認知電子戰研究進展

劉松濤，雷震爍，溫鎮銘，葛 楊

(海軍大連艦艇學院信息系統系，遼寧 大連 116018)

0 引言

電子戰的目的是識別輻射源并通過反輻射武器或電子干擾對其目標探測或信息傳輸進行破壞，而雷達想要探測敵方目標并引導火力打擊，通信需要傳輸目標信息、指揮信息等實現體系作戰，因此，電子戰與雷達、通信之間是博弈關系，形成了雷達和通信引領、電子戰追趕的發展態勢。過去二十年，雷達技術取得了巨大的進步，相參累積、功率管理、超低旁瓣天線等技術降低了信號被截獲的概率；正交頻分復用等新型信號的應用，使電子戰系統難以推斷雷達的行為意圖；低截獲概率(LPI)雷達、多功能雷達、認知雷達等新型雷達的出現增加了雷達偵察和干擾的難度。另外，在真實的作戰狀態下，我們所了解和記錄的敵方威脅信號很可能是沒有見過的，這是由于雷達可能通過軟件改變發射信號波形和特征進入新的作戰模式。通信技術的進步也是有目共睹的，認知無線電能夠搜索并迅速將其信號轉移到空閑頻譜，或者跳變到以前從未用過的頻段，這極大地增加了通信偵察發現短持續時間通信信號的難度。應該說，隨著雷達和通信等作戰對象轉向自適應和不可預測的頻譜使用，探測和干擾這些系統的電子戰系統也必須對不斷變化的頻譜和信號做出自適應響應。另外，民用領域雷達和通信的不斷發展也帶來了海量數據的頻譜擁堵。上述一切使電子戰系統面臨從未遇到過的復雜電磁環境。

然而，目前的電子戰系統主要依靠已知輻射源(雷達、通信等)的威脅數據庫工作，通常是在實驗室研究并開發有效對抗措施。面對采用新型、未知波形和其他技術的輻射源則需要記錄、回到實驗室、研究對抗措施并將其帶回戰場，才能對其實施有效對抗。為了縮短這個時間，出現了電子戰作戰支持，可以在執行任務間隙快速實現對抗措施定制[1]；但這個過程還是太慢了，因為需求通常要求在數秒鐘內完成。雖然專用的電子攻擊飛機(如EA-18G“咆哮者”)能通過機上的電子戰軍官識別和干擾未知的威脅輻射源，但是這完全依靠電子戰軍官的技能。因此，作戰對象(雷達和通信系統)的變化迫使電子戰系統必須要發展，目標是能夠在密集的電磁環境中分離出未知的威脅信號，然后快速生成有效的電子對抗措施。人工智能和大數據技術的蓬勃發展，軟件無線電技術的日益成熟，也正在推動傳統電子戰升級換代到認知電子戰，解決作戰對象技術進步帶來的對抗難題。認知電子戰將能夠自主識別并干擾敵方信號，即使在作戰過程中也能瞬時識別威脅數據庫沒有預編程的敵方信號，然后實時生成有效的波形實施對抗，即認知電子戰能夠在交戰中進行學習并實時反應。美國國防部第三次“抵消戰略”的核心是在各軍種和任務領域快速研發和部署最新的技術能力，確保美軍相對所有可能的對手繼續擁有決定性的軍事優勢。目前，電子戰領域受到最多關注的也是認知電子戰，充分說明了認知電子戰的重要性。

“認知”一詞的首次應用主要與通信有關，它是指系統搜尋特定頻段，評估其是否未受干擾并可使用，然后引導無線電臺使用該頻段或轉移到其他可選頻段的能力。1999年，瑞典的Joseph Mitola博士首次提出了認知無線電的概念[2]。2006年，順應自適應智能的發展趨勢，Simon Haykin教授提出了認知雷達的概念[3]。為了對抗認知無線電和認知雷達，2010年，美國國防部高級研究計劃局(DARPA)開始啟動“行為學習自適應電子戰”(BLADE)等一系列認知電子戰項目研制，目前已進入裝備轉化應用階段。2008年，楊小牛院士設計了一種新的以電子偵察為技術基礎的認知無線電體系結構[4]，標志著國內開始關注認知電子戰領域，但目前仍處在算法理論研究階段，缺少信號級的仿真論證和工程項目應用。關于認知電子戰的研究情況，文獻[5—10]從不同角度、不同層次，以不同方式進行了綜述。為了幫助電子對抗領域的學者能夠更加全面和深入地了解認知電子戰的研究情況，本文從為什么要發展認知電子戰入手，對比分析了認知電子戰的相關概念，給出了典型認知電子戰的系統組成，重點對認知電子戰技術的國內外現狀和項目研制情況進行概括總結，并指出認知電子戰需要重點發展的10個方向。

1 認知電子戰概念分析

認知電子戰的定義為：以具備認知能力的電子戰裝備為基礎，注重運用自主交互式電磁環境學習能力與動態智能化對抗能力的電子戰作戰行動[11]。主要包含三個基本要素：1) 認知偵察——自適應智能感知電磁環境，確定存在的輻射信號以及其位置和類型；2) 認知干擾——這是認知技術的本質，利用機器學習算法做出最佳決策，即用哪個干擾信號對哪一層(物理層、鏈路層或網絡層)實施干擾；3) 認知防御——從認知技術角度做好己方雷達和通信系統的防御。

由于認知電子戰技術非常先進、新穎，這一領域看起來復雜且難以理解，相關概念還需要通過對比分析來進一步闡明。下面從學習能力、自適應能力、預測能力和反應時間四個方面來分析認知電子戰與自適應電子戰的差異。

1) 學習能力

自適應電子戰通常是根據預先定義的輸入和預先確定的行動而產生的一系列響應，其運行均受到軟件程序的制約。例如：目標改變發射帶寬，系統就要調整接收機資源以匹配該帶寬，不需要學習。認知電子戰具有在線學習能力，能夠自主從經驗中學習怎么對抗未知威脅，以及如何記錄和應用這些經驗。認知系統能夠在程序框架外進行思考推斷，不受基礎程序的制約，主要是依賴機器學習技術，通過刺激敵方系統，觀察敵方的反應并進行自動學習，嘗試使用不同波形，從而快速找到有效的干擾信號。

2) 自適應能力

自適應電子戰聚焦于實時適應威脅環境并根據不斷變化的威脅特征自動改變電子戰手段，前提是針對已知威脅信號。認知電子戰對已知和未知威脅信號均具有自適應能力，能夠快速改變發射的信號，來響應接收到的信號變化；所以，認知電子戰必定有自適應能力，而自適應電子戰不一定具備認知能力。

3) 預測能力

自適應電子戰系統通常沒有存儲器，這意味著其針對敵方的每次調整都是基于當前的信息。認知電子戰系統具有經驗累積能力，因此能知道敵方系統在較長時段的反應情況，可以預測敵方系統可能采取的下一步動作。

