范晉祥 劉嘉

摘要：精確制導系統(tǒng)是利用彈載精確探測裝置在復雜戰(zhàn)場環(huán)境中發(fā)現、識別和跟蹤目標，利用慣性技術和/或信息支援保障獲取彈體自身和所要打擊的各種目標的位置和運動信息，控制和導引制導武器準確命中目標的系統(tǒng)。自20世紀70年代正式提出精確制導概念以來，經過40多年的發(fā)展，精確制導系統(tǒng)和技術的發(fā)展取得了巨大的進步和成就，精確制導武器在現代高技術戰(zhàn)爭中的作用和地位也在持續(xù)提高。隨著精確制導系統(tǒng)面臨的戰(zhàn)場環(huán)境的復雜化和目標特性的不確定性程度的提高，精確制導系統(tǒng)與技術的發(fā)展也面臨著越來越大的挑戰(zhàn)。彈載自動目標識別技術是使導彈適應復雜多變的戰(zhàn)場環(huán)境和激烈博弈的對抗條件下精確打擊各類目標的關鍵技術之一，也是精確制導技術領域長期以來重點研究的一個方向，但由于復雜戰(zhàn)場環(huán)境下的自動目標識別、決策要求智能程度較高，盡管幾十年來一直在努力通過提升自動目標識別的智能化水平，來使精確制導系統(tǒng)在復雜戰(zhàn)場環(huán)境和寬范圍變化的目標特性條件下具有穩(wěn)健的性能，彈載自動目標識別問題仍然沒有得到很好的解決。本文介紹了精確制導自動目標識別智能化的發(fā)展進程，分析了當前精確制導自動目標識別智能化所面臨的挑戰(zhàn)，對精確制導自動目標識別智能化的發(fā)展給出了一些粗淺的看法。

關鍵詞：精確制導;紅外成像制導;多模復合制導;復雜戰(zhàn)場環(huán)境;自動目標識別;人工智能;機器學習

中圖分類號：TJ765.3;V249文獻標識碼：A文章編號：1673-5048（2019）01-0030-09[SQ0]

0引言

作為現代戰(zhàn)爭中最重要的一類武器，精確制導武器自問世以來，在美軍主要參戰(zhàn)的幾次局部戰(zhàn)爭中使用的比例越來越高，發(fā)揮的作用也越來越大。但隨著現代戰(zhàn)爭作戰(zhàn)方式和作戰(zhàn)環(huán)境復雜性、變化性的提高，尤其是對付各類精確制導武器的各種對抗手段的發(fā)展，精確制導系統(tǒng)也面臨著日益嚴峻的挑戰(zhàn)，對精確制導武器的攻擊距離和作戰(zhàn)使用方式等都有了更高的要求，如使紅外制導的空空導彈具有更遠的射程，能夠在復雜的作戰(zhàn)對抗環(huán)境下實現發(fā)射后鎖定，這就需要紅外導引頭能夠在導彈發(fā)射后自主截獲鎖定目標，能夠在復雜的戰(zhàn)場對抗環(huán)境中識別出所要攔截的目標。

精確制導自動目標識別，基于彈載傳感器獲得的信息，或者綜合利用彈載傳感器和導彈接收的外部信息及目標特征數據庫，通過彈上計算機信息處理（自動目標識別）算法，在各種作戰(zhàn)使用環(huán)境下探測感興趣的敵方目標并完成分類、識別，對于導彈武器在復雜多變的戰(zhàn)場環(huán)境和激烈博弈的對抗條件下精確打擊各類目標具有重要意義。

本文介紹了精確制導自動目標識別智能化的現狀，分析了精確制導自動目標識別智能化所面臨的挑戰(zhàn)，對精確制導系統(tǒng)智能化的發(fā)展進行了粗淺的思考。

1精確制導系統(tǒng)智能化的發(fā)展進程與現狀

1.1精確制導自動目標識別智能化的發(fā)展進程

自動目標識別技術的發(fā)展最早可追溯到20世紀60年代末，經歷了近50年的發(fā)展歷程，提出了多種多樣的自動目標識別算法。縱觀自動目標識別領域的發(fā)展，始終在致力于提高自動目標識別系統(tǒng)的自適應和學習能力。早期的系統(tǒng)以統(tǒng)計模式識別為主，其后發(fā)展了基于模型的視覺和基于知識的系統(tǒng)，又將人工神經網絡、支持向量機及深度學習等技術應用于自動目標識別領域，自動目標識別技術的主要發(fā)展歷程如圖1所示。

