雷達系統中的認知控制策略

周城宏，錢衛平，郭永強

(北京跟蹤與通信技術研究所，北京　100094)

雷達系統中的認知控制策略

周城宏，錢衛平，郭永強

(北京跟蹤與通信技術研究所，北京100094)

摘要：人類大腦通過認知控制來增強對周圍環境的感知能力，雷達在探測和測量的過程中通過控制系統對自身狀態的調節來增強工作性能；將認知控制引入雷達系統有助于雷達的智能化；基于如上出發點，首先概述了認知控制的研究狀況和概念，類比了大腦認知系統和工程認知動態系統的共通之處，隨后建立了認知控制的數學模型，將其歸結為系統熵態的最優估計問題和最優控制問題，最后將認知控制策略引入雷達對目標的感知過程中。

關鍵詞：認知控制；認知動態系統；信息缺失；雙態模型；系統熵態

本文引用格式：周城宏，錢衛平，郭永強.雷達系統中的認知控制策略[J].四川兵工學報，2015(12):99-102.

Citation format:ZHOU Cheng-hong，QIAN Wei-ping, GUO Yong-qiang.Cognitive Control Strategy in Radar System[J].Journal of Sichuan Ordnance,2015(12):99-102.

Cognitive Control Strategy in Radar System

ZHOU Cheng-hong，QIAN Wei-ping, GUO Yong-qiang

(Beijing Institute of Tracking and Telecommunications Technology, Beijing 100094, China)

Abstract:Human brain enhances the perception of environment by cognitive control, and similarly, radar control system adjusts state parameters to improve the detection performance. It is promising to introduce cognitive control into radar system to promote the intelligentization of radar. Based on the above background, the concept and research status of cognitive control in psychology and neuroscience were overviewed, and the similarity between human brain and cognitive dynamic system was discussed. Subsequently, a mathematical model of cognitive control was constructed, which can be equal to the optimal estimation and optimal control of entropic state. Finally the strategy of cognitive control in radar was put forward.

Key words:cognitive control; cognitive dynamic system; information gap; two-state model; entropic state

認知控制的概念起源于心理學和神經心理學。1959年Gardner第一次使用認知控制，用來描述認知過程中的控制原理并解釋相關任務實驗結果。隨后1972年Hammond和 Summers提出 “人在執行認知任務中涉及知識獲取和對已獲得知識的認知控制兩個不同過程”的觀點，認為在認知任務和精神分析任務中知識的獲取和應用是相互獨立獨立的認知過程環節，并從理論上引入認知控制的概念，用以闡述其在關于人類學習、判斷和人際活動研究中的重要作用[1]。2005年，Brass從認知心理學的角度給出認知控制的定義，“認知控制過程指的是我們根據內在的目標協調思想和行動的能力”[2]。2009年，Kouneiher提出“認知控制在神經層面可以看做個體對其行為可能導致的后果和已經導致的后果進行評估的結果”[3]。此后2010年，Feldman和Friston在神經心理學中引入環境的概率分布表示觀點，認為大腦系統可通過注意來優化環境的概率表示，以便減少環境感知的熵，實現不確定性的降低[4]。在人類大腦認知系統中，知覺的作用在于從噪聲環境獲取的觀測量中提取出有效信息。大腦針對知覺信息通過采取應對行為來保持對環境信息的連續最優獲取，這樣的應對行為即為認知行動。例如，人類視知覺系統在黑暗環境中對物體無法準確識別，大腦通過放大瞳孔的認知行動來緩和對環境感知的不確定程度，此外，在條件允許的特定情況下也會通過開燈、開手電筒等決策行為應對。

1認知動態系統

認知動態系統是Fuster在人類大腦認知系統研究中提出的概念，用以描述視知覺中的知覺動作反饋過程，包含知覺動作回路(Perception-action cycle)、記憶(Memory)、注意(Attention)和智能(Intelligence)等基本要素[5]。知覺動作回路是大腦知覺系統的結構基礎，如圖1所示。在大腦視知覺系統中，皮質感覺區感知認知任務(環境)的視覺刺激，隨后皮質運動區獲得感覺區的信息反饋，通過認知行動的調節作用來適應環境以實現環境信息的最大獲取。

圖1　大腦知覺系統(左)和認知動態系統(右)基本結構

認知動態系統是對大腦知覺系統的高度抽象，控制器的調節行為依賴于知覺器感知環境后的信息反饋，知覺器的信息獲取包含對環境狀態的測量與估計，控制器的響應則涉及系統的最優控制。通過知覺動作回路的作用，認知動態系統最大限度地實現與動態環境的交互融合[6-9]。認知系統通過記憶存儲知覺過程、反饋回路、控制過程中所獲取的知識與經驗，并反過來輔助、促進各過程中知識的獲取、經驗的提升以及模塊功能的完善。注意以及智能，以算法的方式整合在知覺動作回路之中，保障控制功能的最佳實現。

