來源：ST社區(qū)

人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門科學(xué)。雷達(dá)目標(biāo)識(shí)別技術(shù)是人工智能在裝備領(lǐng)域的重要應(yīng)用，隨著人工智能技術(shù)的發(fā)展，雷達(dá)識(shí)別也在不斷進(jìn)步，從模式識(shí)別、機(jī)器學(xué)習(xí)到近年來的發(fā)展迅猛的深度學(xué)習(xí)、遷移學(xué)習(xí)等在雷達(dá)識(shí)別中都有較多研究成果。

傳統(tǒng)雷達(dá)識(shí)別方法難以適應(yīng)復(fù)雜多變的戰(zhàn)場環(huán)境

現(xiàn)有雷達(dá)目標(biāo)識(shí)別常采用統(tǒng)計(jì)模式識(shí)別理論。模式識(shí)別主要利用統(tǒng)計(jì)學(xué)、概率論、計(jì)算幾何、機(jī)器學(xué)習(xí)、信號(hào)處理以及算法的設(shè)計(jì)等工具從可感知的數(shù)據(jù)中進(jìn)行推理的一門學(xué)科，其中心任務(wù)就是找出某類事物的本質(zhì)屬性，對(duì)于雷達(dá)目標(biāo)識(shí)別而言即首先根據(jù)雷達(dá)所跟蹤目標(biāo)的運(yùn)動(dòng)、回波等信息，提取目標(biāo)穩(wěn)定的且具有標(biāo)志性的特征，稱為識(shí)別特征模板，然后把待識(shí)別的模式劃分到各自模式類中。對(duì)于給定一個(gè)模式的識(shí)別/分類將面臨兩類任務(wù):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(dá)應(yīng)用中的限制和發(fā)展前景

現(xiàn)有雷達(dá)常用識(shí)別方法在下文中稱為傳統(tǒng)雷達(dá)識(shí)別技術(shù)。特征提取是傳統(tǒng)雷達(dá)識(shí)別技術(shù)重要環(huán)節(jié)，雷達(dá)識(shí)別特征強(qiáng)烈依賴于用人的先驗(yàn)知識(shí)和專業(yè)技能，雷達(dá)目標(biāo)識(shí)別算法的設(shè)計(jì)需要較深的目標(biāo)特性、特征提取的研究背景。

傳統(tǒng)雷達(dá)目標(biāo)識(shí)別也是依據(jù)所采用的特征不同而分為窄帶RCS特征識(shí)別、高分辨距離像特征識(shí)別、ISAR特征識(shí)別和運(yùn)動(dòng)特征識(shí)別、微動(dòng)特征識(shí)別等技術(shù)途徑。

傳統(tǒng)雷達(dá)目標(biāo)識(shí)別通常是接收雷達(dá)傳感器固定信息進(jìn)行數(shù)字信號(hào)處理提取出待識(shí)別目標(biāo)的特征，利用已有的特征模板對(duì)提取的特征進(jìn)行分類，對(duì)照隸屬度對(duì)目標(biāo)進(jìn)行識(shí)別。傳統(tǒng)目標(biāo)識(shí)別存在的主要問題是按照預(yù)先設(shè)定的識(shí)別模式工作，不具備隨目標(biāo)和環(huán)境變化而自動(dòng)改變識(shí)別模式的能力，當(dāng)環(huán)境發(fā)生變化時(shí)，僅僅依靠被動(dòng)的特征提取、分類已難以獲得理想的效果，對(duì)目標(biāo)和環(huán)境的適應(yīng)能力不足。面對(duì)日益復(fù)雜的戰(zhàn)場環(huán)境及密集雜波、多目標(biāo)背景等挑戰(zhàn)，為滿足當(dāng)前特別是未來作戰(zhàn)需求，識(shí)別技術(shù)必須進(jìn)一步創(chuàng)新發(fā)展以不斷提升識(shí)別模式、識(shí)別性能，才能適應(yīng)日益復(fù)雜的作戰(zhàn)環(huán)境。

