人工智能/機器學習（AI/ML）如今已經成為美國國防現代化工作的發展重點之一。在電子戰（EW）領域，AI/ML技術可以應用于信號識別、發射和管制、發射器分類、威脅識別和干擾識別等領域，能夠發揮力量倍增器的作用，本文主要探討AI/ML技術在電子戰領域的發展情況，以及認知電子戰技術的前景。

近20年來，美國長期處于伊拉克和阿富汗戰爭等寬松的電磁對抗環境中，已經逐漸失去了在電子戰和電磁頻譜管理方面的競爭優勢。為此，美軍于2020年10月發布了電磁頻譜優勢戰略（ESSS），旨在解決美軍在保障、維護電磁頻譜的訪問、使用和操縱能力方面面臨的諸多挑戰。放眼未來，美國必須重新獲得并保持電磁優勢，才有可能贏得與中國或俄羅斯等戰略競爭對手的對抗。 ESSS明確了必須使電磁頻譜能力和資源與國家戰略政策和目標保持一致的戰略方向。

美軍的信息戰領導者需要利用AI/ML等新興技術來開發新的電磁頻譜作戰能力，從而在所有戰爭域奪取電磁頻譜優勢。從戰術態勢感知和管理、威脅識別和分類、發射管制和信號管制策略，到使用非建制電子戰能力的超視距瞄準和非動能火力，AI/ML都能夠顯著地提升部隊的殺傷力。

1、AI/ML集成至電子戰領域

電磁頻譜優勢對作戰行動的信息域有著直接影響。當前的電子戰系統和戰術都過于依賴儲存對抗預案的數據庫，但這種機制無法快速應對新出現的或動態的先進威脅。從某種程度上來說，是人類自身的認知水平限制了電子戰領域的軍事作戰能力。AI/ML可以比人類操作員更快、更高效地分析任務，發揮力量倍增器的作用。因此，在包括電子戰在內的所有作戰域中應用AI/ML算法進行數據處理已變得勢在必行。

對于旨在探測和跟蹤敵方雷達系統的電子戰接收機來說，多模式雷達系統技術的快速發展使得對傳統雷達的識別和處理變得更加困難。借助AI/ML技術來進行雷達識別和分類工作后，操作員可以擁有更多的決策時間來確定對抗敵方武器系統的最佳行動方案。 電子防護是電子戰的一個重要子集，指在敵方實施電子對抗的情況下，為保障己方電子設備和系統發揮效能而采取的措施和行動。本文認為美軍已經在寬松的電磁作戰環境中太久，已經很少會真正地去遂行電子防護行動，譬如確認己方部隊是否遭到對手或友軍的干擾。不幸的是，美軍的戰略競爭對手已經變得更加精通電子戰，尤其是電子攻擊。 ?

2、認知電子戰的發展前景

為了在通信拒止環境中保持電磁優勢，電子戰系統必須能夠在擁堵的電磁環境中識別、分類和隔離敵方發射器信號，然后快速確定合適的反制手段。 認知系統會考慮其周邊環境的背景情況和不確定因素，并自動提供建議或決策信息。認知電子戰系統的一大關鍵特點是使用AI/ML技術來決定是否對目標實施干擾。做出該決定需要經過多個步驟：識別目標、確定干擾效果，以及選擇最有效的干擾技術。 認知電子戰可以識別敵方或本方的干擾，并協助用戶更快地識別和分類信號。在使用定向能的情況下，認知電子戰可以更快速地定義到達角，從而更快地確定威脅方向，然后通過機器學習技術推薦最合適的電子對抗措施。

