数字媒体艺术 计算机科学与技术 软考报名 信息处理技术员 行业资讯 考试大纲 直播动态 网络安全 网络管理 通信技术 OpenHarmony 计算机与网络 企业信息化 软件工程 Linux 嵌入式Linux开发基础(ARMAtom) 离散数学 操作系统 C++程序设计 Java 语言程序设计 智能感知与无人系统 机器学习算法与人工智能 Python 软考资讯
随着无人驾驶、人工智能等高新技术的发展和在国防领域的应用越来越广，世界各国、各军兵种都在竞相发展无人化装备、智能化装备，未来战争将向着无人化、智能化方向发展。20世纪90年代以来，地面无人系统取得了长足发展，多种类型装备频频亮相，具备了执行侦察监视、火力打击、伴随保障、扫雷排爆、战场救援、通信中继等多样化作战任务的能力，且美国、俄罗斯、以色列等多个军事强国已将准备投入实战应用，取得了不错的效果，标志着地面无人系统进入了高速发展和逐步成熟的应用时期。在这股科技创新助力装备发展的浪潮中，不仅要打磨利剑，也要未雨绸缪，在大力发展我军地面无人系统装备的同时，积极开展反制地面无人系统的相关研究，分析反制策略、廓清能力需求、构建技术体系、聚力攻关研究，才能在新一轮军事革命中占得先机，在未来战争中取得制胜砝码。
1.1.1 地面无人系统发展现状
世界军事强国均高度重视地面无人系统发展建设与实战运用，从各国目前的发展来看，主要有以下4个特点。
一是从战略高度推进发展。美俄均成立了专门的统管机构，通过战略性举措指导建设。如美国陆军机器人系统联合项目办公室(RS JPO)每两年发布一次《地面无人系统路线图》，用以确定短、中、长期的地面无人系统发展策略；俄罗斯于2014年成立隶属于国防部的机器人技术科研试验中心负责开展军用机器人系统的试验工作，2015年成立国家机器人技术发展中心来监管和组织军用和民用机器人技术领域的工作。
二是先进性与实用性并重。注重前沿技术与装备应用协调发展，不仅开展“大狗”“阿特拉斯”仿生机器人、集群无人作战系统、有人无人协同作战系统等前沿技术研发，还基于成熟技术开展装备研制，如：美军“角斗士”“模块化水下机器人/战斗区域机器人(RVM/CART)”“魔爪”“多用途战术运输无人车(MUTT)”，俄军“平台-M”“阿尔戈”“天王星-9”系列，以军“先锋哨兵”“守护者”系列等。美陆军在2017年夏季的“机器人僚机”演示验证中，演练了地面无人装备嵌入坦克编队的战术、技术和方法。
三是以实战检验促进建设。外军地面无人装备已经大量编配部队，并开展了作战演习和实战运用。美军共装备了超过1.2万台地面无人装备，能够遂行爆炸物处理、安全巡逻、辅助作战和后勤保障等多样化军事任务；俄军组建机器人战斗连承担战斗、消防、排爆等任务，并在全军规模演习中加入机器人元素；2015年底，在叙利亚战场实施机器人集群反恐作战，击溃了“伊斯兰国”在754.5战略高地的防守，伊方70人死亡，叙军仅4人受伤，通过在阿富汗、伊拉克、叙利亚等战场实战检验，进一步明确了发展方向和建设重点，推进了技术转化应用。以色列为边防部队配备“守护者”无人巡逻车，昼夜不停巡逻加沙防线，减少了边境冲突、降低了人力巡逻消耗。
四是竞争开放中择优培育。美国防部高级研究计划局(DARPA)无人车辆与机器人挑战赛，通过开放竞争，广泛吸引创新资源，加速了技术突破；欧洲军用机器人大赛(ELROB)，通过实战化考核，牵引优势科研力量向典型军事任务需求聚焦；美军在硅谷设置专门机构，负责猎取各大学、科研机构最新技术成果，以加快前沿技术的开发与转化[1]。外军典型地面无人装备(UGV)如图1～图4所示。
图1 美国典型地面无人装备
Fig.1 Typical US UGVs
图2 美国“多用途战术运输无人车”
Fig.2 US Multipurpose Unmanned Tactical Transport(MUTT)
图3 俄罗斯典型地面无人装备
Fig.3 Typical Russian UGVs
图4 以色列典型地面无人装备
Fig.4 Typical Israeli UGVs
1.1.2 地面无人系统发展趋势
外军大量装备地面无人装备，加速了技术成熟，优化了发展路线，并获得了宝贵的实战经验。外军针对作战能力的迫切需求和技术发展水平的客观现实，利用已有成熟技术，集成开发实用型装备，快速形成了具有实战能力的地面无人作战力量[1]。