4) 反應時間

針對已知威脅信號，認知電子戰和自適應電子戰都可在很短的時間內(數十微秒至數十秒量級)根據接收到的敵方輻射信號改變其干擾參數。針對未知威脅信號，自適應電子戰的適應周期可能需要數年時間。當部隊要部署到某一戰區時，首先觀測該地區的信號類型、頻率、波長或帶寬，并將其帶回實驗室進行分析和開發相應的對抗措施，然后再將對抗措施應用到系統中。而認知電子戰則可以現場來觀測信號行為并自動生成和調整對抗措施，實時或近實時地實現對目標的有效干擾。

通過上述對認知電子戰的概念分析和對比，可以概括出認知電子戰的主要優點包括：

1) 有望徹底解決復雜電磁環境精確態勢感知的難題。認知電子戰的動態學習能力可以以專家從未想過的方式學習和做出反應，可能會發現迄今無法想象的輻射源之間的區別，這些區別是由制造缺陷等因素引起的波形“無意調制”產生的，而傳統基于專家知識的系統可能會丟棄這些數據；因此，精確態勢感知是認知電子戰的優勢之一，它可以幫助我們識別出偽裝的射頻輻射源。

2) 有效對抗具有認知能力的系統。認知雷達和認知無線電的最大特點就是其認知能力，即自主根據周邊的電磁環境選擇信號波形(如：頻率、脈沖寬度、調制樣式等)。傳統的功能固化的電子戰系統在應對這些認知系統時，其效能將大打折扣。認知電子戰能夠通過分析目標信號來推斷其當前所處的狀態，進而通過智能決策來實施最優干擾；干擾實施后，繼續觀察目標信號，評估判斷施加干擾的好壞，反饋到智能決策模塊，進一步優化干擾措施，以達到最佳的作戰效能。

3) 極大增強電子干擾系統的隱蔽性和抗毀性。傳統的電子干擾系統只能依靠大功率壓制手段來實現有效對抗，容易暴露并招致反輻射打擊；而認知電子戰系統以精確的態勢感知為基礎，干擾信號無需大功率發射。因此，干擾系統的隱蔽性和抗毀性大大提高。

4) 顯著提高網電一體化的對抗水平。由于賽博戰主要是高層次(網絡層、應用層)的信息對抗，缺乏低層次(物理層、鏈路層)的對抗手段與技術[11]，傳統電子戰在態勢感知、干擾與欺騙等環節的技術水平尚不足以支撐賽博戰。認知電子戰進一步拉近了電子戰與賽博戰之間的距離，將電子戰和賽博戰融為一體，可真正實現網電一體戰。

2 認知電子戰系統組成

為了發揮認知電子戰的能力，需要構建一個認知電子戰系統。文獻[12]對國外目前提出的三種認知電子戰架構系統的目標、特點及其模塊功能進行了詳細分析。文獻[13]設計了認知電子戰系統框圖，利用認知引擎將認知代理、自動信號分類和射頻環境行為分析等功能集成到一起，并設計了詳細的工作流程。為了提高認知電子戰系統的靈活性、通用性和電磁環境適應能力，王沙飛院士討論了認知通信電子戰體系架構和認知雷達電子戰體系架構，并將認知電子戰系統體系架構統一設計為由軟件定義可重構偵察干擾設備、設備控制中間層、認知電子戰應用程序、認知引擎中間層和認知引擎5部分組成[14]。本文在上述工作的基礎上，對認知電子戰的系統組成進行細化，并梳理每個組成模塊涉及的主要內容，見圖1。

圖1 認知電子戰系統組成框圖Fig.1 Composition block diagram of cognitive electronic warfare system

1) 認知偵察模塊

該模塊通過對戰場電磁環境感知，截獲輻射信號后，進行參數測量、信號分選、輻射源識別和輻射源個體識別等信號處理分析，提取出描述目標的核心特征數據，判斷威脅等級，并傳送至認知干擾和干擾效果在線評估模塊。環境感知主要通過天線、A/D等硬件實現。基本參數測量結果會反饋給態勢感知單元，調整態勢感知參數，實現最優環境感知。輻射源個體識別是為了確定目標所在的具體平臺，有利于進行威脅判斷。

2) 認知數據庫模塊

該模塊包括威脅目標庫、干擾規則庫、先驗知識庫等。認知數據庫是動態更新的，為認知偵察模塊、認知干擾模塊、干擾效果在線評估模塊提供先驗信息，并將其學習成果進行經驗累積，動態更新數據庫。在傳統的頻率、脈寬、波形、功率等信號描述的基礎上，認知數據庫增加了識別信息、定位信息、電子防護模式信息、作戰功能信息、目標行為等認知推理信息。

3) 干擾效果在線評估模塊

該模塊根據實施干擾前后目標信號參數的變化來識別目標工作狀態和可能采取的抗干擾措施，并結合外部預警探測系統的輸入信息，定量地分析對抗效果，得到當前干擾樣式的評估結果，識別出目標系統的薄弱環節，指導干擾決策單元優選或生成干擾樣式。多功能雷達的出現使得僅對雷達輻射源的型號進行識別已無法判斷威脅等級，還需要進一步利用雷達工作狀態來進行判斷；因此，目標工作狀態反饋輸出到認知偵察模塊。

4) 認知干擾模塊

干擾決策是指根據認知偵察模塊的分析結果，認知數據庫中己有的數據和干擾資源以及干擾效果評估結果和目標工作狀態進行干擾樣式優選或生成。如果是已知威脅目標，利用機器學習算法優選干擾樣式，因為目標工作狀態在對抗過程中可以快速切換，故干擾樣式決策時應該建立目標狀態與已有干擾樣式之間的最佳對應關系；如果是未知威脅目標或目標未知狀態，需要動態地調整干擾參數、優化干擾波形，從而生成新的干擾樣式輸出，并將最終有效的干擾樣式保存到干擾規則數據庫。干擾資源分配是指在干擾機為多個或需干擾目標為多個時，對干擾機功率等參數的選擇使用智能算法進行優化，使系統的干擾性能達到最優。干擾信號生成是指產生相應的干擾信號，輻射到電磁環境并作用到干擾對象。

5) 人機交互模塊

該模塊主要包括目標參數、威脅判定、干擾效果等結果的顯示，以及電子戰職手糾錯性的及時控制。

通過以上五個模塊，認知電子戰系統可以在無需人為干預(或少量干預)的情況下自主進行決策和學習。隨著學習次數的增多，認知系統也會不斷地累積經驗和進化，實現對抗效果更好和對抗時間更短。

為了搞清認知電子戰的對抗過程，還需要深入了解其作戰對象，即威脅環境或目標。當前簡單的靜態參數已難以描述環境或目標的復雜性和動態性，因此，描述參數應該由靜態參數與動態參數組成，包括物理層屬性(頻率、帶寬、功率、波形等)、協議、功能和意圖(探測距離、波形模糊度、狀態轉移等)、自適應行為和電子防護模式等，并通過信息模型的方式進行表示。信息模型中，目標行為模型對認知過程的分析和判斷最為重要。

