淺析人工智能在信號情報偵察的應用分析

王 波，顧帥楠

（1.武警海警學院，浙江 寧波 315801；2.92192部隊，浙江 寧波 315122）

1 信號情報偵察任務及現狀問題

1.1 信號情報偵察任務

信號情報偵察，是獲取軍事情報的一種重要手段，也是實施電子攻擊和電子防護的前提。主要利用信號情報偵察裝備對敵方陸海空天平臺的電子設備輻射的電磁信號進行截獲、測向、定位以及解調、分析、處理，從而查明敵方軍事電子設備屬性、方位及相關平臺的性能參數，幫助了解敵方的作戰能力、兵力部署以及行動企圖等信息，為己方指揮決策提供情報支撐。

1.2 信號情報偵察現狀

1.2.1 信號來源廣泛，目標平臺難判

目前，多樣化、輕便化、兼容強、體積小的電子設備已逐漸裝備在各種陸海空天平臺上，其輻射的信號覆蓋域廣、頻段寬、種類多，形成了復雜的電磁環境。在重要、敏感的軍事區域，電磁環境更是呈現出高密度、高強度、多頻譜狀態。因此，在這樣的背景下，全方位、多層次的信號不斷涌進，區分信號的國別種類、識別信號的目標平臺難度也隨之加大：對于不同方位、相同信號的目標平臺判別通過提取信號的細微特征尚能判定，對于同一方位的軍用信號經包裝后混雜在民用信號中輻射出來，其目標平臺的判別卻是異常困難。

1.2.2 調制體制復雜，截獲解調困難

在信息化戰場中，交戰雙方從反偵察、反干擾、抗摧毀角度出發，越來越多地使用各種新體制雷達、通信、光電等設備，并且在新體制電子設備上越來越多地采用更為復雜的信號樣式。從模擬調制到數字調制，從脈間固定調制到脈內捷變調制，信號的調制體制逐漸邁向組合化、復雜化的方向。經復雜調制后的信號在發射機內由特定的方式輻射出去后，使之在時域、頻域、空域上形成低截獲與低識別概率特征[1]。在一些承載重要作戰情報的信號上更是多達幾種調制方式，再通過猝發、跳頻等特定方式輻射出去的信號，遇到各種功能和體制的通信、雷達的組合配置使用和有意或無意干擾的影響，使之更加難以截獲和解調。

1.2.3 數據密度龐大，處理費時費力

近年來，無論是在戰時的動態戰場，還是在平時的靜態戰場，偵獲的信號數據不僅有通信、雷達、水聲、敵我識別、導航等，還混雜著軍用、民用信號，信號密度異常龐大，呈現出“大數據”特性。將這些“大數據”信號分門別類的歸納、整理，需要專業人士花費大量的時間和精力。在靜態戰場，人力、物力和時間尚能得到充足的保證，若在動態戰場，短時間內不僅需要完成海量信號的分類整理，還需要進行識別判定，即使是經驗豐富的情報分析員也難保證不出錯。

2 人工智能在信號情報偵察中的應用分析

2.1 提比指紋特征，精細個體識別

人類胎兒4個月大時就已經形成了指紋，指紋的圖案、斷電、交叉點各不相同，形成了指紋特征。與人的手指類似，射頻無線電信號也有“指紋”，信號“指紋”在無線電發射設備出廠時就已形成，其主要包括信源細微特征、調制細微特征以及載波細微特征等，具備獨立性、穩定性及可測性三種特性。因此，可以將人工智能的快速算法和深度學習特點應用到信號“指紋”上，對已知信號分析指紋特征，建立指紋數據庫，并進行深度學習。在信號情報偵察時，利用信號“指紋”的可測性特性進行測量分析，然后對照指紋數據庫進行識別比對，實現對輻射源的個體識別[2]。

2.2 多源聯合處理，提高截解質效

考慮到現代信息化戰場上信號情報偵察具有低截獲、低識別特征，通過多源信息融合處理，將多個偵察平臺聯成一個有機整體，取長補短，相互印證，形成集成度與可靠性高的偵察綜合情報體系，在信號情報偵察中利用人工智能概率化的尋優算法自動尋找體系中最佳偵察平臺實現最大概率截獲輻射信號。再對截獲信號情報進行抽取、轉換和優化參數估計，進而利用人工智能先進的特征分析方法、模糊識別方法、人工神經網絡等測算解調方式，并判決解調置信水平，直至搜尋出信號數據中的隱藏模式與非顯現規律，從而有效解調信號。

