跨界 · 融合 · 服務 · 創新
摘 要：隨著電磁環境日益復雜、敵我對抗態勢越發激烈，對無人系統信息傳輸的可靠性提出了更高的要求，傳統節點的認知通信模式已難以適應未來自主化、分布式的寬帶聯合抗干擾發展趨勢。針對無人系統面臨的抗干擾低截獲通信需求，圍繞干擾的檢測識別、變換分析和多域抑制等認知抗干擾關鍵技術展開具體分析，梳理常見的檢測估計和分類識別研究現狀；對典型干擾類型進行分類建模，總結變換處理過程的方法和問題；并對傳統干擾抑制方法和新型干擾抑制方法進行了系統性概述，分析了未知干擾的分類識別、多樣干擾的時域消除、分布干擾的聯合分離以及協同干擾的優化控制等制約寬帶聯合抗干擾的關鍵問題，突出認知抗干擾技術對無人系統通信的重要作用。
隨著5G技術的不斷發展，無人系統的通信頻率和帶寬不斷提高，從而迅速推動了高速率、低延遲和大容量的可靠通信，利用寬帶和高速傳輸的優勢，無人系統可以支持智能傳感、控制和其他飛行器之間通信的廣泛應用。但由于電磁頻譜逐漸緊缺，所有相關的無人系統個體都面臨著通信中斷、阻塞或惡意干擾的挑戰，從而容易影響通信效率和能力。因此，確保高頻譜效率的前提下保證低截獲概率和抗干擾性能，對于戰術邊緣網絡中通信安全性和可靠性至關重要。
傳統無人系統通信常采用直擴、跳頻、跳時等抗干擾通信技術，通過將信號特征隱藏于時域或頻域的方式規避敵方截獲，但信號在循環平穩和各態歷經性等方面存在一定的特征，容易被敵探測干擾。隨著認知電子戰技術的發展以及電磁頻譜作戰理念的興起[1-2]，對傳統通信技術的抗干擾能力提出了更高的要求，認知抗干擾通信通過將認知思想應用到抗干擾通信領域，實現了敏捷、智能的抗干擾能力，近年來逐漸受到各國研究人員的高度重視。
按照“OODA環”[3-4]中觀察、判斷、決策、行動等階段對干擾的認知處理，認知抗干擾通信涉及的關鍵技術主要包括：快速準確的檢測估計、智能魯棒的分類識別技術、高效抗擾的波形變換技術、靈活適變的抑制消除技術以及多樣聯合的優化決策技術等[5-6]。其中干擾的檢測識別為前提，優化決策是核心，波形變換和抑制消除是手段，如圖1所示。本文主要針對干擾的檢測識別、變換分析和抑制消除等展開分析。
圖1 認知抗干擾的“OODA”環
Fig.1“OODA”loop for cognitive anti-interference
1 干擾的檢測識別
干擾的檢測識別作為認知抗干擾系統的基礎環節，目的是通過獲取干擾的強度、頻段和類型等先驗知識，從而為干擾的抑制消除提供所需的經驗信息，主要包括干擾的檢測估計和分類識別兩部分[7-8]。其中，干擾檢測估計的側重點在于干擾存在性的檢測算法，而干擾分類識別的研究則聚焦于干擾特征參數的估計和類型識別。下面分別具體展開分析。
1.1 干擾檢測估計
干擾的檢測估計通常指干擾信號存在與否的二元性檢測，即在環境噪聲的影響下，通過某一狀態下的特征和判別準則進行干擾存在性的假設檢驗。常用的判別準則包括奈曼-皮爾森（Neyman-Pearson，NP）準則、Bayesian準則和最大后驗概率（maximum a posteriori，MAP）準則等。基于NP估計框架，文獻[9]研究了在加性高斯噪聲影響下的發射信號檢測問題，并利用檢測概率函數的凸性特征，針對平均/峰值功率約束的發射機和接收機提出了最優/近似最優的分時策略及其策略參數，有效提高了干擾檢測能力；在無論是否存在平均功率約束的情況下，Soganci等人基于總貝葉斯風險和最大貝葉斯風險兩種不同的性能準則，設計了一類固定估計量的多參數最優檢測估計方法[10]，并給出了相對應的最優參數表征和所取得的檢測性能增益；為了在平均發射功率約束下最小化平均誤差概率，在接收端利用MAP決策規則設計最優檢測策略[11]，有效降低了系統誤碼率。
