电磁环境态势生成与认知技术研究现状与展望

胡炜林，朱然刚，彭 闯，王伦文

(国防科技大学电子对抗学院，安徽 合肥 230001)

0 引言

近年来，伴随科学技术的进步，电磁设备数量与日俱增，电磁频谱信号愈发密集，频谱资源出现紧张局面，电磁环境与态势也愈发复杂，给正常秩序运行和无线电监测管理带来严重影响。对于电磁环境及其态势的研究是电磁领域的一项重要课题。在民用上，电磁环境态势认知有助于无线电频谱管理、打击非法通信设施、营造良好的社会氛围；在军事上，电磁环境态势认知有助于指挥员掌握电磁环境的状态和趋势，把握战场敌我双方的电磁兵力分布，能够对电磁环境态势的威胁程度给出有效评估，有助于提高电子对抗效果。因此，对电磁环境态势生成和认知研究具有重要的理论意义和军事使用价值。

当前，学术界许多学者对电磁环境复杂度进行了广泛而深入的研究。人们对复杂电磁环境下局部电子对抗也进行了实践，但当前电磁环境态势认知的相关研究还不能满足现代战争的需求。电磁环境态势生成与认知是一项系统工程，目前还存在许多难题和挑战，尚有一些问题亟待解决。比如，电磁环境态势的概念还存在争论，对电磁环境态势概念的理解仍然存在着不够明晰和操作性不强的缺憾。在电磁环境态势生成方面，当前仍旧处于广泛探索的阶段，已经出现了图像、信号、示意图等多种生成形式，然而生成方式和形式尚无统一认可的客观标准；在认知方面，如何认知、如何应用是一个多学科、智能化的任务，而深度学习等前沿方式在电磁环境态势中应用还不多，实现电磁环境态势的智能化认知还需要很长时间。

总而言之，开展电磁环境态势研究是认识理解电磁空间分布状态的有效手段，是构建电磁环境思维体系的客观需要，是推断电子对抗力量军事意图的重要参考。本文结合近年来众多研究者对电磁环境态势的理解，梳理了国内外电磁环境态势的相关研究和应用，为研究电磁环境态势生成和认知技术提供理论依据和技术参考。

1 电磁环境态势基本概念

电磁空间是由客观存在的各种电场、磁场与电磁波组成的物理空间，电磁环境是电磁空间的一种表现形式，是一切电磁现象的总和。文献[1]将电磁环境描述为：设备、分系统或系统在执行规定任务时，可能遇到的辐射或传导电磁发射电平在不同频率范围内功率和时间的分布，电磁环境有时也可用场强表示。为了客观描述电磁环境，文献[2]提出电磁环境的描述指标，并将电磁环境划分为5个等级，同时为了精准评估和准确描述，文献[3-5]均给出了复杂电磁环境的定义，与电磁环境相比，复杂电磁环境并没有给定无限广泛的空间和时间，而是强调了区域性和时段性。因此，划定战场区域和作战时间后，战场电磁环境和电磁作战环境[6]也划归于复杂电磁环境的范畴。战场电磁环境是以电磁波及其活动为中介，对战场上军事人员及其活动有影响的各种情况和条件的统称[7]，战场电磁环境与电磁环境主要区分在是否符合战场条件，此条件是人为给出定义，包括但不限于区域、协议、敌我等因素。