（1）早期的發(fā)展：試圖采用基于特征的統(tǒng)計模式識別解決自動目標識別問題

早在20世紀70年代，美國就開始針對機載光電火控系統(tǒng)及紅外成像制導導彈等應用發(fā)展

自動目標識別技術，期望采用圖像處理和基于特征的統(tǒng)計模式識別技術來解決目標識別問題。

基于特征的方法假設源于不同類別目標的特征在多維特征空間的一個可分離的區(qū)域，而源于相同的類的特征聚集在一起，并通過設計特征提取算法和分類器實現目標類別的識別。基于特征的方法是一種自上而下的方法，它試圖獲取目標的多方位的變化，并采用特征的形式來表示，這些特征被用于產生一個訓練的分類器。這種方法的實際識別結果遠未達到期望的要求，穩(wěn)健性較差，低雜波中的檢測概率不超過70%，虛警率較高。主要問題包括：僅利用目標探測傳感器的信息;紅外成像傳感器和信息處理機硬件的約束;測試集非常有限;對紅外圖像的變化性了解不足;沒有利用所有可利用的數據。

僅有有限的知識，幾乎沒有從動態(tài)的環(huán)境學習并適應于它的智能和推理能力，難以應對在擴展的運行使用條件下的目標特征變化所帶來的“組合爆炸”問題，當面臨的特征與在離線訓練階段所使用的特征有明顯的變化時就無能為力。

為此，提出了如表1所示的解決方案和技術途徑，期望通過嵌入人工智能來顯著提高系統(tǒng)性能。

（2）20世紀80年代：嘗試將人工智能應用于自動目標識別領域

鑒于第一代自動目標識別系統(tǒng)存在的諸多問題，20世紀80年代，開始探討將人工智能應用于自動目標識別領域，提出了基于知識的自動目標

識別，試圖用簡單的推理規(guī)則描述在實踐中逐步積累的知識和經驗，在人工智能框架中利用上下文信息、語義信息和問題領域的知識來提高自動目標識別系統(tǒng)的性能。主要問題包括：難以從傳感器中抽取必要的數據以支持推理;難以獲取、表示和發(fā)掘利用先驗知識（如地形數據）;缺乏適用于自動目標識別的總體性的知識表示結構;基于規(guī)則的人工智能系統(tǒng)對具體的假設和環(huán)境非常敏感，速度較慢，幾乎沒有學習能力。

b.基于模型的自動目標識別方法

20世紀80年代中期提出了基于模型的自動目標識別方法。與基于特征的方法不同，基于模型的方法以自下而上的方式處理識別問題，通過在設計中加入先驗知識來應對基于特征的方法所遇到的主要挑戰(zhàn)?；谀Ｐ偷乃惴ㄒ獦嫿ㄒ粋€用于感興趣的目標的整體性的一般的物理模型，形成包括感興趣的場景的目標模型庫，這種方法首先從輸入的前視紅外或合成孔徑雷達圖像提取特征，然后，將所提取的特征與在飛行中根據預設計的感興趣目標模型和傳感器模型推導出的特征假設進行比較，直到達到具有一定的置信度水平的匹配。

基于模型的方法則將知識嵌入在設計中，使它更加靈活，且能夠應對各種運行使用條件。然而，應當注意到，這一能力取決于目標模型設計的通用性，這是一個主要的挑戰(zhàn)。此外，還有一個主要的挑戰(zhàn)是所涉及的設計復雜性和計算復雜性。

c.基于模板匹配的自動目標識別方法

20世紀80年代中期，提出將算法分為兩級：感興趣區(qū)域提取和目標識別。先依據一定的準則提取感興趣區(qū)域，然后采用模板匹配器將感興趣區(qū)域與存儲的目標模板進行比較，把與目標模板最接近的感興趣區(qū)域分類為目標。與基于統(tǒng)計模式識別的目標識別系統(tǒng)相比，性能顯著提高，在低到中等雜波條件下，檢測概率提高到80%，分類和識別性能也明顯提高。

d.人工神經網絡在自動目標識別中的應用

由于基于知識的和基于模型的自動目標識別方法的表現仍不盡如人意，同時人工神經網絡研究再度興起并掀起了新的熱潮，20世紀80年代末期，開始探索采用神經網絡方法來解決自動目標識別問題，期望提高識別速度和適應于目標和環(huán)境變化的能力，為自動目標識別算法提供人工神經網絡所固有的學習能力。主要問題：容易陷入局部最優(yōu);由于自動目標識別領域的復雜性，常規(guī)的神經網絡不能在有限樣本情況下，對目標的所有姿態(tài)和各種背景條件下給出所期望的性能。

