電子對抗干擾效果評估技術現狀

冉小輝，朱衛綱，邢 強

(中國人民解放軍航天工程大學 a.研究生管理大隊； b.電子與光學工程系, 北京 101416)

電子對抗在現代戰爭中發揮著重要作用。典型的電子對抗系統主要包含電子對抗偵察、干擾、指揮控制3個子系統。其中，電子對抗指揮控制子系統需要根據偵察信息以及干擾效果調整干擾策略，以達到最佳干擾效果。因此，對于干擾效果評估技術的研究具有重要的軍事應用價值。

干擾效果評估是指在實施電子干擾后對被干擾設備所產生的損傷或破壞進行定性或定量評價的過程[1]。它是電子對抗作戰的核心問題，同時也對電子對抗技術研究以及電子對抗設備開發起著重要作用。該技術在戰時可及時評價并反饋干擾效果，使電子戰裝備能夠快速調整干擾措施，得到最佳干擾效果；在電子戰裝備開發過程中又可以用于客觀、準確估計裝備作戰效能，以便改善其干擾性能或抗干擾性能[2]。

目前，對電子對抗干擾效果評估技術的研究主要關注于評估準則、評估指標以及評估方法3個方面。經過多年的發展，對該技術的研究已經取得了一系列成果。本文總結了電子對抗干擾效果評估技術的發展現狀，結合當前電子對抗技術發展的最新趨勢，指出了亟需解決的問題，分析了進一步研究方向。

1 干擾效果評估技術現狀

電子對抗干擾效果評估主要包含3個核心部分：評估準則、評估指標和評估方法[3-4]。其中，評估準則是進行干擾效果評估的依據；評估指標是指在進行干擾效果評估時，需要檢測的被干擾對象受干擾效應影響的關鍵性能指標，它是后續應用評估方法進行評估的基礎；評估方法則是利用評估指標實現干擾效果定量分析的數學途徑。

根據以上對干擾效果評估過程的分析可以得出電子對抗干擾效果評估的一般步驟：

1) 根據被干擾對象的特點以及干擾措施的類型選定合適的干擾效果評估準則。選擇評估準則時需要結合實際情況充分考慮，選取一種或多種評估準則；

2) 根據評估準則并結合評估需求、外部環境等諸多因素確定評估指標；

3) 根據評估指標的特點及形式選取合適的評估方法進行干擾效果評估。

1.1 干擾效果評估準則與評估指標

評估準則與評估指標對于干擾效果評估至關重要[5]。評估指標的選定是干擾效果評估過程中最核心的步驟，是在對干擾類型與被干擾對象以及外部環境等因素進行細致分析的基礎上，結合評估準則來進行選擇的。并且在實際應用中，利用單一的評估指標往往無法全面反映干擾效果，常需要從多方面考慮，建立相應的評估指標體系[6]。目前，常用的評估準則以及根據各評估準則提出的評估指標如表1所示，其主要包括[7]：

表1 常用評估準則及其對應評估指標

1) 信息準則：從電子設備獲取的有用信息角度出發，利用干擾后電子設備獲取信息的損失程度度量干擾效果。實際應用中，首先計算出干擾信號的熵，以此來評價干擾信號品質，繼而以此評估干擾效果。可以粗略總結為干擾信號的熵越大，干擾效果就越好。其中，干擾信號J的熵H(J)為

其中pi表示干擾信號Ji出現的概率。如果干擾信號是連續分布的，可用概率分布密度p(x)來表示它的熵，即

信息準則理論清楚、運算簡單，但是它僅僅只是根據干擾信號自身的優劣評價干擾效果，沒有考慮到被干擾對象的抗干擾措施等其他因素對干擾效果的影響。從信息準則的角度出發，主要是以干擾信號的熵作為干擾效果評估指標。