上述描述只定义了静态的电磁环境，但仅从静态描述指标来研究电磁环境还不够全面。电磁环境瞬息万变、对抗性强、影响因素复杂，从变化性的角度来说，需要动态性指标对电磁环境进行更为精确的描述，由此便将态势的概念引入电磁环境领域。态势即是事物发展的形势及状态[8]。在文献[9]中，态势被定义为敌对双方在战役力量对比，战役部署和战役行动方面形成的状态和形势；文献[10]将战役态势定义为战场态势在不同级别的体现，而战场电磁态势是战役态势中战场环境的要素之一。其实，战场电磁态势等同于电磁态势，是电磁态势的另一种表达方式，用于描述电磁域作战[11]，是指在一定的作战空间内敌对双方的电子设备、系统分布和电磁活动，以及影响电磁活动的因素所形成的状态和形势[12]。从二者的定义中比较，他们都包含战场区域要素、作战对象要素，其本质实则相同[13]。将电磁态势中的环境因素进行单独研究，即电磁环境态势或频谱态势[14]，它是电磁态势中的环境因素，是指电磁环境的当前状态、综合形势和发展趋势，表征电磁环境演变的状态和趋势[15]。所以电磁环境态势实质归根于环境要素，属于客观物理空间，是一个中立的、不包含敌我关系的物理概念。

对比分析近几年来电磁环境的相关概念，各个概念相互关系如图1所示。因此，电磁环境态势可以定义为电磁环境的状态和变化趋势，它只描述物理空间中的电磁分布，本身不含任何战场信息，具有整体性、动态性、多维性等特点[16]。研究电磁环境态势的目的就是为了客观描述电磁场分布，利用海量的原始数据，结合其他要素综合对电磁环境态势进行理解，在作战行动中，根据战场需求，给定作战意义，定向研判战场形势。

图1 电磁环境态势定义Fig.1 Electromagnetic spectrum map generation process

2 电磁环境态势生成

电磁环境态势源于电磁环境，是电磁环境的状态和变化趋势。电磁环境态势构建生成主要是研究电磁环境态势的描述方法，包括但不限于综合性的、图像类的、指标类的，这里总结了电磁环境态势在图像上的生成与表示的典型方法，并列举部分学者根据不同需要和不同理解设计的电磁环境态势生成系统。

电磁频谱地图由美国弗吉尼亚技术团队首次提出[16]，也被称为电磁环境地图、无线电环境地图等，可以表示无线电网络的信号强度图或覆盖区域[17-18]，它是电磁环境的一种可视化方式，有助于人们客观观察电磁环境状态及其变化规律，也是电磁环境态势的一个热点研究方向。文献[19]指出，快速准确是生成电磁态势图的要求，因此构建电磁频谱地图也务必简单、准确。

电磁频谱地图的构建过程被称为频谱制图[18]，通过空间区域内的数据采集节点测量数据，融合先验信息、存储信息和认知信息等知识，从而构建电磁频谱地图[20]，频谱制图系统可表示为图2所示流程。电磁频谱地图的构建方法一般可分为空间插值构建法、参数构建法和混合构建法，在实际应用中，文献[21—22]均对上述方法中的技术进行过比较，证明了Kriging算法在传统插值算法中的效果比较精确。因此，以构建精度为目的，Kriging算法在电磁频谱地图中得到广泛应用，同时衍生许多改进算法。文献[23—24]将Kriging中的变异函数进行改进，引入支持向量回归(support vector regression, SVR)改善插值效果，在信号覆盖探测应用中取得了很好的效果，相比于原算法，误差下降约16%，但是该算法需要先验数据学习训练，尚不知其迁移应用效果。文献[25]利用先验知识修正插值结果，引入Egli电波传播模型，得到基于传播模型的Kriging插值算法，该模型改善了只有路径损耗条件下的应用效果，而大尺度衰落条件下的应用效果较差，对于实际复杂电磁环境下的频谱地图构建还有许多可做的工作。文献[26]尝试性地提出一种新的无线电地图构造方法，联合空间-频率插值技术，在数据量少的情况下获得精确的电磁频谱地图，该方法考虑了频域的相关性，可实现未知频率的空间电磁频谱地图构建时，由于频率相关性依赖于主观假设、已知频率数据少、不同频率在环境中的损耗大不相同，构建效果会逐渐变差。文献[27]针对节点分布不均匀会影响构建精度这一问题，利用Vonoroi原理和K-means聚类划分粒度，提高构建精度，此算法复杂度随着粒度逐渐提高，且在地形环境复杂、电磁波反射折射多的情况下效果不佳。此外，除了在Kriging算法上改进外，文献[28]将参数构建法中的发射机位置估计技术应用于多径衰落中，与Kriging、反距离加权法(inverse distance weighted, IDW)进行了比较，其均方误差和正确检测率优于另外两者。从频谱制图的系统和流程来说，网络的传输、节点的数据都影响呈现出来的构建效果。基于该考虑，文献[29]使用一种新的时空方法ST-REM，在测量数据错误概率高的情况下，通过迭代的方式由数据中心计算数据可信度，最后在不同类型的节点类别中验证该算法的有效性。以上两种算法对先验信息要求较高，在民用领域通过其他途径获取信息的方式较为便捷，因此改进算法作用较大，而在军事领域获取先验信息的难度大，因此上述两种算法还需考虑更多的客观因素。文献[30]将三维空间网格离散化，建立Kriging和薄板样条插值(thin plate spline, TPS)的插值模型并给定加权方式，生成电磁频谱地图而无需先验信息，然而三维空域范围更大，相较于平面电磁频谱地图构建，无先验信息的条件下构建精度较低。