根據檢測的信號處理形式，干擾檢測估計算法可分為時頻域檢測估計、空域檢測估計以及其他變換域檢測估計等。其中，后者干擾的空域檢測估計主要利用電磁波在天線陣列不同極化方向和不同波束方向的傳播特性，通過波達方向（direction of arrival，DOA）估計目標的位置和角度等信息，進而通過控制天線陣列的方向圖實現干擾抑制消除的目的。該方法具有分辨率高、信噪比靈敏度低的特點，能夠檢測出相干干擾和欺騙式干擾，但對天線材料和成本要求較高，如龍勃透鏡，硬件實現有一定難度，適應于隱身飛機等特定場景，與應用更廣泛的前兩種方法相比，后者應用范圍有限，需要進行專門的天線陣列設計。
干擾的時頻域檢測估計主要利用干擾波形在時頻域的能量或頻率變化特性，通過功率能量譜、循環特征譜、高階累積量等特性信息以及連續均值去除和前向連續均值去除等頻譜感知方法，實現干擾門限的設置和干擾參數的估計。該方法不需要任何先驗信息，簡單高效，能夠一定程度上適應干擾強度的變化，但對噪聲不太敏感，適用類型范圍一定，特別是處理寬帶干擾時容易出現虛警現象，精度受限。
干擾的變換域檢測估計主要利用干擾、噪聲和通信信號在不同變換域呈現的差異性特征來檢測出干擾的，通過選取合適的變換基從而降低在時頻域處理的復雜度。根據不同的變換基形式，通常可分為分數階傅里葉變換、小波變換、離散余弦變換等干擾變換檢測技術。該方法可以高效地處理時變多樣的干擾類型，簡化復雜的濾波實現過程，能夠進行干擾的細節特征分析，特別適合于寬帶稀疏性干擾，但目前獲取最優變換的方法效率不高，時效性有待進一步提高。
綜上，各方法特點如表1所示。
表1 不同檢測方法對比分析
Table 1 Comparisons of different detection methods
目前，干擾檢測估計通常由專用設備或通信設備本身的算法來實現，一般來說，后一種情況的開銷和成本較低。但無論哪種情況下，都需要事先累積獲得的干擾活動的潛在指標（或度量），依賴先前獲得的無干擾和有干擾條件下的通信行為及其相關頻譜知識。針對具有子空間結構的強擾動信號檢測問題，在先驗知識不完整或不確定的情況下，通過合并子空間的部分先驗知識來應對訓練受限的場景，基于先驗知識的層次模型來表示知識，用于提高子空間探測器，從而驗證了合理使用歷史數據可以減輕收集必要信息壓力的可行性，對于減少干擾檢測的重復工作具有重要的推廣應用價值。
1.2 干擾分類識別
在干擾檢測估計的前提下，后續干擾處理的重要一環是干擾的分類識別，其研究重點在于特征的提取和智能決策過程。其中，智能決策技術的實質在于自適應地在一個巨大解空間中尋找到目標函數的最優解組合策略的過程。目前，融合多學科的人工智能技術，如機器學習、生物啟發式算法、模糊神經網絡等方法，它們通過遞歸反饋式的學習和局部交互的方式，與傳統方法相比，能夠更快地發現局部最優解，已被廣泛研究并應用于復雜策略和環境下的網絡多點協同和系統性能優化。