2) 功率準則：也稱干信比準則，在實際應用中一般用壓制系數KA來表征：

KA=Jmin/S

KA表示對雷達產生有效干擾時，雷達接收機輸入端需要的最小干擾信號功率Jmin與接收到的雷達信號功率S的比值。功率準則是目前實際應用較多的一種干擾效果評估準則，可以較好地反映壓制性干擾的效果，但是對于欺騙性干擾卻并不適用。在實際的壓制干擾效果評估中，基于此準則提出了雷達接收機輸入端信干比、壓制系數、干擾壓制區域、最小干擾距離等一系列評估指標。

3) 概率準則：通常根據被干擾對象在有無干擾條件下完成同一任務概率的比值來對干擾效果進行評估。概率準則相比信息準則與功率準則對于干擾過程考慮更加全面，并且對壓制性干擾和欺騙性干擾均適用，但是由于此準則的應用是建立在大量統計數據基礎上的，限制了應用范圍。基于概率準則，常用殺傷概率、引導概率、發現概率、

受欺騙概率、拖引成功率等作為評估指標評估干擾效果。

4) 效率準則：通過比較被干擾對象在有無干擾條件下同一性能指標的變化評估干擾效果。一般利用有無干擾條件下同一性能指標的比值表征干擾效果。效率準則是一種適用范圍較廣的評估準則，對任意干擾類型和干擾對象都適用。但是，該準則通常只考慮作戰對象的性能變化，而沒有結合具體作戰意圖進行考慮。基于此準則，常用被干擾對象性能(如探測距離、檢測時間，以及速度、距離、角度測量精度等)下降程度來表征干擾效果。

不同評估準則優缺點對比如表2所示。

表2 不同評估準則優缺點

1.2 干擾效果評估方法

評估方法是實現干擾效果評估的途徑，解決了指標體系中各個指標與最終評估結果的關系問題[8]。不同評估方法的優缺點如表3所示，現有的干擾效果評估方法可以分為以下幾類：

1) 評估因子法。評估因子法是一種早期的評估方法。其基本思想是將一些對干擾效果有影響的主要因素通過數學處理組合成評估因子，以此來評估干擾效果[9]。文獻[10]在對壓制干擾和欺騙干擾信號的統計特性及與之相對應的干擾效果進行分析的基礎上，將雷達性能下降量、接收機輸入端信噪比等因素進行數學處理，得到了一種能夠比較全面地反映出電子對抗過程中各因素對于干擾效果影響的評估因子-有源干擾效果因子JECM。文獻[11]在對遮蓋性干擾進行評估時，采用雷達系統在受到干擾前后輸出的信干比的比值來評估干擾效果。文獻[12] 從功率角度出發分析遮蓋性干擾的效果，將干擾功率J、目標回波功率S和目標的有效散射面積σ作為主要影響因素，構造了一種干擾因子。

評估因子法利用了對干擾效果有影響的一些重要因素，能夠簡單地對干擾效果進行評估。但在一般情況下，該方法考慮的因素數量較少，不足以全面反映干擾效果。同時通過該方法計算得到的評估結果不是歸一化的，不便用于不同方法之間的比較。

2) 模糊綜合評判法。電子對抗干擾效果評估過程中對干擾效果有影響的因素很多，并且各個影響因素與最終干擾效果之間的關系具有模糊性。為了解決干擾效果評估的模糊性問題，研究人員將模糊數學的工具引入到干擾效果評估中，形成了模糊綜合評判法[13]。

模糊綜合評判法的基本流程如圖1所示，其步驟主要包括：對干擾因素進行分析，將影響干擾效果的各因素組成因素集，評價結果組成評價集，各因素對干擾效果的影響程度組成權重集；根據各因素的隸屬度函數求出每個干擾因素的隸屬度，利用單因素評價的隸屬度進一步評定其等級，以此建立模糊綜合評判矩陣；通過模糊算子得到干擾效果。