随着深度学习的广泛应用，电磁频谱地图的构建方法也有了一些新的实践。文献[31]运用多种构建数据检验了梯度推进决策树在电磁频谱地图中的效果，并且验证了优越性能；文献[32]为实现时域、空域的站点信息联合预测，在图神经网络中引入注意力机制，以此挖掘电磁强度之间的时空关联信息，同时设计了一种并行Kriging算法，生成电磁频谱地图；文献[33]利用生成对抗网络(genverative adversarial networks, GAN)还原了有阻挡情况下的电磁频谱地图；文献[34]基于深度学习技术补全缺失数据，从而生成频谱态势。以上深度学习方法在测试阶段相比于传统算法效果有较大的提升，但是电磁环境受温度、湿度、地形、电离层等诸多因素影响，尚无研究表明深度学习模型迁移到其他环境中仍能保持高准确率，其迁移性和实用性还有待研究。

在军事领域，电磁频谱地图也是一项研究课题。文献[21]详细介绍了支持频谱制图的军用通信系统体系，从战术角度研究地图构建质量与传感器位置部署、相互关系、环境与算法之间的联系。文献[22]为了验证电磁频谱地图的普适性，考虑了包括军事冲突、人道主义行动在内的等一系列联合行动方案，其目的在于探究传感器数量与部署如何影响地图质量。由这两项研究表明，研究军事电磁环境态势生成关注节点与质量的关系，主要为了实现感知节点的最优部署和不同环境下的节点部署规律，十分强调实时性。

3 电磁环境态势认知

电磁环境态势认知是指在一定时间和空间内对电磁频谱各组成成分的感知、理解和预测。作为军民两用的理论，虽然起步不久，但是发展迅速。本章主要介绍电磁环境态势认知，列举该技术中的研究热点，分析各个具体应用上的研究现状。

3.1 电磁环境态势描述

当前对电磁环境态势的描述指标研究较少，且大多仍停留在电磁环境复杂度上，国内外专家学者在电磁环境复杂度的量化指标和描述方法上各抒己见，尚无统一的量化指标。我国对电磁环境复杂度的官方描述是文献[1]下的分类方法，而在具体研究中，学者根据自己研究领域的关注点，不断扩充该指标体系。如文献[35]所述，战场电磁环境态势表征指标也可以从“四域”特征中产生，并且划分客观层面和环境效应层面加以区分，即电磁环境复杂度层面和电磁环境威胁度层面。在文献[36]中以电磁环境复杂度为目标，将指标体系划分为3个准则下的11项描述指标，考虑了电磁干扰和电磁适应对电磁环境的影响，重点关注我方利用电磁环境的复杂程度。文献[37]立足于电磁环境监测仪器的不同，结合电磁环境复杂度一般度量指标，将二者进行有效结合，实现电磁环境复杂度的实时描述。随着军事需求的拓展和智能化的推进，文献[15]提出电磁环境表征不仅需要电磁信号层的描述指标，还应加入环境实体，由此形成电磁环境态势表征。上述文献虽然考虑了仪器、环境和应用的影响，扩充了电磁环境态势描述指标，但是归根结底仍然是在电磁环境复杂度上进行评估，与态势的联系较少。