通過類比將認知動態系統引入雷達系統，可構建具有人類認知特性的智能雷達系統。在工程背景下，環境信息通過測量過程流入知覺器，知覺器利用貝葉斯估計實現信息提取，信息反饋路徑將知覺器與控制器聯系一起，控制器在優化算法下執行最佳控制，控制系統的閉環回路由此形成。工程系統中的知覺動作回路是認知控制的基本結構，記憶、注意與智能等特性通過存儲器、體制結構和智能算法等實現。

2量測信息的度量模型

2.1　信息缺失

測量信息由傳感器在噪聲環境中直接測量獲得，包含有效信息和環境噪聲、干擾等因素引入的無用信息；將測量空間向信息空間的投影，可提取有效信息，分為與當前任務需求緊密聯系的相關信息和與之無關的冗余信息；在最小風險意義下，執行當前任務所需的信息為充分信息，相關信息是充分信息與有效信息的交集；充分信息中無法通過測量獲取的部分，即充分信息與相關信息的差集為信息缺失(Information gap)[11]，如圖2所示。

圖2　信息缺失概念示意圖

工程系統中的認知控制可由如下定義給出：假設存在一個擁有知覺動作回路結構的類人腦隨機動力系統，認知控制的功能就是調節從系統知覺部分向其執行部分流動的信息流，從而在最小風險意義下縮減當前任務的信息缺失。

2.2　雙態模型

系統雙態模型的思想為用系統狀態和系統熵態表征系統信息特征。系統狀態是系統信息的表征，是經典測量操作下的不變量(非量子理論體系)；系統熵態是信息缺失的度量，是系統不確定度的表征。

2.2.1狀態空間模型

在給定時刻，系統狀態表征當前時刻的系統信息，同理，狀態隨時間的變化表征系統的演化行為。系統的真實狀態無法直接獲取，只能通過噪聲環境下的觀測量間接估計，如在先驗信息條件下的貝葉斯估計。對系統的先驗認識可體現在狀態空間模型(State-space model)如圖3所示，包含描述系統演化的狀態方程和刻畫系統狀態獲取的量測方程。

圖3　狀態空間模型

狀態方程

xn離散時間系統狀態為馬爾科夫序列，狀態方程表示從n時刻到n+1時刻的狀態轉移，n表示離散時間，狀態轉移取決于轉移函數、當前狀態和系統噪聲，其中an(.,.)為狀態轉移函數，xn為當前狀態，xn+1為下一時刻狀態，ωn為系統噪聲。如果系統噪聲為加性噪聲，則狀態方程可簡化為xn+1=an(xn)+ωn；如果狀態轉移為線性函數，xn+1=An+1,nxn+ωn，系統方程可簡化為線性方程，其中An+1,n為狀態轉移矩陣；如果ωn為高斯過程，則狀態方程為線性高斯系統，協方差矩陣可記為Qω,n。

量測方程：

yn表示目標狀態量測量，量測結果決定于量測函數、當前狀態、量測噪聲，其中bn(.,.)為量測函數，vn為測量噪聲。若量測噪聲為加性噪聲，則量測方程可簡化為xn+1=bn(xn)+vn；若量測過程為線性函數，則量測方程可簡化為xn+1=Bnxn+vn，其中Bn為量測矩陣；若vn為高斯隨機過程，協方差矩陣可記為Rv,n，則量測方程為線性高斯的。

2.2.2系統熵態模型

由于系統本身、測量環節等存在一定程度的不確定性，因而系統的狀態和觀測量均用隨機變量表征。系統狀態即為一個概率分布，實際觀測結果即為觀測變量的實現。狀態的獲得需通過噪聲環境下的測量，反之，可通過測量結果來估計系統狀態的后驗概率分布。信息缺失的概念刻畫了系統狀態的不確定程度，信息論中不確定度可由概率分布的全局量——熵表征，因而信息缺失可由系統熵態刻畫，可定義為系統狀態后驗分布的Shannon熵。

若xn表示系統n時刻狀態，p(xn)表示系統狀態的先驗概率分布，當獲得n時刻觀測量yn后，p(xn|n)表示該時刻系統狀態的后驗概率分布，該時刻系統熵態Hn|n定義為p(xn|n)的Shannon熵：

xn是隨機變量，Yn是觀測集{y1，y2，…，yn}。

3認知控制模型

雷達認知控制的基本思想在于通過控制系統實時調整自身狀態來減小目標測量過程中的信息缺失。因而認知控制可以歸結為兩個子問題，即系統熵態的最優估計和系統熵態的最優控制。

系統熵態是系統狀態后驗概率分布的Shannon熵，因而系統熵態的估計取決于系統狀態的感知。系統狀態的感知過程是對系統狀態進行獲取和估計的過程。狀態獲取結果為傳感器觀測集，是觀測隨機變量的實現；狀態估計可通過最小方差、最大似然、最小二乘等思想實現，然而，在具備系統狀態先驗信息的情況下，可通過貝葉斯估計在最小風險函數意義下實現最優估計。一般可采取最小平均風險函數意義下的貝葉斯估計。對于最小均方差準則，加性高斯白噪聲下的線性系統，貝葉斯濾波器簡化為卡爾曼濾波器；對于非線性高斯系統，貝葉斯濾波器可通過EKF、UKF或CKF等近似實現；非線性非高斯系統則選用Monte Carlo粒子濾波器。狀態估計的準確程度取決于系統狀態的后驗不確定度，即信息缺失量，系統熵態可用系統狀態的后驗概率分布的Shannon熵表示。獲得系統狀態后驗概率分布后，通過降低信息缺失來增強狀態估計性能的最優控制是認知控制的基本思想。