若要實現一個認知電子戰系統，在認知電子戰系統組成框圖的基礎上，還需要結合具體硬件平臺，設計系統軟件。軟件定義可重構偵察和干擾設備是認知電子戰系統適應電磁環境，對抗未知威脅目標的硬件基礎，以便于認知偵察和干擾的分析結果對偵察和干擾設備的功能和參數進行在線重構。文獻[15]提出了一種軟件架構，進行認知推理和表示，目前已經實現了多個推理技術，比如：基于案例的推理，貝葉斯網絡，模糊推理等，并應用到BLADE項目以及未知雷達波形感知與對抗項目。

3 認知電子戰技術國內外研究現狀

當前電子戰系統的硬件在設計時并未考慮到未來智能化的需求，而智能化要求電子戰系統能夠完成更多的運算；因此，合適的發展思路是首先以先進算法的形式在現有電子戰系統中增加智能化功能，以便將成本降到最低，然后再提高硬件和系統的運算能力，以及傳感器的探測能力。由于認知電子戰比能量探測器要求更高，它需要更高質量的探測數據，因此必須改善傳感器帶寬、A/D轉換器、噪聲系數等。當前認知電子戰領域的核心是算法和技術，故本章主要論述認知電子戰技術的國內外研究現狀。

3.1 目標行為建模技術

戰場電磁環境是動態的，而且許多傳感器的數據也是不完整的，有時在時域、頻域和空域還可能是沖突的；因此，傳統的統計參數模型已無法描述目標和環境，有必要將人工智能和機器學習領域的知識表示方法引入到電子戰領域。

此處重點研究目標行為建模技術。其基本思路是通過對特定電磁輻射源的行為觀察、描述和分析，建立該電磁輻射源的行為描述模型[16]。該模型可以用在認知偵察中的目標工作狀態估計、輻射源識別、目標行為預測以及認知干擾中的目標行為控制等。概括起來，行為描述模型主要包括以下四類：

1) 層級結構模型

文獻[17]針對目前電子情報系統無法對多功能雷達信號進行有效描述的問題，在分析多功能雷達信號產生機制的基礎上，建立了其“功能、任務和波形”的層級結構模型。

2) 隱馬爾可夫模型

文獻[18]為了反映系統內部的狀態變化規律和信號的動態特性，將多功能雷達系統等效為一個有限狀態機，采用隱馬爾可夫模型對多功能雷達的脈沖序列信號直接進行建模，指出了時序特征在多功能雷達信號描述中的重要性。

3) 自然語言模型

文獻[19]把多功能雷達看成是按照一定的語法規則“講話”的系統，將多功能雷達信號用句法模型表示，明確地建立了系統的內部狀態與外部的觀測信號之間的對應關系；文獻[20]參考自然語言中的語義結構關系，提出了自適應雷達的行為描述模型，這是一個分層次的行為表示模型，其層次分別為脈沖描述、狀態序列、雷達子行為、任務和狀態轉換與統計。

4) 分段式統計參數模型

文獻[21]用傳統的統計參數模型來描述每個模式內信號的特征，然后通過實時地檢測信號中的模式變化來反映信號的動態特征，并結合神經網絡分類器實現信號分段和模式判斷。

3.2 認知偵察技術

復雜電磁環境中，如何以最快的速度了解電磁環境，選擇最優偵察方式，是認知電子偵察需要解決的問題。認知偵察技術主要包括認知信號參數測量，認知信號分選，輻射源分類識別和輻射源個體識別等。

1) 認知信號參數測量

和傳統信號參數測量不同，文獻[22]在認知偵察模塊的參數測量部分給出了認知處理方法，主要包括：①基于認知技術的寬帶數字信道技術，主要指頻域參數測量時，利用認知結果對信道參數進行動態調整；②基于認知技術的數字多波束形成技術，主要指空域參數測量時，利用認知結果對數字波束形成參數進行動態調整。

2) 認知信號分選

當前的輻射源信號環境密集而復雜，偵察范圍內可能同時存在幾十上百部雷達，表示雷達特征的時域、空域、頻域參數很可能發生全部或部分重疊，難以進行有效的分選，多功能雷達信號的特點使得分選處理的難度進一步增加。針對多功能雷達的波形特征變化給信號分選帶來的困難，文獻[17]提出利用與雷達位置有關的多站時差信息來進行信號分選。文獻[23]采用包絡智能判別方法和自適應通道管理技術，解決了信號分選過程中通道脈沖采樣的“邊界效應”以及抑制并消除反射信號、剔除虛假目標和平滑目標角度跳變等難題。

3) 輻射源分類識別

隨著戰場電磁環境的日益復雜和多功能雷達的出現，傳統方法難以有效識別雷達輻射源：一是特征提取和選擇比較困難，人為設計特征總是很難完整反映雷達輻射源特定型號和發射波形信號的細微差異；二是多數分類、回歸等學習方法(比如：支持向量機(SVM))的實質為淺層結構算法，對于有限樣本的復雜函數表示能力有限。

深度學習是機器學習的一個新分支，其主要優點是跨過整個特征設計階段，直接從原始數據中進行特征提取和特征學習[24]。現場可編程門陣列(FPGA)、圖形處理單元(GPU)的加速處理方法使得運算的實時性能夠保證。通常說深度學習的計算量大，是指訓練時間長，但是實際應用時耗時很短；因此，利用機器學習自動提取特征已成為現實。典型的深度學習網絡結構包括卷積神經網絡(convolutional neural networks, CNNs)、深度置信網絡(deep belief networks, DBNs)、深度玻爾茲曼機(deep boltzmann machines, DBMs)和堆棧自動編碼器(stacked auto-encoder, SAE)等。文獻[25]將深度限制波爾茲曼機應用到輻射源信號特征提取和分類識別，具體模型由多個限制波爾茲曼機組成，通過逐層自底向上無監督學習獲得初始參數，并用后向傳播算法對整個模型進行有監督的參數微調，最后利用Softmax進行分類識別。在低信噪比情況下，該模型具有較高的識別精度和較強的魯棒性。考慮到輻射源射頻信號時域特征易受到干擾，而雷達信號時頻特征具有惟一可辨識性，文獻[26]首先利用短時傅里葉變化(STFT)生成時頻圖像，并利用隨機投影和主成分分析方法分別從維持子空間和能量角度對時頻圖像降維，然后利用無標簽的樣本信號訓練SAE模型，再利用帶有類別標簽的輻射源信號數據對深度網絡進行精度調諧，最后也是用Softmax進行識別，仿真實驗中利用6種輻射源信號驗證了提出算法的有效性。而文獻[27]利用Choi-Williams分布生成時頻圖像，結合CNNs實現了12種雷達輻射源信號識別。可見，將雷達信號轉化為二維圖像的方法有很多，具體用哪種方法好呢？文獻[28]生成了不同的時頻圖像，再利用非負矩陣分解網絡和不同的CNNs進行訓練，對其結果利用SAE進行融合和SVM分類，最后利用人工蜂群算法進行集成學習；該方法充分利用了圖像處理領域大量的CNNs網絡，比如：VGG-19, ResNet-50, GoogLeNet等，適用于大量不同類型不同信噪比的雷達信號識別。針對偽隨機序列相位調制信號的時頻圖像難以區分的問題，文獻[29]提出了特征融合的CNNs分類方法，即一個CNNs的輸入為時頻圖像，一個CNNs的輸入為經過預處理的相位信號，并設計一個特征融合層，最后仍是經過Softmax分類器輸出。考慮到利用集成學習的思想能構建一個有效的組合分類器模型，因此，可用來替代深度學習中的Softmax分類器進行輻射源識別[30]。文獻[31]在利用深度學習識別分類雷達信號的基礎上，進一步提取每個信號的參數，為截獲信號的顯示和認知數據庫更新做好了準備。