电磁环境态势表征需要结合电磁环境复杂度要素，融合多种行为参数，直观呈现当前电磁环境的状态和发展规律，具备电磁环境演变的预测能力[15]。电磁环境态势概念宏大，评估指标难以兼顾，评估方法比较复杂。文献[38]采用12个态势要素结合起来描述整体电磁环境态势，利用3个步骤生成态势并划分为5个等级，但文中所提态势要素均是静态描述指标，尚未体现电磁环境态势的动态性。随后，文献[39]创新性地将电磁环境态势划分为状态描述指标和趋势描述指标，将二者结合共同描述电磁环境态势，使得该指标融合了电磁环境的动态信息。近年来，人工智能、深度学习与各学科知识不断融合，电磁环境和电磁环境态势表征也呈现智能化的趋势[19]。但是深度学习提取的特征难以解释，当前的发展仍在起步阶段。

3.2 电磁环境态势评估

电磁环境态势评估也可分为3个步骤：态势感知、态势理解和态势预测[40]。首先提取精确的电磁环境态势表征指标，融合大数据挖掘技术和专家经验知识，利用信息融合处理技术提取表征指标下的隐藏行为信息，从而对指定区域内的电磁环境态势实现评估。综上，文献[41]通过对典型的3种态势评估理论模型进行比较，三者都包含态势要素的关系整理，因此电磁环境态势评估的核心问题在于寻找电磁环境态势表征指标，即3.1节所述指标体系，挖掘电磁环境态势评估结果的物理关系，以及各个表征指标之间的物理关系。

为了实现有效评估，提取指标、选取模型和分析结果是常用的态势评估流程。文献[41]列举了当前在评估领域的常用技术手段，文献[42]对所提取战场态势评估指标体系应用基于直觉的模糊决策评估方法，实现了对战场态势的有效评估和理解，但是该方法未能实现由评估结果到评估原因的映射，不善于挖掘影响态势变化的主要原因。文献[36,38]对战场电磁环境建立了五级评价指标体系，分别运用灰色评价理论和模糊关系矩阵实现态势等级评估，但是二者依赖专家经验，大量指标和数据下难以逐一打分。文献[43]基于电波传播理论模型，提出一种“精准”的电磁态势评估方法，以评估具体数值为首要内容，然而该方法的最终效果是单个位置的评估，与电磁环境态势整体评估无关。文献[44]利用评估方法解决实际问题，为了探究高铁运行对机场起飞环境的电磁影响，在原始指标集中加入列车速度这一评价标准，利用了主成分分析法重新对机场周围电磁环境进行评估，并根据结果提出了列车限速方案。

由以上研究可以看出，评估技术可以指导实践活动，提供参考方案。电磁环境态势评估技术难、发展时间短，相近学科的许多评估方式对研究电磁环境态势评估具有良好的参考意义。文献[45]利用认知无线电安全态势评估指标集，验证了模糊数学模型在此应用上的可行性。文献[46]针对传统网络节点信息安全量化不稳定的问题，提出一种基于攻防博弈的网络安全威胁态势识别方法，通过识别网络安全的威胁情况来降低风险。文献[47]提出了一种基于目标结果并结合人工神经网络的评估模型，用于13个评价指标下的空域态势识别。以上3个研究的效果取决于指标体系的准确度和表征范围，需要提供具有实际表征意义的评估指标。此外，深度学习应用于评估技术是当前的一个热点方向，文献[48]总结了近些年深度学习评估技术在海洋水质估计中的应用，并且讨论了迁移学习、异常检测、强化学习等技术在海洋水质评估中的发展潜力。文献[8,49-50]均是深度学习在态势评估中的应用研究。文献[8]在态势评估模型中引入卷积神经网络(convalutional neural networks, CNN)，提出一种Inception-CNN的网络安全态势评估方法，将3类共17个指标进行评估试验。文献[49]基于重构的方法进行网络威胁态势评估，将正常数据送进变分自编码器和生成对抗网络的混合网络进行训练，得到正常数据的样本空间，从而根据测试数据的重构误差划分等级，实现态势评估。尽管文献[50]以空海态势威胁评估为研究对象，总结了人工神经网络、机器学习和深度学习在态势评估技术上的应用效果，同时证明了深层神经网络比另外两个评估模型准确率更高、鲁棒性也更好，但是以上深度学习技术在态势评估方向上始终涉及训练数据来源、模型迁移效果等问题，当前研究还太少，实际效果有待考察。