而針對特征提取方式的不同，常見的干擾分類識別方法主要可分為兩類：一是根據干擾信號自身的特性，利用深度學習、機器學習等智能方法，自主進行特征檢測并分類，需要依賴數據的支持，實時性和處理速度受限，提取的特征缺乏信號相關理論的支撐，物理意義不強；二是為提高處理速度及其特征的合理性，利用傅里葉變換、分數階和小波變換等變換域方法以及稀疏分解、匹配追蹤等方法進行頻譜特征分析，據此提出相應的關聯維數、熵特征和高階累積量等作為干擾識別的特征參數，再結合簡單的分類算法實現，一定程度上降低了硬件實現的難度，但由于局限于特定的干擾類型或調制方式的小樣本空間，對于大規模訓練樣本效率不高，實際干擾處理的推廣應用受限。
2 干擾的變換分析
當前，無人系統面臨的通信干擾類型和樣式不斷變化，出現了窄帶、梳狀譜等干擾類型和轉發、欺騙等干擾樣式；同時干擾策略不斷優化，既有功率、頻率的交織，又有內容、時機的對抗。考慮到干擾的頻譜劃分，可分為瞄準式干擾、多頻點干擾和攔阻式干擾[12-13]，其中，瞄準式干擾通常指干擾與被干擾信號頻譜的重合度較高的一類干擾形式，如窄帶干擾等；多頻點干擾是對多載頻信號的干擾，可分為頻分多頻點干擾、時分多頻點干擾和綜合多頻點干擾等；攔阻式干擾是對被干擾信號的頻帶范圍進行廣域覆蓋的干擾方式，通常為寬帶干擾，如掃頻攔阻式干擾和梳狀譜干擾等。本文結合以上實際中常見的干擾類型，采用載波或脈沖信號與噪聲相結合的干擾形式分別展開研究。
2.1 干擾分類建模
單音干擾（或稱連續波干擾）屬于最簡單的干擾類型，根據被干擾信號的載頻特征，可通過發射大功率的連續波實施干擾：
式中，J0是干擾幅值，f0為干擾頻點，θ0為相位。
多音干擾實際上是多個單音干擾的疊加：
式中，Ji表示第i個干擾分量的幅值，fi表示第i個干擾頻點，θi為相位。
部分頻帶干擾通常指干擾帶寬較窄的干擾（一般不超過被干擾信號帶寬的10%），可通過窄帶濾波器實現：
式中，f H和f L分別表示窄帶濾波器的上、下截止頻率。
線性調頻干擾通常指頻率隨時間而線性變化，且在某個時間段內呈寬帶特性的干擾，其功率譜具有非平穩特性：
式中，fi0為初始頻率，μi0為調頻率。
脈沖干擾可通過高斯白噪聲與匹配濾波器的沖激響應卷積相得到：
式中，n(t)為高斯白噪聲，h(t)為沖激響應。
梳狀譜干擾是一種阻塞式干擾，其包絡在時域上恒定，可通過鋸齒波干擾和窄帶干擾疊加生成：
式中，f0為中心頻率，Δt為延時，k為調頻率。
2.2 變換處理方法
考慮到干擾在時變和非平穩方面的多樣性，可以將變換域劃分為不同維度的多個域（如時域、頻域、分數域、小波域等），各變換域的基分別是t、ej wt、chirp信號以及Ψa,b(t)等，它們之間可以相互轉換，也可以獨立進行信號處理。通過將多類干擾自適應地進行變換分析和處理，從而提高干擾處理能力。目前，基于變換分析的數字信號處理方法主要有以下幾種：
離散傅里葉變換（discrete Fourier transform，DFT）。DFT通過時頻域變換能夠得到信號的整體頻譜，可用于平穩信號的處理[14]，其時頻域變換關系為：
其中，ωN=e(-2πi)/N。
分數階傅里葉變換（fractional Fourier transform，FrFT）。FrFT主要用于處理非平穩信號，階次p變換比傳統的傅里葉變換應對非平穩信號更加有效，但運算量也更加復雜和耗時[15]，其信號變換關系推導如下：
離散小波變換（discrete wavelet transform，DWT）。DWT通過變化的時間窗口實現對信號頻譜的非均勻分解，從而提取出近似系數和細節系數，可以有效處理非平穩信號的細節信息[16]。其離散小波函數和變換系統可表示為：