針對雷達信號脈沖檢測可能不準確的問題，文獻[32]首先用STFT將信號轉化成時頻圖像，然后在時頻圖像中利用Hough變換檢測脈沖，最后用時頻圖像中包括脈沖的區域來訓練CNN，識別LPI雷達信號。另辟蹊徑，從深度神經網絡入手，文獻[33]采用SSD(single shot multibox detector)來進行LPI雷達信號的分類識別，也解決了時頻圖像中非目標脈沖信息的干擾問題；這是因為SSD不僅可以從時頻圖像中自動提取特征，還可以定位圖像中目標信號的區域。當前，大多數LPI雷達信號的分類識別都是針對脈沖信號，而連續波LPI雷達信號由于功率低，難以截獲，研究較少。

在通信偵察與通信抗干擾領域中，為保證能在復雜的通信環境中對接收信號進行正確的解調，首先要準確識別出信號的調制方式。文獻[34]在僅有少量已標記調制信號的條件下，首先使用卷積自編碼器(convolutional auto-encoder，CAE)進行無監督學習，得到信號的抽象表達特征，再結合CNNs對已標記的信號進行監督學習，實驗結果證明該方法比僅利用同等數量的少量標記信號進行有監督學習的方法平均正確率高出5%左右。考慮到CNNs的分類效果與訓練數據緊密相關，文獻[35]設計了兩個CNNs：一個在同相正交信號數據庫上訓練，實現粗分類；一個在星座圖數據庫上訓練，進一步區分正交調幅信號為16狀態還是64狀態，實現精分類。與雷達輻射源識別類似，將通信信號轉化成星座圖以后，可以充分利用計算機視覺領域的成果，比如：AlexNet和GoogleNet來進行通信信號識別[36]。

4) 輻射源個體識別

在戰時復雜電磁環境下，對于每個電磁輻射源而言，很難獲取充裕的已知類別的輻射源觀測數據。針對小樣本情況下的通信輻射源個體特征識別問題，文獻[37]設計了一種堆棧自編碼網絡的通信輻射源細微特征提取算法：首先通過高階譜分析將原始通信輻射源信號從時域轉化到高維特征空間；然后利用大量無標簽的通信輻射源高維樣本來訓練堆棧自編碼器網絡，在此基礎上，通過少量有標簽的通信輻射源樣本對Softmax回歸模型進行精校訓練，從而獲得面向通信輻射源個體特征提取的深度學習網絡。與深度學習從訓練數據中學習不同，強化學習采用試錯機制，在與環境的交互中學習，學習過程中僅需要獲得評價性的反饋信號，以極大化獎賞為學習目標，主要實現算法包括動態規劃算法、蒙特卡羅算法、時序差分算法、Q-學習算法等。文獻[38]將強化學習和CNNs結合，提出了一種深度強化學習的輻射源個體識別方法：因為雷達輻射源個體識別時，狀態空間的狀態數目無限，無法用有限空間存儲所有狀態動作對的Q值，因此，基于CNNs的函數泛化能力進行Q值函數的擬合；考慮到實時性要求，文中個體特征選用輻射源包絡前沿。

3.3 認知干擾技術

傳統干擾方式一般只針對某種體制的雷達，而面對靈活多變的多功能雷達，本地數據庫未存儲該雷達信息或只存儲了部分信息，傳統干擾方式很難實施有效干擾；因此需要研究認知干擾技術。考慮到Q-學習算法能夠在缺乏立即回報函數和狀態轉換函數時依然可以求出最優干擾策略，文獻[39]在假定雷達工作模式數目已知的條件下基于Q-學習算法實現了認知干擾。進一步，文獻[40]設計了工作模式的判斷和增加過程，使Q-學習算法適用于雷達工作模式及數目未知情況的智能干擾。文獻[41]在設計基于Q-學習的認知干擾決策時，又充分考慮了算法各參數、實際戰場中轉移概率和新狀態引入對決策性能的影響。由于基于Q-學習的認知干擾決策方法隨著多功能雷達可執行的任務越來越多，決策效率明顯下降，文獻[42]提出了基于深度Q神經網絡的干擾決策方法，雷達任務越多，干擾決策越優于其他決策方法。

類似于雷達干擾領域，深度學習和強化學習在通信干擾領域也非常重要。智能干擾信道選擇算法的核心問題是在相應的狀態下提供有效的干擾信道，這實際上可以等效成一個序列決策的問題，而強化學習算法則是序列決策問題的一種有效的解決方案。文獻[43]提出基于Q-學習算法進行智能干擾信道選擇：如果通信方通過改變調制方式、發射功率等通信參數來改善通信效果，考慮到問題的復雜度及值函數近似的局限性，進一步采用深度強化學習算法來實現智能干擾。Q-學習算法的主要不足是在線學習時間偏長，且僅僅保證逼近最優；然而軍事應用時，非最優干擾策略可能導致的后果將是嚴重的。因此，文獻[44]將用于無線通信場景中的多臂強盜(multi-armed bandits)算法用于干擾優化，證明了算法收斂到全局最優，且學習速度快，計算量呈亞線性。為了在軍事領域更好地應用干擾優化方法，文獻[45]提出了貪婪強盜(greedy bandits)算法，設計了新的基于功率和持續時間變化的獎賞標準，通過連續地交互發射和接收，可快速得到最優物理層干擾參數(比如信號樣式、功率大小和脈沖間隔等)。

3.4 干擾效果在線評估

在實際作戰環境中，由于被干擾對象是非合作目標，只能間接地根據實施干擾前后偵察設備偵收的被干擾目標的變化情況，并結合己方電子戰經驗和平時收集的情報數據來綜合判斷可能的干擾效果，因此，電子戰干擾效果的在線評估非常困難。干擾效果在線評估的重點是評估指標的選取和評估方法的設計。