从美国发布的多版无人系统路线图来看，其无人系统已普及应用到了陆海空等多个军兵种，且正在向更高的自主行为水平、更强的相互适应性、更有效的通信性能方向发展[2]。
根据近20年来地面无人装备的发展和应用，其自主化、智能化程度越来越高，正在向着基于多传感器融合的复杂环境感知与导航、自主控制与协同控制、智能化任务理解与决策、任务载荷集成、人机交互、复杂战场可靠通信等方向发展[3-5]。
1.2.1 地面无人系统概述
地面无人系统按照功能组成主要包括环境感知子系统、决策控制子系统、任务载荷子系统、指挥控制子系统、动力驱动子系统等，任务载荷子系统又分为侦察打击、巡逻监视、电子对抗、扫雷排爆、支援保障、通信中继等不同功能模块，用于执行情报获取、态势侦察、巡逻监视、机动突击、目标打击、电子对抗、通信导航、战场输送等任务需求，是典型的多学科交叉领域。
1.2.2 地面无人系统能力特征
根据地面无人系统的系统组成、功能结构、使命任务和运用特点，其主要能力特征可归纳为以下几点：
1) 复杂环境感知能力
主要指利用毫米波雷达、超宽带雷达、激光雷达、超声波雷达、单目/多目视觉相机、导航定位装置、低空平台视觉/雷达载荷信息引导等多种环境感知传感器对丛林、山地、雪地、荒漠、沼泽等复杂未知环境的综合探测与模型构建能力，及对岩石、水坑、工事、人员、车辆、动物等各种天然和人工障碍的探测识别与提示告警能力等。
2) 自主战场机动能力
主要指地面无人系统通过已经感知到的环境和障碍信息，利用自身行走装置，克服复杂地形和障碍，保持平台安全姿态，顺利进行复杂战场通行的能力。
3) 自主行为决策能力
主要指在复杂环境下面对多种地形地物和障碍目标时，通过多种决策模型和算法，自主选择通行策略的能力，如上下坡时的加减速、不同路面下的机动模式切换、面对灌木/壕沟/水坑等障碍时的通行/绕行策略等。
4) 通信可靠抗扰能力
主要指在各种非合作电磁频谱环境下，面对电磁衰落、多径效应、频谱拥挤、民用通信干扰及敌故意释扰等情况下，地面无人系统如何保证系统可靠通联、信息准确传输、远程遥控操作等能力及在严重受扰情况下的降级使用能力等。
5) 任务载荷多样能力
主要指地面无人系统遂行多样化使命任务需要的多样化任务载荷搭载能力及其自主行为能力等，如不同吨位和构型的系列平台搭载的侦察打击载荷、巡逻监视载荷、电子对抗载荷、扫雷排爆载荷、支援保障载荷及通信中继载荷等，以及各任务载荷的自主探测、自主识别、自主决策和自主打击等遂行任务能力。
1.2.3 地面无人系统工作特点
1) 基于遥控遥测链路的信息指令传输
在遥控、半自主工作状态下，地面无人系统的越野机动、目标探测、协同工作、任务决策、指挥控制等环节均需要人在环的操作，而这必须依靠无线测控链路，中小型无人平台一般依靠视距内无线通信链路实现以上功能。随着电磁频谱的日益拥挤，地面电磁环境复杂多变，且存在非合作辐射源的干扰，因此满足远距离、大带宽、低延时、高抗扰等要求的遥控遥测链路是我们亟需解决的问题。与此同时，应合理设计各分系统，使其适应非合作复杂电磁环境下遥控遥测链路的动态变化，确保地面无人系统效能的发挥。
2) 基于天地组合的高精度导航定位
地面无人系统使用场景多样，城市街区、林海雪原、沙漠戈壁等，面临着卫星导航信号不稳定、惯性测量单元(Inertial Measurement Unit，IMU)累积误差大、定位精度不高等问题。因此，一般采用全球卫星导航系统(Global Navigation Satellite System，GNSS)、惯性导航(Inertial Navigation System，INS)、同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)等技术进行组合导航与定位，提高平台导航定位系统的定位精度和抗干扰能力[6]。
3) 基于多传感器融合的复杂环境感知
地面无人系统所处地面环境存在地形起伏不定、地物地貌多样、正负障碍无序等复杂情况，依靠单一传感器基本无法保证战场可靠通行。因此，地面无人系统一般融合毫米波雷达、超宽带雷达、激光雷达、单目/多目视觉相机、低空平台视觉/雷达载荷信息引导等多种手段，提高复杂环境感知能力和局部路径规划精度[7]。