離散余弦變換（discrete cosine transform，DCT）。DCT類似于DFT，它可以利用部分系數進行信號的重構[17]，具體表達式如下：
其中 
短視傅里葉變換（short-time Fourier transform，STFT）。STFT可以使時變信號通過給定的窄時窗函數進行時間平滑處理，因而適用于慢時變信號的頻譜分析處理，對非平穩信號的局部特性分析具有明顯的效果[18]，其離散形式推導如下：
其中，x(n+m)w(m)表示短時序列。
近年來，信號處理理論的廣泛發展產生了信號變換的許多新方法，除上述應用更廣泛的FFT、FrFT、DWT及其派生形式外[19]，由于變換分析不需要局限于線性變換，新發展的變換分析可以使用降維或特征提取方法將檢測到的信號轉換為新的表示，如主成分分析、線性判別分析、稀疏學習等[20-22]。在此基礎上，考慮到主成分分析方法中最終確定保留的主成分數量不一致問題，又發展了稀疏主成分分析作為特征提取方法[23]，保留了原始數據的主成分數量，作為分類器輸入的原始數據，準確率更高。
然而，由于信號的多樣性和非線性變換域的存在，計算量大，難以選擇最優變換域。此外，大規模訓練樣本的高成本和不確定性，導致現有的方法大多依賴于對特定信號通過人工進行有限的選擇，更加容易受到多種因素的影響。因此，需要開發一種靈活適用于一般信號的變換分析方法，以拓寬實際應用范圍的限制條件。由于寬帶信號通常都是可以被壓縮的，即在選擇合適的基進行變換后能夠用稀疏信號很好地表達出來，這為下一步干擾信號的稀疏表示和重構提供了理論基礎。通過將通信信號和干擾轉換到對應的優選域中進行處理，利用在某種維度或域上的不同稀疏特性可以較好地實現抑制消除。
3 干擾的多域抑制
廣義的干擾抑制包括干擾的波形變換、優化決策和抑制消除等反饋回路過程，通過不斷地調整優化以達到最優的干擾抑制效果[24]。其中，干擾抑制的核心在于靈活適變的抑制消除技術，而效果的好壞則需要在變換分析的基礎上，通過智能決策和多樣抑制的聯合處理，經適應性學習訓練，以滿足對抗強度更激烈、干擾種類更豐富的復雜電磁環境。本部分主要圍繞傳統和新型的干擾抑制方法及其發展展開分析。
3.1 傳統抑制方法
隨著電子干擾技術的發展，惡意干擾常常使得無人系統通信的可靠性無法保證，為此，提出了許多抑制干擾的有效方法。
Choe等人利用頻譜感知方法進行了機會式的規避干擾頻譜，并在此基礎上設計了一種具備認知抗干擾能力的戰術數據鏈，并在實際干擾環境驗證了系統的抗干擾和誤碼率性能[25]；對于超寬帶無線通信系統面臨的窄帶干擾，Xiong等人[26]利用信號之間的顯著相關差，設計了一種基于自適應陷波濾波器的干擾抑制方案，探討了消除單個窄帶干擾的直接式、線性級聯式和時分復用并行級聯式方法，收斂速度快、失真小、穩定性好，適用于低復雜度的直接序列超寬帶接收機。
從變換分析的角度出發，目前存在的干擾抑制技術主要包括在時域中濾波抑制和變換域中分離消除[27]，均對常見的干擾起到了明顯的抑制作用，如窄帶干擾和脈沖干擾等。