基于OODA 环的认知电子战系统智能化水平评估指标体系*

张 翔，朱 宁，李 超，彭 珲，戴幻尧

（电子信息系统复杂电磁环境效应国家重点实验室，河南 洛阳 471003）

0 引言

在战场日益复杂的电磁环境中，随着认知雷达等新型智能装备的不断涌现，增加了雷达侦察和干扰的难度。传统的电子对抗设备的智能化水平与对抗目标存在着严重的不对等，对抗效果将会被极大地削弱甚至完全失效。因此，认知电子战的概念应运而生。认知电子战是以具备认知性能的电子战装备为基础，注重自主交互式的电磁环境学习能力与动态智能化的对抗任务处理能力的电子战作战行动，是电子战从“人工认知”向机器“自动认知”的升级［1］。目的是通过增强电子战装备的目标认知、智能决策、自主学习等功能性能，促使认知电子战系统的智能化水平得到迅速提升。

认知电子战系统是一种具有通过先验知识以及自主交互学习，来感知并改变周围局部电磁环境能力的智能、动态的闭环系统，可在实时感知电磁环境的基础上，高效、自主地调整干扰发射机与接收机以适应电磁环境的变化，提高干扰的快速反应能力与可靠性［2］。认知电子战系统具有环境感知、适应新威胁、波形多变、具备学习能力等基本特征，在作战过程中，指挥决策人员充分了解和掌握电子战装备的智能化程度，有利于电子战装备效能的充分发挥，也有利于对战场态势的准确判断。如果高估装备智能化水平，盲目信任和过于依赖系统在作战中的决策或行为，可能会严重影响指挥决策的正确性。反之，如果对智能化装备的认识不足，使得大量可由智能装备自主执行的工作，由作战人员完成，不仅耗费了人力和时间，还不能充分发挥智能化装备系统的作战效能。

本文主要以雷达对抗相关认知电子战系统及装备为主，研究认知电子战系统智能化水平的指标体系构建框架和评价方法。在电子战装备智能化的发展过程中，对认知电子战系统智能化水平进行研究与评价，有利于认知电子战装备的分析与建设，也是衡量认知电子战系统智能化水平的重要措施。

目前，国内外对于认知电子战系统的智能化水平评估方面还没有相关的公开资料，但在无人系统及无人机等智能水平的评价方面已经开展了研究。国外自20 世纪90 年代就开展了无人系统的自主能力评价工作，文献［3］从人机交互角度，对无人系统进行了自主等级划分；文献［4］基于OODA 环理论，从感知、分析、决策和行为等方面提出了无人自主等级的划分准则；文献［5］基于任务复杂性、环境复杂性和与人的交互程度3 个因素，提出了自主性等级划分准则。国内目前在航天器智能能力和无人机自主能力等领域都提出了相关评价方法；文献［6］对航天器智能能力的构建基本方法进行了分析，设计了航天器智能能力等级的划分；文献［7］论述了无人系统的自主性基本概念，提出一种“蛛网模型”对自主性进行评价；文献［8］提出了一种无人系统自主等级的模糊评价方法；文献［9］构建了一种无人平台自主能力分级模型；文献［10］提出了基于多属性决策的自主等级评估算法。

以上关于人工智能系统的评价对于认知电子战系统的智能化水平评估具有重要的借鉴意义。本文根据认知电子战系统的体系特性和运用的人工智能技术方法等，以人工智能系统的智能化评价为基础，探索性地开展认知电子战系统智能化水平评估指标体系构建和评价方法等方面的研究。

1 认知电子战系统智能化水平指标体系构建思路

军事智能系统是开放的复杂系统，其智能化水平的评估是个复杂的工程。认知电子战系统是典型的军事智能系统，认知电子战系统的智能化水平评估可以作战任务完成情况作为标准，基于试验数据从其应对复杂、多样、对抗的环境激励，进行自主决策的适应性、敏捷性、优劣性等方面进行综合考量。