文獻[14]在解決單部干擾機對單部雷達的干擾效果評估問題時，選取干擾時機Et、干擾頻率Ef、干擾功率Ep、空間電磁環境、干擾樣式Em與抗干擾措施等因素組成因素集,并為各因素選取合理的權重，最終將干擾效果映射到0～1范圍內。文獻[13]在對傳統的雷達波門拖引式欺騙干擾進行評估時，選擇干擾-信號功率比(J/S)、拖引速度Vp、干擾脈沖相對回波時延量Tg和雷達抗干擾能力Sj作為干擾效果主要影響因素，并利用層次分析法為每個影響因素分配合理的權重；最終實現對干擾效果評估。文獻[15]在運用模糊綜合評判方法時，通過選取不同的隸屬函數和權重值對比分析了隸屬函數與權值對評估結果的影響；文獻[16]針對雷達干擾效果模糊綜合評判法中權值因素對評估結果帶來的不確定性問題，提出使用一種改進層次分析方法對評價模型進行改進，取得了較好的結果。

模糊綜合評判法可以較好地適應干擾效果評估中影響因素眾多的特點，能夠將分析得出的可能影響干擾效果的所有因素全部引入到因素集中。但該方法中隸屬度函數和權值的選擇還沒有統一的理論指導，需要靠評估人員的經驗選取[17]。

(1)體現BEPS第7項行動計劃部分成果。中國國內的稅收協定解釋性文件(《中華人民共和國政府和新加坡共和國政府關于對所得避免雙重征稅和防止偷漏稅的協定及議定書條文解釋》)已體現BEPS第7項行動計劃部分成果，如所有豁免活動都必須滿足準備性和輔助性的定義，代理人常設機構的判定等。

3) 智能評估法。智能評估法主要是指基于機器學習理論的干擾效果評估方法。該方法利用各種雷達對抗實驗所得到的數據作為訓練樣本，通過學習得到影響因素對干擾效果的影響規律，進而實現特定影響因素下的干擾效果評估。智能評估法主要有人工神經網絡(Artificial Neural Networks,ANN)方法與支持向量機(Support Vector Machine,SVM)方法。

人工神經網絡評估方法是利用神經網絡從以往多次試驗結果中學習干擾效果與各因素之間的關系，以此建立評估模型，用于干擾效果評估。目前，常用的神經網絡有BP神經網絡以及RBF神經網絡。文獻[18]針對遮蓋干擾選取功率有效度因子、檢測概率下降有效度因子、作用距離有效度因子以及檢測時間耗費有效度因子作為神經網絡的輸入，將以往實驗的結果作為輸出，通過BP神經網絡擬合出干擾因素與干擾效果之間的關系，并以此建立評估模型，用于對干擾效果的評估。文獻[19]提出了一種基于BP神經網絡的復合干擾效果評估方法，針對不同的干擾樣式選擇不同的評估因子，用以往的試驗結果作為BP神經網絡的輸入與輸出，得到干擾因子與干擾效果之間的映射關系，最終通過該神經網絡實現評估。文獻[20]選定干擾功率、干擾頻率、干擾樣式、干擾時機4個指標的隸屬度作為RBF神經網絡的輸入數據，得到了比BP神經網絡收斂速度更快的評估方法。文獻[21]利用模糊神經網絡進行欺騙性干擾效果的評估，將干擾功率與雷達信號功率之比、雷達抗截獲性、雷達信號模擬的復雜性和雷達系統在時頻域上的分辨能力作為影響因素，并利用RBF神經網絡，將其映射為優、良、中、差、很差5個干擾效果等級。基于神經網絡的干擾效果評估方法簡便易行，當樣本足夠多時能夠取得較高的準確率，但是在樣本有限的情況下容易出現過學習現象，導致其推廣能力下降。