4) 基于既定规则与场景驱动的任务理解、决策规划与运动控制
无人平台一般通过接收控制中心发送的任务信息，结合已有的知识集和规则库，将其转化为一系列指令，控制无人平台完成特定动作、遂行既定任务。在执行任务过程中，无人平台根据目标与场景信息进行综合判断，生成决策信息，控制任务载荷执行任务或辅助操控人员进行决策规划。在越野机动时，通过环境感知传感器获取外部场景信息，以驱动平台的运动控制系统形成控制策略和指令，控制无人平台自主规划路径、自主规避障碍和自主越野行进。
1.2.4 地面无人系统关键技术
在非合作战场环境下遂行多样化任务，地面无人系统可靠工作需要众多关键技术支撑，从满足其军事需求及与能力体系对应的角度，其关键技术大致可归纳为：总体匹配优化技术、动力驱动技术、高通过性技术、环境感知技术、路径规划技术、导航定位技术、载荷控制技术、人机交互技术、协同任务规划技术、可靠组网通信技术、信息安全防护技术等。
文献[2]从功能能力和信息能力的角度对地面无人系统的能力进行了归纳总结，提出了支撑地面无人系统发展的关键技术体系，包括总体设计技术、机动平台技术、自主行为技术、指挥控制技术；美国2011年《无人地面系统路线图》中将自主导航技术、通信技术、动力技术、视觉技术、系统架构技术、人机接口技术、操纵技术、复杂地形机动技术、载荷技术列为对无人地面系统发展至关重要的关键技术；文献[8-9]中指出美国防部最新版《无人系统综合路线图(2017—2042)》围绕互用性、自主性、网络安全、人机协同4个主题，对无人系统的发展目标、重点及关键技术等进行了描述。
以无人车和无人机为例，通过分析其能力特征和技术特点，对地面无人系统与空中无人系统进行对比分析，以寻求总体反制思路和技术途径，详见表1。
表1 无人车与无人机对比分析
Table 1 Comparison between UGV and UAV
通过对反制对抗传统地面车辆目标的方式和手段进行归纳，针对地面无人系统的使用策略和工作特点进行分析，得出了可能的反制策略，并借鉴无人机反制的相关技术思路和体制，构建了地面无人系统反制技术体系的基本框架。
以往对诸如装甲车辆等地面目标的对抗反制方式多为光学探测与火力打击方式，近年来逐渐发展了光电对抗、网电对抗等软杀伤方式。传统的光学探测方式包括可见光、红外、雷达、激光等，利用声波、无线电探测的方式也有较多研究，近年来也有高光谱成像、单光子成像的相关研究和应用。利用可见光、红外、雷达对传统目标进行探测的技术较为成熟，但对远距离、尺寸小或采用光学隐身措施目标的探测较为困难；对复杂环境中的地面目标来说，受制于背景复杂、地形地物遮挡、地面杂波反射等影响，探测效果往往不尽如人意；声波探测存在探测距离近、分辨率低、受环境影响大等问题；无线电探测作用距离远、识别率高，但存在测向定位精度较低、复杂环境多径影响大等问题；高光谱成像技术探测概率大、识别率高、反隐身能力强，适合机器学习算法，但针对地面环境的车载应用存在目标与背景高光谱特征复杂、高维特征较抽象等问题，单光子成像隐蔽性强、探测距离远，但存在分辨率不高、系统成熟度较低等问题[10-13]。
火力打击方式以投射动能弹丸和火炸药为主，毁伤效果直接，“所见即所得”，直射火力打击方式有效费比高、射速快、命中率低等特点，制导火力打击方式命中率高、效费比低、易受干扰。光电对抗方式有诸如强激光武器、激光压制装置等应用，存在作用距离近、稳瞄精度要求高、能量衰减大、受天候影响大等问题。电子对抗方式作用范围大、受天候影响小，可实施灵巧式干扰攻击，但存在探测定位精度不高、干扰效果不易评估验证等问题。
针对地面无人系统的目标特征和应用场景，可采用可见光、红外、无线电探测等无源探测为主、雷达探测等有源探测为辅的探测方式，和火力打击与电子对抗相结合的打击方式，对其进行对抗反制。关于可见光、红外、雷达等的探测技术和火力打击技术已有很多成果和成熟应用，本文重点讨论诸如电子对抗等软杀伤方式的地面无人系统反制技术和手段。
通过对地面无人平台能力特征、工作特点和关键技术的分析，可以看出，如果从以下几方面进行反制，将会得到较好的反制效果[14]。
1) 针对遥控遥测链路的反制