认知电子战系统的认知过程是一种感知环境、适应环境、作出决策、采取行动的OODA 循环。在OODA 作战环的各个阶段分析认知电子战系统作战中的智能特性和参数，充分剖析其功能特点，结合认知电子战系统的环境感知、自主学习推理、自适应干扰决策等能力，分析研究智能化水平的表征方法和参数。基于OODA 环的认知电子战系统智能化水平指标体系构建总体思路如图1 所示。首先，基于OODA 环的作战理论对认知电子战系统的智能化水平表征方法进行研究，找出正确合理描述认知电子战系统智能化水平的表征参数；其次，对可测量参数定量分析，对无法测量或不确定参数进行定性分析，初步得到认知电子战系统智能化水平的评估指标集；然后采用ANP 设计和构建网络化评估指标体系；最后对各个指标进行权重计算。

图1 基于OODA 环的认知电子战系统智能化水平指标体系构建方法Fig.1 Construction method of intelligent level index system of cognitive electronic warfare system based on OODA loop

2 认知电子战系统智能化水平的表征方法

2.1 认知电子战系统中的OODA 环

认知电子战装备通过先验知识探测感知未知或不明确的新型电磁威胁，快速分析威胁及动态实时地采取对抗措施，并现场精确评估出采用对抗措施的效能。认知电子战的动态、智能闭环功能充分体现了OODA 环的循环、实时及嵌套特性。基于OODA 环的认知电子战系统的组成，主要包括环境感知、分析判断、智能决策与自主行动4 个重要模块，如图2 所示。

图2 基于OODA 环的认知电子战系统Fig.2 Cognitive electronic warfare system based on OODA loop

人工智能技术运用在OODA 作战环中的不同环节提高了认知电子战系统的不同智能特性。动态知识库则为上述各个环节提供相对应的目标特征、环境、策略知识等，为智能化水平提供了知识储备。认知电子战系统在不同环节中体现其智能特性的行为都可作为其智能化水平的表征，其过程和结果数据可作为智能化水平指标参数。

2.2 认知电子战系统智能化水平表征维度

对于系统的智能能力表征目前还没有一个较为统一和通用的框架。2012 年7 月，美国国防科学委员会发布了《自主性在国防部无人系统中的地位》中指出，自主能力是美军无人系统中的核心能力；我国国务院在2017 年提出《新一代人工智能发展规划》，研究移动群体智能的协同决策与控制技术；中国科学院发布的《2019 年人工智能发展白皮书》中，将“群体智能技术”列为了八大人工智能关键技术之一；国内外学者也在不断研究人工智能如何实现自主学习、自我意识和自我服务，提高系统的自我学习演进能力。

综上，人工智能系统的智能特性研究多数基于其自主智能特性，近年来开展了很多协同控制方面的研究，智能系统的自我学习特性目前是一个较高的追求。参考和借鉴人工智能领域对于智能系统、无人系统的智能水平评价和描述，可将认知电子战系统智能能力的表征维度划分为自主性、协同性和学习性。

2.2.1 自主性

认知电子战系统的自主性是其能够独立完成作战任务目标的智能特性，认知电子战系统的自主性也可视为自动化的延伸，是认知电子战系统在OODA 环上各个作战阶段自主特性的综合体现。认知电子战系统在作战过程中根据实际情况主动地调整自身状态，自主收集信息、自我独立决策和自主执行任务，主要包含目标的自主识别、态势信息的自主分析判断、机器自主决策和对抗措施任务的自主执行等。比如电子侦察中自行搜索目标，目标识别和跟踪等，系统能在一些与预测不完全一致的环境下，自动分析并执行面向任务的高级指令。

