并在支持向量机(SVM)和模糊C均值(FCM)算法中进行训练和分类，同时根据环境信噪比变化对分类模型进行自适应更新，但对于转发式干扰效果不理想。文献[40—41]对引信检波信号进行FFT运算，并根据其频谱局部峰值点比值差异对目标和干扰进行区分，但此方法仅对扫频式干扰有效，对其他类型干扰效果较差；文献[42]提取了引信混频后输出信号奇异谱熵，实现了对目标和干扰的有效区分；文献[43—44]对雷达目标与干扰识别问题进行了研究，其中文献[43]从雷达可见度图中提取平均度、平均聚类系数等特征，并选用随机森林分类器对主动干扰和目标进行识别，识别概率超90%。此类方法具有高效、复杂度低等优点，但缺点也同样存在，即对与目标相关性较强的干扰信号识别率不足，抗干扰效果不理想。

美国在2016年引信年会提出的具有专门抗干扰措施与干扰信号识别能力的下一代炮兵无线电引信，其突出特征是通过新的信号处理技术实现背景、干扰和目标信息的分类，以提高探测和抗干扰性能，而这也正是认知技术在引信信号处理应用的体现。国内目前虽然对基于认知原理的电子抗干扰技术取得了一定的研究成果，但相较国外而言，国内的研究工作更多针对的是某一特定技术模块，研究缺乏整体性和系统性，尤其是在无线电引信认知抗干扰方法方面研究较为缺乏，总体水平与国外仍存在较大差距。

基于此，在认知原理基础上，根据无线电引信工作特点，系统、深入地研究无线电引信认知抗干扰理论，建立无线电引信认知抗干扰理论模型，包括信号感知、自适应优化、抗干扰效能评估及动态抗干扰策略调度和动态知识库共4个模块，在线下对样本进行训练与学习，在线识别阶段，利用学习完成的决策模型对输入信号进行分类决策，从而能够在提高认知抗干扰系统实时性的基础上，学习环境、目标以及干扰特征变化并自适应优化抗干扰参数和策略，实现引信抗干扰效能最优化。

1 认知电子对抗系统结构

认知最初是指人对知识获取及应用的过程，也是人体通过感官对外界事物进行处理和加工的过程，美国国立精神卫生研究院给出的定义是：认知是人们认知其所处环境的有意识的心理活动[45]。人类的认知行为包括：感觉、思考、判断、记忆等。随着时代的发展，认知的内涵和应用也在不断完善和丰富，在智能化、网络化电子技术和设备的推动下，“人工智能”技术将认知与计算机结合，赋予电子设备新的生命，认知电子对抗技术便是在这样的环境下诞生的。

典型的分层认知系统模型如图1所示，包括三个层次：反应性推理过程、协商性推理过程和思考性推理过程。

图1 典型分层认知系统模型Fig.1 Model of typical hierarchical cognitive system

反应性推理过程是指通过单次学习行为就能快速执行的简单行为过程；协商性推理过程是指需要学习更多知识，进行更复杂处理才能解决的复杂行为过程；思考性推理过程是指对系统给出的解决方案进行推理的过程。总之而言，一个完整的认知系统应包含以下四个部分：

1) 环境感知：认知系统需要具备从环境中快速获取需要的信息的能力；

2) 学习推理，能够对环境信息变化进行自主学习，并根据学习结果自适应调整相应措施；

3) 评价决策：能够对自适应调整结果进行实时评估并反馈，从而对学习和推理以及自适应策略进行调整；

4) 存储记忆：认知系统需要对环境感知、学习推理和评价决策的结果进行实时存储记忆，为后续快速推理和决策提供支持。

“感知-识别-决策-行动”环模型便是在认知原理的基础上建立的，1987年，美国空军上校John Boyd首次提出了”感知-识别-决策-行动”环模型，其基本思想是作战双方均需要完成观察(Observe)、判断(Orient)、决策(Decide)、行动(Act)的循环程序，并且完成的质量越高、速度越快，就越可能在对战中取得有利地位[46]。”感知-识别-决策-行动”环模型如图2所示。