（3）20世紀90年代：支持向量機（SVM）在自動目標識別中的應用

20世紀90年代以來，支持向量機作為一種有堅實理論基礎的新穎的小樣本學習方法，得到快速發(fā)展，用于解決人工神經網絡的“維數災難問題”和Bayes網絡中“網絡規(guī)模爆炸問題”，成為模式識別和統(tǒng)計機器學習領域的研究熱點，并在自動目標識別等領域得到應用。支持向量機方法可以對線性可分的不同類型進行分類，當類別劃分的界限明顯時能夠得到很好的性能。主要不足：對大規(guī)模訓練樣本難以實施SVM算法;解決多分類問題存在困難;尋求合適的核函數相對困難;當數據集具有更多的噪聲時，亦即目標類是交疊時，得不到很好的性能。

（4）深度學習的興起及其在自動目標識別領域的應用

2006年提出的深層神經網絡學習算法，使人工神經網絡東山再起，對深度學習網絡的興趣迅速爆發(fā)，深度學習在圖像識別等領域也獲得了成功的應用，在計算機視覺問題上表現出卓越的性能，并成為解決自動目標識別問題的一種有效途徑。

由于軍事應用的特殊性，難以得到大量的訓練數據供基于紅外的目標識別學習。為了應對紅外目標和場景的寬泛變化性，自動目標識別研究者評估了深度卷積神經網絡算法對于紅外目標分類問題的適用性，有研究者提出在深度學習中，采用遷移學習或合成紅外圖像生成器來解決紅外數據庫規(guī)模較小的問題，在卷積神經網絡訓練和測試期間采用降低紅外變化性的模塊來解決紅外圖像的大的變化性的問題。

總體來看，盡管幾十年來人們發(fā)展了多種多樣的自動目標識別算法，自動目標識別主要有三大技術路線：

（1）基于特征識別的技術路線

從物理空間提取、選擇目標的特征形成在特征空間的特征向量，通過分類器實現目標類別的識別。

（2）基于模板識別的技術路線

事先存儲目標在“各種條件”下的模板圖像，通過計算待識別的圖像與模板圖像之間的相似性實現目標類別的識別。

（3）基于模型的技術路線

采用目標的物理模型、傳感器模型及目標紅外輻射或電磁散射計算模型等，實時或近實時預測目標在任意姿態(tài)、配置或觀測幾何條件下的圖像或特征，將實際傳感器實測的數據與模型計算結果進行匹配，通過評估匹配關系的強弱來完成目標的分類或確認。也有文獻將基于特征識別和基于模板識別的技術路線統(tǒng)稱為基于模板識別的技術路線。

1.2精確制導自動目標識別智能化的應用現狀

目前，精確制導系統(tǒng)主要通過自動目標識別算法對紅外成像傳感器、激光雷達、毫米波雷達和合成孔徑雷達所獲取的目標及其周圍場景的圖像信息進行分析、判斷來識別目標。某些空地導彈、巡航導彈已經成功應用了紅外圖像自動目標識別技術，基于射頻雷達、激光雷達的自動目標識別技術也取得了很大的進展。隨著彈載探測傳感器分辨率的不斷提高以及多波段/多光譜及多模復合彈載探測傳感器的發(fā)展，導引頭可以提供多波段/多光譜的目標特征，獲取信息能力持續(xù)增強，還針對多模復合導引頭發(fā)展了基于多傳感器融合的自動目標識別技術，以實現對目標高靈敏度的探測和高精度的識別、跟蹤。隨著導彈武器的信息化，以及網絡化信息交聯能力的提高，精確制導系統(tǒng)將在導彈本身獲取目標信息的基礎上，充分利用信息化、網絡化協(xié)同作戰(zhàn)系統(tǒng)提供的信息，通過彈上計算機信息處理（自動目標識別）算法，實現對目標的智能選擇與識別，有望具備更強的抗干擾/抗欺騙/誘餌識別能力。