集成至電子戰系統中的AI/ML技術通常被稱為Q學習算法，是一種強化學習算法。幾乎所有AI/ML系統都會使用多個模型和大量數據進行訓練，而極其復雜的任務或模型則通常需要海量數據才能完成。幸運的是，大多數電子戰功能不需要使用復雜的模型與AI/ML技術進行集成，強化學習也幾乎沒有這種對海量數據的需求。因此，無模型強化學習算法將適用于電子戰所需的大多數認知能力。 低攔截率、低檢測率（LPI/LPD）雷達識別和指定是Q學習算法可以解決的復雜度最低的電子戰問題。這類算法可以集成到電子戰系統中，用于信號識別和分類，進而確定應對威脅的合適技術和行動方案。即便在技術水平最先進的西方國家，電子戰的基礎仍然是正確識別檢測到的信號并將該信號與特定平臺和武器系統上的發射器進行關聯匹配的能力。

AI/ML還可以極大地改進“指紋”發射器技術。這項技術通常指通過對發射器參數以及對發射器脈沖的無意調制進行分析，以此實現對特定發射器的識別，從而為指揮官提供關于威脅環境的準確情況，使其能夠決定選擇何種行動方案。但是發射器的參數會經常調整，或隨著平臺的切換而存在差異，因此對特定發射器的識別是美軍日益關注的問題之一。

3、分析和結論

對雷達頻率調制和波形的數字重新編程是一種不斷發展的技術趨勢。這意味著雷達可以根據實際情況來選擇最優的工作模式，改變波形并創建新的信號特征。波形調制能夠提高距離分辨率，增加接觸信號返回，降低攔截率或探測率，并支持高分辨率成像。隨著射頻環境變得日益擁擠，這將導致美軍更加難以對敵方的發射器進行識別和分類。 因此，認知電子戰已經成為當今ML技術應用的一個焦點領域。DARPA已經對射頻系統進行了初步研究，為能夠在運行期間同時進行學習的目標驅動型ML技術發展奠定了基礎。該機構開發了將機器學習應用于射頻頻譜操作環境的新穎算法和技術，并正在開發頻譜感知工具，這不僅有助于擴大頻譜資源管理能力，還將改進頻譜共享水平。

在過去的幾年里，DARPA 也開始了一些針對電子戰樣本問題的簡單研究，例如研究人員構建了一個AI/ML卷積神經網絡來識別發射信號的調制，如AM、FM或相移鍵調制等。結果表明ML系統在信噪比方面優于傳統的信號表征方法。此外，ML系統還可用來查看射頻頻譜，能夠幫助用戶更好地去了解擁擠的電磁環境。與傳統的射頻頻譜管理相比，AI/ML將成為電子戰領域的力量倍增器。 除了 DARPA 之外，L3 Harris公司正在開發的認知電子戰子系統能夠實時對未知的信號波形做出響應。該公司設計的認知電子戰模塊采用緊湊、獨立的信號檢測單元，包括數字接收器、數字射頻存儲器和數字信號處理器，能夠從已知波形數據庫中識別信號，以及對未知波形信號集合進行分類，并根據信號參數生成干擾建議。 認知電子戰系統是能夠實時學習和思考系統，但它無法像人類操作員那樣一心二用，因此需要不斷詢問操作員應當搜索哪些位置以及應當給出哪方面的建議，并根據學到的知識及時調整策略和技術。

實施認知電子戰系統需要低功耗微處理器和軟件工具，用于指導AI/ML系統進行信號處理和識別，并根據為信號分析和處理而構建的算法指導系統的思維過程。隨著電子戰以及射頻頻譜管理工具和系統的普及，認知電子戰系統將成為美軍賴以保持電磁頻譜優勢的重要手段。 美國軍方面臨的最緊迫挑戰是必須比競爭對手更快、更高效地做出決策。許多AI/ML系統都可以實現這個目標。然而，盡管當前信息戰領域已經出現了許多AI/ML項目，但普遍只關注算法，而不關注與作戰系統和作戰人員的集成。私營部門的AI/ML開發工作主要致力于推進自主決策能力，而不是專注于提高現有作戰系統的能力。因此，海軍必須確定作戰系統和信息戰系統中哪些領域可以集成AI/ML技術，目前看來電子戰是一個不錯的開端。

編輯：黃飛