評估指標選擇時，雷達工作狀態的判斷很重要，這是因為：1) 明確了雷達的工作狀態，才能為其分配相應的干擾措施；2) 工作狀態的改變可以評價干擾效果。因此，反映工作狀態的指標和推斷工作狀態的方法是研究熱點。指標選擇方面，文獻[46]利用截獲信號的幅度變化趨勢和干信比這兩個指標來確定敵方雷達是否已偏離跟蹤狀態。文獻[47]以Link-16系統為作戰對象，通過對其受擾前后的行為分析，提出了以通信信號體制、功率、編碼方式、封裝結構和組網等行為參數變化作為評估依據。目標狀態識別方面，文獻[48]結合相控陣雷達多功能、多工作方式的特點，通過偵察雷達輻射信號判斷相控陣雷達的工作狀態。文獻[49]利用聚類算法完成對初始信號樣本的狀態劃分，從而不需要人工標注先驗類別信息，能夠在線判斷新到來的信號樣本是否屬于未知目標狀態。借鑒其他領域研究成果，也可解決目標狀態識別問題：文獻[17]引入生物序列分析中的點陣圖分析技術和多序列比對技術，提出了一種基于序列相似性分析的搜索規律重建方法；該方法通過定量地對波形序列不同分段之間的相似部分進行檢測和計算，能夠實現高精度搜索規律重建。文獻[50]將不同工作模式下雷達信號參數的變化規律與數據挖掘中的關聯分析問題聯系起來，利用Apriori算法對全脈沖數據進行關聯分析，實現工作模式判斷。天線掃描方式對雷達類型和工作狀態的識別非常關鍵：為了識別圓形掃描、扇形掃描、相控陣掃描等天線掃描方式，文獻[51]將截獲的雷達信號轉化為可視圖(visibility graph)，然后從圖中提取平均度、平均聚類系數等特征，并用SVM、BP網絡、樸素貝葉斯、多層感知機和DBN進行分類，結果表明，多層感知機、DBN和樸素貝葉斯對天線掃描方式的識別率都比較高。

評估方法設計時，文獻[52]提出了一種從偵察干擾系統的角度定量評估干擾效果的方法。該方法根據干擾前后偵察系統截獲的雷達脈沖幅度和數據率變化，將截獲信號中積累的幅值作為統計特征，結合雷達受干擾后的響應機理，設計了基于顯著性檢驗的干擾效果檢測器。機器學習算法能夠較好地利用線下經驗指導線上對抗，所以為實現智能化評估引入機器學習算法是必然的趨勢。文獻[53]針對雷達行為參數在不同工作模式下的變化規律，構建了干擾效果評估知識庫，并將SVM理論應用于干擾效果在線評估，具有較高的可靠性。文獻[54]利用隨機森林算法的特征選取能力優選指標，結合神經網絡算法強大的回歸能力進行評估，結果比單一的神經網絡算法評估模型具有更好的評估性能。

當前干擾效果在線評估的研究大多集中在理論層面，結合工程項目的較少，作者所在課題組圍繞艦載認知電子戰初步做了一些工作，包括：在線評估的準則和流程[55]，SVM-DS融合評估[56]，DS時空融合評估[57]和目標軌跡估計等，需要克服的難點還比較多，比如：復合制導導彈的認知對抗，導彈目標軌跡估計的精確性，評估的實時性和外場測試驗證等。

3.5 認知數據庫技術

圍繞認知數據庫的技術主要包括：1) 認知作戰對象的行為模型數據以及動態環境數據的存儲方式；2) 干擾規則庫中干擾樣式的存儲方式；3) 數據庫整體結構及索引方式的優化，以減少存儲和調用的時間。文獻[58]提出了認知偵察數據庫的概念，主要是指增加具有認知能力的作戰對象行為模型以及戰場動態環境的存儲，并通過與智能化算法的結合，使得數據庫作為存儲單元可以和其他信號處理環節自適應結合的偵察數據庫。

4 認知電子戰項目研制情況

以美國為首的發達國家在認知電子戰領域開展了廣泛研究，典型項目包括：

1) “行為學習自適應電子戰”(BLADE)項目

2010年，DARPA發布BLADE項目公告，然后授予洛克希德·馬丁公司、雷聲公司等開展研究，項目周期51個月[59]。該項目是美國國防部認知電子戰的先驅，致力于開發機器學習算法和技術，快速探測并表示新的無線電威脅，動態生成新的對抗措施，并根據空中觀察到的威脅變化，提供精確的戰斗損傷評估。新的機器學習算法和技術還能對敵方通信干擾信號進行特征識別和對抗。2016年，洛克希德·馬丁公司成功地演示了認知電子戰系統通過機器學習實現動態對抗自適應通信威脅的能力。

2016年，美國海軍為了尋求減少生成對抗無線電控制簡易爆炸裝置威脅的干擾波形的時間，由海軍水面作戰中心負責研制反簡易爆炸裝置電子戰(CREW)獨立高精度響應路徑(SHARP)自適應電子戰行為學習(BLADE)項目(SHARP BLADE for CREW)。該系統將減少美國作戰人員易損于新威脅的時間，并能減少開發波形的勞動力成本。

2) “自適應雷達對抗”(ARC)項目

2012年，DARPA發布ARC項目公告，然后資助BAR系統公司、Leidos公司等6家公司開展研究[60]。ARC項目的目標是針對新的、未知的和自適應的雷達，采用先進的數字信號處理、智能算法和機器學習技術，在戰場上實時地自動生成有效對抗措施。主要功能包括：在存在敵方、友方和中立方信號的情況下，找出未知的雷達信號；判定該雷達的威脅等級；基于某種期望的效果來合成并發射對抗信號；最后通過觀測威脅雷達的行為來評估對抗措施的有效性。無需大量改變前端射頻硬件，ARC算法和信號處理軟件適用于新的電子戰系統，并可用于改進現有的系統。

BAE系統公司全程參與了ARC項目三個階段的研發工作，2018年完成項目技術成果的試飛驗證。據稱，ARC開發的技術可能部署到F-35A和F-22A戰斗機上，未來還可能部署到B-21戰略轟炸機上。2018年5月，美國海軍選定Leidos和哈里斯公司在ARC項目中開發的技術用于F/A-18“超級大黃蜂”戰斗機，實現認知電子戰能力。

3) “極端射頻頻譜環境下的通信”(CommEx)項目

2010年，DARPA發布CommEx項目公告，然后資助BAE系統公司和頻譜共享公司等[61]開展研究。該項目是典型的認知電子防御項目，利用機器學習算法來識別干擾并選擇一種應對措施(對消、規避、容忍或欺騙干擾等)來減輕干擾，并能夠自適應和學習新的應對措施，特別是針對機載戰術數據鏈的干擾。美國已決定將這一能力整合到Link-16數據鏈中，以保護正在廣泛使用的戰術數據鏈免受干擾。

