图3 “边云协同”联合抗干扰机制

Fig.3 Joint anti-jamming mechanism of“edge-cloud synergy”

多样化复合分类决策立足于“边云协同”组织架构，利用整体的计算、分析和存储资源，将分布感知得到的海量干扰数据进行压缩降维等综合处理，并在历史数据库的支撑下自主实现特征提取和参数学习，充分发挥智能决策优势。

多任务同时估计消除则重在提升边缘节点的自身抗干扰能力，同时段内检测到的不同类型干扰信息能够进行同步处理，通过变换分析和逼近学习，鲁棒应对各种干扰样式和内在结构，实现不同频谱感知状态的有效干扰消除。

分布式联合分离处理关注于节点群内的统一干扰检测，多个节点依托分布式感知和最优变换处理，按照单独分离和共同分离的能力要求，基于状态演进和学习策略达到不同分布检测情况的高效干扰抑制。

多手段协同优化管理则以组网节点的整体吞吐量提升为目的，内部干扰和外部干扰共同作用，频谱分配和功率控制效果均衡，分层分类按需组合优化，保证资源有限的网络性能最大化。

    5 联合抗扰关键问题 

随着通信电子战技术的飞速发展，出现了智能干扰和认知干扰等多样化干扰形式，在这种情况下，冲突双方通过频谱检测技术，有能力快速转变通信模式及其对抗策略；期间出现了许多新型干扰波形，也表现出多态性和多变性的特点，严重地降低了无人系统节点的抗干扰能力。为维持无人系统协同组网在战术边缘环境下通信的安全性和可靠性，根据认知抗干扰通信的基本内涵和能力要求，结合无人系统“边云协同”的联合抗干扰机制及其传输特点，目前主要在干扰的检测分类、估计消除、变换分离和协同管理等联合抗干扰方面还存在提升空间。

5.1 多样干扰的检测分类

随着通信电子战技术的飞速发展，出现了智能干扰和认知干扰等多样化干扰形式，在这种情况下，冲突双方通过频谱检测技术，有能力快速转变通信及其对抗策略；期间出现了许多新型干扰波形，也表现出多态性和多变性的特点，严重地降低了无人系统的抗干扰能力。传统的分类方法已经难以满足未来干扰类型的多样性和不确定性的要求，需要具备自主的训练学习和特征提取能力；同时，考虑到电磁环境的复杂性，敌我电磁频谱对抗的强度、维度和频次愈发激烈，由此带来大量数据需要对其进行有效处理。因此，通过频谱感知获取干扰频谱信息，利用高效的大样本未知干扰分类识别方法进行针对性变换域处理，成为提升无人系统通信安全性和可靠性的重要途径。

然而，以往的研究工作大多通过分类和变换分析来实现对特定干扰的抑制处理，系统性能严重依赖于干扰检测技术和特征参数提取，从而限制了方法在推广应用中的有效性和鲁棒性；同时，现有研究集中于干扰类型已知或给定的情况下进行处理，由于干扰样本的可变性和干扰选择的不确定性，传统大规模训练样本的学习效率仍然很低，在实际应用处理干扰数据时易受多种因素的影响，预期的分类精度与实际处理结果相差较大，有时很难满足干扰检测要求，若重新学习再分类的工作量较大。值得庆幸的是，机器学习和智能方法为解决未知信号的分类识别问题提供了有效的途径，并随之发展出了许多创新方法，如监督学习、半监督学习和无监督学习等。它们基于群体智能所提取的信号特征能够较好地满足不同情景下的分类识别要求，并且能够通过持续学习来不断更新反馈。其中，基于贝叶斯决策理论的概率神经网络（probabilistic neural network，PNN）[40-41]以其训练简单、扩充性好、易于硬件实现等优点，能快速收敛于贝叶斯最优解，具有较强的容错性，适合于大样本的实时处理，但对干扰分类识别缺乏适应性和针对性；适应性更强的模拟生物神经网络和自组织特性的自组织映射（self-organizing map，SOM）神经网络[42-43]，通过引入获胜神经元和邻居发现功能，在传统网络拓扑的基础上模拟了侧抑制现象，被广泛应用于数据聚类和模式识别，但在未知干扰信号处理方面，尚未有研究工作涉及，而且直接套用处理速度受限，性能优势不突出。因此，需要通用性强且具有一定自主学习的干扰分类识别方法以提高应对多类干扰的处理能力。

5.2 多变干扰的同时消除

随着未来无人系统在宽带稀疏信道下传输速率和质量要求的提升，在干扰的分类识别和时域抑制方法基础上，通过获取信道的部分先验信息，发展了自适应阈值选择的压缩感知时域估计方法。为了进一步摆脱先验知识的约束限制，稀疏贝叶斯学习提供了一种有效提高稀疏信号估计性能的方法，而且不需要额外的信道特性分布等先验知识，解决了多样化干扰检测估计问题；此外，结合一种渐近的最优估计方法，实现了最小均值的平方估计误差，尤其对稀疏信号的非零项分布具有较强的鲁棒性[44]。虽然稀疏贝叶斯学习在信号或干扰是稀疏的情况下，可以显著地减少估计误差，并实现目标的重构恢复，但它严重依赖于检测到的一些特殊干扰形式（特别是在时间或频率域上有一个连续块稀疏结构的脉冲干扰或窄带干扰等），而在很大程度上忽视了其他具有分散和可变稀疏特性的灵活干扰形式（如梳状谱干扰、线性调频干扰等）。此外，现有的方法更多地只关注于一个观测向量，而不是利用不同的分布位置或变换中收集获得的多重响应向量进行联合处理，从而制约了性能精度的进一步提升。虽然部分多重响应方法扩展应用于具有共同稀疏表示部分的同时稀疏近似问题求解过程[45]，却忽略了类型多样的不同干扰形式，这将限制其在差异化干扰复合稀疏表示中的推广应用。由于无人系统自身处理性能及其边云计算、存储能力的提升，在诸多感知节点历史积累的数据库支撑下，结合原理简单的时域滤波技术特点，使得同时处理一段时间内相关的历史干扰样本成为可能，亟待需要一种能够同时有效消除不同类型干扰的普适性方法。