基于深度学习的认知电子对抗技术

电话 | 010-82030532 手机 | 18501361766

微信 | tech99999 邮箱 | yw@techxcope.com

来源：战术导弹技术

作者：姚旺，赵兴，丛彦超，孔志杰，赵鹏飞

摘要：基于现代战场上面临的电磁环境复杂、成功突防难度大的问题，提出一种基于深度学习技术的智能电子对抗系统设计方法。通过将战场上复杂电磁信号的信号类型、威胁等级、干扰策略、效果因子进行量化表征，生成海量数据样本；构建深度学习神经网络模型，并利用生成的数据样本完成模型训练，使模型具备实时感知已知、未知战场射频信号威胁，并生成优化干扰策略的能力；提出一种基于该模型的攻防对抗仿真方法，用于对于认知电子对抗技术进行仿真验证。

关键词：智能；认知；电子对抗；深度学习

现代战争中导弹在战场会面临体系化的强大防御系统，导弹虽然有“先发制人”的技术优势，但是相对地面地方探测雷达与反导系统，同样存在较大的信息资源劣势，为导弹实现成功突防带来了较大的难度。目前导弹一般采用电子干扰、弹道设计、隐身等突防手段。电子干扰主要是通过探测战场上敌方雷达，评估相关威胁，并向其施加有效的电子干扰。传统导弹的电子干扰系统一般采用压制与欺骗两种手段，但是相对固定的干扰策略在面对地面雷达复杂多变的工作模式下与众多的抗干扰措施下，干扰效果有限，导致导弹成功突防的概率较低。

现代人工智能起源于20世纪四五十年代，近年来取得了巨大的进步。1997年IBM开发的“深蓝”首次战胜了国际象棋冠军卡斯帕罗夫；2005年斯坦福大学开发的机器人成功在沙漠中步行了131英里，赢得了DARPA挑战赛大奖；2016年谷歌公司的人工智能程序AlphaGo成功击败围棋世界冠军李世石。机器学习是人工智能的一个重要分支，主要是利用计算机来模拟或实现人类的学习行为，机器学习技术已经在语音识别、计算机视觉和自然语言处理等领域取得了极大的进展，AlphaGo就是最典型的机器学习研究成果之一。

深度学习是机器学习的重要分支，相比于机器学习算法，深度学习算法具有以下技术优势（1）当数据量足够大时，深度学习算法的预测程度较机器学习算法更准确；（2）深度学习算法可从数据中直接获取高等级的特征，而机器学习算法需要手动标记特征，这使得深度学习算法更适合应用于难以直接标记特征的电子对抗领域；（3）通常情况下，训练一个深度学习算法需要很长的时间。而机器学习的训练会消耗的时间相对较少，但两者执行预测的时间上完全相反，深度学习算法执行实时性更好，使得深度学习算法更适合应用于实时性要求高的电子对抗技术领域。

将深度学习技术应用于导弹电子对抗领域，可以使导弹电子对抗系统具备实时“认知”战场电磁环境的能力，在任何时间、任何地点能够自主发现战场威胁（甚至是未知威胁），实时评估威胁等级，智能生成优化的、灵巧的电子干扰策略实施精准电子对抗，并在线评估对抗效果，进而进一步动态调整干扰策略，实现导弹对抗技术由“固有干扰”向“智能认知”的升级，大幅提升导弹在真实作战场景下的电子干扰突防能力，同时为建立智能化弹群电子干扰突防体系提供技术基础，实现对导弹防御体系的有效对抗。

1 认知电子战技术研究现状

为了在未来高技术战争中获得"制电磁权"的主动优势，世界各军事强国都着力提高自身的电子战作战能力，其中美军对电子战技术的研究走在了世界的前列，已经着手开发了一系列认知电子战项目。

1.1 自适应雷达对抗(AdaptiveRadar Countermeasures, ARC)项目

该项目是DARPA2012年启动的一项为期五年的研究项目。目的是开发在短时间内对抗敌方新型雷达的能力，项目的目标是使美国机载电子战系统能够在现场实时自动生成针对新的、未知的和自适应的雷达波的有效对抗措施。ARC将具备以下能力：在其他敌对、友好和中立的信号中隔离未知的雷达信号，推断该雷达构成的威胁，合成和传输干扰信号以达到预期的效果，实时评估无线对抗对策的有效性。据公开资料，2018年ARC项目已经进行到第三阶段，将完成算法开发任务、先进战备性测试以及应用到关键空中作战平台（如第五代战斗机）等工作，不断用它来测试对抗美国武器库中最先进的雷达，进而成功地将它转化到实战中去。