4) “反應式電子攻擊措施”(REAM)項目

美國海軍研究辦公室在2016年啟動了REAM項目，專門對EA-18G的干擾機系統進行改進。REAM項目致力于應對敵方雷達頻率的快速變化、識別頻移模式，并在飛行過程中自動對這些頻率進行干擾或欺騙，同時評估所應用對抗措施的有效性。

2018年4月，諾斯羅普·格魯曼公司獲得美國海軍合同，為REAM項目開發機器學習算法，以實現“應對靈活、自適應、未知的敵方雷達”的目標，計劃2025年前后完成對整個EA-18G機群認知電子戰能力的部署。

5) “射頻機器學習系統”(RFMLS)項目

2018年11月，BAE系統公司開始進行由DARPA資助的RFMLS項目研究，用于開發新的由數據驅動的機器學習算法，以識別不斷增長的射頻信號，利用特征學習技術鑒別信號，提供更好的對射頻環境的感知能力。RFMLS項目是一項基礎性的工作，這項工作正在為許多深層次問題的解決奠定技術基礎，包括如何改進電子戰和雷達系統，如何更好地理解射頻信號環境等。

6) “電子支援關鍵試驗”(ESCE)項目

2017年10月，美國空軍研究辦公室就ESCE項目授予雷聲公司開發一種試驗性的開放式機載電子攻擊系統，以有效對抗當前及新出現的各種雷達威脅。ESCE項目包含三個內容：確定一種電子戰接收機架構，以滿足應對當前或新出現的各種射頻威脅的作戰需求；驗證關鍵的信號處理功能；評估關鍵使能技術。

7) 認知干擾機項目

2010年，美國空軍研究中心(AFRL)啟動了認知電子戰項目，用于開發第一代認知干擾機[62]。其目的是開發一個基于網絡化軟件定義架構的自適應、多功能(通信、雷達)干擾機，提高干擾效果，縮短干擾學習的時間，同時使自擾最小。

8) 非典型認知電子戰項目

這些項目是認知電子戰的基礎性研究，或者是認知電子戰的擴展性研究，比如：①BAE系統公司集成自適應射頻干擾和感知能力的項目，主要包括“射頻任務行動融合協同單元”(CONCERTO)和“射頻現場可編程門陣列”(RF-FPGA)等；②佐治亞理工研究負責的“憤怒的小貓”項目，該項目結合了先進數字射頻存儲技術和認知學習算法等。

應該說，當前認知電子戰已經從概念走向實踐，在技術研究不斷深化的同時，正逐步實現平臺應用。2016年2月，DARPA局長表示，DARPA正在與各軍種協作，以便將其在認知電子戰領域取得的技術成果轉化為具體裝備，以列裝F-18、F-35、多功能電子戰項目和下一代干擾機。主要平臺應用包括：

1) EA-18G的電子戰系統

EA-18G是美軍現役唯一的艦載和陸基戰術雷達干擾和通信干擾飛機，當前其電子戰系統是改進型的AN/ALQ-99干擾吊艙、ALQ-218接收機和ALQ-227通信對抗系統。為了適應對抗新型雷達和通信系統的需要，2019年，美國國會撥款近1億美元明確要將美國海軍研究辦公室發起的認知電子戰項目(ARC、BLADE等)轉換到作戰應用中，目標是在2025年前后交付新系統。主要改進包括：①加快研制下一代干擾機(型號為ALQ-249)，采用先進的氮化鎵技術、波束形成技術，內含采用機器學習算法的新型處理器；②ALQ-218(V)2將能夠探測并識別具有復雜波形的射頻輻射源。

2) F-35的電子戰系統

認知電子戰是F-35這一世界上最先進戰機上最重要的特性。2018年，BAE系統公司將數字信道化接收機/技術發生器和調諧器插入項目技術引入了生產流程；2019年，BAE系統公司完成F-35電子戰的升級改進，成功將新技術插入AN/ASQ-239電子戰系統，能為飛行員提供實時戰場空間態勢感知和快速反應能力。

3) 破壞者SRx電子戰系統

2016年，美國推出世界首套認知電子戰系統，即Exelis公司研制的破壞者SRx電子戰系統。該系統首次采用了認知電子戰技術，已成為電子戰技術發展史上的一個重要里程碑。SRx系統代表了下一代電子戰技術，可以提供在不斷變化的環境中奪取勝利所需的自適應、可遠程重新編程等功能，并集成到手掌大小的模塊中。破壞者SRx系統可以實現全譜覆蓋，與平臺無關，非常適合于海上、空中和地面作戰環境。

俄羅斯作為一個老牌軍事大國在認知電子戰方面也投入了巨大的力量。下面簡單介紹俄軍幾個認知電子戰方面的項目：

1) “克拉蘇哈-4”電子戰系統

克拉蘇哈-4是一種廣頻譜強噪聲干擾系統，能夠對300 km范圍內的敵方通信設備和雷達設備進行有效地干擾。該系統運用了認知電子戰技術，能夠自主地進行偵察和干擾，使操作員從手動操作中解放出來。克拉蘇哈-4的研發使得俄軍的陸基電子戰能力進一步提升。

2) “希比內”電子戰系統

希比內系統是一種典型的認知電子戰系統，它應用了大量的人工智能技術，能夠自主地進行電子對抗，突出優點是實時性強，自適應能力好，且擁有威脅等級評定能力。

5 認知電子戰發展趨勢

通過對認知電子戰技術以及研制項目的深入分析，歸納總結出認知電子戰的10個發展方向，也是認知電子戰領域需要重點開展的工作，具體如下：

1) 推動雷達和通信一體化偵察

過去，射頻通信情報(COMINT)系統和執行雷達探測任務的非通信電子情報(ELINT)系統有很大不同，覆蓋頻段和信號類型不同，操作員必備的技能也不同；現在，遠程VHF以及使用低功率低截獲概率脈沖的超視距雷達的復興又要求截獲頻率低至30 MHz，雷達系統所采用的技術、頻率甚至有些波形特征常常與現代通信系統所采用的一樣。因此，低頻段所需要的ELINT天線，會與COMINT系統的測向和監視天線相似或相同。這些接收機和模數轉換器，必須提供與COMINT一樣高的動態范圍、頻率分辨率和處理能力。

傳統的射頻系統對每個收到的信號采用相同的處理步驟，雷達通信一體化偵察需要首先區分信號類型，然后采用不同的處理方法。文獻[63]基于循序平穩特征以及人工神經網絡和卷積神經網絡實現了雷達和通信信號分類。在集成SIGINT組件中，ELINT系統已經具備了COMINT能力，例如：以色列埃爾塔公司研制的ELI-3001機載SIGINT裝備，提供ELINT和COMINT能力，ELINT覆蓋的雷達頻率范圍是0.5～18 GHz，COMINT的頻率范圍是30 MHz～1.2 GHz。