深度學(xué)習(xí)識(shí)別對(duì)大樣本需求限制了在實(shí)時(shí)對(duì)抗中的應(yīng)用

傳統(tǒng)雷達(dá)目標(biāo)識(shí)別難點(diǎn)主要集中在對(duì)待識(shí)別目標(biāo)的差異性規(guī)律、識(shí)別機(jī)理等基礎(chǔ)問題掌握不全面，解決識(shí)別問題的前提是目標(biāo)特性的深入分析，是一個(gè)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(duì)雷達(dá)識(shí)別技術(shù)提出了更高的要求，不可能等目標(biāo)特性機(jī)理完全清楚了，再去研究雷達(dá)識(shí)別技術(shù)。

傳統(tǒng)雷達(dá)識(shí)別

隨著人工智能技術(shù)的迅速發(fā)展，基于深度學(xué)習(xí)、遷移學(xué)習(xí)等人工智能在軍事領(lǐng)域應(yīng)用技術(shù)也受到國內(nèi)外廣泛關(guān)注，許多專家、學(xué)者均提出了采用智能識(shí)別技術(shù)進(jìn)行目標(biāo)和環(huán)境特征提取和模式識(shí)別等任務(wù)，實(shí)現(xiàn)對(duì)雷達(dá)對(duì)非合作目標(biāo)的有效識(shí)別。美國國防部國防創(chuàng)新試驗(yàn)小組也明確指出AI關(guān)注重點(diǎn)：能夠?yàn)閷?shí)時(shí)對(duì)抗服務(wù)的人工智能和機(jī)器學(xué)習(xí)。

目前，基于深度學(xué)習(xí)方法對(duì)不同形式雷達(dá)數(shù)據(jù)進(jìn)行處理，經(jīng)過調(diào)研發(fā)現(xiàn)，針對(duì)不同雷達(dá)成像原理集信號(hào)處理方法，可以得到不同形式的雷達(dá)數(shù)據(jù)。如合成孔徑雷達(dá)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(dá)圖像，利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)圖像進(jìn)行處理。

利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)雷達(dá)數(shù)據(jù)處理的思路主要是在宏觀角度的闡述，深度學(xué)習(xí)與常規(guī)雷達(dá)識(shí)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(dá)識(shí)別區(qū)別于深度學(xué)習(xí)，最主要的差異在于采用的特征不同。常規(guī)雷達(dá)識(shí)別借助專業(yè)技術(shù)人員的經(jīng)驗(yàn)進(jìn)行特征提取，采用窄帶統(tǒng)計(jì)特征、寬帶散射中心、微動(dòng)等反映了目標(biāo)散射機(jī)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(duì)數(shù)據(jù)的深入分析后進(jìn)行特征提取，從而建立識(shí)別特征庫，但在有限樣本情況下對(duì)復(fù)雜函數(shù)的表示能力有限，針對(duì)復(fù)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(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性。通過計(jì)算機(jī)自動(dòng)的逐層特征變換，可以學(xué)習(xí)到輸入數(shù)據(jù)的內(nèi)在特征，使得分類識(shí)別更加容易，同時(shí)模型結(jié)構(gòu)的深度化也使得對(duì)復(fù)雜函數(shù)的特征表示能力更。深度學(xué)習(xí)識(shí)別最主要的特點(diǎn)是自動(dòng)提取特征，減少了技術(shù)人員對(duì)專業(yè)知識(shí)的依賴程度。

深度學(xué)習(xí)識(shí)別最大的缺點(diǎn)是需要大量的訓(xùn)練數(shù)據(jù)，充分利用訓(xùn)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(yīng)用的關(guān)鍵問題就在于：短時(shí)間、強(qiáng)對(duì)抗的交戰(zhàn)環(huán)境能夠提供的機(jī)器學(xué)習(xí)樣本數(shù)量太少，導(dǎo)致人工智能難以在對(duì)抗環(huán)境中施展;并且深度學(xué)習(xí)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(xué)習(xí)等人工智能識(shí)別技術(shù)與裝備特點(diǎn)不相適應(yīng)，需要進(jìn)一步挖掘新的人工智能途徑，研究人工智能在武器裝備應(yīng)用的模式。