目前，自動目標識別在精確制導空地導彈的自動目標截獲的典型應用如下：

AGM-84H/KSLAM-ERATA系統(tǒng)，為駕駛員提供實時目標引導，幫助確定希望的目標瞄準點，采用模板匹配算法將導彈紅外導引頭實時獲取的圖像與在任務規(guī)劃時存儲在導彈上的基準圖進行比較，從目標場景中自動確定預先規(guī)劃的瞄準點。

AGM-158AJASSM導彈的紅外成像導引頭采用自動目標識別算法，每枚導彈中存儲八種不同目標的模板（三維模型）。已經部署了新的聯合任務規(guī)劃系統(tǒng)和精確瞄準模塊（PTM），PTM可將三維目標圖像轉換為用于導彈的紅外成像導引頭的數字數據（模板）。

AGM-154C（JSOW-C）導彈也采用自動目標截獲（ATA）技術。

自動目標識別技術在多模復合精確制導導彈的典型應用是美國的LRASM反艦導彈。LRASM反艦導彈綜合采用彈載主動雷達、紅外成像和被動射頻傳感器的數據或來自飛機或艦艇的雷達圖像，首先利用被動射頻傳感器的數據識別并跟蹤艦船目標，然后在其彈載雷達得到雷達回波信號后，將回波信號與存儲的目標三維模型集進行匹配，以識別敵方的艦艇，在到達紅外傳感器有效距離后，可綜合雷達和紅外圖像數據提取目標的薄弱部位作為瞄準點進行攻擊。

2精確制導自動目標識別智能化所面臨的挑戰(zhàn)

人工智能和機器學習在過去的十幾年發(fā)展迅速，尤其是在過去的五年中，由于在計算能力和機器學習方面的指數型的增長，人工智能的發(fā)展顯著加速，由于能得到和接入大的數據集，通過云計算和高性能計算，實現了機器學習、計算機視覺和深度神經網絡的迅速發(fā)展。例如，基于標引的大規(guī)模數據集上采用卷積神經網絡的深度學習，在視頻跟蹤和人工駕駛等方面取得了顯著的進步。然而，人工智能和機器學習技術在精確制導系統(tǒng)等軍事應用上還未取得顯著進步。精確制導系統(tǒng)智能化，尤其是自動目標識別的智能化，是以美國為代表的軍事強國40年前就期望實現的目標，但在大多數導彈系統(tǒng)中并沒有達到預定目標。這是因為目前的人工智能和機器學習技術還不適于強雜波的、擁擠的、復雜的、快速變化的軍事應用場景，而且精確制導自動目標識別智能化還面臨著其他困難和挑戰(zhàn)。

2.1作戰(zhàn)環(huán)境和電子/光電干擾環(huán)境越來越惡劣，復雜干擾嚴重制約目標識別和抗干擾能力

由于受眾多因素（目標結構、目標/傳感器截獲參數（如方位角、俯仰角、傾斜角）、目標/雜波交互作用（如被植被遮掩、偽裝））的影響，在作戰(zhàn)條件下，目標的變化性呈現出組合爆炸。目標可以全方位地出現，且在不同的譜段、不同的環(huán)境和作戰(zhàn)條件下有不同的特征;偽裝、隱蔽、欺騙（誘餌）顯著增加了目標的維度空間。

因此，未來精確制導導彈的作戰(zhàn)環(huán)境是復雜的，且不可預測，要解決復雜作戰(zhàn)環(huán)境下的目標識別和抗干擾問題，需要能有效處理具有較少樣本、數據有噪聲的數據集，并運行包括大量的“雜波”環(huán)境中的新的人工智能和機器學習方法。這些數據難以提前獲取和處理，且數據有多種類型。在這一環(huán)境中，某些事件和信息流可能是自然的，可以預計的，另一些則是欺騙性的，有敵意的，當應對復雜的和近對等的對手時，擁擠的和欺騙的環(huán)境將尤其具有挑戰(zhàn)性，這就要求人工智能和機器學習方法不僅是穩(wěn)健且彈性的，而且還能對各種情況的不確定性進行推測、推理。