结合以上情况，电磁环境态势评估研究虽然开始涉及，但是还不够深入、不够广泛，还存在许多挑战，仍需要专家学者广泛借鉴其他领域的先进技术对其探讨。

3.3 电磁环境态势异常检测

异常检测是指在数据中发现不符合预期行为模式。随着电磁环境的地位越来越高，造成的影响越来越严重，电磁环境态势异常检测也成为一个重要的课题，尤其在无线电管理、军事斗争等方面。异常的类型通常分为点异常、集合异常和上下文异常[51-52]，电磁环境态势异常更多倾向于上下文异常。与此同时，它通常还区分为背景环境异常和有意识行为引发的异常，前者包含环境因素和无意识行为因素，包括雷电、人群移动等，后者特指含有目的性的电磁活动所引发的异常[53]。电磁环境异常检测的目的是发现不符合预期的电磁环境态势，为电磁频谱管理和威胁评估提供依据。

异常是相对正常而言，正常电磁环境态势是指一定区域、时间、频段范围内的电磁频谱状态和趋势满足一定规律，比如，电磁频谱幅度或变化幅度在一定范围内有规律的变化。

异常电磁环境态势是指在时域、频域、空域等方面电磁环境态势超出正常变化区间，违背正常变化规律，比如，辐射源移动、开关机、功率调整等都可能造成异常。

从算法角度来说，异常检测技术研究比较成熟，文献[52]详细阐述了当前异常检测领域现状，分析了现有的异常检测方法并对部分方法进行对比验证，包括序列模型、图像问题等，每一章节针对一个模型进行理论、技术的详细阐述，具有极高的学习价值。从实际应用角度来说，频谱安全态势异常检测是频谱资源态势决策和管理的前提条件，文献[53]指出频谱态势异常检测可以利用神经网络等技术学习频谱态势样本空间，而后根据异常检测机制，发掘异常特点，找到异常原因，同时建立安全评估机制，提高频谱态势安全质量。文献[54]提出一种基于对抗自编码器(adversarial autoencoder, AAE)的无监督频谱异常检测技术，利用功率谱密度和基于模型的重构误差进行异常检测，具有部分可解释特征，实现了良好的异常检测和定位。文献[55]改进了GAN的网络结构，将自编码器与原始GAN进行结合，重构新的谱图，通过重构误差和鉴别器损耗来检测异常，同时还能定位时域异常。文献[56]利用计算机视觉和深度无监督学习技术，仅依靠信号星座图进行频谱异常检测，将CNN提取出来的特征用于无监督学习聚类，并与OCSVM和DBSCAN-U进行了比较。上述三种算法利用深度学习的图像重构技术进行图像异常检测，用于有严格规定的场景，由于考虑时序性，因此不易发掘电磁环境态势的时间维度异常，在规律性的态势变化情景下，模型的样本空间大、虚警概率较大。除了图像重构技术外，还有基于循环神经网络(crecurrent neural network, RNN)的异常检测，文献[57]结合长短期记忆网络(long short-term memory, LSTM)和深度自编码器构建了一个深度神经网络用于检测频谱使用异常，并且使用迁移学习方式来最小化时间和数据训练量，通过数据驱动进行无监督异常检测，此方法可以挖掘电磁环境态势的时间变化规律，但是LSTM更适用于序列数据的异常检测，应用于图像异常检测时复杂度通常过高，需结合卷积神经网络共同处理。

