人工智能技术在认知电子战中调制识别中的应用_风闻

人工智能技术在认知电子战中调制识别中的应用

背景知识：

电子战：

电子战又称为电子对抗，就是敌对双方为削弱、破坏对方电子设备的使用效能、保障己方电子设备发挥效能而采取的各种电子措施和行动。

作为一种作战行动，电子战是敌我双方的动态博弈，包含对抗和反对抗两个方面。取胜的关键在于通过相互识别，相互躲避，掌握更多敌方的特征，并在此基础上实施正确的反制战术。

传统电子战面临的挑战：

1、  现代战场环境的电磁环境的复杂性。面对大量信号源和干扰源，从中截获、分选、识别威胁目标是极大的挑战。

2、  智能化信息设备的广泛使用。新一代信息化装备广泛拥有自适应能力，能够针对环境、杂波、干扰自主调整工作模式。半导体技术发展使得射频设备普遍拥有了数字化波形生成、跳频变频能力，传统电子战模式会被大大削弱甚至完全失效。

3、  对抗组网信息系统难度极大。传统雷达干扰只能干扰雷达网的一部或者少部分雷达，而通过雷达组网，可以消除干扰的影响；传统通信干扰只能干扰部分节点或链路，通过迂回通信仍可正常通信。面对组网技术，需要电子战系统识别组网模式，针对性发现并攻击关节节点。

面对挑战，结合专家系统和人工智能技术的发展，认知电子战应运而生。

认知电子战

基本概念：

认知电子战系统是一种具有通过先验知识以及自主交互学习来感知并改变周围局部电磁环境能 力的智能、动态的闭环系统, 可在实时感知电磁环境的基础上, 高效、自主地调整干扰发射机与接收机 以适应电磁环境的变化, 提高干扰的快速反应能力与可靠性。

其认知的过程是 一种感知环境 (observe) → 适应环境 (orient) → 做出决策 (decide) → 采取行动 (act) 的 OODA 循环。学习能力在循环过程中的每一步都发挥着重要作用。

典型工作流程：

首先从威胁环境中侦察、分选出目标信号, 然 后通过对干扰目标的参数测量和状态辨识, 掌握当前所用干扰信号的反馈情况和干扰目标不同状态的转换情况, 对干扰效能进行评估, 经过干扰策略优化后可对后续的干扰资源调度进行引导, 从而使得干扰更具有主动性和针对性。

本文将专注于observe环节，也就是信号特征识别阶段。

传统经典算法（非人工智能）以及其实现

最大似然算法

第一步，根据信号模型的统计特性推导出似然函数，通过似然函数衡量待识别信号与每一种候选调制 方式的相似程度。

第二步，通过对比待识别信号与每一种候选调制方式的相似程度，判断待识别信号的调制方式。在计算通过似然函数构建的检验统计量之后，选取值最大的检验统计量所对应的候选调制方式为判断结果。

这是基于概率论和贝叶斯理论的算法，在实际应用中，往往遭遇先验信息不足，识别质量差；对于较为简单的调制方式，可设计出稳健 的识别特征。在特定条件下，识别效果逼近理论最优算法。

但是此方法适应能力较差，严重依赖人工设计特征。当面对层出不穷的复杂信号体制和调制方式 时，人工难以设计出稳健的识别特征，或者人工设计特征的研究周期较长。

传统经典算法（基于人工智能）以及其实现

实际上，使用简单的卷积神经网络即可获得比经典算法更好的识别结果。

图像识别问题、语音识别问题与调制识别问题一样，都是典型的模式识别问题。基于三者之间的共性，很自然地将在图像和语音识别中取得成功的算法应用到调制识别中去。

基于图像识别网络模型的调制识别算法

​

此算法流程需要对输入信号进行预处理，主要任务是将信号转化为类图像数据，即类似于图像的二维数据，例如时频图、循环谱等，这样做的目的是方便利用图像识别网络模型对数据进行处理。

基于语音识别网络模型的调制识别算法

流程与基于图像识别网络模 型的调制识别算法流程类似，需要先对模型进行训练，训练完成之后即可对未知信号进行调制方式的识别。 但不同的是，基于语音识别网络模型的调制识别算法 在预处理过程中将信号转化为类语音数据，例如频谱、包络谱等；类似地，类语音数据与语音数据仍然存在一定差异，故一般对语音识别模型进行一定的改进。

传统算法和深度学习的互补

优缺点分析

优点：

         可以实现信号特征的自动智能提取，突破了人工设计特征的被动式发展思路。

         可以识别经典方法难以识别的复杂调制方法，突破了经典方法的瓶颈。

缺点：

         深度学习是数据驱动的，存在固有的过拟合问题。

         调制信号参数变化范围非常大，用于训练的数据难以实现对所有参数的遍历。

         泛化能力较弱，对于训练数据参数范围外的数据识别效果较差。

算法改进：

为了解决神经网络过度学习问题，引入了最优停止法。

对神经网络进行过多的训练无疑会增加网络的训练时间, 但更重要的是会产生过学习或过拟合现象。

在神经网络进行训练时，随着训练误差的减小，期初泛化误差也随之减小；达到最小点后，尽管训练误差继续减小，但是泛化误差反而增大。

最优停止法使用时，将采集到的数据集随机划分成训练集、验证集和测试集。其中验证集用于检测网络拟合情况。训练和验证交替进行。当进入过度拟合时，验证误差就会逐渐增大，网络训练就应该提前停止。

为了防止在出现过拟合之前，因为突发错误暂时造成验证误差变大，而误以为已经进入过度拟合阶段，判断准则需要进行停止：验证误差变大时，不立即停止训练，而是继续观察，而是设置容错门限。当超过容错门限时，才认为出现了过学习。此时才停止训练，选择验证误差最小时的参数。

总结：

调制识别技术在当下依然是一门冷门领域，应用场景多为军事领域，相关人工智能人才参与较少，信息公开程度较低，因此缺少面对调制识别进行专门研发的网络模型。目前发展处于参考其他领域网络模型发展的状态。

参考文献：

《基于特征提取的通信信号识别研究》

《认知电子战体系结构和技术》作者：王沙飞 , 鲍雁飞, 李岩

《非合作通信中调制识别算法研究进展》作者：黄知涛，杨杰，王翔，崔轩，王永芳

《一种优化的 RBF 神经网络在调制 识别中的应用》作者：叶 健  葛临东  吴月娴

《模式分类（第二版）》作者：李宏东, 姚天翔