2.2彈載目標探測傳感器與彈載計算機能力的限制

由于重量、體積、功耗等約束，彈載目標探測傳感器的孔徑、紅外焦平面陣列的規(guī)格、多光譜傳感器的譜段數、微波/毫米波發(fā)射機的功率等都受到局限。

以紅外成像傳感器為例，盡管紅外焦平面探測器技術快速發(fā)展，紅外成像傳感器的性能顯著提高，單色紅外成像傳感器的性能已接近物理極限。然而，隨著紅外成像傳感器技術的改進，人們認識到背景雜波、植被等造成的高虛警數，地形和植被等造成的遮掩，被動體制難以精確估計目標距離，目標特性的變化性、模糊性等因素都會影響到自動目標識別的性能。這些限制促使人們考慮采用諸如毫米波雷達、合成孔徑雷達、激光雷達和可見光光電傳感器。

試驗表明，采用兩個或者更多的傳感器可以顯著提高精確制導導彈的整體性能。采用多波段/多光譜傳感器、三維激光雷達及多模復合傳感器，可以提供更多維度的目標特征，實現對目標的可靠探測和高準確度識別。利用多個傳感器獲取用于目標檢測和識別的數據是顯著提高自動目標識別性能的主要途徑，

檢測和識別目標可以并發(fā)地利用多傳感器，對數據進行融合可以利用光譜和幾何差異等來實現可靠決策。

在多傳感器融合目標識別方面還有許多問題，如來自多傳感器非同時數據的相關，以及出現相互沖突的報告時，如何確定對目標的正確分類。

彈載計算機的處理能力也受到很大的限制，

彈載自動目標識別系統(tǒng)的運行使用環(huán)境是復雜的、動態(tài)的，且有很大的不可預測性，這與很大程度上依賴于大的和穩(wěn)定的訓練數據和相對靜態(tài)的運行使用環(huán)境，且能接入巨大的計算資源的商用人工智能和機器學習不同。彈載應用場合不大可能、甚至無法接入強大的云計算設施。

2.3自動目標識別的多學科性

自動目標識別系統(tǒng)涉及到目標和背景特性、目標探測傳感器、處理算法、實時目標識別處理機硬件體系結構等多種技術和學科領域。在實現中，目標所處自然環(huán)境和電磁環(huán)境的復雜性，極大地增加了自動識別的困難;自動目標識別系統(tǒng)實現中采用復雜的算法與技術，使其工作機制愈加復雜;自動目標識別系統(tǒng)的重量、體積、功耗受限，實時實現必須有小型化的實時圖像信息處理器芯片等硬件的支撐。

2.4數據的充分性、有效性難以保證

精確制導自動目標識別的智能化離不開利用彈載傳感器獲得的信息和導彈接收的天基、空基或地面控制站的信息及目標特征數據庫，所謂智能化就是利用所獲得的數據自動做出決策。一般認為，系統(tǒng)之所以做不出正確決策，是因為所提供的數據不夠或不準，數據的充分性、有效性將直接影響著智能化精確制導系統(tǒng)的性能。

（1）彈載傳感器獲得信息的局限性

由于彈載應用對重量、體積、功耗等的約束，彈載傳感器的孔徑、采用的紅外焦平面陣列的規(guī)格、多光譜傳感器的譜段數、微波/毫米波發(fā)射機的功率等都受到限制，因此傳感器的空間分辨率等有限，難以在所要求的識別距離上提供足夠多的信息，給導引頭的自主目標識別能力帶來了很大的挑戰(zhàn)。

（2）訓練數據集的有限性

在具有變化的環(huán)境條件的多種場景中，為了開發(fā)出從二維的、可能并不理想的紅外圖像中探測、分類和識別三維物體的穩(wěn)健的自動目標識別算法，必須要有足夠多的、能夠代表各種戰(zhàn)場場景和目標特性的圖像數據庫，并對自動目標識別系統(tǒng)進行評估、訓練、優(yōu)化，而且還需要有效解決構建具有充分代表性的圖像數據庫和開發(fā)自動目標識別系統(tǒng)的時間與成本限制之間的矛盾問題。

