雷达对抗体系中智能技术的应用
谢连宝1，林琪2
(1. 装备指挥技术学院 研究生管理大队，北京，101406；
2. 装备指挥技术学院 重点实验室，北京，101406)
摘要：介绍雷达干扰及抗干扰技术的发展现状，指出雷达对抗体系中的智能技术运用，论述基于智能技术的雷达对抗体系提出多种智能技术相结合的思想。
关键词：雷达干扰；雷达抗干扰；智能技术
中图分类号：TN974 文献标志码：A 文章编号：1672-7207(2011)S1-0974-05
Application of intelligence technique in radar resist system
XIE Lian-bao1, LIN Qi2
(1. Company of Postgraduate Management, Academy of Equipment Command and Technology,
Beijing 101416, China;
2. The Key Laboratory, Academy of Equipment Command and Technology, Beijing 101416, China)
Abstract: The present development status of radar jamming and radar antijamming was introduced, and the application of the intelligence technique in radar architecture framework was pointed out. A radar architecture framework based on the intelligent technique was discussed. And the idea of combining multi-intelligence techniques was put forward.
Key words: radar jamming; radar anti-jamming; aptitude technique
体系对抗就是对战场电子信息网络体系(即CISR系统)的对抗，是一个特殊的复杂系统。随着电子技术的不断发展及其广泛应用，未来的电磁环境将十分复杂。复杂电磁环境对雷达作用的正常发挥提出更高的要求，复杂电磁环境下的雷达对抗问题成为当前研究的焦点。雷达对抗的智能化也相应产生，而且经过多年的发展，已经形成较为完整的作战体系。
1 雷达干扰技术
雷达干扰是指采用有源和无源等方法对敌方雷达的接收系统、显示系统和自动跟踪系统实施电子干扰，阻止敌方雷达探测或跟踪己方平台、武器或潜在的目标。
1.1 雷达无源和有源干扰
雷达无源干扰是指由于电磁波的二次辐射对雷达造成的干扰。雷达无源干扰包括自然界和人为无源干扰两大类。自然界能够产生的无源干扰可以有很多种，例如高山、森林、建筑物、岛屿、海浪、雨云和鸟群等都会对雷达造成干扰。人为无源干扰是利用一定技术措施改变雷达电磁波正常传播条件、改变目标的二次辐射特性、投放反射物等造成对雷达的干扰。雷达无源干扰根据实施的方法和用途可分为压制式和欺骗式两大类。压制式干扰主要包括箔条干扰和电离气悬体干扰，而欺骗式干扰主要包括箔条弹、反雷达伪装和雷达诱饵等。
1.2 智能干扰
1.2.1 智能雷达干扰决策支持系统
雷达干扰决策就是对敌方雷达如何实施干扰做出决定。它是在雷达侦察的基础上，根据敌情、我情和友情，选择干扰目标、确定干扰时机、分配干扰任务、形成干扰方案，进而优选方案的过程。雷达干扰决策是雷达干扰作战指挥的前提智能雷达干扰决策支持系统[1](Intelligent decision support system of radar jamming, IDSSRJ)是应用于地对空雷达干扰作战指挥的智能决策支持系统。它综合利用现代计算机技术、人工智能技术、军事运筹学理论和模糊数学等技术，进行科学的、实时的雷达干扰决策。在地对空雷达干扰作战的各个阶段，为指挥员进行干扰决策指挥提供科学的、实时的参考。其主要功能包括预先决策、干扰资源配置、干扰方案拟定和干扰效果综合评估等。由于在现代战争中，所面对的敌方雷达目标往往有很多个，在同一时间需要干扰的雷达目标也有几个甚至几十个，而我方的干扰资源往往也是很有限的。因此，如何合理地分配干扰资源，充分利用干扰资源，以取得最佳的或满意的整体干扰效果，就成了战场指挥员所面临的棘手问题。根据分配决策时所依据的战术原则及决策问题规模的大小，IDSSRJ系统提出了3种不同分配技术，采用3种不同的方法解决雷达干扰资源分配问题。