当前，根据电磁环境态势的不同描述方法，图像表述类的电磁环境态势异常检测问题可以归类为时序图像的异常检测问题。深度学习技术在时序图像异常检测问题上应用广泛，具体针对电磁环境态势异常检测这一类任务时，将时序模型和图像模型联合检测是一个研究趋势。文献[58]提出一种基于生成对抗网络的异常检测方法，在GAN中使用LSTM-RNN来捕获多元时间序列分布，可以区分异常状态和正常状态。文献[59]改进了梯度计算方法，提出新的融合算法LSTM-GAN-XGBOOST，其中 LSTM用于提取时间序列数据的时间维度特征，GAN用于提取正常数据的深度特征，极端梯度增强(extreme gradient boosting, XGBOOST)对提取的特征进行分类并导出异常评分，以获得最终的异常结果和评价指标。文献[60]研究有位置变化的多个目标下的时空序列异常检测，利用显示约束图(display contraint graph, DGG)来表示位置关系，并设计了一个LSTM框架来计算重构误差，基于DCG的异常分值对异常子序列和异常对象进行识别。文献[61]以ConvLSTM为基础网络，联合学习三维上下文和纵向或时间动态，将时域信息融合进ConvLSTM，形成ST-ConvLSTM算法，该模型基于整体图像，可以整合端到端的训练深度学习框架。从以上结合图像处理和时序处理的研究中分析，提取电磁环境态势的静态特征和时序特征是当前解决电磁环境态势异常检测的研究方向，而后在优化函数进行改进，从而实现异常检测，但是电磁环境态势需要的是迅速和准确的平衡点，现有研究趋向于复杂化，缺少轻量化的态势异常检测技术。

以上研究均可解决电磁环境态势的异常检测问题，表明该任务的理论技术发展比较成熟，但具体应用仍有很大发展空间，尤其是电磁环境态势应用问题，例如在深度学习下的异常解释问题，深层指标的物理意义问题，实际物理问题下的网络架构等问题还需要大量研究。

3.4 电磁环境态势认知技术

电磁环境态势认知，是在一定时间和空间内对电磁频谱各组成成分的感知、理解和预测。它能够基于电磁环境态势变化，分析战场形势、判别辐射源移动。电磁环境态势认知以结合多维度信息，分析异常现象为主要内容，涉及辐射源的定位、轨迹分析、功率变化，给出初步认知结果，最后根据算法结果，结合作战计划与敌方情报，形成最终的形势研判和战局预测。

认知科学是研究人类感知和人类思维信息处理过程的科学[19]。学术界普遍认可Endsley在1995年提出态势认知的3级模型，因此态势认知实质上是一种由态势估计得到知识状态的过程[10]。文献[62]首次提出认知电磁环境适应这一概念，以电磁环境效应的机理分析为基础，以人工智能学习算法为工具，是涉及多个领域的新概念。文献[15]给出了电磁环境态势感知与电磁环境认知之间的关系框架，电磁环境态势认知的关键就在于针对感知信息来支配行为举措、做出最优应对。电磁环境态势认知系统通常是电磁态势系统的子模块，文献[16]指出，态势的可视化要对态势要素进行科学的视觉编码，才能有好的视觉呈现。电磁环境态势可视化要以指挥员的需要为出发点并客观反映电磁环境，要做到重点突出、真切反映战场实际态势[13]。文献[38]介绍了一种电磁环境态势可视化认知方法，实现对信号数据和频谱数据的联合分析，设计出一种带有可视化视图和交互的双模块接口，包含监测模块、分析模块和态势分析视图，可以帮助用户感知总体电磁态势和无线电信号整体分布情况，通过监控视图对变化趋势进行概述，确定通信异常的根本原因并了解高危态势，但这个系统属于信号层面的态势异常检测，不含地理信息，适用民用电磁环境态势感知。文献[4]设计了战场电磁态势系统的基本架构，其可视化引擎可实现战场电磁环境、装备电磁兼容性的趋势可视化和综合信息显示，并自主建立了地理信息平台、辐射源模型和电波传播模型，最终可为官兵提供地形信息、辐射源位置信息、电磁环境信息和链路质量信息等，也可显示武器装备性能、可用性等，该系统有良好的应用前景，但是以电磁环境态势的展现为主，缺乏认知环节，未能将自适应预测、行为认知等功能融入其中。