當前人工智能和機器學習的許多成功算法都需要大量的數據來訓練，如AlexNet使用深度卷積神經網絡將120萬個高分辨率圖像分為1000個不同的類。在軍事應用情境下，很少能得到這樣巨大的數據集，即便有大量采集數據，它們經常不是標注的，因此，不適于依靠監(jiān)督學習范式的訓練算法。因為，采用監(jiān)督學習，必須為學習算法提供屬于已知的類的例子，然后由算法訓練標注的例子。當提供的是稀疏的、不完全的數據集時，許多算法（如采用深度學習的卷積神經網絡）得不到良好性能，不適于支持軍事運用場景應用。

（3）戰(zhàn)場環(huán)境的復雜化、目標特性的不確定性和博弈的對抗條件導致信息的不完全性

在彈載目標識別場合，敵方可能試圖采用主動對抗措施來挫敗目標識別，目標列表經常是與任務使命相關的，不一定是一個封閉的集合，而且可能每天都會有變化，很難獲得足夠完備的訓練和測試數據集。有關特定類型的目標的數據是稀少的或者不存在的，而且訓練數據可能并不代表戰(zhàn)場條件。

在實際作戰(zhàn)中，由于復雜多變的戰(zhàn)場環(huán)境、不確定的目標特性和激烈博弈的對抗條件，幾乎無法得到“足夠”的數據，精確制導系統(tǒng)難以作出在不完全信息條件下的決策。自動目標識別系統(tǒng)將會遇到目標特征的不可重復性、復雜多變的雜波背景環(huán)境、目標遮掩、低對比度（對某些傳感器）、遠距離（低分辨率）、證據沖突、存在偽裝、遮掩與干擾、欺騙以及外界場景的多變性（不同的地理區(qū)域、戰(zhàn)場條件和氣象條件）等問題的困擾。

2.5現有的人工智能和機器學習算法的局限性

現有的許多商用人工智能和機器學習算法的一個重要限制，是它們對訓練數據集的“批處理”。采用批處理時，需要一次得到所有的訓練數據，使學習算法能構建一個可運行在實際應用場景中的模型，它們實現學習方法的主要途徑是基于神經網絡，進行訓練需要在使用前對幾百萬個參數和數據點進行優(yōu)化，這一訓練過程需要云基礎設施以存儲巨量的數據。當不能得到大量的數據或云服務時，需要現場學習，訓練深度網絡是棘手的。于是，問題變成了怎樣設計可以穩(wěn)定地在線學習，并在僅幾十到幾百個數據點之后良好地工作的學習方法，而且在觀測數變得非常大時達到深度學習的目標。

最近，許多成功的機器學習算法是基于有監(jiān)督的學習，對此，需要能完全表征所訓練智能體的所有運行使用場景的樣例訓練數據。但對于與精確制導導彈應用相關的作戰(zhàn)使用，這樣大數量和高質量的訓練數據，對于與精確制導導彈應用相關的作戰(zhàn)使用通常是不現實的。在有監(jiān)督的學習系統(tǒng)中，為學習體提供正確的答案或者對數據集中的每個樣例輸入正確的標注，即將一個輸入集X映射到一個輸出集Y中。在理想情況下，機器學習的軍事應用不僅依賴于有監(jiān)督的方法，還應當采用新的半監(jiān)督或無監(jiān)督的方法。然而，目前最先進的無監(jiān)督學習方法對于應對與軍事相關的場景時不夠穩(wěn)健。為了實施人工智能和機器學習，需要研究開發(fā)對噪聲不太敏感，并能采用稀疏標注或者完全沒有標注的數據集，有效、準確地推廣新的半監(jiān)督和無監(jiān)督的學習算法。

2.6自動目標識別缺乏理論支撐

由于缺乏科學理論的支撐，沒有建立信息論測度來確定自動目標識別系統(tǒng)的性能上界，難以理解和預測自動目標識別系統(tǒng)的性能。

尚不能對目標和雜波等圖像場景內容進行有效的數學描述，沒有建立圖像場景的物理模型與采用某種處理能提取什么信息之間的定量關系，沒有建立可量化自動目標識別系統(tǒng)的目標特性模型或場景描述，對紅外圖像中雜波的理解和量化是多年來一直未能解決的難題。