對于時域抗干擾方案的研究，Yeh等人[28]利用自動增益和包絡檢測技術，考慮到多徑衰減和陰影效應的影響，驗證了系統抵抗脈沖干擾和連續波干擾的能力；針對窄帶干擾對OFDM系統接收機性能的影響，設計了一種基于切陷濾波的新型干擾抑制技術，能夠在信號干擾比較低的情況下，較大程度地提高平均誤碼率性能[29]；為了抑制或消除接收機檢測信號中的干擾，通過將消隱、裁剪和混合消隱-裁剪等非線性預處理器應用到接收機中，用于超出給定閾值部分的功率尖峰消除和切斷，實現了對脈沖噪聲干擾的良好抑制效果[30]；針對傳統固定閾值不能有效地適應時變的脈沖干擾的問題，提出了一種在時變信道中基于矩估計的自適應干擾抑制系統[31]，能夠在弱、中、重干擾環境下誤碼率性能提升顯著。然而，大多數傳統方法只能抑制特定的干擾，無法自適應地實現多類型干擾的波形重構和信號恢復。因此，上述這些方法在無人系統通信中未能達到令人滿意的有效抗干擾和魯棒性能。
依據有關證明，無人系統間以及與基礎設施（有人系統）建立通信網絡都呈現出寬帶稀疏和視距傳輸特性。為了進一步克服傳統方法的缺點，對基于壓縮感知理論的幾種算法進行了分析研究，用以估計稀疏信道。當事先獲得信道信息的先驗知識時，許多迭代貝葉斯算法實現了近似的信號估計，且計算復雜度較低，如近似消息傳遞等[32]。然而，理想而嚴格的先驗條件限制了這些方法的推廣應用，即使能夠保證均方誤差估計水平最低。基于結構壓縮感知理論，Liu等人提出了一種新的干擾消除方案，可以在接收機中準確地恢復稀疏窄帶干擾，并減輕其干擾影響[33]；Jia等人提出了一種改進的塊狀稀疏貝葉斯學習方法，用于估計和減輕通信系統的窄帶干擾，而且該方法能夠從壓縮信號中重構干擾，并實現時域的干擾抑制[34]。
3.2 新型抑制方法
隨著干擾機的功能和樣式持續推陳出新，電子信息攻擊和高功率電磁脈沖攻擊成為針對無人系統最有效的打擊手段，對傳統時域抑制技術提出了更高的抗干擾要求。目前現有的抗干擾系統設計和改進更多地基于變換域思想進行干擾抑制和消除，如傅里葉變換、分數階傅里葉變換和小波變換等；在此基礎上，又依據寬帶信號的稀疏特性發展出了基于壓縮感知的新型抗干擾技術，并在寬帶/超寬帶電子系統中得到推廣應用。Pan等人[35]基于通信信號和干擾的壓縮分量正交性提出了一種壓縮濾波方法，實現了干擾的有效抑制；裴立業等人[36]利用通信信號和干擾的稀疏可分性提出了基于選擇性測量的噪聲干擾抑制方法；Gomaa等人[37]利用基于稀疏度感知的干擾估計方法實現了干擾的時域對消和抑制。一般來說，目前基于壓縮感知的干擾抑制方法主要包括三類：選擇性觀測、稀疏分離和重構對齊，各方法特點如表2所示。
表2 不同抑制方法性能對比分析
Table 2 Comparisons of different suppression methods
（1）干擾的選擇性觀測。該方法主要利用測量矩陣不同的代表性特征，實現對電磁信號的選擇性接收，從而達到干擾和接收信號的壓縮采樣的分離效果，具有原理簡易高效、針對性強等優勢。基于通信信號及其遭受干擾之間壓縮成分的正交性，提出了一種有效抑制干擾的壓縮濾波方法[34]；經驗證，雖然選擇性觀測方法的原理簡單有效，其干擾形式的針對性相當明顯，但不同程度地降低了通信信號的重構性能，且需要根據不同的干擾特性專門設計最優干擾子空間，算法復雜度高，應用范圍卻相對有限。
（2）干擾的重構對齊。該方法主要適用于干擾強度較大的場景，在高精度恢復干擾后通過采用創新的時域對消技術，能夠減少對接收信號的負面擾動，且在一定范圍內重構精度隨著干擾強度的增強而提高，實際應用相對廣泛。Liu等人所設計的增強型干擾估計方法[38]通過估計稀疏性的感知程度，實現了時域的干擾消除和抑制，還證實了應對高功率強度干擾的優勢。盡管如此，在實際中仍存在干擾消除不徹底的現象，需要從硬件上改進多天線結構以提升自身性能，成本較高；在理想情況下，提升干擾的重構精度和降低天線結構改進的成本僅能夠保證干擾消除效果基本可行，需要更加詳細的稀疏分布特點等歷史數據和經驗信息，在聯合干擾知識庫的支持下能更好地發揮其抑制效果。