1.2 自适应电子战行为学习(BehavioralLearning for Adaptive Electronic Warfare, BLADE)项目

BLADE项目是国防部认知电子战计划（CogEW）的一个探路项目，项目的目标是在战术环境中即时开发出对抗新的动态无线通信威胁的能力。该项目的重点是通过开发能够快速检测和描述新无线电威胁的新型机器学习算法和技术，动态合成新的对抗措施，并根据对威胁的无线的、可观察到的变化提供准确的战斗伤害评估，最终实现用几分钟来检测、描述和对抗先进的无线通信威胁。

2016年，BLADE项目已经成功完成空中飞行演示实验，洛克希德·马丁公司和雷神公司共同在一架改装的PiperNavajo飞机上演示了几个小时，针对军用无线电、手机和专用数据链在内的无线通信测试信号进行了测试。雷神公司还提供了他们的下一代电子战系统--Silencer，来掌控BLADE系列飞行测试中机器学习的软件。

1.3 美空军认知干扰机(CognitiveJammer, CJ)项目

2010年，美国空军研究实验室（AFRL）启动了新一代的认知干扰机（CognitiveJammer，CJ）系统，认知干扰机项目的研究目的是通过提高干扰机的干扰效率来提升美国空军对电磁频谱的控制能力，同时有效降低自扰。该系统不仅能够对抗敌方通信系统，还能破坏敌方雷达和干扰敌方的导航系统等。认知干扰机系统由软件定义体系网络构成，具有对不同战场电磁环境的适应能力。

此外，下一代干扰机也是美国海军在寻求干扰与赛博武器结合时感兴趣的装备。美国海军希望把下一代干扰机集成到各种类型的无人打击飞机上，并在2018年在其战术生存能力强、战斗机大小的飞机上装备赛博攻击系统。

1.4 美海军下一代电子战技术(CognitiveEW Tomorrow)项目

该项目主要从电磁频谱方面着手，通过抑制敌方、保障己方，加强海军电磁频谱的掌控和利用能力。期望通过将自适应、机器学习等算法应用于电子战中，从而提高电子战整体的效能。

通过分析美军近年来展开的电子战项目研究可以看出，目前美国对于认知电子战技术的研究已经取得了实质性进展，并有一批工程化项目已经逐步应用至军事领域，已经处于绝对的领先地位。

2 认知电子对抗技术研究方法

通过开展战场环境下智能信号分选与威胁评估、智能干扰策略生成技术研究，建立包含战场信号、威胁等级、干扰策略、干扰效果的海量数据样本；利用该数据样本训练构建的深度学习神经网络模型，使模型具备实时感知已知/未知战场威胁，并生成优化干扰策略的能力，最后以训练完成后的模型为基础，建立电子对抗仿真平台，用于对于深度学习的导弹智能认知电子干扰技术的仿真验证，具体研究路线见图1。

图1 认知电子对抗技术研究路线

3 战场环境下智能信号分选与威胁评估

导弹在真实战场环境下将面临复杂的电磁环境，例如雷达信号、通信信号、导航信号等，在众多复杂的电磁环境中进行信号特征提取、信号分选、完成对象工作模式识别、进行威胁评估是导弹完成智能认知电子对抗的前提。针对信号的特征提取算法目前已经较为成熟，因此不作为本文的研究内容，后文的研究内容中默认已经实现了对于战场信号的提取。

3.1 战场射频信号的量化表征

首先构建导弹接收的战场信号特征描述模型，如图2所示，将战场电磁信号按照频域、时域、空域三个维度特征进行表征，频域主要包含信号的频点、带宽等特征，时域主要包含信号脉宽、脉冲重复频率（PRF）、脉冲幅度、调制模式等特征，空域主要包含到达时间、到达角等特征。

