|
作者：plus评论员 张昊 来源：学术plus 2015年，美国战略与预算评估中心（CSBA）发布了一篇名为《电波致胜：重拾美国在电磁频谱领域主宰地位》的研究报告，该报告明确指出自适应化/认知化是电子频谱战中未来的关键技术与重点发展能力。就此，本文详细地分析介绍了认知电子战的内涵、和4种认知电子战项目架构，分别是：认知网络电子战（CNEW）， 自适应雷达对抗项目（ARC），自适应电子战行为学习 (BLADE)，“破坏者”SRx认知电子战系统。每个项目各有侧重点，旨在全面发展电子战的多方面的能力。其多数项目尚处于研发、试验验证阶段，预计将在2019~2020年左右开发出原型样机并进行相关测试，值得我国对此高度重视。 随着战场电磁环境越来越复杂，制电磁频谱权变得愈加重要。在复杂电磁环境及密集杂波、多目标的背景下，如何保证制电磁权成为了一个重要问题。2010年，美空军研究实验室（AFRL）在“频谱拥塞与认知雷达”一文中明确提出：要在频谱密集的环境下实现在任意时间、任意地点自主地发现、确定、跟踪、瞄准、交战与评估任意目标就必须改变当前构建、修改、部署雷达与射频系统的方式。达到这一目标的方式就是“认知”能力，即可思考、推理、记忆、想象、学习、处理信息、应用知识、改变优先权等有意识的智力活动。 2015年，美国战略与预算评估中心（CSBA）发布了一篇名为《电波致胜：重拾美国在电磁频谱领域主宰地位》的研究报告，该报告明确指出自适应化/认知化是电子频谱战中未来的关键技术与重点发展能力。正如美军在分析其未来空中作战环境时称，敌方先进的可编程雷达将对己方目标进行有效探测并实施拦截，美军寄希望认知电子战赋予己方战斗机（F-35等四代机）近乎实时的认知干扰能力，对难以发现的敌方防空系统进行探测，在飞行中对敌方探测信号分析并寻求干扰压制方法。 上图为典型的认知电子战功能组成框图，可以看出认知电子战作战形成了一个认知循环过程，整个体系包括环境感知、决策行动和效能评估三个模块。 1. 环境感知：认知系统传感器对作战环境完成感知，采用机器学习算法和特征学习技术，通过与环境的不断交互持续地学习环境，在先验知识的支持下，进而分析出目标威胁信号的特征，并将特征信息传给决策行动模块。 2. 决策行动：根据态势感知模块对环境信息的认知，自动合成能够有效对抗措施，快速确定最佳攻击策略，优化干扰波形，自适应分配干扰资源。 3. 效能评估：由接收到发射的反馈，根据威胁信号在干扰下产生的明显变化评估所采取措施的干扰效果。例如，对雷达来说，主要通过对包括威胁雷达信号波束视线角、带宽等的变化来评估对抗效果。 近年来，美国对这种新型电子战理念投入了大量人力、物力，开始在认知电子战作战构架及具体作战项目进行相关研发工作，典型的项目和装备包括Rockwell Colins公司提出的认知网络电子战（CNEW）专利、DARPA的自适应雷达对抗（ARC）项目和自适应电子战行为学习（BLADE）项目、美国哈里斯公司的“破坏者”SRx认知电子战系统等。 1 认知网络电子战（CNEW） 认知网络电子战（CNEW）是Rockwell Colins公司于2013年申请的专利，提出了一种认知电子战项目构架。CNEW系统的认知调度程序包括认知控制器，服务管理层以及网络管理三部分。认知控制器包括学习引擎、优化引擎、推理引擎、核实引擎以及确认引擎，这些引擎具备学习、自适应功能，并可控制传感器、探测器、信号分类器（包括特定发射机识别装置SEI）、干扰机、射频网络和地理定位单元。 下图为软件定义非闭环系统开放架构框图。其中,每个功能模块均是一个软件程序，能够在相应的目标计算机或射频/传感器硬件（能够控制特定硬件，例如射频、干扰机、射频传感器，频谱分析器等）上运行。该非闭环CNEW系统是一个服务定向、事件驱动的系统。该系统能够提供两种类型的服务——器件/传感器服务和认知/学习服务，这些服务又可被划分为更详细的子服务。举例而言，器件/传感器服务模块包括干扰机、探测器、频谱感知器、射频、流量监视器、物理层分析器、网络样机分析器及其它硬件/传感器系统等。认知/学习服务模块包括地形分析、事件推理器、信号分类器、集合学习器、优化器、Q-学习模块、特殊发射机识别模块（SEI）以及地理定位模块。 非闭环系统开放架构框图 根据系统任务需要，任务管理层可选择相应的服务。