地面无人系统测控链路工作频繁，其电磁辐射特征较为显著，通过辐射源目标定位技术，可实现对无人平台及操控站的测向定位，并根据信号侦测分析结果，对其详细特征进行智能识别；对遥控型和半自主型地面无人平台的遥控遥测链路进行反制和攻击干扰，可干扰其控制指令和战场信息的有效传输，使其无法及时准确获取控制指令、回传侦察信息；对半自主型和自主型地面无人平台，既可干扰其关键控制指令和信息传输，亦可通过破解其控制链路协议或经无线网络注入干扰指令等方式，破坏其控制链路和车内控制网络。
2) 针对导航定位系统的反制
单纯使用惯性导航时存在累积误差逐步增大等问题，且借助SLAM等技术辅助导航在首次经过的陌生地域无法发挥作用。一般来讲，无人平台的设计策略有如下特点：在卫星导航定位信号受到干扰时，首先原地等待，如果一定时间内信号恢复，经系统评估后选择是否继续执行任务，如果信号不能恢复则依靠惯性导航装置返回安全地域或原地停止(或降落)。因此，可采用干扰卫星导航定位的方式对地面无人平台进行反制，综合考虑目标组合导航策略，使其惯性导航装置累积误差增大，结合环境感知传感器对抗干扰措施干扰其SLAM功能，对其导航定位能力进行综合反制干扰。
3) 针对环境感知传感器的反制
环境感知传感器相当于地面无人系统的眼睛，是操控员和无人平台赖以获取环境信息、探测周围目标的关键手段，如果对其一种或几种传感器进行有针对性的干扰，可减弱其环境感知能力和目标探测识别能力。因其环境感知传感器作用距离一般较近，采用远距离探测与干扰的方式不易实现，可采用近距离被动探测与无源/有源干扰的方式，诸如设置电子障碍、布设固定式干扰物等方式，使其丧失或减弱对周边环境的探测感知能力，阻滞或迟缓其战场行进。
4) 针对自主决策与平台控制的反制
随着人工智能等技术的不断发展，无人平台正向着半自主化、自主化的方向发展，如此才能替代部分人工操作，减轻人的负担。在线学习能力技术难度较大，且可控性不好，因此，短时间内无人平台的自主能力还将以离线训练结果和既定规则库为主要支撑和决策依据。通过从传感器端注入虚假目标信息、从操控链路注入虚假任务指令信息或平台控制信息等，实现一定程度的“反智”操作，可以起到影响自主决策、干扰任务规划、扰乱平台控制等的作用。
根据对地面无人系统和空中无人系统的对比分析，对二者进行反制存在以下异同。
（2） FZ/T 82006-2018比 FZ/T 73044-2012在内在质量方面多要求考核：湿摩擦色牢度、耐光色牢度和洗后外观。对于一等品，耐汗渍色牢度FZ/T 82006-2018要求更加严格 （高半级）。
从反制策略方面来看：
1) 都可以采用针对无线测控链路、导航定位系统的反制策略，根据能力依赖程度不同，对空中无人系统的反制效果一般优于地面无人系统。
2) 对地面无人系统可以采用针对任务载荷和环境感知传感器的反制策略，空中无人系统对环境感知传感器的依赖度小于地面无人系统，可以干扰任务载荷为主。因地面无人系统传感器较多，系统冗余大，且速度较慢，对其反制效果不如空中无人系统。
3) 对二者均可实施针对自主行为与平台控制的反制，反制效果主要取决于平台自主决策和控制系统的鲁棒性和非脆弱性，以及反制手段的先进性。难点在于如何发现自主行为决策脆弱点和平台控制系统漏洞，即攻击点的挖掘提取。
从反制技术方面来看：
1) 对遥控链路的侦测干扰和对导航定位的干扰技术存在相似之处，但地面无人系统所处环境更为复杂，对其电磁信号进行测向定位难度更大、误差更大。
2) 对地面无人系统环境感知传感器的干扰技术较空中无人系统复杂多样，对任务载荷的干扰技术二者相似。
3) 空中无人系统的平台控制主要指自主飞行控制及姿态保持等，地面无人系统主要指自主避障和自主行驶等，对其攻击点的提取与反制各有不同。
从作用对象和能力特征来分，地面无人系统反制关键技术可分为反制总体技术、遥控遥测链路反制技术、导航定位系统反制技术、环境感知传感器反制技术、自主行为与平台控制反制技术等部分，其基本体系框架如图5所示。下面分别从反制测控链路、环境感知传感器、导航定位系统、自主行为与平台控制及总体技术中的反制效果在线评估等方面对相关技术进行归纳总结。
图5 地面无人系统反制技术体系基本框架
Fig.5 Basic technology system framework of countering UGS
对测控链路的反制包括对测控链路信号的侦测、识别、定位、干扰等技术。
3.2.1 测控链路侦测技术