在認知控制結構中，認知行動可直接作用于環境，從而間接影響知覺器的知覺過程，例如辨識在黑暗環境中的物體，開燈的行為便是通過改變環境提升對物體的知覺；認知行動也可作用于系統本身，例如改變傳感器等結構的自身配置，在黑暗環境放大瞳孔來增加物體反射光的接收，認知雷達通過調整發射波形來改善當前目標探測性能；物理行動同樣能夠作用于系統，例如挪近物體位置有助于黑暗環境中物體辨識。

假設雷達的狀態可由參數集Λ表征，其中Λ={λk|k=1,2,…,n}，λk為表征雷達系統狀態的參數，如載頻、帶寬、極化、功率、天線、波形等所有相關參量，雷達在n時刻發射的信號可由Λn表征，在雷達目標與環境的共同電磁散射作用下得到觀測量yn，隨之得到系統熵態Hn|n，因此Hn|n~Λn，因此在模型Hn|n(Λ)下求解Λ使得

如上的參數調整過程即為圖4中認知控制器對系統的認知行動作用，雷達通過認知控制過程調整到優化發射狀態后執行對目標的量測過程。本質上，Hn|n是控制過程的目標函數，而Λ是控制變量。

圖4　認知動態系統中的認知控制結構

認知控制中，可將系統熵態定義為Hn|n，表示獲取第n個觀測量后確定的系統不確定度。與系統狀態不同，系統熵態無法直接控制。例如，目標的位置與期望存在一定偏差，可直接改變目標位置進行補償；然而目標的熵態與期望一定偏差，則無法直接減少目標狀態不確定度，只能通過其他量間接控制。此外，系統熵態的減小，不僅僅要在局部實現，更要在全局實現。即在n時刻獲得觀測量后，通過采取控制行為，在降低n+1時刻系統熵態的同時，也要降低n+1之后所有時刻的系統熵態。

4結論

認知控制來源于心理學與神經科學，尚未在工程領域得到廣泛應用。認知控制模擬人類認知系統，是以降低信息缺失為基本思想的信息控制方法。本文在對認知心理學和認知神經科學中大腦認知控制研究加以分析的基礎上，通過類比將人類認知控制過程引入雷達系統，構建了信息缺失最小化的認知控制模型，并將問題轉化為系統熵態的最優估計與控制，最終對認知控制在雷達系統中的作用進行了分析論述。認知控制是一種融合認知、信息與控制的新思維方法，在智能雷達系統中將有極大需求和應用。

參考文獻：

[1]Hammond K R,Summers D A.Cognitive control[J].Psychological review,1972,79(1):58.

[2]Brass M,Derrfuss J,Forstmann B,et al.The role of the inferior frontal junction area in cognitive control[J].Trends in cognitive sciences,2005,9(7):314-316.

[3]Kouneiher F,Charron S,Koechlin E.Motivation and cognitive control in the human prefrontal cortex[J].Nature neuroscience,2009,12(7):939-945.

[4]Feldman H,Friston K J.Attention,uncertainty,and free-energy[J].Frontiers in human neuroscience,2010(4):17-21.

[5]Fuster J M.Cortex and mind:Unifying cognition[M].Oxford university press,2003.

[6]Haykin S,Xue Y,Setoodeh P.Cognitive radar:Step toward bridging the gap between neuroscience and engineering[J].Proceedings of the IEEE,2012,100(11):3102-3130.

[7]Haykin S,Fatemi M,Setoodeh P,et al.Cognitive control[J].Proceedings of the IEEE,2012,100(12):3156-3169.

[8]Haykin S.Cognitive radio:brain-empowered wireless communications[J].Selected Areas in Communications,IEEE Journal on,2005,23(2):201-220.

[9]Haykin S.Cognitive dynamic systems:Perception-Action cycle,radar and radio[M].Cambridge University Press,2012.

[10]Ben-Haim Y.Information-gap decision theory:decisions under severe uncertainty[M].Academic Press,2001.

[11]Arasaratnam I,Haykin S.Cubature kalman filters[J].Automatic Control,IEEE Transactions on,2009,54(6):1254-1269.(責任編輯周江川)

【信息科學與控制工程】

中圖分類號：TN95

文獻標識碼：A

文章編號：1006-0707(2015)12-0099-04

doi:10.11809/scbgxb2015.12.025

作者簡介：周城宏(1989—)，男，碩士研究生，主要從事認知雷達體制與技術和動態目標的電磁散射研究。

收稿日期：2015-06-01