2) 進一步提升電子戰系統的認知能力

人工智能和機器學習等技術的發展會進一步推動認知電子戰的發展，其中，深度學習的應用還需要拓展。

一是如何以合適的數值化形式將信號表示為網絡的輸入。常見基于CNNs的輻射源識別方法，其輸入都是時頻圖像。為了充分利用一維雷達信號的特征，文獻[64]用一個新的編碼方法構建了同等長度的高維序列表示雷達信號，然后將二維CNNs改進為一維CNNs來分類雷達信號。結果表明，分類精度提高了2%～3%，特別是對12個不易區分的雷達信號，分類精度提高了15%，同時耗時非常少。不同的信號表示(比如：時域IQ數據、幅度相位表示、頻域表示等)對CNNs的處理結果有影響，最大差別可達29%；不同任務對信號表示的要求也不一樣，幅度相位表示有利于識別調制方式，而頻域表示有利于檢測干擾信號[65]。因此，針對不同任務，需要對輸入信號的不同表示方法進行分析比較研究。

二是如何解決軍事領域訓練數據少的問題。文獻[66]在用CNNs識別通信調制模式時，使用了遷移學習方式，提高了重新訓練的效率。多任務神經網絡是遷移學習的一個重要分支，它利用相關任務的信息來源來提高當前任務的學習性能，從而提高泛化準確率和加快學習速度：文獻[67]對雷達功能分類時，比較分析了單任務神經網絡和多任務神經網絡，多任務神經網絡的分類結果明顯更好。除了改進學習方法，還可以嘗試構建和運用大數據庫：文獻[64]在CNNs訓練時采用了自己構建的數據庫(含67類雷達，227 843個樣本)。REDB公開數據庫，其當前含有30 000行參數數據，描述部署在全球各地的14 700個不同類型的雷達[68]。充分利用這個數據庫，將有利于提高認知電子戰系統的學習能力。

三是深度學習的架構，比如：多少隱藏層、每層的結構、層之間的連接等。傳統的深度神經網絡中，為了保證不陷入局部最小，通常人工選擇隱藏層節點的數量，文獻[69]利用粒子群優化算法來優化隱藏層節點的數量，提高了網絡構建的自動化水平。充分運用圖像處理、語言信號處理等領域成功的神經網絡架構，比如：將語音信號處理領域的SDNN(sequential deep neural network)[70]應用到雷達信號和通信信號識別領域。

干擾效果在線評估是電子戰形成認知能力的關鍵。需要繼續研究無監督機器學習算法，尋找減少對線下數據依賴的評估算法，實現真正的在線干擾效果評估；開展有源欺騙干擾與無源干擾的在線干擾效果評估方法研究等。

3) 加快硬件開發及架構設計水平

認知電子戰技術若想充分發揮預期目標，還依賴于電子戰系統的硬件水平及架構設計。盡量利用FPGA、DSP、高速存儲器、模數和數模轉換器等數字器件以軟件方式實現其傳統模擬器件的功能。這樣認知電子戰系統不僅可用預編程的波形進行重構，而且可用現場創建的波形進行重構，實時或近實時地針對許多復雜問題同時做出多個超前決策并采取行動。文獻[71]設計了自適應放大器模塊，不受頻率和帶寬限制，將自適應能力擴展到模擬前端系統，應用前景非常好。針對寬帶雷達信號采集的難題，考慮到其信號的稀疏特性，文獻[72]用壓縮感知方法，以較低的采樣率完成模擬信號的數字化，并高精度重構出原信號。文獻[73]研究了并行處理與信息融合式以及迭代漸進式自主處理架構，并在信號流程級偵收處理架構方面，設計了模塊輸出交互更新式以及電磁環境深度分析型自主處理架構。

雷聲公司研制的AN/ALR-69A(V)全數字雷達告警接收機，是世界上首部全數字雷達告警接收機，已經提供快速采用、實現和運用最佳算法(比如復雜神經網絡)的基礎。雷聲公司指出，為了給美國空軍飛行員提供在當前及未來復雜輻射源環境下所需的態勢感知，將繼續改進接收機并增加基于機器學習的模塊，這樣系統就能自適應新型威脅。2019年，AN/ALR-69A(V)系統已安裝在C-130H和KC-46A飛機上，并在F-16飛機上進行了試驗。

如果電子器件的小型化和集成度持續提升，將極大地推動射頻系統的功能整合和傳感器的性能改進。目前有源電掃陣列僅實現了窄頻段的多模式，BAE系統公司的目標是構建全數字陣列，陣列中每個單元后面的電子組件都是數字的，實現單元級陣列控制。如果研制出非常大、全數字、精確受控的多功能多模式陣列，就能夠通過即時學習，根據需要進行協同或干擾，靈活自適應地同時實現認知電子戰、雷達和通信。

4) 重視數據采集和模型測試完善

認知電子戰并非只涉及開發更精致的傳感器或更智能的算法，也需要遵循嚴格的數據采集過程，即每次遇到新波形時，要做好數據記錄。認知算法不會在部署后立即完美地發揮作用，需要對算法進行多次重新訓練才能獲得預期效果。所以，大量雷達和通信數據對提高認知電子戰的偵察和干擾能力具有重要作用。

開發認知電子戰比開發無人駕駛汽車要困難得多。后者可以獲取無限的數據，但電子戰沒有一個巨大的未知雷達數據庫，已有的信號數據也是質量較差，未進行標記或未及時標記。因此，商業領域的機器學習方法在電子戰領域應用需要更多優化和改進，特別要具有增量學習能力，隨時間而逐漸學習，逐步修改完善模型，以使其下次干擾更加準確。

5) 構建認知電子戰仿真系統

隨著認知電子戰概念的發展，構建具有認知能力的電子戰仿真系統也提上了議事日程。文獻[74]從體系對抗層次，將認知電子戰行動視為完整的作戰概念進行建模與仿真，但由于模型粒度較低，難以描述信號層面的認知對抗過程。文獻[75]基于美國國家儀器公司的NI USRP-2920通用軟件無線硬件，結合LabVIEW的框圖編碼和Matlab腳本，快速模擬了無線信號的收發過程，自動識別出通信信號的調制樣式。該實現方式避免了FPGA實現的高門檻，有助于快速構建信號級的認知電子戰系統。

6) 完善測試仿真環境和評價手段建設

要開發新一代電子戰技術，在包含各種敵方輻射源、友方系統、民用信號的真實電磁環境中對這些技術進行測試是必不可少的。測試環境越真實，越早將電子戰系統暴露在復雜威脅場景中，對后續的開發就越有利。要獲得這樣的逼真度，測試與評估過程中所使用的信號環境就必須能高度逼近遇到的真實環境。目前具有認知電子戰測試能力的模擬器主要包括：諾斯羅普·格魯曼公司的電磁戰斗環境模擬器(CEESIM)和德事隆(Textron)公司的A2PATS。

