人工智能技術在認知電子戰中調製識別中的應用_風聞

人工智能技術在認知電子戰中調製識別中的應用

背景知識：

電子戰：

電子戰又稱為電子對抗，就是敵對雙方為削弱、破壞對方電子設備的使用效能、保障己方電子設備發揮效能而採取的各種電子措施和行動。

作為一種作戰行動，電子戰是敵我雙方的動態博弈，包含對抗和反對抗兩個方面。取勝的關鍵在於通過相互識別，相互躲避，掌握更多敵方的特徵，並在此基礎上實施正確的反制戰術。

傳統電子戰面臨的挑戰：

1、  現代戰場環境的電磁環境的複雜性。面對大量信號源和干擾源，從中截獲、分選、識別威脅目標是極大的挑戰。

2、  智能化信息設備的廣泛使用。新一代信息化裝備廣泛擁有自適應能力，能夠針對環境、雜波、干擾自主調整工作模式。半導體技術發展使得射頻設備普遍擁有了數字化波形生成、跳頻變頻能力，傳統電子戰模式會被大大削弱甚至完全失效。

3、  對抗組網信息系統難度極大。傳統雷達干擾只能干擾雷達網的一部或者少部分雷達，而通過雷達組網，可以消除干擾的影響；傳統通信干擾只能干擾部分節點或鏈路，通過迂迴通信仍可正常通信。面對組網技術，需要電子戰系統識別組網模式，針對性發現並攻擊關節節點。

面對挑戰，結合專家系統和人工智能技術的發展，認知電子戰應運而生。

認知電子戰

基本概念：

認知電子戰系統是一種具有通過先驗知識以及自主交互學習來感知並改變周圍局部電磁環境能 力的智能、動態的閉環系統, 可在實時感知電磁環境的基礎上, 高效、自主地調整干擾發射機與接收機 以適應電磁環境的變化, 提高干擾的快速反應能力與可靠性。

其認知的過程是 一種感知環境 (observe) → 適應環境 (orient) → 做出決策 (decide) → 採取行動 (act) 的 OODA 循環。學習能力在循環過程中的每一步都發揮着重要作用。

典型工作流程：

首先從威脅環境中偵察、分選出目標信號, 然 後通過對干擾目標的參數測量和狀態辨識, 掌握當前所用干擾信號的反饋情況和干擾目標不同狀態的轉換情況, 對干擾效能進行評估, 經過干擾策略優化後可對後續的干擾資源調度進行引導, 從而使得干擾更具有主動性和針對性。

本文將專注於observe環節，也就是信號特徵識別階段。

傳統經典算法（非人工智能）以及其實現

最大似然算法

第一步，根據信號模型的統計特性推導出似然函數，通過似然函數衡量待識別信號與每一種候選調製 方式的相似程度。

第二步，通過對比待識別信號與每一種候選調製方式的相似程度，判斷待識別信號的調製方式。在計算通過似然函數構建的檢驗統計量之後，選取值最大的檢驗統計量所對應的候選調製方式為判斷結果。

這是基於概率論和貝葉斯理論的算法，在實際應用中，往往遭遇先驗信息不足，識別質量差；對於較為簡單的調製方式，可設計出穩健 的識別特徵。在特定條件下，識別效果逼近理論最優算法。

但是此方法適應能力較差，嚴重依賴人工設計特徵。當面對層出不窮的複雜信號體制和調製方式 時，人工難以設計出穩健的識別特徵，或者人工設計特徵的研究週期較長。

傳統經典算法（基於人工智能）以及其實現

實際上，使用簡單的卷積神經網絡即可獲得比經典算法更好的識別結果。

圖像識別問題、語音識別問題與調製識別問題一樣，都是典型的模式識別問題。基於三者之間的共性，很自然地將在圖像和語音識別中取得成功的算法應用到調製識別中去。

基於圖像識別網絡模型的調製識別算法

​

此算法流程需要對輸入信號進行預處理，主要任務是將信號轉化為類圖像數據，即類似於圖像的二維數據，例如時頻圖、循環譜等，這樣做的目的是方便利用圖像識別網絡模型對數據進行處理。

基於語音識別網絡模型的調製識別算法

流程與基於圖像識別網絡模 型的調製識別算法流程類似，需要先對模型進行訓練，訓練完成之後即可對未知信號進行調製方式的識別。 但不同的是，基於語音識別網絡模型的調製識別算法 在預處理過程中將信號轉化為類語音數據，例如頻譜、包絡譜等；類似地，類語音數據與語音數據仍然存在一定差異，故一般對語音識別模型進行一定的改進。

傳統算法和深度學習的互補

優缺點分析

優點：

         可以實現信號特徵的自動智能提取，突破了人工設計特徵的被動式發展思路。

         可以識別經典方法難以識別的複雜調製方法，突破了經典方法的瓶頸。

缺點：

         深度學習是數據驅動的，存在固有的過擬合問題。

         調製信號參數變化範圍非常大，用於訓練的數據難以實現對所有參數的遍歷。

         泛化能力較弱，對於訓練數據參數範圍外的數據識別效果較差。

算法改進：

為了解決神經網絡過度學習問題，引入了最優停止法。

對神經網絡進行過多的訓練無疑會增加網絡的訓練時間, 但更重要的是會產生過學習或過擬合現象。

在神經網絡進行訓練時，隨着訓練誤差的減小，期初泛化誤差也隨之減小；達到最小點後，儘管訓練誤差繼續減小，但是泛化誤差反而增大。

最優停止法使用時，將採集到的數據集隨機劃分成訓練集、驗證集和測試集。其中驗證集用於檢測網絡擬合情況。訓練和驗證交替進行。當進入過度擬合時，驗證誤差就會逐漸增大，網絡訓練就應該提前停止。

為了防止在出現過擬合之前，因為突發錯誤暫時造成驗證誤差變大，而誤以為已經進入過度擬合階段，判斷準則需要進行停止：驗證誤差變大時，不立即停止訓練，而是繼續觀察，而是設置容錯門限。當超過容錯門限時，才認為出現了過學習。此時才停止訓練，選擇驗證誤差最小時的參數。

總結：

調製識別技術在當下依然是一門冷門領域，應用場景多為軍事領域，相關人工智能人才參與較少，信息公開程度較低，因此缺少面對調製識別進行專門研發的網絡模型。目前發展處於參考其他領域網絡模型發展的狀態。

參考文獻：

《基於特徵提取的通信信號識別研究》

《認知電子戰體系結構和技術》作者：王沙飛 , 鮑雁飛, 李巖

《非合作通信中調製識別算法研究進展》作者：黃知濤，楊傑，王翔，崔軒，王永芳

《一種優化的 RBF 神經網絡在調製 識別中的應用》作者：葉 健  葛臨東  吳月嫺

《模式分類（第二版）》作者：李宏東, 姚天翔