图2 “感知-识别-决策-行动”环模型Fig.2 “Observe-Orientation-Decision-Action” loop model

在“感知-识别-决策-行动”环模型中，第一个“O”表示通过侦察设备感知外界环境信息，包括目标信号的频率、功率、方位等；第二个“O”表示对侦察设备感知的外界信息进行充分学习，并对战场电磁态势进行判断与评估；“D”表示根据判断与评估结果进行决策；“A”表示根据决策结果执行相应措施。”感知-识别-决策-行动”环模型是在实战经验上总结提炼的模型，掌握”感知-识别-决策-行动”环能够根据外界环境快速调整行动策略，从而及时做出最优决策。

认知电子对抗技术是认知原理和”感知-识别-决策-行动”环模型在电子对抗领域的最新应用。虽然目前还没有关于认知电子对抗的公认标准定义，但其应具备的基本能力和内容是显而易见的，即能够通过先验知识以及自主学习来感知环境及威胁信息，并自适应调整系统参数及对抗策略的闭环系统。对于一个具备完整“感知-识别-决策-行动”循环的认知电子对抗系统而言，应该包含4部分功能[47-48]：认知侦察功能、自适应优化功能、在线评估和策略调整功能以及动态知识存储功能，其组成框图如图3所示。

图3 认知电子对抗系统组成框图Fig.3 Block diagram of cognitive electronic countermeasure system

相比于传统电子对抗系统，闭环反馈结构和智能是认知对抗系统独有的特性，也是支撑其认知对抗功能的核心。认知电子对抗系统实现了从信息感知到行及再感知的循环过程，当环境信息发生变化时，系统会感知环境的变化并调整相应的对抗措施，由于闭环反馈机制的引入，系统会对对抗效果进行实时检测与评估，并且判断系统当前对抗措施是否最优，从而对当前的对抗策略进行自适应调整和优化。认知电子对抗技术的智能反映在感知、策略选择、决策等各个环节，其本质在于系统能够主动学习环境信息，并根据环境信息的变化调整对抗策略，选择最优化波形和参数。

2 无线电引信认知抗干扰模型

2.1 无线电引信工作特性分析

无线电引信一般由发火控制系统、爆炸序列、安全系统和能源装置4个部分组成[1-2]，其原理框图如图4所示。

图4 无线电引信原理框图Fig.4 The processing digram of radio fuze

相较于常规认知抗干扰系统，无线电引信认知抗干扰系统存在以下特点：

1) 因为无线电引信工作在高速弹载平台，考虑到实际弹目交会速度，引信输出有效目标信号的持续时间可能仅为毫秒级，因此其信号处理电路需要有极高的实时性，要求其认知抗干扰系统能够快速识别目标与干扰信号。

2) 由于引信工作任务的特殊性，为了保障引信安全与作用可靠性，其工作时间通常不到数秒，因此可用于感知并学习的信号时长较短，这就要求无线电引信认知抗干扰系统能够在样本有限的情况下进行高效的学习。

3) 在无线电引信工作过程中，其所处环境和接收信噪比等因素会发生变化，因此其认知抗干扰系统参数需要根据接收信号的变化，在短时间内完成快速自适应与优化，从而保持良好的抗干扰效果。

4) 由于引信适配在弹体上，空间受弹体型号、样式等限制，软硬件资源有限，无线电引信认知抗干扰系统需要降低复杂度以减少对平台资源的占用量。

2.2 无线电引信信息型干扰环境分析

信息型干扰具有干扰功率较小、运行成本较低等优点，是无线电引信电磁干扰环境的关键组成部分，也是长期以来无线电引信干扰的主要形式。一旦引信受到干扰，容易出现误启动状况，进而严重降低弹药武器系统毁伤效能。因此，分析无线电引信面临的信息型干扰环境，是研究无线电引信认知抗干扰技术的前提，只有明晰干扰环境，才能制定针对性的抗干扰策略。