2.3 快速數據整合，提煉價值情報

信號數據是一組龐大、廣泛、復雜的特定信息，這些特定信息中又充斥著大量的無用信息，需進行去偽存、真去粗取精。此時可以利用人工智能的深度學習技術，從信號數據中自動學習到有用的、高度抽象的特征，將這些特征進行分析、理解以及判讀等規范化處理，再進行分類歸納整合，創建特征模型。通過學習特征模型，對“大數據”信號進行特征模型匹配，計算匹配置信度，設置好門限，剔除門限以外的無用信號，保留門限內的有用信號；同時自動優化完善特征模型，提高匹配精度。以使在動態戰場，最大限度縮短信號數據整合時間，及時提煉價值情報，一方面分發應用價值情報，提供態勢感知、戰場預警、指揮決策等；另一方面，入庫累積價值情報，以便提供全面戰場信息與進一步分析處理。

3 人工智能在信號情報偵察中的思考研究

3.1 強化感知信號情報

如今，無線通信和非通信的電信信號激增，使得在復雜電磁信號中搜集情報變得越發困難。但是信號情報搜集的信號主要表現為符號和編碼，且不具備可視性與可讀性，常規處理和人為處理耗時耗力，還容易出錯，但可利用人工智能對數字代碼比人有著更直接的感知優勢，大力強化機器學習算法在信號檢測、診斷、調制上和目標識別的運用，從而獲得比人力處理更高的效率和正確率。美國Deepsig公司的OmniSIC傳感器軟件中使用了基于深度學習的商業化RF傳感技術，借助深度學習的自動特征學習功能，OmniSIC傳感器經過幾秒鐘的信號捕捉和訓練，就可以識別新的信號類型。

3.2 深入智能算法研究

人工智能并非萬能，要讓機器可以代替甚至超越人的大腦，必須基于強大、先進的算法。一是要加快研究數據處理算法。隨著傳感器水平的不斷提高，大量數據可以被采集分析，但由于數據量過于龐大及數據速度產生過快等原因，僅依靠人力難以將這些數據轉化為戰場態勢情報。通過研究數據處理算法，對海量數據進行處理，篩選特定威脅，為情報系統提供可信合理的數據；二是要深入研究智能算法。目前，人工智能主要存在兩種實現方法，工程學習法和模擬法。前者主要是利用傳統的編程技術，使相關系統能夠呈現出一定的智能化效果，但是這種方法較為繁瑣；模擬法是通過對智能系統進行設計，并實現有效的控制，讓其具備自主學習的功能，相較于工程法來說，模擬法更為省力，且能發揮更大的優勢。智能算法是模擬法中很重要的一環，加快對智能算法的研究可以大大提高人工智能的效率。

3.3 注重挖掘開源情報

在大數據時代，互聯網、Web2.0、傳感器以及政府數據開放、企業年報等都提供了源源不斷的信息供應。與傳統情報源相比，開源情報不僅成本更低、更及時、更準確，而且能提供特定目標或事件的發展背景和整體視圖。但是開源情報不僅數量龐大，而且是多來源、多語種、多介質、多類型、多結構和多文化背景，需要將高級信息搜索與處理技術與多外語技能、多元文化知識、特定專業背景以及情報敏感性結合起來，才能對其進行有效的分析處理，難度較高。利用人工智能技術強大的智能計算以及情景感知、自動翻譯等能力，挖掘開源情報，提取核心情報要素，用于在信號情報偵察中輔助判決和對比參照，提供實際依據。

4 結束語

隨著數字化、網絡化作戰體系的誕生與運用，在未來戰場上，信息化程度將更加密集。可以預見，人工智能也占據著越來越重要的角色，并催生出偵察與反偵察新一輪的技術變革。因此，只有將人工智能的先進理念充分理解，并將其技術深度融合到信號情報偵察中，構成有機、高效的情報系統，達成全方位、全天時、全天候的情報信息保證，才能在信息化戰爭中取得決定性優勢。