无人平台通过测控链路传输侦察结果，并接收遥控端的控制指令，测控链路信号本质上属于通信信号。目前的无人平台多为独立使用，集群式无人系统尚未成熟，因此，当前测控链路多为点对点的传输方式。根据无人平台使用特点，测控链路包含数据链路和指令链路。
数据链路用于无人平台向遥控端传输侦察结果，如图像视频、电磁情报等，其特点是数据量较大，对通信带宽要求高，典型的图像链路传输带宽通常不小于1 Mbps，具体数值因图像分辨率和视频帧率而异。指令链路用于遥控端向无人平台发送任务命令或行为机动等控制指令，相对于数据链路，数据量较小，带宽要求低，典型的指令链路带宽通常不大于10 kbps。
为了提高链路低截获能力，测控链路设计时，通常采用以下技术手段：
1) 扩谱调制。通过扩谱调制，有限的链路功率分布到更宽的频域中，使常规的窄带通信侦察设备不能对其进行高灵敏度的侦察。
2) 快速跳频。通过快速跳频，使瞬时带宽较窄的侦察设备难以快速截获跳频的链路信号。
3) 窄波束通信。采用更高的频率和较小的天线实现窄波束传输，如采用X或Ku甚至Ka频段，天线尺寸较小，波束较窄，天线旁瓣低，波束旁瓣的链路信号辐射小，从而实现空域的低截获特性。
对测控链路远距离侦察，常用的技术手段包括以下几个方面：
1) 接收天线方面，采用高增益接收天线设计，通过天线增益提高接收信号功率。
2) 信号处理方面，采用宽带数字接收处理，使用采样率更高的数字接收处理机，实现百兆赫兹带宽的瞬时接收；通过多个数字通道的并行处理，实现对更宽频段的处理；通过灵活的数字处理方法实现对链路信号的频率、带宽、调制参数和同步特性进行测量，获取链路信号的时频特征。
3) 测向方面，常用方法包括比副测向、干涉仪测向和空间谱测向等，可根据不同应用需求选择相应的测向体制。
4) 目标识别方面，在参数测量基础上，通过聚类分选、模糊集和递归分离算法，结合目标数据库实现对链路信号的识别。
辐射源信号侦测的传统方法中以基于能量的信号检测居多，文献[15]对正交频分复用(OFDM)系统中带有虚拟载波的空间交替广义期望最大化(SAGE)算法进行了研究，为解决虚拟载波的信道频率响应问题，通过迭代技术来最小化信道频率响应(CFR)的误差以改善信道估计；文献[16]提出使用传统的三阶自相关累积量对直序扩频信号进行盲检测；文献[17]针对直扩信号检测提出了基于四阶累积量的新算法;文献[18]提出使用传统循环平稳谱进行检测；文献[19]应用分形理论进行了直扩信号的检测；文献[20]提出了利用多天线的相位变化特征进行检测的算法；文献[21]则使用了基于波动自相关的检测算法对突发直扩信号进行检测；文献[22]利用多跳信号互模糊函数进行相参积累，提升了时频差参数的估计性能。
随着人工智能技术的进步，研究人员试图将信号检测问题转化为深度学习领域的目标识别问题，基于机器学习的宽带目标检测技术被提出来，通过将原始宽带采样数据流转化为时频图并作为深度卷积网络等的输入，实现信号在时频图上的定位和识别，从而得到信号的起止时间、起止频率和类别信息。基于图像的信号侦测方法可以将人工智能领域的先进网络模型和信号检测问题相结合，实现复杂背景环境和低信噪比下的目标检测。文献[23-26]自2016年起开始研究深度学习在无线电通信与检测领域的应用；文献[27]将时频谱图和深度卷积网络结合，利用改进的SSD模型实现了对特定超短波信号的检测；文献[28]提出了利用预设时频图模板匹配与峰值搜索的方法，用于对特定已知短波、超短波信号的宽带检测问题，但在利用截取的部分真实信号作为模板对未知信号进行检测时的准确率不高；文献[29]基于目标的时频图特征利用深度神经网络实现了对水下辐射源目标的检测。
对地面无人系统测控链路信号进行侦测，下一步需要解决的部分问题或研究方向主要有：
1) 复杂电磁环境下未知信号的盲检测。地面战场的电磁环境更为复杂，需要从背景信号和大量合作与非合作信号中发现目标信号，尤其是缺少先验知识的情况下。
2) 对具有低截获特性链路信号的高灵敏度侦收。随着现代通信技术的发展，跳频、扩谱、跳扩结合等技术在测控链路中的应用逐渐成熟，大大提高了链路信号的低截获特性，对其进行侦收需要更高的侦察接收灵敏度。
3) 高带宽高增益接收天线。对测控链路信号进行侦察时需要接收天线具有较大的工作宽带和较高的增益，而两者成反比关系，这就需要通过合理设计接收天线，既能保证工作带宽覆盖对目标的侦察需要，同时其灵敏度又能保证对信号的有效接收。