以对地目标和地面干扰机为例，引信、目标、干扰的空间作用关系如图5所示。

图5 干扰机、引信及目标空间作用关系Fig.5 Spatial interaction between jammer, fuze and target

无线电引信面临的信息型干扰主要分为压制式干扰和欺骗式干扰[1-4]。压制式干扰通过用噪声或者类噪声的干扰信号，大幅降低引信接收机接收信噪比，阻碍引信检测目标信息，使引信产生误启动或者不作用的情况。按照信号和调制样式，压制式干扰可分为噪声类干扰和周期调制类干扰，典型的压制式干扰信号如表1所示。

表1 典型压制式干扰信号Tab.1 Typical oppresive jamming signal

噪声类干扰是最先被应用的压制式干扰样式，噪声类干扰主要对引信进行信噪比压制，降低引信接收机信号检测能力[1-3]。相较于噪声类干扰，周期调制类干扰的信号带宽更窄、能量更集中，与引信信号频率更接近。调制信号对载波进行调制后，能够产生类似目标回波信号的干扰信号，因此，与噪声类干扰相比，周期类调制干扰的干扰效率更高、干扰效果更好。随着直接数字合成(DDS)技术的发展，基于DDS频率引导的压制式干扰能够产生带宽大、频率精度高、频谱纯净、稳定性好的压制式干扰信号，其干扰信号频率引导精度高，能够准确瞄准引信接收机带宽，可稳定产生各种调制样式的灵巧式压制干扰信号，大幅提高了压制式干扰对无线电引信的干扰效果。

欺骗式干扰最主要的干扰形式是转发式，转发式干扰通过对信号的调制及转发从而对引信产生距离欺骗、速度欺骗、方位欺骗等[1-3]。此类信号与引信发射信号具有较强相关性，能够对引信产生很强的欺骗性效果，使引信误启动概率明显增加。随着数字射频存储(DRFM)技术的发展，DRFM干扰机从最初的窄带、低相位量化精度干扰信号发展到如今的宽带、高相位量化精度干扰信号，以DRFM技术为基础的转发式干扰成为了欺骗式干扰的主要类型，对无线电引信的干扰效果和威胁大幅提升。

综上所述，无线电引信主要面临的信息型威胁为：1) DDS频率引导式压制干扰；2) DRFM转发式欺骗干扰。无线电引信认知抗干扰系统应具备有效对抗这两类信息型干扰的能力，并在不同干扰环境下，能够有效识别目标回波与干扰信号，保障引信的正常作用。

2.3 无线电引信认知抗干扰理论模型

在明晰了认知电子抗干扰技术和无线电引信工作原理、工作特性及干扰环境后，本节提出无线电引信认知抗干扰模型，分析无线电引信认知抗干扰模型各模块功能及工作流程，为提高无线电引信抗干扰性能提供了理论支撑。

基于认知原理的无线电引信抗信息型干扰模型分为信号感知模块、自适应优化模块、抗干扰效能评估及动态抗干扰策略调度和动态知识库4个模块，包含多种抗干扰策略，能够根据环境、干扰和目标信息的变化动态调整抗干扰策略，如图6所示。

图6 无线电引信认知抗干扰模型Fig.6 Cognitive anti-jamming model of radio fuze

无线电引信认知抗干扰模型信号感知模块能够对环境中目标和干扰信息进行侦察与分选，通过对待测信号不断感知，获取信号关键参数及特征，从而完成对目标与干扰信号的认知与识别。

自适应优化模块根据信号感知模块输出结果，学习环境中目标和干扰信号特征与参数的变化，从而自适应优化和调整抗干扰策略参数。通过对工作过程中的目标与干扰信号特征参数提取，在线学习输入信号的特征空间，并根据特征空间的变化自适应调整分类决策模型，形成具备反馈功能的闭环抗干扰系统，从而保持良好的抗干扰效果。

抗干扰效能评估及动态抗干扰策略调度根据各抗干扰策略通道输出结果对每种抗干扰策略效果进行动态评估，无线电引信认知抗干扰模型抗干扰效能评估的对象包含每个抗干扰策略通道的输出结果。根据每个抗干扰策略通道输出的结果进行抗干扰效能评估，从而完成对抗干扰策略的动态调度，实现在不同干扰环境下无线电引信抗干扰策略的最优化选择。