第一种方法：一对一分配原则，采用多级优化动态资源分配算法。
第二种方法：多对一分配原则，对于较小规模的分配决策采用全空间搜索算法。
第三种方法：多对一分配原则，对于较大规模的分配决策采用随机抽样资源分配算法。
智能雷达干扰决策支持系统的研制，必将促进雷达干扰作战指挥由经验决策向科学决策的飞跃。
1.2.2 其他智能干扰
此外还有智能控制系统，智能选择系统等，即用Lisp人工智能语言实现干扰样式的智能控制，智能选择。人工智能语言Lisp是解释性、交互式表结构语言， 很容易实现匹配、递归、模式识别、推理和自我学习等功能。因此，用Lisp语言来构成和模拟干扰样式智能控制系统。
干扰智能控制是在侦察机将即时获得的雷达特征参数与雷达知识库中的雷达参数进行比较、识别的条件下通过确认雷达型号及可能采取的抗干扰措施来进行的。干扰智能选择能够针对敌方雷达辐射源的数量、威胁等级、威胁时间，根据装备的干扰资源及战术要求，合理的分配干扰资源，以达到最大的干扰效果。
2 雷达抗干扰技术
雷达的发展历史中，干扰与抗干扰作为一对基本矛盾， 一直是相生相伴、互相制约也互相促进。随着干扰手段的不断增强，雷达抗干扰技术也一直在发展之中。各种新技术和新方法不断应用于雷达对抗体系的抗干扰中。尤其智能技术在雷达领域的模式识 别、目标跟踪、自动控制、组合优化和网络管理等众多领域的应用中已经取得了引人注目的成果。
2.1 神经网络方法
神经网络[2]是由一系列简单的高度互连的处理单元组成的协同计算系统，它具有大规模并行信息处理、自适应与自学习以及逼近任意非线性函数的能力。神经网络模型有很多，诸如Hopfield神经网络，自组织神经网络，半线性前馈神经网络[3]等。例如采用半线性前馈神经网络模型，它是能从样本集中有效地学习判别函数的系统，用连续激励函数和推广的规律判别函数进行自学习。采用神经网络方法处理跟踪问题，不受目标运动模式和运动规律的约束。神经网络与传统的处理方法的不同特性就是它可以处理非平稳、不可预测的问题。
目前，在船用导航雷达的自动跟踪系统中，α-β滤波是最常用的，其前提条件是目标运动方程为一阶的等速直线运动；α-β-γ滤波在α-β滤波基础上又考虑了目标运动的加速度，放宽了α-β滤波的约束条件；卡尔曼滤波从状态变量分析法的角度实现目标的滤波处理，它解决α-β滤波中难以妥善解决的多维、非平稳随机信号的滤波、平滑和预测问题，而卡尔曼滤波要求目标运动状态模型是已知的。目标的运动模型事先是难以预知的或是不可能预知的。而且目标的运动也不可能是匀速的或等加速度的直线运动，所以上述几种滤波方法或多或少受到某些前提条件的局限。采用神经网络方法处理跟踪问题，不受目标运动模式和运动规律的约束。而且自行学习一种评价指标，处理速度与模式复杂性无关，且不受条件限。制基于α-β滤波的处理思想，用神经网络方法对目标数据进行滤波处理，来判别目标样本数据的变化规律，实现目标的平滑跟踪。
2.2 模糊模式识别理论
模式识别的过程就是电子战系统通过侦察传感器侦收到大量的雷达信号，并不能立即确知这些信号是什么，必须通过对侦收到的信号所包含的特征信息进行筛选、提取，然后进行模式分析做出判断的过程。由于战场的环境复杂，加之敌我双方会采用各种措施防止己方的电磁被对方有效地侦收，这就增加了信号的不确定性、复杂性、模糊性、欺骗性。为了解决信号识别中的这种模糊性问题，把模糊逻辑的方法或思想引入到解决模式识别问题中，这种方法就叫做模糊模式识别。运用这种方法来解决雷达信号模糊性识别问题无疑是可行的。经相关资料的理论[4]分析模糊模式识别能够较好地解决雷达辐射源识别问题；与其他智能计算方法相比，模糊推理方法具有推理规则明确、思路清晰和便于体现专家知识的优点；规则库的建立是该方法的重点，它一般有完备性、互作用性和相容性等方面的要求。而且随着规则库合理性和有效性的提高，系统也具有更高的正确识别率。