图2 信号表征模型

3.2 组建导弹威胁评估模型

现代雷达可以简化为“模式-状态-波形”的层级结构，可将雷达基本划分为广域搜索、要区搜索、目标指示、精密跟踪、目标识别、火控制导、杀伤评估七种工作模式，信号特征描述模型与雷达的工作模式具有特定的对应关系，同时不同的工作模式对于导弹具备不同的威胁等级，例如雷达工作在火控制导模式，说明即将发射拦截导弹，此种工作模式威胁度最高；雷达工作在广域搜索模式，说明雷达尚未搜索到来袭导弹，此种工作模式威胁度最低。在具体量化表征威胁因子时，可采用归一化表征的方法，威胁度可设计为1~9，1代表最低威胁，9代表最高威胁。由“信号域”演化至“雷达工作模式”，进而演化至“目标威胁等级”，正是战场环境信号分选与评估技术的实现路径，开展导弹战场威胁评估的方法见图3。

图3 战场威胁评估方法

4 智能干扰策略生成

4.1 干扰策略生成

电子干扰一般分为压制式干扰与欺骗式干扰两类，压制式干扰实现简单，但是缺点是干扰功率要求高，易暴露目标，同时对导弹功耗等资源提出了较高的要求；欺骗式干扰需要提取目标雷达的信号特征，并生成虚假目标信息，技术难度相对较高。现代的干扰策略一般结合导弹电子干扰资源，以欺骗式干扰为主，同时辅助压制式干扰。

当通过智能信号分选，识别出地面威胁目标后，进行威胁等级评估与判定，在制定干扰策略时，按照威胁优先级排定干扰目标，高威胁的目标实施优先干扰。组建具备先验知识的干扰决策知识库，在识别到相关威胁信号时，通过专家知识库查找相应的对抗策略，构建对应的干扰信号。

4.2 闭环在线评估与闭环干扰

智能电子对抗的本质具有“探测-干扰-反馈”的闭环过程，智能电子对抗的干扰需要判别地面雷达在被施加干扰措施后，是否从工作参数、工作模式等方面向期望的方向进行变化，即战场威胁是否降低。这些干扰结果直接反映了电子对抗干扰措施的好坏，也是后续开展闭环电磁干扰的优化措施的依据。

在开展电子对抗策略效果评估时，引入“效果因子”概念，效果因子表征实施干扰的效果，若施加干扰前，地面雷达处于锁定等高威胁状态，施加干扰后，地面雷达处于搜索等低威胁状态，即该种干扰策略具备较高的“效果因子”，反之若地面雷达仍旧处于较高的威胁等级，该干扰策略具备较低的“效果因子”。将“效果因子”作为评估电子干扰措施是否有效的手段，若“效果因子”较低，则需要动态调整干扰策略，寻求更高的“效果因子”，实现导弹的闭环电子对抗。

5 基于深度学习的威胁决策模型设计与训练

人工神经网络包括多个神经网络层，如卷积层、全连接层等，每一层又包括很多神经元，超过三层的非线性神经网络都可以被称为深度神经网络。通俗的讲，深度学习的模型可以视为是输入到输出的映射函数，足够深的神经网络理论上可以拟合任何复杂的函数。因此神经网络非常适合学习样本数据的内在规律和表示层次。基于深度学习的认知电子对抗模型设计与训练流程见图4。

图4 模型设计与训练流程

5.1 数据样本生成

以上论述的方法实现对于战场信号的量化表征后，生成用于深度学习算法训练的战场射频信号数据样本（10万组），将样本数据按照8：2的比例划分为训练集与测试集，训练集中的样本数据用于智能认知电子对抗模型进行训练，测试集用于检验训练后的模型性能。

5.2 模型组建

以经典多层神经网络组建模型，经典的全连接神经网络来包含四层网络：两个隐含层，输入层和输出层，如图5所示。

输入层：将数据输入给神经网络。在该任务中，输入层为感知到的量化表征后雷达信号特征、威胁度等级与最优干扰策略。

隐含层：增加网络深度和复杂度，隐含层的节点数是可以调整的，节点数越多，神经网络表示能力越强，参数量也会增加。在该任务中，中间的两个隐含层为10×10的结构，以便对关键信息做抽象，神经网络每层之间的激活函数使用常见的sigmoid函数，便于求导与平滑，使得神经网络具有非线性计算的能力。