动态知识库负责对先验信号样本特征及参数进行存储，并根据目标与干扰信号特征与参数的变化及时更新数据库，另外，抗干扰策略参数自适应优化结果及抗干扰策略动态调整结果也会被记录在知识库中，从而为后续类似情况下的快速决策与自适应调整提供支持。

为了提高无线电引信认知抗干扰模型工作实时性，采用“线下训练”和“线上优化与决策”工作模式，如图7所示。在线下训练阶段，将样本数据输入信号感知模块进行学习与训练，并对信号与感知模块学习与训练结果进行抗干扰效能评估，根据抗干扰效能评估结果得到动态抗干扰策略决策模型，为线上动态决策提供支持；在线上优化与决策阶段，引信接收到信号后，信号感知模块能够感知信号特征变化，并在自适应优化模块中对信号感知模块参数进行自适应优化调整，从而保证信号感知结果的准确性；最后，依据信号感知结果进行动态决策，通过衡量不同抗干扰策略的抗干扰效果，输出最优抗干扰策略，从而使无线电引信抗干扰性能最优化。

图7 无线电引信认知抗干扰模型线上线下工作模式Fig.7 Online and offline working mode of cognitive anti-jamming model of radio fuze

通过上述工作模式，能够在保证认知抗干扰模型满足无线电引信实时性要求的前提下，增强无线电引信对不同环境、目标和干扰环境的适应性，显著提高无线电引信抗干扰能力。

3 无线电引信认知抗干扰关键技术分析

3.1 信号感知模块关键技术

信号的感知是指从环境中对信号进行检测、处理以及目标特征、行为的辨识，进而判断威胁源的状态、行为以及威胁程度。具体到无线电引信认知抗干扰系统中，信号感知是对无线电引信工作环境中目标与干扰信号进行检测、处理、特征提取与识别的过程。

随着机器学习理论的发展，模式识别技术被越来越多地应用在目标的识别和分类中，包括贝叶斯分类法、近邻法、聚类法、神经网络、支持向量机方法等。通过这些机器学习算法对信号特征进行学习，建立分类决策模型，完成对信号的分类识别。常规的机器学习算法需要对大量样本进行学习以保证决策模型的稳定性和可靠性，然而，受到应用环境和现实因素限制，无线电引信认知抗干扰系统所面临的是一种“小样本空间”信号，对于各种目标以及可能存在威胁的辐射源信号，认知电子抗干扰系统难以采集足够的有用信号样本，这也是目前机器学习在无线电引信认知抗干扰系统中应用的一个难点[10]。另外，由于外界信号的不确定性较强，引信抗干扰系统可能会出现测量误差大或难以测量信号完整参数的状况，这就导致了系统构建的信号特征空间可能出现残缺或不完整的现象。因此需要进一步提升机器学习算法在无线电引信认知抗干扰系统中的适应性，从而应对上述存在的问题。

此外，无线电引信认知抗干扰系统对系统信号感知实时性要求很高，如何快速从环境中获取有用信号参数和特征是提高认知电子抗干扰系统效能的关键。为了提高信号感知实时性，可以从以下几个方面进行考虑：

1) 需要对机器学习算法进行调整与改进，使之适应无线电引信认知抗干扰系统；

2) 需要适当选取信号特征参数，降低信号特征参数提取复杂度，减少特征提取运算时间；此外，可以通过线下样本训练出合适的算法模型，在实际工作过程中仅需利用训练得到的模型便可快速对信号进行分选和识别，提高无线电引信认知抗干扰系统的信号感知效率。

护理垂直管理下的“1+N”护理单元运行模式及效果…………………………………王瑞丽，巢 娜，蔡德芳（83）

3.2 自适应优化模块关键技术

自适应优化技术能够根据感知环境信息的变化从而对系统抗干扰策略参数进行自适应优化，是无线电引信认知抗干扰技术的关键技术之一。抗干扰策略参数的优化包括对信号特征参数提取的优化、对发射波形的优化以及对系统决策模型参数的优化。