2.3 遗传算法
遗传算法[5]是基于生物学进化原理的一种优化搜索算法，其求解问题的基本思想是采用不同的编码方法来表示所研究问题的可行解，将问题的求解表示成“染色体”，从而构成一群染色体，将这群染色体置于问题的“环境”中，根据适者生存、优胜劣汰的原则，从中选择出适应环境的染色体进行复制，通过交换、变异产生出新一代更适应环境的染色体群。经过若干代的不断进化，最后收敛到一适应环境的个体上，从而求得问题的最优解。遗传算法具有本质上的并行性和全局搜索能力强的优点。
雷达天线的极化方式对其抗干扰能力有很大影响。对于雷达网来说，构成雷达网的雷达极化方式越多，雷达网抗干扰能力越强。利用遗传算法对雷达组网控制系统的极化管理问题进行研究，相关研究表明该算法具有合理性与高效性。因为雷达的极化方式总共有8种，所以，可以用长度为1位的八进制编码串来表示各决策变量，再将分别表示各决策变量的八进制编码串连接到一起，组成一个k位的八进制编码串，这样就构成了这个函数优化问题的染色体编码方法。使用这种编码方法，使解空问与遗传算法搜索空间一一对应起来，每个个体基因表示一个决策变量。
智能技术在雷达抗干扰领域应用比较多，此外还有粗糙集理论、模糊集理论、证据理论、可能性理论等。
3 对抗体系
信息化战场较之传统战场的最大变革莫过于技术进步带来的3个方面的变化：一是技术变革改变了传统战争的时空概念， 大大缩短了战争的进程，拓展了战争空间维度；二是技术的进步加剧了战场作战平台的多样性，并催生新的战场环境；三是技术变革促进了战术的革新，信息化战争的作战样式异彩纷呈，一方面继承了机械化战争样式，另一方面创造了全新的作战样式，如网络战、电子战、太空战等。这些都加强了雷达体系对抗的复杂性，使得雷达体系对抗注重整体性与进攻的重点性，即做到防卫的全面性，注重面的防卫，体的防卫，强调一体化，不能有一点薄弱之处。进攻组织的有效性与快速性，强凋重点，主要是点的打击，找其弱点。所以，面对信息化条件下的雷达对抗体系必须要有针对性的对抗雷达干扰。现代雷达所面临的环境相当恶劣，如何在强干扰环境下完成雷达的功能不但与雷达本身的性能有关，而且与雷达的战术技术配合有很大的关系。目前，国内研究的雷达对抗体系技术大致分类如表1所示。下面针对一些智能技术加以论述。
表1 雷达对抗体系技术的分类
Table 1 Classification of approaches applied in radar resist system
3.1 基于遗传算法的抗干扰技术针对有源干扰
极化特征是雷达回波信号中除幅度、相位、多普勒频移以外的第四特征。将极化技术应用于雷达系统，使其具有独立的发射、接收变极化能力和目标极化特性测量功能，通过在全极化域连续、高速变极化，能够增强雷达抗干扰、抗低空突防、抗隐身目标和抗反辐射导弹的能力。
在有效采用极化状态基础上，采用极化对消技术使接收天线与之极化正交，可以使雷达工作在相对于干扰失配状态，从而达到反干扰目的。基于遗传算法，给出了在雷达工作频带内存在多个不同频、非相干干扰源时，接收天线的最佳极化选择方法。对于抗有源干扰，选择不同的接收极化其抗干扰效果是不同的。运用遗传算法给出雷达接收极化最佳极化优化算法，与传统拉格朗日乘子法相比，该方法不需要知道待优化变量与各干扰极化点在庞加莱球[6]上复杂的空间几何约束关系，求解更方便易行。与穷举法相比，在相同的计算精度下，该方法搜索过程耗时较少，大大节省计算资源。在实际作战环境中，雷达工作的电磁环境更为复杂，并且各个干扰源极化状态往往能够快速变化，接收天线极化态的快速选择就更为重要了。
在雷达对抗体系中，构造科学合理的雷达对抗干扰任务分配模型，是非常重要的任务之一。利用遗传算法，可以建立有关地对空雷达对抗干扰任务分配的数学模型，尤其针对有源干扰效果比较明显。而且遗传算法在对抗体系中增强了雷达组网系统反应能力，生成稳定合理的极化管理方案。
3.2 模式识别与神经网络等智能技术针对欺骗性 干扰
