人工智能在雷达应用中限制和发展前景和在实时对抗中的应用

来源：ST社区

人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门科学。雷达目标识别技术是人工智能在装备领域的重要应用，随着人工智能技术的发展，雷达识别也在不断进步，从模式识别、机器学习到近年来的发展迅猛的深度学习、迁移学习等在雷达识别中都有较多研究成果。

传统雷达识别方法难以适应复杂多变的战场环境

现有雷达目标识别常采用统计模式识别理论。模式识别主要利用统计学、概率论、计算几何、机器学习、信号处理以及算法的设计等工具从可感知的数据中进行推理的一门学科，其中心任务就是找出某类事物的本质属性，对于雷达目标识别而言即首先根据雷达所跟踪目标的运动、回波等信息，提取目标稳定的且具有标志性的特征，称为识别特征模板，然后把待识别的模式划分到各自模式类中。对于给定一个模式的识别/分类将面临两类任务:监督分类和无监督分类，其中有监督分类把模式划分已有的类别中，而无监督分类把模式划分到未知的类别中。

人工智能在雷达应用中的限制和发展前景

现有雷达常用识别方法在下文中称为传统雷达识别技术。特征提取是传统雷达识别技术重要环节，雷达识别特征强烈依赖于用人的先验知识和专业技能，雷达目标识别算法的设计需要较深的目标特性、特征提取的研究背景。

传统雷达目标识别也是依据所采用的特征不同而分为窄带RCS特征识别、高分辨距离像特征识别、ISAR特征识别和运动特征识别、微动特征识别等技术途径。

传统雷达目标识别通常是接收雷达传感器固定信息进行数字信号处理提取出待识别目标的特征，利用已有的特征模板对提取的特征进行分类，对照隶属度对目标进行识别。传统目标识别存在的主要问题是按照预先设定的识别模式工作，不具备随目标和环境变化而自动改变识别模式的能力，当环境发生变化时，仅仅依靠被动的特征提取、分类已难以获得理想的效果，对目标和环境的适应能力不足。面对日益复杂的战场环境及密集杂波、多目标背景等挑战，为满足当前特别是未来作战需求，识别技术必须进一步创新发展以不断提升识别模式、识别性能，才能适应日益复杂的作战环境。

深度学习识别对大样本需求限制了在实时对抗中的应用

传统雷达目标识别难点主要集中在对待识别目标的差异性规律、识别机理等基础问题掌握不全面，解决识别问题的前提是目标特性的深入分析，是一个长期的研究过程。但武器系统智能化发展速度迅猛，武器装备的智能作战能力提升对雷达识别技术提出了更高的要求，不可能等目标特性机理完全清楚了，再去研究雷达识别技术。

传统雷达识别

随着人工智能技术的迅速发展，基于深度学习、迁移学习等人工智能在军事领域应用技术也受到国内外广泛关注，许多专家、学者均提出了采用智能识别技术进行目标和环境特征提取和模式识别等任务，实现对雷达对非合作目标的有效识别。美国国防部国防创新试验小组也明确指出AI关注重点：能够为实时对抗服务的人工智能和机器学习。

目前，基于深度学习方法对不同形式雷达数据进行处理，经过调研发现，针对不同雷达成像原理集信号处理方法，可以得到不同形式的雷达数据。如合成孔径雷达图像、高分辨距离像、微多普勒图谱以及距离多普勒图谱等。主流的研究思路主要基于生成各种不同雷达图像，利用深度学习网络对图像进行处理。

利用深度学习网络对雷达数据处理的思路主要是在宏观角度的阐述，深度学习与常规雷达识别技术最主要差异在于采用特征的不同，技术途径也因特征提取的方法不同而具有一定的差异。

常规雷达识别区别于深度学习，最主要的差异在于采用的特征不同。常规雷达识别借助专业技术人员的经验进行特征提取，采用窄带统计特征、宽带散射中心、微动等反映了目标散射机理的特征，具有一定的物理含义，称为物理特征。物理特征主要通过专业人员对数据的深入分析后进行特征提取，从而建立识别特征库，但在有限样本情况下对复杂函数的表示能力有限，针对复杂问题泛化能力受到一定的限制。

基于CNN的深度算法

而深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。通过计算机自动的逐层特征变换，可以学习到输入数据的内在特征，使得分类识别更加容易，同时模型结构的深度化也使得对复杂函数的特征表示能力更。深度学习识别最主要的特点是自动提取特征，减少了技术人员对专业知识的依赖程度。

深度学习识别最大的缺点是需要大量的训练数据，充分利用训练数据的信息，才能形成分类约束条件，而目前限制人工智能在军事领域应用的关键问题就在于：短时间、强对抗的交战环境能够提供的机器学习样本数量太少，导致人工智能难以在对抗环境中施展;并且深度学习获得的隐层特征物理含义不明确，武器系统出现问题后难以定位。因此直接在武器装备中采用深度学习等人工智能识别技术与装备特点不相适应，需要进一步挖掘新的人工智能途径，研究人工智能在武器装备应用的模式。

基于反馈机制认知识别应用的初步框架

认知学识别在实时对抗复杂环境下或大有可为

“认知学识别”的定义和本质仍是科学界正在努力探索研究尚未完全解决的问题，当前国内外还没有关于“认知学识别”的明确定义。从工程技术角度看，可以狭义地将认知识别理解为深度强化学习，是带真正推理、反馈能力的强人工智能。通过对历史和当前环境的检测和分析，对目标学习和推理，利用相应结果自适应调整识别系统的各项参数，在对目标有效、可靠且稳健的感知的基础上，快速完成认知、反馈、调整策略、进行决策，并在时间、空间、频率和极化等多个维度实现复杂干扰条件下的智能化博弈，从而大幅度提高系统的识别性能。针对目前人工智能在装备应用中存在的问题，主要分为两个方面：一、深度学习网络隐层参数物理解释问题;二、带有反馈机制的强人工智能网络的建立。

深度学习识别最大的缺点是需要大量的训练数据

为了解决深度学习获得的隐层特征物理含义不明确问题，需要对深度学习网络隐层参数物理含义进行解析，并通过对目标微动特性的研究，建立微动参数与深度学习网络之间的关联关系。通过对进动目标的雷达回波测试数据的宽窄带数据进行空间变换，得到不同变换空间下的微动特征并建立目标进动特征库。基于进动特征库数据对深度学习网络进行训练，根据得到的训练结果与目标进动参数建立关联关系，最终通过这种关联关系对网络隐层参数进行物理解释。

以上阐述了目前智能识别技术能够达到的效果，对于带真正推理、反馈能力的强人工智能的实现还需要对识别流程框架进一步优化。为构建基于反馈机制认知技术在雷达识别应用中的初步框架，应充分利用目标飞行阶段、关键事件等时间轴上的先验信息和知识，在雷达实际跟踪目标的过程中，对飞行阶段、关键事件进行判断，将判断结果实时反馈到知识库中，结合时间轴上的先验信息和知识，通过反馈机制对知识库进行实时更新，从而更精准地识别出目标。

深度学习网络隐层参数物理含义解析

针对目前在雷达识别应用领域中的难点技术，尤其是非合作外军目标由于先验知识的匮乏、训练样本少等问题，建议采用强人工智能的认知学识别方法，深入挖掘其对电磁环境的认知、推理能力，通过多传感器资源、信息的共享、协作、推理以及算法反馈机制，形成人工智能在武器装备应用的一种新模式，以达到非合作目标智能识别的目的。

审核编辑黄宇