來源：ST社區

人工智能是研究、開發用于模擬、延伸和擴展人的智能理論、方法、技術及應用系統的一門科學。雷達目標識別技術是人工智能在裝備領域的重要應用，隨著人工智能技術的發展，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。

傳統雷達識別方法難以適應復雜多變的戰場環境

現有雷達目標識別常采用統計模式識別理論。模式識別主要利用統計學、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據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屬性，對于雷達目標識別而言即首先根據雷達所跟蹤目標的運動、回波等信息，提取目標穩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:監督分類和無監督分類，其中有監督分類把模式劃分已有的類別中，而無監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展前景

現有雷達常用識別方法在下文中稱為傳統雷達識別技術。特征提取是傳統雷達識別技術重要環節，雷達識別特征強烈依賴于用人的先驗知識和專業技能，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。

傳統雷達目標識別也是依據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途徑。

傳統雷達目標識別通常是接收雷達傳感器固定信息進行數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，不具備隨目標和環境變化而自動改變識別模式的能力，當環境發生變化時，僅僅依靠被動的特征提取、分類已難以獲得理想的效果，對目標和環境的適應能力不足。面對日益復雜的戰場環境及密集雜波、多目標背景等挑戰，為滿足當前特別是未來作戰需求，識別技術必須進一步創新發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環境。

深度學習識別對大樣本需求限制了在實時對抗中的應用

傳統雷達目標識別難點主要集中在對待識別目標的差異性規律、識別機理等基礎問題掌握不全面，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。但武器系統智能化發展速度迅猛，武器裝備的智能作戰能力提升對雷達識別技術提出了更高的要求，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。

傳統雷達識別

隨著人工智能技術的迅速發展，基于深度學習、遷移學習等人工智能在軍事領域應用技術也受到國內外廣泛關注，許多專家、學者均提出了采用智能識別技術進行目標和環境特征提取和模式識別等任務，實現對雷達對非合作目標的有效識別。美國國防部國防創新試驗小組也明確指出AI關注重點：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據進行處理，經過調研發現，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據。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，利用深度學習網絡對圖像進行處理。

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

常規雷達識別區別于深度學習，最主要的差異在于采用的特征不同。常規雷達識別借助專業技術人員的經驗進行特征提取，采用窄帶統計特征、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人員對數據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，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，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，可以學習到輸入數據的內在特征，使得分類識別更加容易，同時模型結構的深度化也使得對復雜函數的特征表示能力更。深度學習識別最主要的特點是自動提取特征，減少了技術人員對專業知識的依賴程度。

深度學習識別最大的缺點是需要大量的訓練數據，充分利用訓練數據的信息，才能形成分類約束條件，而目前限制人工智能在軍事領域應用的關鍵問題就在于：短時間、強對抗的交戰環境能夠提供的機器學習樣本數量太少，導致人工智能難以在對抗環境中施展;并且深度學習獲得的隱層特征物理含義不明確，武器系統出現問題后難以定位。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境下或大有可為

“認知學識別”的定義和本質仍是科學界正在努力探索研究尚未完全解決的問題，當前國內外還沒有關于“認知學識別”的明確定義。從工程技術角度看，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境的檢測和分析，對目標學習和推理，利用相應結果自適應調整識別系統的各項參數，在對目標有效、可靠且穩健的感知的基礎上，快速完成認知、反饋、調整策略、進行決策，并在時間、空間、頻率和極化等多個維度實現復雜干擾條件下的智能化博弈，從而大幅度提高系統的識別性能。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、深度學習網絡隱層參數物理解釋問題;二、帶有反饋機制的強人工智能網絡的建立。

深度學習識別最大的缺點是需要大量的訓練數據

為了解決深度學習獲得的隱層特征物理含義不明確問題，需要對深度學習網絡隱層參數物理含義進行解析，并通過對目標微動特性的研究，建立微動參數與深度學習網絡之間的關聯關系。通過對進動目標的雷達回波測試數據的寬窄帶數據進行空間變換，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動特征庫數據對深度學習網絡進行訓練，根據得到的訓練結果與目標進動參數建立關聯關系，最終通過這種關聯關系對網絡隱層參數進行物理解釋。

以上闡述了目前智能識別技術能夠達到的效果，對于帶真正推理、反饋能力的強人工智能的實現還需要對識別流程框架進一步優化。為構建基于反饋機制認知技術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、關鍵事件進行判斷，將判斷結果實時反饋到知識庫中，結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。

深度學習網絡隱層參數物理含義解析

針對目前在雷達識別應用領域中的難點技術，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境的認知、推理能力，通過多傳感器資源、信息的共享、協作、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