在电磁环境态势认知整体框架下，文献[63]聚焦雷达对抗领域，将雷达对抗认知模型的层次划分为判断干扰、识别战术和报告我方受扰情况3个步骤，是电磁环境态势认知在具体问题上的实现，具有很强的参考意义。文献[64]强调在电磁环境态势认知中感知技术的重要性，研究了智能决策和自适应评估等关键技术，对提高电磁环境态势的认知水平有较大的作用。以上两个研究提出了战场电磁环境态势认知系统的理论框架和要素，尚未明确技术路线。此外，考虑到电磁环境态势认知的目的在于指导电子对抗力量部署，因此可以考虑强化学习在智能决策当中的应用[65]。

4 挑战与发展

近年来，电磁环境态势生成和认知技术虽然取得了长足进步，但是尚不能满足军事斗争需求。面对日益复杂的电磁环境，电磁环境态势生成和认知等方面还存在以下挑战。

4.1 面临的挑战

1) 影响电磁环境态势有效生成的客观因素依然存在。首先，自然因素影响不可忽视，比如，地形、天气、建筑物、时间等都对电磁场的分布产生作用，因此要保证相关算法的有效应用，需要针对不同自然条件研究不同的电磁环境态势生成模型；其次，为了保证态势生成的客观性、准确性和实时性，生成算法通常需要一定的先验信息，包括地形地势、气候条件、情报信息等，且态势的准确性严重依赖先验信息的准确性，而获取准确的先验信息通常具备高的复杂度；最后，电磁环境态势生成与感知到的电磁信号有关，全面、客观、立体、准确地感知电磁信号也存在挑战。

2) 电磁环境态势表征指标和评估体系构建的挑战。电磁环境涉及频谱非常广泛，包含通信、雷达、光电等频段，其表征指标体系庞大且必须涵盖多维度信息。对电磁环境态势有效描述，除了静态指标，还要考虑动态指标。当前，电磁环境态势应用于多个领域，整体来看现有指标专业性太强、可迁移性不高，很难形成一个普适性的表征指标体系。同时电磁环境态势是一个包含多维度信息的宏观概念，评估方法复杂多样，没有统一的评价标准，这也是当前电磁环境态势研究较少、落地困难的原因之一。

3) 电磁环境态势认知理论构思复杂，技术实现困难。在军事领域中，电磁环境态势认知这一术语已经广泛使用，但多数人仅仅是一种感官、直觉上的描述，也有少数专家根据用途、需求设计电磁环境态势认知系统，但是难以融合包括心理学、运筹学、概率学、战术学等在内的多学科知识，因此形成完整的电磁环境态势认知理论较难。同时，其相关算法对应的数据要求高，技术方法实现困难，不仅需要适应多样的环境，在准确性的基础上兼顾鲁棒性和稳定性，在一定程度上还要尽量轻量化相关算法，以提供准确迅速的数据结果。因此，认知理论应该具备严谨的体系，需要众多学科领域专家集体研究、统一部署、共同攻关。