4) 宽带信号的智能检测和分选。充分利用人工智能技术的各种先进模型，突破原有基于能量的信号接收处理体制，实现宽带信号的智能检测。
3.2.2 电磁信号智能识别技术
对视距内地面目标的探测常使用光学探测方式，如可见光摄像机、红外热像仪、微光观察镜等装置，识别方法也以基于图像的自动目标识别(ATR)为主，常用的方法和工具有卷积神经网络(CNN)、深度神经网络(DNN)、以及生成对抗网络(GAN)等。近年来随着激光雷达和视觉相机在无人车上的应用日趋广泛，对基于光学图像和激光雷达信息的目标综合识别技术研究越来越多[30-32]。
地面无人平台所处地面环境往往较为复杂，容易存在地形地物遮挡和雷达地杂波影响，仅采用光学和雷达的探测识别方式往往识别概率不高，且雷达属于主动探测容易暴露自身位置。可利用无人平台自身电磁辐射特征，采用基于图像和辐射源信号的无源综合探测识别技术，融合图像信息和电磁信号的不同特征对无人平台目标进行智能综合识别。
针对辐射源目标识别的相关研究方法有机器学习(ML)、深度学习(DL)、卷积神经网络(CNN)、深度置信网络(DBN)等。不难发现，利用图像进行目标识别和利用电磁信号进行目标识别所采用的方法大致相同，因此，可以利用CNN、DNN、DBN等进行基于图像和辐射源信号的地面无人平台综合识别研究。
目前开展较多的为基于电磁信号的辐射源特征识别、信号指纹特征提取等，即识别电磁目标类型、种类等，但根据电磁目标特征对目标进行综合识别或根据电磁和光学等特征进行综合识别的研究开展较少。
在辐射源信号指纹特征提取方面进行的研究中，文献[33]通过利用旋转不变性估计信号参数来实现多天线OFDM系统的射频指纹估计；文献[34] 利用深度残差网络实现了对无线通信系统的射频指纹识别；文献[35]提出了一种基于正交调制信号I/Q不平衡的射频信号指纹特征提取方法，但需要事先进行信噪比估计；文献[36]针对复杂电磁环境下通信辐射源个体识别问题，提出了一种小样本条件下基于DBN的识别方法，通过计算机仿真得到的识别率大于80%。也有相关文献将辐射源信号转化为图像表征方式，利用图像处理算法进行信号特征提取和调制识别等，文献[23]提出了一种基于端到端CNN的调制识别模型，并利用仿真生成的11种调制方式信号验证了该方法的有效性；文献[37]提出了RadioImageNet算法，通过将原始IQ采样数据变换为频谱瀑布图,进而使用改进后的YOLOv2模型对其进行信号识别，并在实采数据集上验证了所提方法和算法的有效性和识别性能；文献[38]等通过对辐射源信号进行幅-相域二维图像表征，采用多层卷积神经网络结构来进行目标多层次特征提取，所提算法相比基于时域的传统信号调制识别算法，在中、高信噪比下识别率分别提升了2.5% 和2.3%；文献[39-40]利用CNN对信号的星座图进行处理，实现了对通信信号的调制分类识别；文献[41]利用堆叠的稀疏自动编码器提取信号模糊函数图像特征并使用softmax回归分类器实现了对7种流行的调制方式的识别；也有相关文献使用CNN处理信号的循环谱图[42]、高阶累积量[43]和时频图[44-45]等来实现信号的自动调制识别。
利用测控链路信号对目标进行智能识别，下一步需要解决的部分问题或研究方向主要有：
1) 欠先验知识下电磁目标特征提取与个体识别。随着技术的不断更新及新型目标的不断出现，在实际的电磁目标识别过程中，往往面临目标先验知识不足或未知情况下的特征提取和识别问题。
2) 基于深度神经网络的电磁信号智能识别。利用深度学习技术，可以提取电磁信号的多维特征，使目标识别不再受传统5大参数的限制，甚至可以同时完成检测和识别过程。
3) 基于图像和电磁信号特征等的目标综合识别研究。对地面目标的传统识别方法多以基于光学观察设备成像的目标识别为主，随着基于雷达探测的目标识别、基于电磁信号特征的目标识别等技术的兴起和成熟，将多种目标识别手段进行有效融合，可提高目标综合识别概率和结果可信度。
3.2.3 辐射源定位技术
无线测控链路节点具有明显的辐射源特性，可以利用无源辐射源测向定位的相关方法对其进行定位。无源定位具有安全性较高、可全时工作、隐蔽性好等特点，可分为单站测向、单站定位、多站定位等。