（3）干擾的稀疏分離。該方法通常利用干擾和接收信號在同一或不同完備（或過完備）字典學習或基變換學習下的稀疏表示可分性，實現對電磁信號的稀疏分離。在此基礎上，基于通信信號和干擾的稀疏分離關系設計了一種噪聲干擾的恢復和抑制工具[39]，發現改進的方法可以用簡單計算實現分離效果，且具有較低的復雜度。由于不需要全部或大部分干擾信息的重構，具有計算簡單、復雜度低等特點，應用范圍比較廣泛；但提升干擾分離效果要求自適應地學習稀疏字典或變換基，原理上只要干擾形式滿足了稀疏性的要求，就可以通過稀疏變換進行干擾分離，這將增加對多樣化干擾聯合處理的適用性。
4 “邊云協同”發展趨勢
為保證感知信息更加全面，聯合處理方式協同一致，無人系統各節點通常對獲取的頻譜感知信息進行融合處理；所有節點的計算、存儲等資源統一支配調度，按照需求靈活地提供一種或多種服務，從而滿足不同任務群組多樣化傳輸需求。然而，所有業務都在“云組織”終結并非完全有效，尤其是一些區域業務若不在本地終結，則既浪費資源也增加時延。因此，需要根據相應的任務屬性靈活配置，移動邊緣計算通過將區域服務在邊緣節點上運行，使得反饋更為迅速；同時，將內容存儲和計算需求下沉，提供智能化的流量調度，內容實現本地緩存，并在網絡側增加計算、存儲、處理等功能，構建移動邊緣云，可根據各自的功能配置和任務屬性虛擬出多個具備不同特性的邏輯群，利用端到端的網絡切片將網絡資源靈活分配為不同的切片業務提供相應的服務質量保障，如圖2所示。
圖2 任務分工+資源調度支撐“邊云協同”施效
Fig.2 Task division+resource scheduling supporting effect of“edge-cloud synergy”
在無人系統節點實現認知抗干擾通信的同時，對于復雜電磁環境和多域聯合抗干擾的能力要求，需要依托無人系統“云組織”，充分發揮云計算的整體優勢，分解成各子任務，網絡能力按需組合，統籌規劃，合力解決；同時，對于簡單的抗干擾任務，它也能夠發揮邊緣計算的資源特點，將其分配給特定的無人系統節點，將部分區域性業務本地化，內容本地緩存，獨立或協同完成相應的任務，從而實現無人系統多節點聯合抗干擾的“邊云協同”施效。
針對多無人系統的組網應用，考慮到“云—邊—群—網”的層次化分布和寬帶頻譜感知的實際需求，設計了基于“邊云協同”的聯合抗干擾架構，達到按需邊云分級干擾處理的目的，邊云組網的架構設計如圖3所示。在新興“云組織”廣域分布的節點感知和靈活智能的邊云處理體系支撐下，重構基于認知變換域的聯合抗干擾架構，通過多樣化復合分類決策、多任務同時檢測消除、分布式聯合分離處理以及多手段協同優化管理等新型抗干擾方法，以更好地滿足未來無人系統全域全維電磁頻譜對抗的能力要求。各項聯合抗干擾能力的運行機制概述如下：
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。