2.2.2 协同性

认知电子战系统的协同性是认知电子战系统在作战过程中协调两个或者两个以上不同资源、个体或系统（本报告用多主体指代），协同一致完成某一作战目标的能力，主要包含多主体态势信息共享、多主体信息融合、多主体协同决策和多主体协同行动等。当个体或系统自身能力难以满足复杂任务的要求，或是为提升遂行任务的时效时，便会产生协同需求。认知电子战系统的协同性可从信息交互、指挥控制与决策等方面进行衡量，协同性也可从多个系统或者多个个体装备之间的信息协同、协同控制和协同决策进行评价。认知电子战系统中的协同需要多个主体基于共同目标进行协作，且最终的结果并非仅仅是单个个体贡献的总和。认知电子战系统更加注重信息和决策的协同，系统之间或者系统内个体之间的信息交互和信息共享是协同智能特性的关键，协同性好的系统中各成员的信息会被有效聚合。

2.2.3 学习性

认知电子战系统的学习性是指系统可以通过数据统计分析、经验库的知识获取等方式进行自我生长和学习，使系统的特定功能不断增长。认知电子战系统根据已有经验知识，在作战中运用先验知识以及作战过程中实时学习的知识提升作战效能的能力，还包括作战后的分析总结，继续丰富完善知识库，实现知识的迭代和演进能力，主要包含目标特征学习、态势分析推理、对抗策略学习演进和对抗行动的自适应优化等。认知电子战系统学习性的核心就是数据的不断采集和知识提取，学习模型和学习算法直接影响数据的收集和知识提取能力。通过学习性的维度，可以评价认知电子战系统根据实际运行经验自动地适应新环境的能力，甚至理解和推理新场景下不同的要素，如作战态势，敌方作战意图等。学习能力在循环过程的每个环节中都发挥着作用，是认知电子战最重要的能力要求。

认知电子战系统的自主性、协同性和学习性有着不同的侧重点，但不是完全割裂的，而是互相促进、相互融合的，从这3 个维度层面可对其智能化水平进行一个较为全面的分析和表征。

2.3 认知电子战系统智能化水平表征参数

认知电子战系统中的智能感知特性可由目标感知的自主识别，不同系统或个体之间的感知信息交互，对目标识别过程的学习演进能力等表征；智能判断特性可由对信息数据的自动化处理，不同系统或个体之间的数据信息融合，对情报数据的分析学习能力等表征；智能决策特性可由认知电子战系统自主生成对抗策略，不同系统或个体之间的决策信息共享，对抗策略更新演进等表征；智能行动特性由系统根据对抗策略自主行动，多个系统或主体协同行动，以及根据行动效果进行学习调整等方面表征，如图3 所示。

图3 认知电子战系统智能特性表征Fig.3 Intelligent feature characterization of cognitive electronic warfare system

图3 是基于作战阶段的角度，对认知电子战系统智能化水平在4 个阶段的智能特性表征参数进行归纳整理，本文主要从系统智能化程度的角度，剖析其智能化水平的影响因素和表征参数，所以以自主性、协同性和学习演进能力3 个维度对OODA各个阶段进行分析，可得到基于OODA 环的认知电子战系统智能化水平表征参数，如图4 所示。

图4 基于OODA 环的认知电子战智能化水平表征参数组成图Fig.4 Composition diagram of characterization parameters of the intelligent level of the cognitive electronic warfare based on OODA

3 认知电子战系统智能化水平评估指标体系构建

基于网络层次分析法（ANP）的认知电子战系统智能能力评估指标体系构建方式，采用自上而下、从整体到部分的方法，主要进行指标体系中控制层的能力要素分析，网络层指标的选取及其影响分析。由于认知电子战系统智能化程度由环境感知、智能决策、自主学习和智能协同等不同智能特性共同决定，对于认知电子战OODA 环的侦察、判断、决策和行动4 个阶段的能力，从自主性、协同性和学习性这3 个评估维度，对认知电子战系统智能能力进行分析评价，能力要素指标受网络层相关指标的影响，但与层次化评估指标体系不同的是，能力要素之间也可能存在影响。网络化评估指标体系的具体构建步骤如下。

