來源：ST社區(qū)

人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能理論、方法、技術(shù)及應用系統(tǒng)的一門科學。雷達目標識別技術(shù)是人工智能在裝備領(lǐng)域的重要應用，隨著人工智能技術(shù)的發(fā)展，雷達識別也在不斷進步，從模式識別、機器學習到近年來的發(fā)展迅猛的深度學習、遷移學習等在雷達識別中都有較多研究成果。

傳統(tǒng)雷達識別方法難以適應復雜多變的戰(zhàn)場環(huán)境

現(xiàn)有雷達目標識別常采用統(tǒng)計模式識別理論。模式識別主要利用統(tǒng)計學、概率論、計算幾何、機器學習、信號處理以及算法的設計等工具從可感知的數(shù)據(jù)中進行推理的一門學科，其中心任務就是找出某類事物的本質(zhì)屬性，對于雷達目標識別而言即首先根據(jù)雷達所跟蹤目標的運動、回波等信息，提取目標穩(wěn)定的且具有標志性的特征，稱為識別特征模板，然后把待識別的模式劃分到各自模式類中。對于給定一個模式的識別/分類將面臨兩類任務:監(jiān)督分類和無監(jiān)督分類，其中有監(jiān)督分類把模式劃分已有的類別中，而無監(jiān)督分類把模式劃分到未知的類別中。

人工智能在雷達應用中的限制和發(fā)展前景

現(xiàn)有雷達常用識別方法在下文中稱為傳統(tǒng)雷達識別技術(shù)。特征提取是傳統(tǒng)雷達識別技術(shù)重要環(huán)節(jié)，雷達識別特征強烈依賴于用人的先驗知識和專業(yè)技能，雷達目標識別算法的設計需要較深的目標特性、特征提取的研究背景。

傳統(tǒng)雷達目標識別也是依據(jù)所采用的特征不同而分為窄帶RCS特征識別、高分辨距離像特征識別、ISAR特征識別和運動特征識別、微動特征識別等技術(shù)途徑。

傳統(tǒng)雷達目標識別通常是接收雷達傳感器固定信息進行數(shù)字信號處理提取出待識別目標的特征，利用已有的特征模板對提取的特征進行分類，對照隸屬度對目標進行識別。傳統(tǒng)目標識別存在的主要問題是按照預先設定的識別模式工作，不具備隨目標和環(huán)境變化而自動改變識別模式的能力，當環(huán)境發(fā)生變化時，僅僅依靠被動的特征提取、分類已難以獲得理想的效果，對目標和環(huán)境的適應能力不足。面對日益復雜的戰(zhàn)場環(huán)境及密集雜波、多目標背景等挑戰(zhàn)，為滿足當前特別是未來作戰(zhàn)需求，識別技術(shù)必須進一步創(chuàng)新發(fā)展以不斷提升識別模式、識別性能，才能適應日益復雜的作戰(zhàn)環(huán)境。

深度學習識別對大樣本需求限制了在實時對抗中的應用

傳統(tǒng)雷達目標識別難點主要集中在對待識別目標的差異性規(guī)律、識別機理等基礎(chǔ)問題掌握不全面，解決識別問題的前提是目標特性的深入分析，是一個長期的研究過程。但武器系統(tǒng)智能化發(fā)展速度迅猛，武器裝備的智能作戰(zhàn)能力提升對雷達識別技術(shù)提出了更高的要求，不可能等目標特性機理完全清楚了，再去研究雷達識別技術(shù)。

傳統(tǒng)雷達識別

隨著人工智能技術(shù)的迅速發(fā)展，基于深度學習、遷移學習等人工智能在軍事領(lǐng)域應用技術(shù)也受到國內(nèi)外廣泛關(guān)注，許多專家、學者均提出了采用智能識別技術(shù)進行目標和環(huán)境特征提取和模式識別等任務，實現(xiàn)對雷達對非合作目標的有效識別。美國國防部國防創(chuàng)新試驗小組也明確指出AI關(guān)注重點：能夠為實時對抗服務的人工智能和機器學習。

目前，基于深度學習方法對不同形式雷達數(shù)據(jù)進行處理，經(jīng)過調(diào)研發(fā)現(xiàn)，針對不同雷達成像原理集信號處理方法，可以得到不同形式的雷達數(shù)據(jù)。如合成孔徑雷達圖像、高分辨距離像、微多普勒圖譜以及距離多普勒圖譜等。主流的研究思路主要基于生成各種不同雷達圖像，利用深度學習網(wǎng)絡對圖像進行處理。

利用深度學習網(wǎng)絡對雷達數(shù)據(jù)處理的思路主要是在宏觀角度的闡述，深度學習與常規(guī)雷達識別技術(shù)最主要差異在于采用特征的不同，技術(shù)途徑也因特征提取的方法不同而具有一定的差異。