事實上，在實際信號分析中存在另外一種典型的稀疏干擾，即結構化或聚簇稀疏信號，它們的稀疏系數向量中非零項呈現出行稀疏和元素稀疏的不同部分。然而，雖然固有的聚簇結構屬性能夠被進一步利用，通過層次化結構設計用于恢復更稀疏的信號[46]，但它們顯然與一般元素稀疏信號的表示關系存在沖突。除此之外，還可以利用相關信號的稀疏性先驗知識，采用多任務壓縮感知（multi-task compressed sensing，MT-CS）方法[47]來推斷任務相關的后驗分布參數，從而為一大類結構化或聚簇稀疏信號提供了一個可行的解決方案；然而，它更多地僅實現在小波系數上的經驗貝葉斯過程估計，限制了它在其他變換下的應用精度。更重要的是，從稀疏群組內部的相關性以及重疊的群組部分中得出的多元變量估計過程，只是一些經典的先驗分布[48]，對于多樣化干擾的代表性有限。因此，需要在MT-CS的基礎上，探索一種更有效、更準確的方法來同時恢復和消除各種形式干擾是非常有必要的。
5.3 干擾變換的聯合分離
由于對抗環境下無人系統的典型通信系統會遭受到多種形式的干擾，其中包括電子設備中的常見噪聲干擾和脈沖干擾；此外，還會遇到許多惡意干擾，包括多音干擾、部分頻帶干擾和梳狀譜干擾等，它們嚴重制約了通信過程的可靠性和可用性。雖然近期得到迅速發展的變換域抗干擾方法具有估計各種稀疏干擾的能力，但它們只適用于某些類別，包括在時域或頻域中具有特殊稀疏特性分布的脈沖干擾和部分頻帶干擾，卻忽略了其他離散和可變的稀疏型干擾，包括線性調頻干擾和梳狀譜干擾；在一定場景下，如果事先能獲得有關信道信息的先驗知識，許多迭代的貝葉斯算法都能夠以較低的復雜度實現近似的信號估計。然而，即使它們平均平方誤差估計的結果較傳統方法能夠達到更低的水平，理想的信道約束條件限制了這些算法的進一步應用。考慮到無人系統邊云聯合處理能力的提升，面對諸多感知節點收集到的頻譜感知信息，結合干擾檢測和變換分離技術特點，使得分布式處理多節點干擾數據的可行性進一步提升，因而尋求一種滿足不同稀疏分布干擾的最優分離策略。
由于實際信道的部分先驗信息是可以獲取的，通過利用自適應閾值選擇方案，從而演變出了改進的自適應壓縮感知估計方法，并在干擾重構抑制方面取得了一定的成效。但由于不同形式的干擾在時間、頻率或小波域上呈現出散亂分布的稀疏特征，因而在使用傳統字典學習和稀疏分離方法時，很難實現最優稀疏分離，這將嚴重影響干擾的分離和抑制性能；具體來說，在不同干擾共存的場景中，若假設存在一種變換分離或字典學習方法，可以同時實現不同干擾的有效分離和消除，在這一點上是難以令人信服的。事實上，新興且功能強大的形態學分析理論在不同稀疏圖像和信號的分離、去噪等方面具有廣闊的應用前景，被認為是實現多樣化干擾分離的高效可靠方法[49]。在形態學的分析架構上，通常利用近似信息傳遞（approximate message passing，AMP）來求解目標的分離分析問題[50-51]。考慮到干擾非零系數分布對恢復均方誤差有很大的影響，在這個分布未知的情況下，提出了一種使用AMP的MMSE信號恢復方法，同時通過期望最大化來實現信號稀疏分布及其參數的學習，適應于高維范圍內廣泛信號類的快速重構和恢復[52]；相關研究進一步發現，在實際應用中未知的分布參數需要確定，提出了一種具有內建參數估計的擴展廣義AMP算法，利用稀疏聯合估計方法，證實了在稀疏信號恢復的收斂性方面具有顯著的優勢[44]。然而在相關文獻的最新研究進展中，采用迭代AMP的干擾分離方法是比較缺乏的，與針對各種形式干擾的重構和分離問題的其他實際解決方法相比，現有的TFOCS方法[53]在簡單的線性組合例子中也需要過多的計算復雜度，并應用于不同的干擾分離問題求解過程會更加復雜，并不適合在稀疏變換分離中重構復雜的干擾形式。因此，需要一種新的高效干擾聯合變換分離算法以應對復雜電磁環境下的多樣化干擾威脅。