举例而言，在执行电子支援（ES）任务时，在器件/传感器服务中选择频谱传感器和探测器，在认知/学习服务模块中选择信号分类器、SEI模块、地理定位模块、集合学习器以及事件推理器。然后认知网络管理系统控制器控制频谱传感器对射频环境进行扫描。获得射频环境数据后，控制器安排探测器在环境数据中探测确认是否有存在信号。 如果存在信号，控制器将激活信号分类器对信号类型进行辨别。若该信号对于系统是未知的，系统将会搜集信号累积特征以进行后续分析。当搜集到足够多未知信号数据时，控制器激活分类学习器。如果发现信号集合，控制器将会对信号分类器进行再训练，这种信号集合将会被保存在系统中。通过这种方式，系统之前未知的信号类型被系统“学习”，变成系统“已知”信号。 当对信号进行分类时，控制器将同时激活地理定位模块对信号的射频发射机位置进行定位。一旦确定信号类型，控制器将会启动SEI模块。SEI模块将会对发射机类型进行识别确认（举例而言，SEI模块将能够识别发射信号的手机品牌）。采用这些技术和模块，系统将会对扫描区域内信号进行有效探测、分类和定位。 系统的射频感知功能则可通过频谱传感器和射频完成。射频系统可能是一种软件定义无线电，比如Rockwell Collins公司的QNT无线电。而频谱传感器可对频率进行感知，比如DARPA研制的XG传感器。在某一区域内分布传感器或射频网络，可实现协同感知，提高探测精度。当临近的三个已知位置的传感器接收到信号源发射的信号时，系统可对射频信号源进行协同定位，而传感器位置可通过装备GPS导航系统来确定。当信号源被安置在移动平台上时，通过地形数据（DTED，道路地图，环境信息）和策略引擎对目标进行定位。通过地形分析器，可确定地形类型（例如山地、植被等）和障碍（例如干扰机和敌方节点之间的山峰），进而推测出其位置。策略引擎在该过程中的主要功能是确定下一步行动方式（例如找到干扰机合适的安置位置，避开干扰机与敌方之间的山峰）。 干扰机可根据信号分类器提供的信号参数产生干扰信号。在商用现货系统中，由于很难判定目标信号的确切频率及调制方式，会采用包括噪声、阻塞及扫描式干扰等各种方式。但是，由于系统的信号分类器能够提供目标信号参数，此时可进行选择式干扰（Spot jammer）。选择式干扰的主要优势为调节干扰信号带宽参数，仅针对于目标信号带宽进行干扰，可在相同功率的前提下大大提高系统干扰效率。 设想的选择式干扰机应具备以下几个特点：1. 配备一个或多个外部天线，能够发射宽频域的信号；2. 配备信号发生器，能够产生具备所需中心频率和带宽的干扰信号；3. 配备合适的射频放大器，能够达到获得所需的干扰功率。此外，应在上文描述的地形分析器和策略引擎进行分析后选择合适的部署位置，增强干扰效果。 系统控制器可被认为是通用处理器的软件程序，应具备通用性和模块化特点。操作者通过用户界面与控制器实现人机交互，这可能是一种传统的用户界面。控制器将通过服务管理层经TCP/UDP与系统其它部分进行通信。这种通信将允许系统各部分安装在不同机器上，并可分散部署。系统同时支持在启动时加载XML文件对服务（服务管理层），系统策略（策略引擎）以及通信（内部系统网络通讯及优化）完成系统配置。这些XML文件决定了系统的整体功能以及系统与外部设备的通讯方式，从而只需增加XML文件，就可添加新的外部设备及系统功能。 策略引擎维持系统知识库以及应用于当前系统状态的策略。策略引擎能够对系统状态实时更新，并对当前或未来的状态进行查询。当系统状态改变时，策略引擎会自动启动，激活一个或多个策略。此外，当系统运行时，策略引擎能够随着新策略的出现进行动态升级。 优化引擎由一系列优化算法组成，其中包括粒子集群算法及遗传算法等。该引擎还具备加载其它优化算法的能力，而不需要对系统进行任何改变。引擎输入值为当前的数据值（矩阵）、调整后的数据值、效用函数以及可选择的初始种子（seed）。优化引擎的输出为一系列新的knob值以及对应功能。这些结果将被用于对整个系统的作战过程进行优化，将被储存于事件推理器中以备未来之需，该优化措施可显著提高干扰能力。在获得敌方节点位置、波形种类、干扰机距离敌方节点距离及相关地形限制信息后，可优化干扰机节点位置、能量应用以及引起的对己方通信噪声的损伤。 事件推理器管理着一系列之前的问题及解决方案。