由于缺乏雜波和場景難度測度，以及算法概念的寬泛變化性，建模問題很難解決。

對單傳感器目標識別算法的改進和對多傳感器目標識別系統(tǒng)中傳感器的選擇和融合方法的研究與改進目前還主要是基于直覺和試錯方式。

3對精確制導自動目標識別智能化發(fā)展的幾點看法

3.1單一技術途徑難以解決自動目標識別難題，必須走系統(tǒng)綜合、技術融合的路線

自動目標識別幾十年的發(fā)展歷程表明，沒有一種單獨的技術途徑能夠解決所有的自動目標識別問題，新發(fā)展的技術途徑都是在某些特定場景、針對某些應用使某些性能得到改進。未來的精確制導系統(tǒng)，將可能是融合多種彈載目標探測傳感器信息，以及信息化、網絡化協(xié)同作戰(zhàn)系統(tǒng)提供的信息和多種算法來實現作戰(zhàn)性能的系統(tǒng)。

從精確制導體系的角度考慮，精確制導系統(tǒng)的智能化設計綜合利用體系內多種平臺、多種傳感器、多種武器的資源，提高體系效能。

（1）聯結體系內多種平臺、多種傳感器、多種武器，通過空間和頻譜分集提供先進的能力。

（2）綜合利用體系內多種平臺、多種傳感器、多種武器的資源，降低對單個武器的要求。

（3）綜合利用武器體系內多信息源提供目標信息和氣象、情報數據改進目標識別。

（4）采用分布式協(xié)同組網精確制導技術，有效地解決復雜環(huán)境目標識別、多對多攔截、交戰(zhàn)問題，提高彈道導彈防御系統(tǒng)動能攔截彈在復雜對抗環(huán)境和多彈頭攻擊環(huán)境下的攔截效能，以及反艦導彈在復雜對抗環(huán)境下的突防能力和攻擊艦隊群目標的能力。

（5）采用多波段/多光譜傳感器及多模復合傳感器獲取更高維度的信息。

（6）采用不同技術路線的算法的融合，克服單一途徑的局限性。

3.2加強體系級設計，強化需求分析和可實現性分析及基于體系資源利用的設計

由于自動目標識別系統(tǒng)涉及到各種各樣的作戰(zhàn)使命和設備功能，沒有普適的算法或硬件任務的解決方案。對于不同的應用場合，自動目標識別系統(tǒng)采用的傳感器（或傳感器組合）及其獲得的信息，以及自動目標識別系統(tǒng)最終要實現的功能、性能必須與作戰(zhàn)使命的功能要求相匹配。因此，在開發(fā)針對某一應用場合的自動目標識別系統(tǒng)前，必須加強系統(tǒng)級的設計，全面詳細地分析作戰(zhàn)目標和戰(zhàn)場背景環(huán)境特性，根據作戰(zhàn)目標（目標大小、是否運動、目標電磁輻射特性）和戰(zhàn)場背景環(huán)境，選擇適當的傳感器或傳感器組合，分析為達到所需識別性能要求（識別距離、正確識別概率、虛警率），對成像傳感器的分辨率要求。

3.3加強支撐精確制導自動目標識別智能化的基礎建設與理論研究

（1）加強目標特性數據庫建設，為智能化技術提供數據保障

精確制導系統(tǒng)的智能化離不開利用彈載傳感器獲得的信息和導彈接收的天基、空基或地面控制站的信息及目標特征數據庫，智能化的前提是要有充分、有效的數據。

自動目標識別算法在訓練和測試時必須采用目標特征數據庫，因此，必須建立包括適當數目的有代表性的樣本、用于有效的訓練和測試的目標特征數據庫。在軍用目標識別領域，圖像數據庫通常不是公開的，因為可能包括高度保密的信息（如目標的紅外特征），導彈系統(tǒng)開發(fā)者和研究者必須創(chuàng)建自己的目標特性數據庫。導彈系統(tǒng)中對具有精確的、穩(wěn)健的算法有很高的標準。為了實現所希望的性能水平，自動目標檢測和識別算法應針對涉及到目標類型、導彈的高度、天氣條件等各種因素進行專門設計，要使這些算法能夠適應于諸多因素的寬泛的變化范圍，需要巨大的圖像數據庫。

美國軍方正在采集和處理大量的數據，對數據進行標注以訓練人工智能和機器學習算法，使系統(tǒng)在軍事場景中有效運行。盡管數據獲取很困難，而且存在是否能獲取足夠的數據來提供給最先進的算法，以使這些算法能在軍事作戰(zhàn)條件下實現良好性能的問題。2017年4月，美國國防部前副部長RobertWork宣布建立Maven項目，建立了一個跨功能算法戰(zhàn)組，致力于發(fā)展增強用于戰(zhàn)術無人機系統(tǒng)和中空全運動視頻的數據處理、發(fā)掘和分發(fā)并實現自動化的技術。