常規(guī)雷達識別區(qū)別于深度學習，最主要的差異在于采用的特征不同。常規(guī)雷達識別借助專業(yè)技術(shù)人員的經(jīng)驗進行特征提取，采用窄帶統(tǒng)計特征、寬帶散射中心、微動等反映了目標散射機理的特征，具有一定的物理含義，稱為物理特征。物理特征主要通過專業(yè)人員對數(shù)據(jù)的深入分析后進行特征提取，從而建立識別特征庫，但在有限樣本情況下對復雜函數(shù)的表示能力有限，針對復雜問題泛化能力受到一定的限制。

基于CNN的深度算法

而深度學習的實質(zhì)，是通過構(gòu)建具有很多隱層的機器學習模型和海量的訓練數(shù)據(jù)，來學習更有用的特征，從而最終提升分類或預測的準確性。通過計算機自動的逐層特征變換，可以學習到輸入數(shù)據(jù)的內(nèi)在特征，使得分類識別更加容易，同時模型結(jié)構(gòu)的深度化也使得對復雜函數(shù)的特征表示能力更。深度學習識別最主要的特點是自動提取特征，減少了技術(shù)人員對專業(yè)知識的依賴程度。

深度學習識別最大的缺點是需要大量的訓練數(shù)據(jù)，充分利用訓練數(shù)據(jù)的信息，才能形成分類約束條件，而目前限制人工智能在軍事領(lǐng)域應用的關(guān)鍵問題就在于：短時間、強對抗的交戰(zhàn)環(huán)境能夠提供的機器學習樣本數(shù)量太少，導致人工智能難以在對抗環(huán)境中施展;并且深度學習獲得的隱層特征物理含義不明確，武器系統(tǒng)出現(xiàn)問題后難以定位。因此直接在武器裝備中采用深度學習等人工智能識別技術(shù)與裝備特點不相適應，需要進一步挖掘新的人工智能途徑，研究人工智能在武器裝備應用的模式。

基于反饋機制認知識別應用的初步框架

認知學識別在實時對抗復雜環(huán)境下或大有可為

“認知學識別”的定義和本質(zhì)仍是科學界正在努力探索研究尚未完全解決的問題，當前國內(nèi)外還沒有關(guān)于“認知學識別”的明確定義。從工程技術(shù)角度看，可以狹義地將認知識別理解為深度強化學習，是帶真正推理、反饋能力的強人工智能。通過對歷史和當前環(huán)境的檢測和分析，對目標學習和推理，利用相應結(jié)果自適應調(diào)整識別系統(tǒng)的各項參數(shù)，在對目標有效、可靠且穩(wěn)健的感知的基礎(chǔ)上，快速完成認知、反饋、調(diào)整策略、進行決策，并在時間、空間、頻率和極化等多個維度實現(xiàn)復雜干擾條件下的智能化博弈，從而大幅度提高系統(tǒng)的識別性能。針對目前人工智能在裝備應用中存在的問題，主要分為兩個方面：一、深度學習網(wǎng)絡隱層參數(shù)物理解釋問題;二、帶有反饋機制的強人工智能網(wǎng)絡的建立。

深度學習識別最大的缺點是需要大量的訓練數(shù)據(jù)

為了解決深度學習獲得的隱層特征物理含義不明確問題，需要對深度學習網(wǎng)絡隱層參數(shù)物理含義進行解析，并通過對目標微動特性的研究，建立微動參數(shù)與深度學習網(wǎng)絡之間的關(guān)聯(lián)關(guān)系。通過對進動目標的雷達回波測試數(shù)據(jù)的寬窄帶數(shù)據(jù)進行空間變換，得到不同變換空間下的微動特征并建立目標進動特征庫?；谶M動特征庫數(shù)據(jù)對深度學習網(wǎng)絡進行訓練，根據(jù)得到的訓練結(jié)果與目標進動參數(shù)建立關(guān)聯(lián)關(guān)系，最終通過這種關(guān)聯(lián)關(guān)系對網(wǎng)絡隱層參數(shù)進行物理解釋。

以上闡述了目前智能識別技術(shù)能夠達到的效果，對于帶真正推理、反饋能力的強人工智能的實現(xiàn)還需要對識別流程框架進一步優(yōu)化。為構(gòu)建基于反饋機制認知技術(shù)在雷達識別應用中的初步框架，應充分利用目標飛行階段、關(guān)鍵事件等時間軸上的先驗信息和知識，在雷達實際跟蹤目標的過程中，對飛行階段、關(guān)鍵事件進行判斷，將判斷結(jié)果實時反饋到知識庫中，結(jié)合時間軸上的先驗信息和知識，通過反饋機制對知識庫進行實時更新，從而更精準地識別出目標。

深度學習網(wǎng)絡隱層參數(shù)物理含義解析

針對目前在雷達識別應用領(lǐng)域中的難點技術(shù)，尤其是非合作外軍目標由于先驗知識的匱乏、訓練樣本少等問題，建議采用強人工智能的認知學識別方法，深入挖掘其對電磁環(huán)境的認知、推理能力，通過多傳感器資源、信息的共享、協(xié)作、推理以及算法反饋機制，形成人工智能在武器裝備應用的一種新模式，以達到非合作目標智能識別的目的。

審核編輯黃宇