3.1 确定控制层评估目标和准则

控制层主要由评估目标和直接影响目标的能力要素组成，将认知电子战系统智能能力作为评估目标，感知、判断、决策和行动4 个阶段的智能能力作为评估准则，从而认知电子战系统的智能能力主要由目标感知智能能力、态势判断智能能力、决策智能能力和行动智能能力这4 个阶段的能力要素组成。

3.2 确定网络层元素组指标

分析选取的能力要素指标在系统中的构成和表现，如环境感知的自主性，对抗的自主性，不同电子战装备之间的协同能力，还有目标识别和对抗策略的学习能力等。将认知电子战系统的自主性、协同性和学习性这3 个智能特性作为评估维度，这些能力要素可由认知电子战系统的OODA 作战过程分析分解得到下层影响元素，进而每一个评估准则都可由这3 个评估维度分析出元素组。

3.3 确定元素组指标

根据下页表1 的认知电子战系统智能能力表征参数，以及系统实际情况和评估需要，选取指标作为每个元素组的组成元素。

表1 认知电子战系统智能化水平表征参数列表Table 1 Characterization parameter list of the intelligent level of the cognitive electronic warfare system

3.4 确定评估指标体系

综合各方联系，对各个元素组和元素指标进行合理调整，最终确定认知电子战系统智能能力网络化评估指标体系。

采用网络层次分析法（ANP）设计和构建评估认知电子战系统智能能力的多层次、多类别、相互关联的网络化指标体系，不仅能考虑到静态参数等评估指标，而且能够突显出指标的相互影响关系。根据认知电子战系统智能能力表征参数，构建其智能化水平的网络层次化评估指标体系，将各个元素组中的元素列出后，得到认知电子战系统智能化水平的评估指标体系，如图5 所示（为便于查看，元素组以簇的形式表示，元素层指标图中未标出）。

图5 网络层次化评估指标体系示意图Fig.5 Diagram of networked and hierarchical evaluation index system

综合以上分析，将参数进一步明确为可定量或定性的指标，可得基于OODA 环的认知电子战系统智能水平表征参数列表，如表1 所示。

表1 只是根据认知电子战系统主要功能罗列的通用的一些指标参数，可根据实际系统的特点进行裁剪修改，也可进一步细化指标。

4 评估指标权重确定方法

ANP 的网络结构中控制层中有4 个准则：目标信号感知智能能力（P1），信息分析判断智能能力（P2），干扰决策智能能力（P3）和干扰行动智能能力（P4），每个准则下的网络层有3 个元素组，这3 个元素组分别是由自主性维度、协同性维度和学习性维度划分而来，共包括目标自主侦察、多主体协同感知、目标特征学习等共12 个元素组，分别用C1，C2，O1，O2，…，A3表示，每个元素组中含有不同的指标元素，元素组Ci中有元素ci1，ci2，…，cin（i=1，2，…，n）。利用yaanp 软件构建的网络化评估指标体系如图6 所示。

图6 认知电子战系统智能化水平网络化评估指标体系Fig.6 Networked evaluation index system for the intelligent level of the cognitive electronic warfare system

构建认知电子战系统智能化水平的网络化评估指标体系后，可利用ANP 矩阵求解计算各指标权重值。则利用ANP 确定权重的步骤为：

1）构建元素之间的优势度判断矩阵。判断矩阵是表征元素间以及元素组相互影响大小的矩阵。每个元素组内的判断矩阵可由与之有影响关系的其他元素组的元素为次准则，进而由领域专家采用1-9 标度法打分来构建。

以认知电子战系统中的目标信号感知智能能力准则P1为例，依据该准则下的3 个元素组（目标自主侦察C1、多主体协同感知C2、目标特征学习C3）及各元素组内各个元素进行比较，通过打分确定各相关元素和元素组的判断矩阵。例如，元素组C3中c34（未知信号特征学习能力）对元素组C1中的元素c11（信号自主探测能力）、c12（信号自动分选能力）、c18（辐射源识别能力）和c19（侦察参数自主调整能力）具有影响，从而在c34（未知信号特征学习能力）下构建了元素组C1的判断矩阵，如表2 所示。