随着雷达技术的不断发展，各种新体制雷达不断涌现，雷达的抗干扰能力不断提高。但由于欺骗干扰的隐蔽性，它能够使雷达得到虚假目标信息，而雷达抗欺骗干扰难度较大。欺骗性干扰的作用原理是：生成虚假目标信息并将其作用于雷达的目标检测和跟踪系统，使雷达不能正确地检测真实目标，或者不能正确地测量其真实目标参数，从而达到迷惑和扰乱雷达对真实目标检测和跟踪的目的。为了对抗欺骗干扰，近年来，国内研究人员对于相应的雷达抗干扰方法展开了深入而广泛的研究，并取得了一些成果。
面对欺骗干扰传统的逻辑判断大多采用“是或不是”的二值判断，但现实中的问题不能单纯用“是与不是”来回答。那么，怎样回答这类问题? 模糊逻辑理论，即针对复杂背景模式识别系统中目标识别这一难点，可以在提取目标的多个特征的基础上，用模糊隶属度表征各个特征的重要性的方法来选取目标。把求出的模糊集之间的贴近度，通过择近原则的方法进行比较取舍，从而进行雷达目标识别判决。显然，运用这种方法可以有效地解决雷达信号中的欺骗干扰问题。
另外神经网络作为一种数学工具，由于它的自学习、自组织、非线性、大规模和并行分布处理等特性，在雷达抗干扰领域中得到广泛应用。基于神经网络和模式识别的雷达抗欺骗干扰技术是将目标和干扰看作不同模式类，利用干扰与目标的能量及起伏特性差异，分别对均值及方差特征加权，得到一个受背景噪声影响较小的特征因子。雷达回波信号先进入一个预处理器中，提取出特征因子，再用已经训练好的径向基函数神经网络作为分类器将目标与干扰分离。
雷达欺骗干扰的针对性强，变花样式多且干扰效果明显，结合已有研究进行分析，欺骗性干扰在雷达对抗体系中起着至关重要的作用，而基于神经网络和模式识别的雷达抗欺骗技术取得了很好的效果且具有实现简单、结构扩展方便等优点，是取得雷达体系对抗优势所不可或缺的。
3.3 针对噪声较大的辐射源
由天线接收的目标回波信号，通过传输线送入接收机，经接收机放大、滤波、变换后输出至信号处理，并进行检测[7]。接收系统的噪声来源包括天线噪声、传输线噪声和接收机内部噪声。
人工神经网络(ANN)由于具有分布式存储和并行处理方式、自组织和自学习的功能以及很强的容错性和鲁棒性等优点，因而，在模式识别领域得到越来越广泛的应用。目前，由于模式识别的ANN模型很多，但用神经网络进行识别时，要求有足够丰富且正交完备的训练样本集，否则，就会使系统的性能变差，降低系统识别率。对于辐射源识别问题，由于目前条件下很难得到(甚至不可能得到)足够丰富且正交完备的实测训练样本集来训练网络，因此，在实际应用中，必然难以训练出在各种条件下均能得到较高识别率的网络。然而，用神经网络识别辐射源时，要求仅在得到传感器一次报告的基础上，就能对辐射源进行有效的识别，故而对于神经网络性能的要求是很高的，当识别样本所含噪声比较大时(特别是偶然误差引起的)，网络容易产生误识。因此，可以考虑利用数据融合方法，将多传感器分别提供的报告所含信息有效地融合起来，以提高对辐射源的识别率。D-S证据理论是目前用于信息融合的主要方法之一，对于噪声比较大的辐射源识别问题，由于辐射源侦察设备提供的信息较少，且不可避免地存在着误差的影响，仅靠传感器的一次报告提供的信息来识别辐射源难以保证能够得到较好的效果。证据理论方法能将传感器多次报告提供的关于该辐射源的信息不断融合起来，以达到对该辐射源有效识别，从而能够排除仅用传感器的一次报告时由于信息较少，不足以判断或存在较大偶然误差所带来的不利影响，提高系统的识别率。但是，用证据理论方法识别辐射源，必须构造出合理的关于辐射源的证据结合模型，这就要求综合有关领域专家的知识和经验。事实上，这一点并不容易做到。由于神经网络事先已经经过大量样本的学习，因而有理由相信神经网络对辐射源识别的输出并不亚于领域专家的判断。因此，如果把神经网络的每次输出作为一条证据，用证据理论方法把由此得到的证据不断地结合起来。这种把神经网络与证据理论结合起来的方法，综合了神经网络和证据理论的优点，必然能够得到比神经网络更好的识别效果。
基于神经网络和证据理论相结合的数据融合中的辐射源识别模型由一个三层径向基神经网络初步识别模式并形成证据，再用证据理论方法进行证据结合以识别辐射源类型。其模型框架如图 1所示。这种基于人工神经网络与证据理论相结合的数据融合中的辐射源识别方法在强噪声环境下具有良好的适应性。
图1 数据融合模型
Fig.1 Data fusion model