单站测向技术可实现对目标方位的测量，但受制于测量站本身定位精度、天线尺寸等因素，测向精度不能达到光学观测那样准确，一般在5°～10°左右。
单站定位多用于观测高空高速目标，对低空目标测量精度较差[46]。若利用测量平台的移动实现长基线测向定位，则需要很高的时间和位置精度，且因地面测量站目标移动速度较慢，不容易达到测量精度所需的基线长度。
多站定位技术目前研究和应用较多，从体制上可以分为基于到达角度(Direction of Arrival/Angle of Arrival, DOA/AOA)的定位、基于到达时差(Time Difference of Arrival, TDOA)的定位、基于到达频率(Frequency Difference of Arrival, FDOA)的定位和基于多种定位观测量的联合定位[47]。FDOA对高重频、高机动性目标可以精确测量，TDOA则误差很大甚至不能测量。地面机动目标速度一般在100 km/h以下，且环境复杂存在多径影响，TDOA更易于实现和保证测量精度。
文献[48]就基于观测站参数误差无源和有源校正的定位算法进行了研究，仿真验证了对远近目标的较好定位性能，并仿真验证了利用时频差序列定位算法解决在观测站数量受限条件时的瞬时定位问题的有效性；文献[49]为解决非通视(Non Line of Sight，NLOS)条件下的TDOA问题，提出了通过鲁棒性模型变换和神经动力学优化方法，通过大量仿真实验验证了该方法可在定位精度、计算复杂度和先验知识需求之间取得很好的平衡；文献[50]提出了一种基于TDOA的运动目标定位与跟踪方法，采用网络化扩展卡尔曼滤波器，通过至少4个非共面的分布式组网节点，实现对目标位置的估计，并提出了一种基于估计协方差矩阵范数的运动控制策略，以取得位置估计性能和节点移动距离之间的平衡；文献[51]提出可通过多跳相干积分来克服单跳信号的TDOA和FDOA的估计精度较低的问题，并用蒙特卡洛仿真验证了所提算法的性能优于单跳信号，与理论分析吻合；文献[52]提出了一种用于TDOA定位的组合加权方法，对多个不同的三点组合的初步测量结果，使用基于Cramer-Rao下界(Cramer-Rao Lower Bound，CRLB)的加权平均方法来估算最终定位结果，并通过仿真和室内声学定位实验评估了该方法定位精度高和计算效率高的特点；文献[53]提出了一种使用3个无源接收机对NOLS环境下飞行中无人机的TDOA-AOA定位方法，用仿真结果说明了与现有定位方法相比，该方法均方根误差更接近CRLB。
利用辐射源定位技术对地面无人系统进行定位，下一步需要解决的部分问题或研究方向主要有：
1) 降低测量设备自身定位误差的影响。对目标的定位精度不仅受定位方法的制约，提供位置基准的测量设备自身的定位精度亦有很大影响，需要降低此定位误差或消除其影响。
2) 单平台短基线定位。地面测量设备以多站长基线定位方法为主，不利用在较小范围内的机动条件下及测量平台较少时使用，因此需要基于单平台的短基线定位技术。
3) 基于单站定位的测量平台路径自动规划。在测量平台较少和受复杂环境限制时，单平台如何通过合理规划运动路径，实现类似于多站的测量效果，是一个值得研究的问题，具有很高的实用价值。
4) 基于群体智能的自适应多站定位。随着地面和空中等无人集群的不断出现，融合利用多源异构群组的传感器数据进行目标定位，可避免传统多站定位方法对测量节点同质化的依赖，增强定位系统的扩展性和鲁棒性。
5) NLOS及多径条件下的定位问题。在非通视环境下多径效应明显，目前无源定位的修正方法大都是通过试图修正信号传播路径模型从而剔除NLOS数据或消除NLOS误差，并在辐射源位置估计时进行误差消除。但是在不同环境下，这种非通视误差特征各不相同，想要每次测量均建立这些模型显然不够现实，因此需要适用性更好的NLOS下的目标定位方法。
3.2.4 测控链路干扰技术
对测控链路的失能可通过毁伤和干扰等手段进行，毁伤手段包括诸如强电磁脉冲武器和高功率微波武器等，对测控链路的常用干扰样式有瞄频压制干扰、跟随式干扰、灵巧干扰和欺骗干扰等。因毁伤手段对电子信息设备均有效，相关研究较多，此处重点对干扰手段进行分析。