表2 元素组C1 的判断矩阵（以c34 为次准则）Table 2 Judgment matrix of element group C1（taking c34 as the sub-criterion）

为保证判断矩阵的可信性，需对所有构建的判断矩阵做一致性检验。一致性指标C.I.的计算公式如下：

2）构造超矩阵。超矩阵W 确定了元素之间的影响程度，由特征根法可得判断矩阵的归一化排序向量。在表2 中，C1的判断矩阵归一化排序向量为：

即在未知信号特征学习能力c34的准则下，辐射源识别能力c18相对其余元素影响度最大。

记Wij为元素组Ci和Cj所包含的所有元素指标之间的排序向量矩阵，表示元素组Ci中元素ci1，ci2，…，cin对元素组Cj中元素ci1，ci2，…，cim的影响程度排序。Wij如公式：

3）构造权矩阵和加权超矩阵。以元素组为对象进行两两优势度比较，确定网络层中元素组Ci之间的相互影响程度，构成权矩阵U，达到超矩阵列归一化。权矩阵U 确定了不同元素组间的影响程度。

拥有权矩阵U 以及超矩阵W，则可以构造得到加权超矩阵W*，定义加权运算为：

4）计算极限超矩阵，确定指标权重。加权超矩阵W*中的元素代表元素指标之间的相互影响程度，极限超矩阵为，行向量的每个数值相同，列数值代表对应指标对于当前准则下的局部权重值。目标信号感知智能能力准则下的二级指标（目标自主侦察能力）的各个指标权重如下页图7所示，根据各指标权重大小，可知辐射源识别能力、脉内特征识别能力、适应信号类型和信号自动分选能力等对目标自主侦察能力的影响较大，这些作为保留指标，而适应雷达信号密度、天线扫描类型识别、信号自主探测指标权重很小，可删除以简化指标体系。

图7 目标信号感知智能能力的指标权重带状图Fig.7 Index weight strip chart of target signal perception intelligence capability

5）确定评估指标体系。根据指标权重筛选指标，根据ANP 计算出所有评估指标的权重，可将权值很小的指标剔除，简化评估指标体系。按照P1指标（目标信号感知智能能力）的筛选和简化方法，依例确定P2指标（信息分析判断智能能力）、P3指标（干扰决策智能能力）和P4指标（干扰行动智能能力）下的三级指标权重后，将整个体系的指标根据权重进行删减简化，可确定优化后的认知电子战系统智能化水平评估指标体系，如图8 所示。

图8 认知电子战系统智能化水平评估指标体系Fig.8 Intelligent level index system of cognitive electronic warfare system

最终得到的指标体系与初始指标体系（如表2所示）相比，删减了14 个权重小、影响低的指标，保留了33 个评估指标，使庞大的评估指标体系科学合理地得到简化。进一步，将定性、定量指标进行无量纲规范化得到指标值，根据层次分析法建立评估模型，对各个评估指标进行加权求和计算，得到认知电子战系统的智能化水平评估数值，进行分析和评价。也可根据实际需求，采用其他合适的评估模型进行指标的聚合计算。

5 结论

认知电子战系统是一个复杂的智能军事系统，其智能化水平（智力）的评估目前也处于初步探索的阶段。在电子战系统及装备智能化发展过程中，正确评估和掌握认知电子战系统的智能化水平对其在作战中所能达到的作战效能尤为关键。本文构建的认知电子战系统智能化水平评估指标体系，有助于分析论证认知电子战系统的智能化水平，发现系统自身的优势与不足，并为今后建设升级方向提供指导准则。同时，该指标体系能够辅助智能装备以及认知电子战系统的智能化评估与考核，从而在认知电子战系统中智能化装备资源分配时为决策提供参考和依据。