跨界 · 融合 · 服務 · 創新
圖3 “邊云協同”聯合抗干擾機制
Fig.3 Joint anti-jamming mechanism of“edge-cloud synergy”
多樣化復合分類決策立足于“邊云協同”組織架構，利用整體的計算、分析和存儲資源，將分布感知得到的海量干擾數據進行壓縮降維等綜合處理，并在歷史數據庫的支撐下自主實現特征提取和參數學習，充分發揮智能決策優勢。
多任務同時估計消除則重在提升邊緣節點的自身抗干擾能力，同時段內檢測到的不同類型干擾信息能夠進行同步處理，通過變換分析和逼近學習，魯棒應對各種干擾樣式和內在結構，實現不同頻譜感知狀態的有效干擾消除。
分布式聯合分離處理關注于節點群內的統一干擾檢測，多個節點依托分布式感知和最優變換處理，按照單獨分離和共同分離的能力要求，基于狀態演進和學習策略達到不同分布檢測情況的高效干擾抑制。
多手段協同優化管理則以組網節點的整體吞吐量提升為目的，內部干擾和外部干擾共同作用，頻譜分配和功率控制效果均衡，分層分類按需組合優化，保證資源有限的網絡性能最大化。
5 聯合抗擾關鍵問題
隨著通信電子戰技術的飛速發展，出現了智能干擾和認知干擾等多樣化干擾形式，在這種情況下，沖突雙方通過頻譜檢測技術，有能力快速轉變通信模式及其對抗策略；期間出現了許多新型干擾波形，也表現出多態性和多變性的特點，嚴重地降低了無人系統節點的抗干擾能力。為維持無人系統協同組網在戰術邊緣環境下通信的安全性和可靠性，根據認知抗干擾通信的基本內涵和能力要求，結合無人系統“邊云協同”的聯合抗干擾機制及其傳輸特點，目前主要在干擾的檢測分類、估計消除、變換分離和協同管理等聯合抗干擾方面還存在提升空間。
5.1 多樣干擾的檢測分類
隨著通信電子戰技術的飛速發展，出現了智能干擾和認知干擾等多樣化干擾形式，在這種情況下，沖突雙方通過頻譜檢測技術，有能力快速轉變通信及其對抗策略；期間出現了許多新型干擾波形，也表現出多態性和多變性的特點，嚴重地降低了無人系統的抗干擾能力。傳統的分類方法已經難以滿足未來干擾類型的多樣性和不確定性的要求，需要具備自主的訓練學習和特征提取能力；同時，考慮到電磁環境的復雜性，敵我電磁頻譜對抗的強度、維度和頻次愈發激烈，由此帶來大量數據需要對其進行有效處理。因此，通過頻譜感知獲取干擾頻譜信息，利用高效的大樣本未知干擾分類識別方法進行針對性變換域處理，成為提升無人系統通信安全性和可靠性的重要途徑。
然而，以往的研究工作大多通過分類和變換分析來實現對特定干擾的抑制處理，系統性能嚴重依賴于干擾檢測技術和特征參數提取，從而限制了方法在推廣應用中的有效性和魯棒性；同時，現有研究集中于干擾類型已知或給定的情況下進行處理，由于干擾樣本的可變性和干擾選擇的不確定性，傳統大規模訓練樣本的學習效率仍然很低，在實際應用處理干擾數據時易受多種因素的影響，預期的分類精度與實際處理結果相差較大，有時很難滿足干擾檢測要求，若重新學習再分類的工作量較大。值得慶幸的是，機器學習和智能方法為解決未知信號的分類識別問題提供了有效的途徑，并隨之發展出了許多創新方法，如監督學習、半監督學習和無監督學習等。它們基于群體智能所提取的信號特征能夠較好地滿足不同情景下的分類識別要求，并且能夠通過持續學習來不斷更新反饋。其中，基于貝葉斯決策理論的概率神經網絡（probabilistic neural network，PNN）[40-41]以其訓練簡單、擴充性好、易于硬件實現等優點，能快速收斂于貝葉斯最優解，具有較強的容錯性，適合于大樣本的實時處理，但對干擾分類識別缺乏適應性和針對性；適應性更強的模擬生物神經網絡和自組織特性的自組織映射（self-organizing map，SOM）神經網絡[42-43]，通過引入獲勝神經元和鄰居發現功能，在傳統網絡拓撲的基礎上模擬了側抑制現象，被廣泛應用于數據聚類和模式識別，但在未知干擾信號處理方面，尚未有研究工作涉及，而且直接套用處理速度受限，性能優勢不突出。因此，需要通用性強且具有一定自主學習的干擾分類識別方法以提高應對多類干擾的處理能力。
5.2 多變干擾的同時消除
隨著未來無人系統在寬帶稀疏信道下傳輸速率和質量要求的提升，在干擾的分類識別和時域抑制方法基礎上，通過獲取信道的部分先驗信息，發展了自適應閾值選擇的壓縮感知時域估計方法。為了進一步擺脫先驗知識的約束限制，稀疏貝葉斯學習提供了一種有效提高稀疏信號估計性能的方法，而且不需要額外的信道特性分布等先驗知識，解決了多樣化干擾檢測估計問題；此外，結合一種漸近的最優估計方法，實現了最小均值的平方估計誤差，尤其對稀疏信號的非零項分布具有較強的魯棒性[44]。雖然稀疏貝葉斯學習在信號或干擾是稀疏的情況下，可以顯著地減少估計誤差，并實現目標的重構恢復，但它嚴重依賴于檢測到的一些特殊干擾形式（特別是在時間或頻率域上有一個連續塊稀疏結構的脈沖干擾或窄帶干擾等），而在很大程度上忽視了其他具有分散和可變稀疏特性的靈活干擾形式（如梳狀譜干擾、線性調頻干擾等）。此外，現有的方法更多地只關注于一個觀測向量，而不是利用不同的分布位置或變換中收集獲得的多重響應向量進行聯合處理，從而制約了性能精度的進一步提升。雖然部分多重響應方法擴展應用于具有共同稀疏表示部分的同時稀疏近似問題求解過程[45]，卻忽略了類型多樣的不同干擾形式，這將限制其在差異化干擾復合稀疏表示中的推廣應用。由于無人系統自身處理性能及其邊云計算、存儲能力的提升，在諸多感知節點歷史積累的數據庫支撐下，結合原理簡單的時域濾波技術特點，使得同時處理一段時間內相關的歷史干擾樣本成為可能，亟待需要一種能夠同時有效消除不同類型干擾的普適性方法。