基于反饋機(jī)制認(rèn)知識(shí)別應(yīng)用的初步框架

認(rèn)知學(xué)識(shí)別在實(shí)時(shí)對(duì)抗復(fù)雜環(huán)境下或大有可為

“認(rèn)知學(xué)識(shí)別”的定義和本質(zhì)仍是科學(xué)界正在努力探索研究尚未完全解決的問題，當(dāng)前國內(nèi)外還沒有關(guān)于“認(rèn)知學(xué)識(shí)別”的明確定義。從工程技術(shù)角度看，可以狹義地將認(rèn)知識(shí)別理解為深度強(qiáng)化學(xué)習(xí)，是帶真正推理、反饋能力的強(qiáng)人工智能。通過對(duì)歷史和當(dāng)前環(huán)境的檢測和分析，對(duì)目標(biāo)學(xué)習(xí)和推理，利用相應(yīng)結(jié)果自適應(yīng)調(diào)整識(shí)別系統(tǒng)的各項(xiàng)參數(shù)，在對(duì)目標(biāo)有效、可靠且穩(wěn)健的感知的基礎(chǔ)上，快速完成認(rèn)知、反饋、調(diào)整策略、進(jìn)行決策，并在時(shí)間、空間、頻率和極化等多個(gè)維度實(shí)現(xiàn)復(fù)雜干擾條件下的智能化博弈，從而大幅度提高系統(tǒng)的識(shí)別性能。針對(duì)目前人工智能在裝備應(yīng)用中存在的問題，主要分為兩個(gè)方面：一、深度學(xué)習(xí)網(wǎng)絡(luò)隱層參數(shù)物理解釋問題;二、帶有反饋機(jī)制的強(qiáng)人工智能網(wǎng)絡(luò)的建立。

深度學(xué)習(xí)識(shí)別最大的缺點(diǎn)是需要大量的訓(xùn)練數(shù)據(jù)

為了解決深度學(xué)習(xí)獲得的隱層特征物理含義不明確問題，需要對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)隱層參數(shù)物理含義進(jìn)行解析，并通過對(duì)目標(biāo)微動(dòng)特性的研究，建立微動(dòng)參數(shù)與深度學(xué)習(xí)網(wǎng)絡(luò)之間的關(guān)聯(lián)關(guān)系。通過對(duì)進(jìn)動(dòng)目標(biāo)的雷達(dá)回波測試數(shù)據(jù)的寬窄帶數(shù)據(jù)進(jìn)行空間變換，得到不同變換空間下的微動(dòng)特征并建立目標(biāo)進(jìn)動(dòng)特征庫。基于進(jìn)動(dòng)特征庫數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)得到的訓(xùn)練結(jié)果與目標(biāo)進(jìn)動(dòng)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(duì)網(wǎng)絡(luò)隱層參數(shù)進(jìn)行物理解釋。

以上闡述了目前智能識(shí)別技術(shù)能夠達(dá)到的效果，對(duì)于帶真正推理、反饋能力的強(qiáng)人工智能的實(shí)現(xiàn)還需要對(duì)識(shí)別流程框架進(jìn)一步優(yōu)化。為構(gòu)建基于反饋機(jī)制認(rèn)知技術(shù)在雷達(dá)識(shí)別應(yīng)用中的初步框架，應(yīng)充分利用目標(biāo)飛行階段、關(guān)鍵事件等時(shí)間軸上的先驗(yàn)信息和知識(shí)，在雷達(dá)實(shí)際跟蹤目標(biāo)的過程中，對(duì)飛行階段、關(guān)鍵事件進(jìn)行判斷，將判斷結(jié)果實(shí)時(shí)反饋到知識(shí)庫中，結(jié)合時(shí)間軸上的先驗(yàn)信息和知識(shí)，通過反饋機(jī)制對(duì)知識(shí)庫進(jìn)行實(shí)時(shí)更新，從而更精準(zhǔn)地識(shí)別出目標(biāo)。

深度學(xué)習(xí)網(wǎng)絡(luò)隱層參數(shù)物理含義解析

針對(duì)目前在雷達(dá)識(shí)別應(yīng)用領(lǐng)域中的難點(diǎn)技術(shù)，尤其是非合作外軍目標(biāo)由于先驗(yàn)知識(shí)的匱乏、訓(xùn)練樣本少等問題，建議采用強(qiáng)人工智能的認(rèn)知學(xué)識(shí)別方法，深入挖掘其對(duì)電磁環(huán)境的認(rèn)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(jī)制，形成人工智能在武器裝備應(yīng)用的一種新模式，以達(dá)到非合作目標(biāo)智能識(shí)別的目的。

審核編輯黃宇