4) 电磁环境态势认知系统投入较大，落地困难。对比现有的学术研究，电磁环境态势呈现军事需求多、工程实践少的现象。由于学者之间认知的标准不一、思路不同等原因，电磁环境态势认知的研究成果认可度不高，这也是现在电磁环境态势认知工程应用落地困难的原因之一。另外，从系统应用角度来说，前端采集设备是该系统的必要元素，电磁环境态势感知需要大量的、精密的分布式感知节点，且还需考虑良好的网络性能、地形地势的影响和前端设备的稳定性。电磁环境态势认知需要强大的数据储存中心、高速的数据处理模块和认知结果分发中心。电磁环境态势应用需要涵盖各个专业领域的子系统等。因此，电磁环境态势系统整体设计复杂、建设困难，难以落地实施。

4.2 发展趋势分析

尽管电磁环境态势认知的研究难度大、系统应用性价比不高，但是由于它在当今社会生活的发展中具有举足轻重的地位，因此电磁环境态势认知是一项必要的研究课题。分析现阶段电磁环境态势认知的现状和当今军事科技的发展潮流，电磁环境态势生成与认知有以下发展趋势：

1) 电磁环境态势生成技术必须实时和高效。电磁环境态势生成不仅与感知和截获的电磁信号数据、场强数据有关，而且还与地理数据、天气数据等有关。按照综合分析、按需提取的要求，基于大数据挖掘的多维度信息融合分析是实现电磁环境态势高效生成的重要方式。同时，由于空间电磁场的复杂性、瞬变性，电磁环境态势生成必须保证动态和实时生成，在这一要求下，轻量化的算法、准确的判定条件、强大的数据处理中心、良好的网络运输等都是保障电磁环境态势感知的软硬件条件，也是实现电磁环境态势实时生成、高效认知的有力保障。

2) 电磁环境态势表征体系必须全面、普适。随着深度学习在不同学科之间不断融合，强化人工智能技术在电磁环境态势表征中的应用也是今后工作的一个重点。当前电磁环境态势面临物理指标提取不足的难题，人工智能技术在该方面可以发挥巨大的作用，通过深度学习网络在数据驱动的模式下提取表征指标，并将该网络作为指标提取的专用网络，特定输出评估指标。这些指标可以作为电磁环境态势评估的输入数据，其本质上是代表某种物理意义，但由于深度学习的黑盒属性，该指标又具备不可解释性。因此运用人工智能技术的同时，也要加强深度网络在物理意义上的解释性质，二者结合运用更具有研究价值。

3) 电磁环境态势认知方法必须智能化。电磁环境态势认知对于阐述电磁环境的状态和发展规律，对异常辐射源的定位识别和协调频谱使用等方面有较高应用价值。电磁环境态势认知需要结合大量的描述指标和特定需求的认知方向，不同研究方向的认知方法不同。多学科运用的目的在于多维度挖掘电磁环境信息、多领域运用既有信息，不仅重视一对一的认知效果，还要关注不同认知层面、认知范围之间的相互影响。实现电磁环境态势智能认知，其本质上是灵活运用多领域的不同经验实现既定目标的智能决策，这也是符合当今社会信息化、智能化的主流趋势。

4) 电磁环境态势应用研究和硬件技术开发必须持续推进。当前军事理论明确将电磁环境态势作为战场态势分析的一个要素，与电磁环境态势相关的理论与仿真运用也不断增加。为了满足战场需求，深度研究电磁环境态势在战场中的应用方法，研究在军事行动中的功能，以及开发电磁环境态势综合应用系统和相关的系统模块即成为进一步开展电磁环境态势研究的工作重点，这同时也是落实电磁环境态势系统落地建设的最重要的一步。

近几年，国内关于电磁环境态势感知、电磁态势认知等主题的学术会议、研讨会逐渐增多，国内国际相关的研究文章也明显增多，证明了国内学者对电磁环境态势的研究正在从理论研究走向技术应用。随着电磁环境态势研究热情的与日俱增，在众多专家学者的集思广益和广泛探讨的发展潮流下，电磁环境态势生成与认知技术定将取得稳定的发展，相关系统的建设指日可待。