5.4 信道干擾的協同管理
由于復雜對抗環境下周圍電磁環境比較復雜，頻譜資源較為緊張，需要嚴格限制無人系統網絡的頻譜使用，以確保網絡的獨立性，減少頻譜沖突；當節點數量較多且可用信道數量較少的情況下，兩個無人系統在相互干擾范圍的頻段并發傳輸時，將會以傳輸沖突的形式出現在網絡的同信道干擾中；特別是隨著信號強度的減弱和外部干擾的引入，為保證一定的通信范圍和傳輸效果，需要更多的能量消耗，即使對于寬帶通信系統，也極易導致信息傳輸失敗；加之各無人系統節點的能量容量有限，當前在抗干擾處理的同時需要有效管理多無人系統整體的資源消耗，即無人系統的能量、時間和網絡頻譜等資源共享問題，近年來在資源有限的無人系統網絡中逐漸得到廣泛關注。
基于功率控制的干擾管理作為綜合協調能量和頻譜資源的一種重要方法，能夠用于減輕干擾影響的同時降低能量消耗，針對實際應用中的不同場景需求不斷優化調整策略。通過對無線網絡中碰撞誘因和并發傳輸可能性的觀測，Yao和Bezzina等人分別開發了一種基于干擾感知的功率控制協議，能夠極大地提高網絡吞吐量[54-55]；針對地面網絡可能面臨的網內干擾，Sterner等人通過分析同步協同廣播機制下的跳頻自組網中的同信道干擾對網絡吞吐量的影響，發現同信道干擾的存在顯著降低了網絡的吞吐量[56]；為此，Wang等人提出了一種具有應用前景的低復雜度頻譜分配方案，旨在解決認知無線網絡中的同信道干擾抑制問題[57]。然而，現有研究工作更多地集中在地面異構網絡的資源分配和干擾協同兩大方面，特別是5G技術典型應用的密集場景，傳統技術的局限性使得整個網絡的容量和頻譜/能量效率難以進一步提升。未來適用于無人系統的無線通信技術不斷發展演進，有利于進一步提升無人系統的傳輸能力，從而提高無人系統網絡的整體容量和其他性能。例如，MIMO技術作為提高移動通信系統傳輸能力的一種很有前景的方法，通過利用多個傳輸/接收天線之間的多路通信來減少延遲，能夠提高能量效率，減輕信道衰減[58]；事實上，MIMO技術除了能夠減少信道衰落的影響，同時會提高空間復用率[59]。還注意到，由于全雙工無線節點具有在同一頻段中同時傳輸和接收的能力，因此可有效地將數據傳輸速率提高一倍[60]，5G技術的發展已經證明了全雙工通信系統在高通信速率和高頻譜利用率方面的優勢，但結合MIMO和全雙工技術在無人系統組網應用的研究還比較少。因此，為適應未來無人系統“云腦”賦能發展趨勢，探索在節點分布密集且可用信道數有限的特殊對抗場景下，能夠有效解決多樣化信道干擾協同和功率優化的綜合管理方案是非常具有發展前景的。
6 結束語
為充分應對無人系統傳統通信模式面臨的分布式干擾威脅挑戰，滿足一體化網絡發展和聯合抗干擾的能力需求，依托“邊云協同”聯合抗干擾機制，結合智能化、云計算等技術，充分發揮其算力、存儲力和搜索分析能力等，能夠更好地感知獲取并保證抗干擾能力的集成優勢。在雷達-通信-電子戰發展趨勢下，按照無人系統的“云-網-邊-群”的智能網絡信息體系架構，圍繞觀察、判斷、決策、行動等階段對干擾感知分離、分類識別、抑制消除和優化協同等問題開展關鍵技術攻關，對于提升無人系統網絡物理域、信息域、認知域等多維度的聯合抗干擾能力具有重要意義。