输出层：输出舵机神经网络计算结果，输出层的节点数量是固定的，作为智能预测生成的战场环境量化表征雷达信号的对抗措施波形参数（包含“对抗效果因子”）。

图5 基于多层神经网络的模型

5.3 模型训练

损失函数作为衡量样本中输出与通过模型前向预测得到的结果符合性的重要参数，是模型训练的关键之一。深度学习算法在处理分类问题中，“交叉熵”为常用的损失函数，本模型的训练也采用“交叉熵”作为损失函数。先根据输入数据正向计算预测输出，再根据预测值和真实值计算损失函数。最后设定模型学习率，利用反向传播随机梯度下降算法并更新参数。不断训练后使得在训练集中的样本数据实现损失函数最小，实现模型对于训练集数据的精确拟合。

5.4 干扰策略生成结果预测

完成模型训练后，通过将测试集中的战场射频信号特征输入至模型开展前向计算，观察生成的干扰策略是否与训练集中的最优干扰策略接近或一致，用于评判生成模型的训练结果对于数据的拟合程度，若结果拟合性好，可以认为完成了智能对抗模型的训练，将该模型潜入至攻防对抗仿真平台中。

6 典型作战场景下智能电子对抗仿真

6.1 仿真原则

开展典型作战场景下的智能电子对抗仿真需要以“背靠背”对抗为原则，即攻防双方均对对方的策略未知，攻方为采用深度学习电子干扰模型的导弹，防方为构建的典型作战场景，包含多个地面雷达系统、通信系统，攻方与防方的工作模式完全互不公开，双方交互的数据为攻防与防方的射频信号表征矩阵。对抗仿真平台的基本架构见图6。

图6 电子对抗仿真平台架构

6.2 攻防设计

攻方的核心为完成训练的导弹智能认知电子干扰模型，典型作战场景的防方信号频段覆盖40MHz~40GHz，防方无线频谱包含通信、导航、雷达等不同威胁度的特定装备，同时可自定义未知状态，相关射频信号可自定义。攻方与防方交互的数据为相互的射频信号量化表征矩阵通过观察防方对于攻方信号的威胁识别能力，评价智能认知电子干扰对抗模型对于战场环境态势的感知能力；通过观察对抗过程中攻方的状态转移情况与威胁等级情况，检验智能认知电子干扰对抗模型智能对抗的能力、在线评估能力与自主优化能力；特别观察对于未知信号的对抗情况，评价模型的学习能力与自我成长能力。

针对雷达等高威胁模型设定多种工作模式（对应不同威胁程度），并建立状态转移矩阵，用于表征特定工作模式受到对抗后雷达装备的工作模式与威胁程度转移特征，具体构建的战场射频信号环境见表1，其中威胁等级中数字越小代表威胁越低。

表1 典型战场射频信号环境

6.3 对抗仿真

攻防对抗双方建立完成后，开始攻防对抗，运行攻防仿真软件，执行10000次仿真，单次仿真时间为5min，经统计，仿真对抗结果见表2。

表2 对抗效果分析

通过表2中可以看出，生成的电子对抗系统对于威胁度极低的通信与导航信号并未生成具体措施，战场上的该类信号一直存在，工作模式无变化；对于已知雷达信号1，电子对抗系统可以通过欺骗/压制等手段使雷达以95%的概率工作在较低威胁的广域搜索模式、以5%的概率工作在中威胁的精确搜索模式、以2%的概率工作在高威胁的跟踪模式；对于信号模式未知的雷达2，以77%的概率工作在较低威胁的广域搜索模式、以15%的概率工作在中威胁的精确搜索模式、以8%的概率工作在跟踪模式。

由此可知，经过训练的电子对抗模型可以分辨出战场上的高威胁雷达信号，对于已知雷达干扰效果较好，对于未知雷达的干扰效果虽不及已知雷达，但同样有一定的干扰效果，具备分辨战场上未知雷达的能力。

7 结论

本文提出了一种基于深度学习的导弹认知电子对抗技术研究方法，是未来认知电子战的重要研究方向之一。未来的电子战装备必须具有“认知”能力，才能在复杂战场上的对抗与反对抗的动态博弈中取得优势。通过闭环的自主学习，智能电子突防与评估技术可以使导弹具备环境认知的能力，将有力提升导弹在复杂战场环境中的生存能力与自主突防能力，最终实现军事打击的战略战术意义。