陸軍研究實驗室也在開展用于訓練人工智能和機器學習算法的數據獲取工作，包括使用自動化在線數據庫來存儲和分發(fā)在外場獲取的多情報數據集，以支持情報監(jiān)視和偵察界的分析工具和算法的試驗、驗證。

（2）以精確制導自動目標識別與人工智能結合為切入點，加強適于精確制導系統(tǒng)應用的人工智能技術研究

盡管可以開展獲取和標注大量相關數據的工作，在很多情況下獲取許多主流的人工智能和機器學習算法所需的足夠數據是不可能的。例如，如果采用現有的人工智能和機器學習方法，將難以在與彈載數據庫中所存儲的環(huán)境數據不同的作戰(zhàn)環(huán)境中使用，生成能覆蓋智能系統(tǒng)在未來任務中將遇到的寬范圍作戰(zhàn)使用情況的代表性場景是不可能的。盡管正在研究利用仿真數據由現有的數據導出大量的訓練集（如采用生存對抗網絡等方法產生訓練數據集），但目前還不明確這樣的方法能否提供使算法在作戰(zhàn)使用條件下有良好性能的樣例。需研究可同時運行于在線學習模式和運行使用模式的新算法（即邊學習邊運行），一次接收一個采樣的數據，并處理總的觀測采樣集的一個小子集，而無需提供整個數據集用于訓練（在批處理模式學習時需要整個數據集）。除了開發(fā)用于在線監(jiān)督學習的方法外，還需要開發(fā)能夠以非監(jiān)督的方式工作以及采用工作在未知環(huán)境中的智能體所獲取的標注數據的新的人工智能和機器學習方法。

參考文獻：

[1]高曉冬，王楓，范晉祥.精確制導系統(tǒng)面臨的挑戰(zhàn)與對策[J].戰(zhàn)術導彈技術，2017（6）：21-26.

GaoXiaodong，WangFeng，FanJinxiang.TheChallengesandDevelopmentPathsforPrecisionGuidanceSystem[J].TacticalMissileTechnology，2017（6）：21-26.（inChinese）

[2]范晉祥.對紅外成像自動目標識別智能化發(fā)展的思考[C]∥2017年光學技術研討會暨交叉學科論壇論文集，2017.

FanJinxiang.ThinkingonIntelligentDevelopmentofInfraredImagingAutomaticTargetRecognition[C]∥Proceedingsof2017OpticalTechnologySeminarandInterdisciplinaryResearch，2017.（inChinese）

[3]文貢堅，朱國強，殷紅成，等.基于三維電磁散射參數化模型的SAR目標識別方法[J].雷達學報，2017（2）：115-135.

WenGongjian，ZhuGuoqiang，YinHongcheng，etal.SARATRBasedon3DParametricElectromagneticScatteringModel[J].JournalofRadars，2017（2）：115-135.（inChinese）

[4]KazemiH，IranmaneshM，NasrabadiNM.AutomaticTargetRecognitionUsingDeepConvolutionalNeuralNetworks[C]∥ProceedingsofSPIE10648，AutomaticTargetRecognitionXXVIII，2018.

[5]ElDarymliK，GillEW，McGuireP，etal.AutomaticTargetRecognitioninSyntheticApertureRadarImagery：AStateoftheArtReview[J].IEEEAccess，2016，4：6014-6058.

[6]高穎慧，王平，李君龍，等.復雜戰(zhàn)場環(huán)境下的防空反導光學成像制導技術[J].現代防御技術，2012（1）：6-10.

GaoYinghui，WangPing，LiJunlong，etal.OpticalImagingGuidanceTechnologyinComplicatedBattlefieldEnvironment[J].ModernDefenceTechnology，2012（1）：6-10.（inChinese）

[7]范晉祥，楊建宇.紅外成像探測技術發(fā)展趨勢分析[J].紅外與激光工程，2012，41（12）：3145-3153.

FanJinxiang，YangJianyu.DevelopmentTrendsofInfraredImagingDetectingTechnology[J].InfraredandLaserEngineering，2012，41（12）：3145-3153.（inChinese）