信号特征参数提取是信号识别的重要部分，然而在复杂多变的电磁环境下，目标与干扰信号特性可能会发生变化，提取信号相应参数的难度也会变化。若当前用提取的目标与干扰信号特征参数无法满足区分目标与干扰信号要求时，或是当前采用的特征参数难以准确提取时，则需要对当前特征参数进行调整，选择当前环境下更有区分度、更易于准确提取的信号特征参数，从而确保目标与干扰信号特征空间的可识别性。

当无线电引信认知抗干扰系统信号特征参数与发射波形发生变化时，先验的决策模型可能会面临准确率下降甚至失效的问题。此时，需要对系统决策模型参数进行调整和优化，从而适应特征与波形变化下的决策可靠性与决策效率，以面对复杂多变的现代战场电磁环境。

由于无线电引信认知抗干扰系统对实时性的要求和资源的限制，自适应优化算法需要简洁高效，这对发射波形优化、决策模型参数调整等算法复杂度提出了很高的要求，必须研究传统优化算法改进方法，提升算法效率和收敛能力，降低优化算法系统资源占用率。

3.3 抗干扰效能评估与动态抗干扰策略调度模块关键技术

对于一个无线电引信认知抗干扰系统，其抗干扰效能评估的内涵是对系统所采取的抗干扰措施产生的效果进行评估，并且根据评估的结果对当前抗干扰策略进行调整，制定最优的抗干扰策略，提高系统抗干扰能力。

目前，抗干扰效能评估准则主要包括功率准则、概率准则、效率准则等。这些准则都是建立在双方合作的基础上，即干扰方的工作状态和参数是可监测的，并且被干扰方能够直接获取这些信息，从而决定当前抗干扰措施在提高干扰功率、降低被截获概率以及提升抗干扰效率上的表现。但是对于电子对抗实际工作场景来说，对抗双方合作是不现实的，电子抗干扰系统不可能直接获取干扰系统的状态和参数，因此，认知电子抗干扰系统需要从抗干扰角度进行抗干扰效能评估，主要通过对采取抗干扰措施前后系统自身目标识别率和抗干扰效果的监测来完成。

在系统对当前策略抗干扰效能评估完成后，需要结合系统自身抗干扰策略知识库，充分考虑系统的软件和硬件资源，并在此基础上对系统抗干扰策略进行选择与调整，对调整后的策略抗干扰效果继续进行实时监测与评估，进而根据检测与评估结果选择后续的抗干扰策略。

此外，无线电引信认知抗干扰系统同样对响应的实时性要求较高，因此评估和优化算法必须能够满足对复杂电磁环境变化的快速适应，从而及时地对抗干扰策略进行调整。

3.4 动态知识库模块关键技术

在无线电引信认知抗干扰系统中，动态知识库主要由目标与干扰信号特征参数库和系统抗干扰策略及参数优化库组成。目标与干扰信号特征参数库对先验的目标信号和干扰信号特征参数与未知的信号特征参数进行存储与记录，以便为待测信号的分类和识别提供依据。动态知识库技术能够为无线电引信认知抗干扰系统提供快速、准确的数据和信息，是整个无线电引信认知抗干扰系统的关键技术支撑。

动态知识库需要具备的一个重要功能是知识库的更新，对于认知电子抗干扰信号的每一次信号感知结果、策略调整结果、参数优化结果进行记录，并更新已有的知识库，从而在后续抗干扰过程中能够提供最新的数据支持。

4 结束语

本文总结了无线电引信的工作环境与抗干扰设计发展现状，介绍了基于“感知-识别-决策-行动”循环的认知电子对抗模型和认知电子对抗系统工作原理及技术。结合无线电引信工作特性与其面临的干扰环境，明确认知抗干扰技术在无线电引信上应用的约束条件。在此基础上，针对无线电引信认知水平低、抗干扰能力不足的问题，提出无线电引信认知抗干扰理论模型，为无线电引信认知抗干扰设计奠定了理论基础。