雷达接收系统噪声干扰、大自然无源杂波噪声干扰、邻近无线电设备和工业电气设备的噪声干扰、人为的有源和无源噪声干扰都迫切要求将噪声干扰滤除，从而获取有用的回波信号由上文分析综合神经网络和证据理论的智能技术可以有效地抵抗噪声干扰。雷达体系对抗体系中的干扰与抗干扰技术的关系就是矛与盾的关系，神经网络和证据理论是对抗噪声干扰之矛的有效盾牌。
4 结论
雷达对抗体系是当前研究的重点课题，分析复杂电磁环境先进下的雷达对抗中的智能技术特点及变化规律是其重要研究内容。本研究在列举分析各种雷达干扰技术和抗干扰技术的基础上总结分析了智能技术的应用，对以后的研究工作有一定的指导意义。可以预见，将神经网络、模式识别、遗传算法还有模糊理论等智能方法有机结合，综合应用，会进一步提高雷达的抗干扰性能，会是以后研究的重点内容。
参考文献：
[1] 李根深, 刘玉树, 张慧, 等. 军用智能决策支持系统[M]. 北京: 兵器工业出社, 1991: 20-73.
LI Gen-shen, LIU Yu-shu, ZHANG Hui, et al. Millitary decision making and computerized support[M]. Beijing: The Publish of Enginery Industry, 1991: 20-73.
[2] 李宏, 徐晖, 安玮, 等. 基于人工神经网络与证据理论相结合的信息融合空间点目标识别方法研究[J]. 信息与控制, 1997, 26(2): 151-155.
LI Hong, XU Hui, AN Wei, et al. Study of information method based on the combination of ANN and evidence theory to recognize point targets[J]. 1997, 26(2): 151-155.
[3] Lippmann R P. An introduction to computing with neural nets[J]. IEEE ASSP Magazine, 1987, 4(2): 4-22.
[4] 陈东峰, 唐海燕, 焦景山. 智能化雷达辐射源识别方法研究[J]. 现代防御技术, 2010, 38(3): 316-319.
CHEN Dong-feng, TANG Hai-yan, JIAO Jing-shan. Techniques of intelligent radar radiant identification[J]. Modern Defence Technology, 2010, 38(3): 316-319.
[5] 周明, 孙树栋. 遗传算法原理及应用[M]. 北京: 国防工业出版社, 2002: 78-153.
ZHOU Ming, SUN Shu-dong. The theory and application of genetic algrithm[M]. Beijing: National Defence Industry Press, 2002: 78-153.
[6] Li Q, Rothwell E J, Chen K M, et al. Scattering center analysis of radar using fitting scheme and genetic algorithm[J]. IEEE Trans on AP, 1996, AP-44(2): 198-206.
[7] 崔宗国. 雷达对抗原理[M]. 北京: 国防工业出版社, 1988: 206-272.
CUI Zong-guo. The theory of radar countermeasure[M]. Beijing: National Defence Industry Press, 1988: 206-272.
(编辑 李艳红)
收稿日期：2011-04-15；修回日期：2011-06-15
通信作者：谢连宝(1986-)，男，辽宁朝阳人，硕士研究生，从事虚拟测试床的研究；电话：15910411735；E-mail: xld52062013@126.com