針對以上基于神經網絡的干擾效果評估方法的缺點，研究人員提出了利用對小樣本具有較好的學習能力的SVM進行干擾效果評估的方法。文獻[22]在分析雷達的工作過程及其所面臨的有源干擾的特點的基礎上，從兼顧遮蓋性干擾效果和欺騙性干擾效果的作戰要求出發，將效率準則和時間準則相結合，提出了搜索時間比和跟蹤誤差比兩個評估指標，然后利用仿真實驗或實裝對抗得到的“對抗態勢”下的樣本對LS-SVM進行訓練，得到各影響因素與干擾效果之間的函數關系，最后利用訓練好的LS-SVM回歸機評估干擾效果。文獻[23]針對波門拖引式欺騙干擾，從干擾機本身和雷達的抗干擾能力兩個方面出發，總結出干擾-信號功率比、拖引速度、干擾脈沖相對回波時延以及雷達抗干擾能力四個影響因素，并將不同因素的隸屬度作為SVM的輸入值，利用多次試驗的數據對SVM進行訓練，得到干擾因素隸屬度與最終干擾效果的映射關系。文獻[24]將干擾效果評估問題看作一種有限樣本分類問題，以干擾方的設置以及被干擾方的行為變化數據作為評估指標，并結合其對應的干擾效果構建了干擾行為特征訓練數據庫，再利用支持向量機對數據庫中的訓練樣本進行學習，得到最優的分類結果，最后用實驗證明該方法的可行性。

支持向量機對小樣本具有較好的學習能力，相比神經網絡更適合用于干擾效果評估。但是該方法對缺失數據敏感，對非線性問題核函數的選擇沒有通用解決方案。

表3 不同評估方法優缺點

2 研究方向

近年來，電子對抗干擾效果評估技術受到了電子對抗領域研究人員的廣泛關注，取得了一系列的成果。但是由于雷達干擾過程本身的復雜性以及新的電子戰技術發展帶來的挑戰，使得現有的研究成果仍然難以客觀、全面地對雷達干擾效果進行評估。對于下一步的研究主要有如下幾個方面：

1) 機器學習作為一種智能的數據分析工具，能夠處理復雜數據并發現數據中隱藏的規律，已經被廣泛應用于多種領域。目前，已有一部分學者將機器學習方法應用于干擾效果評估中，并取得了較好的評估結果，但是運用的算法大多僅限于神經網絡與支持向量機。隨著機器學習的進一步發展，研究人員提出了越來越多的新算法。因此，引入新的合適的機器學習算法進行干擾效果評估將會對干擾效果評估技術的發展有著積極的促進作用。

2) 現有的干擾效果評估技術大多屬于第三方評估，這種評估方法需要使用被干擾雷達的詳細設計參數以及工作性能等信息作為評估指標數據。然而，在實戰環境中這些數據是很難獲取的，這樣就限制了現有干擾評估方法在戰時的應用。針對此問題，需要轉變評估角度，利用干擾過程中干擾設備接收到的雷達信號特征的變化并結合自身的實時狀態數據進行干擾效果評估[25]。美軍的一系列認知電子戰項目對此類干擾效果評估方法進行了研究，并且已經進行了載機試驗，不久將會投入實用[26-28]。國內對于此類干擾效果評估方法的研究較少，為數不多的公開文獻也只是進行了理論上的闡述[29-31]。因此，未來對基于干擾方的干擾效果評估將會是干擾效果評估技術的重要發展方向。

3) 目前，各國電子裝備更新換代速度很快，新裝備層出不窮，戰場上可能面臨未知電子裝備。然而目前大多數干擾效果評估方法是建立在作戰對象參數已知情的基礎上。當前，人工智能領域已提出遷移學習，零樣本學習等可用于樣本數據庫未知情況下的識別算法。因此，在未來的研究中可以借鑒遷移學習等算法實現對未知作戰對象的干擾效果評估。

3 結論

干擾效果評估對提升電子戰系統作戰能力具有重要意義。經過多年研究，干擾效果評估技術得到了巨大的發展，但是仍存在著評估可信度不高、時效性不強等問題。