一网打尽系列文章，请回复以下关键词查看：
创新发展：习近平 \| 创新中国 \| 协同创新 \| 科研管理 \| 成果转化 \| 新科技革命 \| 基础研究 \| 产学研
热点专题：军民融合 \| 民参军 \| 工业4.0 \| 商业航天 \| 国家重点研发计划 \| 装备采办 \| 摩尔定律 \| 诺贝尔奖 \| 国家实验室 \| 军工百强 \| 试验鉴定 \| 双一流 \| 净评估
前沿科技：颠覆性技术 \| 仿生 \| 脑科学 \| 精准医学 \| 基因编辑 \| 虚拟现实 \| 增强现实 \| 人工智能 \| 机器人 \| 3D打印 \| 4D打印 \| 太赫兹 \| 云计算 \| 物联网 \| 互联网+ \| 大数据 \| 石墨烯 \| 电池 \| 量子 \| 超材料 \| 超级计算机 \| 卫星 \| 北斗 \| 智能制造 \| 不依赖GPS导航 \| 5G \| MIT技术评论 \| 航空发动机 \| 可穿戴 \| 氮化镓 \| 隐身 \| 脑机接口 \| 传感器 \| 数字孪生
先进武器：无人机 \| 轰炸机 \| 预警机 \| 运输机 \| 直升机 \| 战斗机 \| 六代机 \| 网络武器 \| 激光武器 \| 电磁炮 \| 高超声速武器 \| 反无人机 \| 防空反导 \| 潜航器
未来战争：未来战争 \| 抵消战略 \| 水下战 \| 网络空间战 \| 分布式杀伤 \| 无人机蜂群 \| 太空战 \| 反卫星 \| 混合战 \| 电子战 \| 马赛克战
前沿机构：战略能力办公室 \| DARPA \| 快响小组 \| Gartner \| 硅谷 \| 谷歌 \| 华为 \| 阿里 \| 俄先期研究基金会 \| 军工百强
其他主题系列陆续整理中，敬请期待……

一网打尽系列文章，请回复以下关键词查看：
创新发展：习近平 \| 创新中国 \| 协同创新 \| 科研管理 \| 成果转化 \| 新科技革命 \| 基础研究 \| 产学研
热点专题：军民融合 \| 民参军 \| 工业4.0 \| 商业航天 \| 国家重点研发计划 \| 装备采办 \| 摩尔定律 \| 诺贝尔奖 \| 国家实验室 \| 军工百强 \| 试验鉴定 \| 双一流 \| 净评估
前沿科技：颠覆性技术 \| 仿生 \| 脑科学 \| 精准医学 \| 基因编辑 \| 虚拟现实 \| 增强现实 \| 人工智能 \| 机器人 \| 3D打印 \| 4D打印 \| 太赫兹 \| 云计算 \| 物联网 \| 互联网+ \| 大数据 \| 石墨烯 \| 电池 \| 量子 \| 超材料 \| 超级计算机 \| 卫星 \| 北斗 \| 智能制造 \| 不依赖GPS导航 \| 5G \| MIT技术评论 \| 航空发动机 \| 可穿戴 \| 氮化镓 \| 隐身 \| 脑机接口 \| 传感器 \| 数字孪生
先进武器：无人机 \| 轰炸机 \| 预警机 \| 运输机 \| 直升机 \| 战斗机 \| 六代机 \| 网络武器 \| 激光武器 \| 电磁炮 \| 高超声速武器 \| 反无人机 \| 防空反导 \| 潜航器
未来战争：未来战争 \| 抵消战略 \| 水下战 \| 网络空间战 \| 分布式杀伤 \| 无人机蜂群 \| 太空战 \| 反卫星 \| 混合战 \| 电子战 \| 马赛克战
前沿机构：战略能力办公室 \| DARPA \| 快响小组 \| Gartner \| 硅谷 \| 谷歌 \| 华为 \| 阿里 \| 俄先期研究基金会 \| 军工百强
其他主题系列陆续整理中，敬请期待……