CEESIM是最早出現且使用最廣泛的模擬器，多年來隨著技術的進步不斷發展，以滿足新的需求。該模擬器利用商用現貨處理及數字信號處理部件的軟件定義，生成整個電磁頻譜環境的綜合控制層和多功能系統，為認知干擾功能的測試提供支持。2018年初，美國海軍空戰中心武器部接收了一套新型CEESIM，為F-35戰斗機ASQ-239電子戰系統測試提供支持。

A2PATS建立在一個幾乎完全數字化的直接端口架構之上，將數字化過程前推到天線陣元級。利用直接數字合成器(DDS)的快速調諧功能開發了基于寬帶DDS的合成激勵器，然后通過專用信號源在每個天線陣單元上產生信號，這種直接端口方法提供了數字式脈沖描述字(PDW)，這些PDW確定了到達陣元的每個脈沖的特性。該方法還能使一個信號發生器產生多個連續波與脈沖威脅信號。

如何開發具有認知電子戰測試能力的模擬器以及評價認知電子戰系統的認知能力還需要進一步深入展開。文獻[76]從電子支援角度，用6個指標(準確性、及時性、完整性、簡潔性、可靠性、效率)對認知性能進行了評估。認知電子戰技術也對靶場試驗設計和保障條件提出了新的要求，文獻[77]根據設備技術特征和戰場構想提前開展了試驗方法研究，具有一定的前瞻性。

7) 推進認知電子戰技術的裝備應用

認知電子戰系統發展的第一個階段是在硬件架構不變和現有處理流程不變的情況下，提升處理流程中各個功能模塊的自適應性；第二個階段需要在硬件架構不變和處理任務不變的情況下，對信號處理流程進行自適應性改造；第三個階段使硬件架構和處理架構可以隨著處理任務的調整而改變，自適應地調整系統參數應對動態變化的復雜電磁環境。為了加快認知電子戰技術的裝備應用，各個認知電子戰項目要采用開放式架構來開發認知技術，以允許插入、修改和刪除軟件模塊，使其對系統的其他單元的影響最小。這樣，認知電子戰的算法和信號處理軟件不僅適用于新的電子戰系統，也適合于改進現有的電子戰系統，有利于盡快提升電子戰裝備的認知水平。

8) 開展認知電子防御技術研究

認知電子防御系統通過感知電磁環境，檢測在時域、空域、頻域和極化域中可以被利用的頻譜資源，以動態頻譜分配理論為基礎，合理地分配頻譜資源，確保雷達能夠有效探測，信息能夠快速傳遞；對敵方干擾信號認知后從知識庫提供的先驗知識中自適應地選擇抗干擾策略，實時地調整頻率及調制方式等工作參數，保證己方電子設備的正常工作。為了有針對性地抗干擾，文獻[78]基于深度學習方法，自動從數據中提取特征，從而識別出干擾樣式。文獻[79]將認知雷達防御概括為：干擾信號檢測，估計干擾信號參數，識別干擾機，從數據庫中選擇或生成合適的抗干擾措施和評估應用效果，并將有效的抗干擾措施更新到數據庫。文獻[80]將認知通信防御概括為：頻譜認知、動態頻譜分配、智能決策和自適應參數調整。認知電子防御技術，和認知雷達以及認知無線電有很多相通之處，將其結合，可達到相互促進的作用。

9) 網絡化協同電子戰

傳統電子戰是多個單獨系統對多個傳感器實施的電子攻擊，只能實現個別或局部效果，而“復仇女神”采用網絡化協同電子戰系統，能對敵方傳感器網絡實施大規模電子攻擊。“復仇女神”始于2014年的跨學科項目，采用投擲式無人蜂群系統，集成了認知處理能力并以通信網絡來協調行動。眾多艦載、潛射無人機和自主蜂群系統已經完成開發或處于開發狀態，洛克希德·馬丁公司的認知算法目前已可用于小型平臺。“復仇女神”的目的是將各種平臺(電子戰氣球、無人機蜂群等)進行組合，通過組網協同作戰，以迷惑、欺騙或致盲分布在廣闊區域的敵方傳感器。

網絡化協同電子戰的關鍵技術主要包括：網絡化協同感知技術、干擾機聯網技術、干擾機小型化技術、干擾資源分配方法、干擾機空間位置配置等。文獻[81]分析了在未來干擾機集群作戰中智能協同干擾的實現方法和思路，形成了認知目標偵察和智能干擾實施算法，以及基于多智能體的干擾機群協同干擾任務決策模型。

10) 電子戰與賽博戰融為一體

電子戰與賽博戰差異很大，但兩者之間也有交疊。電子戰著重于運用電磁頻譜對抗雷達、無線電通信以及數據鏈路；賽博戰則專門對付計算機、服務器以及其之間的鏈接。認知電子戰對信息的智能化和自動化處理使得賽博戰介入電子戰的空間增加，電子戰與賽博戰的融合正成為一種趨勢。電子戰為賽博戰提供支持，賽博戰依靠電子戰來實現對電磁頻譜的控制和自由接入。電子戰平臺可能會通過電子攻擊手段給敵方雷達嵌入軟件代碼，而不是經由因特網向威脅系統發送。

除了物理層干擾，認知干擾還可以針對鏈路層及更高層的協議發起干擾攻擊[82]，從而達到更好的干擾效率和隱蔽性。美國空軍已經成功地對其EC-130“羅盤呼叫”電子戰飛機進行了改進，用于攻擊敵方網絡。2015年，進行了一系列試驗，結果表明，能夠從空中接觸網絡目標并對其進行操控。從賽博防御角度，雷聲公司通過先進的指揮控制架構，在多種雷達中引入了最新的賽博安全技術。

6 結論

傳統意義上，電子戰系統總是會滯后于作戰對手的發展，原因很簡單，敵方系統是先于對抗措施開發的；因此，新型雷達和通信系統的應用往往會使當前的電子偵察系統對輻射源的識別越來越困難，并導致干擾技術也很快過時。認知電子戰的出現將改變這種態勢。認知電子戰技術有望在今后幾年實現無需預編程就能對敵方系統進行自主對抗，利用實時生成的對抗措施及時對抗新出現的雷達和通信信號。

鑒于認知電子戰的優越性，迫切需要國內電子對抗領域更加重視和發展認知電子戰，不僅要使下一代電子戰系統必須具備認知能力，而且還要提高當前電子戰系統的認知能力。為了說明當前認知電子戰的研究情況，本文進行了系統綜述，主要包括：1) 闡明了認知電子戰的相關概念，并詳細設計了認知電子戰的系統組成；2) 從技術角度深入討論了認知電子戰的國內外發展現狀和趨勢；3) 從應用角度全面討論了認知電子戰的裝備情況。

認知電子戰將永遠是一個精湛的工具，不能完全代替人類。隨著發現威脅目標的時間越來越短，人類發揮的作用就會越來越小，但是，電子戰職手將永遠處于“觀察、定位、決策和行動”(OODA)環中，一旦人工智能出了錯，則可以及時進行干預。這是目前自動目標識別的工作方式，也將是明天認知電子戰的工作方式。