当需要调用学习类型服务时（学习新的信号种类，“集合学习”或优化），事例库首先考虑之前类似的解决方案。每个事例都是一个问题、行动和效用的元组。事例库采用距离测量（例如欧几里得特征距离）和效用评分来确定与当前情景类似的事例。事例库中的事例将被用于初始化学习过程或者进行旁路学习。 集合学习引擎可能是基于G-means/K-means的混合聚类算法开发的。该引擎将对系统取样中的“未知”特征值进行搜集，并记录于bin存储文件中。如果一个bin文件中存储了足够多的采样，这些采样将会采用G-means/K-means算法来产生集合。如果这些产生的集合足够大，集合中的采样将会回到系统中用于训练和优化。对于未知信号集合，集合学习器主要被用于CNMS/CNEW系统以及信号分类器的再训练。在标准K-means集合算法中，集合的数量K可由使用者来选择。 2 自适应雷达对抗项目（ARC） ARC项目旨在开发能够对抗敌方自适应雷达信号的电子战系统。潜在的作战对象为能够感知作战环境的数字可编程自适应雷达，主要是可执行多项不同任务的对空情报相控阵雷达和机载预警相控阵雷达，包括预警、提示目标截获、跟踪、非协作目标识别和导弹跟踪等雷达功能。此类雷达系统具有灵活的波束指向、波形捷变、相参处理间隔（编码、脉冲重复频率）等。 ARC作战示意图 ARC目标是具有信号分析与表征、对抗措施综合、对抗措施效能评估功能的闭环系统，可针对新型、未知或自适应雷达信号，自动、近实时地生成有效对抗措施，不仅具备对抗新型雷达威胁的自我学习能力，还允许操作员接收系统的反馈。ARC系统的工作流程包括：
3 自适应电子战行为学习 (BLADE) BLADE项目的主要目标是开发一种实时检测、分析、对抗的无线通信战术级系统。传统电子战干扰机缺点是缺乏实时作战的能力，必须先记录下敌方电子设备波形，在实验室进行技术分析后才能进行有效干扰。BLADE系统将开发一种能够快速分析、对抗敌方指挥、控制和通信（3C）无线电台和网络，并对无线电遥控简易爆炸装置进行干扰。 BLADE项目的核心技术是机器学习技术及相关自适应学习算法，其作战装备将实时分析器局部电磁环境，快速检测并描述威胁信号，对自身干扰装备的发射参数进行修改，自动合成最优化干扰波形，以达到最佳干扰效果。 BLADE项目的技术也是前文所述的软件无线电技术（SDR），可确保未来功能改进或升级所需的硬件改动最小。DARPA宣称BLADE软件程序将采用开放式标准进行编写，并希望BLADE算法能集成到现有电子战设备中。 BLADE系统是一个闭环系统，该系统中包括3个功能模块（见下图），主要可实现以下3个功能：
BLADE项目闭环结构 BLADE系统在实现自主干扰功能的同时还强调了电子战作战人员（EWO）在作战体系中的作用，作战人员应能够对整个系统实施控制并从中接收到反馈信息，反馈能力为作战人员提供了对战场态势感知的能力。在这方面，BLADE项目特别强调了人机交互能力在系统中的重要性。 4 “破坏者”SRx认知电子战系统 “破坏者”SRx电子战系统是美国哈里斯公司开发的下一代电子战技术，也是目前唯一达到商用现货程度的认知电子战系统。SRx系统可适应复杂多变的电磁环境，具备自适应、可编程功能，具备多功能电子战的特点，可实现在各功能之间进行实时切换，使系统面对不断变化的任务需求能够立即做出响应并在各功能之间切换，功能包括电子攻击、电子防护、电子支援、电子情报、通信干扰等。
“破坏者SRx”系统可以实现全谱覆盖，并可集成于各类平台之上 随着数字可编程雷达和认知雷达技术的不断进步，传统的电子战技术面临着巨大的挑战。美国明确指出认知化/自适应化是电子频谱战中未来的关键技术与重点发展能力。未来，认知电子战技术将会在作战中广泛应用，针对敌方指挥控制系统、先进防空系统的通讯、探测信号进行快速分析，并迅速生成干扰压制方法，从而赋予各类作战平台近实时自适应干扰能力，对达成己方作战目标起到重大保障作用。 美国目前在认知电子战领域处于领先地位，对该领域投入了大量人力、物力。各军种实验室与高校研究院所、军工企业进行了广泛合作，其电子战系统大量采用商用现货模式，开展了从理论架构到具体装备多个项目的研发工作。目前，其多数项目尚处于研发、试验验证阶段，预计将在2019~2020年左右开发出原型样机并进行相关测试，值得我国对此高度重视。 |
|
|