瞄频压制干扰是在参数测量的引导下，针对链路工作频点，自主产生干扰带宽和链路带宽相当的噪声干扰信号，对链路工作信道进行阻塞，从而实现对链路的干扰。该干扰样式具有较强的干扰普适性，干扰效果仅与干扰功率、干扰频点瞄准性和时空覆盖性有关，与链路信号的调制特征、加密情况无关。由于瞄频噪声和链路信号仅频点相同，内部调制不匹配，其干扰效率仅比宽带噪声高，比欺骗干扰低。为了干扰跳频链路信号，需要采用多频点的梳状干扰样式。
跟随式干扰是对跳频链路信号干扰效果较好的一种干扰样式，本质上和单频点的瞄频压制干扰相同，瞬时只有一个干扰频点。不同点是干扰频点能够在电子侦察单元的引导下，快速跟随链路信号的跳频图案而变化，将干扰能量始终对准链路信号当前的频率。相比于梳状干扰，由于不存在多频点分享干扰功率问题，干扰效率更高；其代价是复杂的频率跟踪设计，尤其是跳速较快的链路，有可能因为通信场景和干扰场景因素带来跟踪的时效性问题。也即，在干扰信号发射前，链路已经完成传输并跳到下一个频点，干扰失去时效性。
灵巧干扰是在对链路信号调制特征、帧格式的分析基础上，截获链路的同步头，并对同步头进行时间上的跟踪，发出和同步头类似的干扰信号，破坏链路信号的同步。同步是通信的基础，灵巧干扰可通过较小的功率实现对链路信号的破坏。此外，还有基于数字射频存储器(Digital Radio Frequency Memory，DRFM)实现灵巧干扰。通过对链路信号的采集和存储，对存储信号进行调制产生干扰信号，可获取链路接收机的信号处理增益，实现对链路的高效干扰。这种方式和跟随方式一样，存在干扰跟踪的时效问题。
欺骗干扰可分为信号欺骗和信息欺骗2种。灵巧干扰也可看作是信号欺骗的一种。信息欺骗是干扰中危害最大的一种，也是难度最大的方式。该方式需要对链路信号的帧格式和通信协议进行解析。利用解析结果，自主产生欺骗信号并注入到链路终端中，对链路进行干扰和接管。通常基于信息的欺骗干扰，对非加密链路具有使用价值，对加密链路使用信息欺骗的难度很大，需要长期对目标链路信号进行解密分析。
因为干扰技术目的的特殊性，鲜有此方面的文献报道，相关研究人员偶从通信系统抗干扰性能分析的角度发表学术论文。通信链路的干扰与抗干扰研究本身就联系紧密，相互依存，各自的研究成果对对方也很具借鉴意义。文献[54]仿真分析了超宽带电磁脉冲对无人机链路的前门耦合过程，表明可使低噪声放大器击穿而导致数据链不能正常工作；文献[55]通过开展无人机数据链系统电磁敏感度效应试验，得出了组合频率干扰和带外饱和干扰的作用机理，并给出了相应的防护方法；文献[56]针对基于编码的武器制导数据链，提出了脉冲干扰技术和协议关键字段灵巧干扰技术，并通过仿真实验验证了可行性；文献[57]通过研究存在欺骗干扰时的无人机上行链路接收信号模型，提出了一种抗欺骗干扰方案，建模仿真表明了方案有效。随着人工智能技术的发展，有研究人员开始研究基于人工智能方法的干扰产生技术。针对通信对抗领域的应用，文献[58]通过优化深度卷积生成对抗网络(DCGAN)和结合条件生成对抗网络等方法，将GAN网络用于通信信号重构，该方法具有很好的鲁棒性和泛化性；文献[59] 针对未知信号干扰需求，提出基于GAN生成通信干扰波形，实验结果表明生成的干扰波形干扰效果能够逼近最佳干扰效果。
对地面无人系统测控链路进行干扰，下一步需要解决的部分问题或研究方向主要有：
1) 普适性更好的干扰信号设计。专门针对某型链路设备或某种类型设备的干扰方式，针对性强且效果较好，但面对复杂多变的目标时，效果往往大打折扣，因此需要普适性更好的干扰方式。
2) 具有低截获特性的干扰信号设计。在对目标进行干扰时，干扰设备易被对方侦察设备发现并受到反辐射攻击，具有低截获特性的干扰信号在保证干扰效果的同时，可有效降低遭受反辐射攻击的风险。
3) 对调零天线的干扰对抗。越来越多的测控链路天线采用自适应调零技术来提高抗干扰能力，其对干扰信号的抑制能力可到40～50 dB，对干扰技术的发展提出了很大挑战。
由于卫星导航定位系统高精度的定位授时能力、长期稳定特性和便捷的使用方式，使卫星导航终端成为各种无人平台的标准配置。目前，比较成熟的卫星导航系统有“四大两小”系统。其中，具有全球定位能力的是：美国GPS系统、俄罗斯GLONASS系统、中国北斗BDS系统和欧洲GALILEO系统，具有区域导航能力的是日本QZSS系统和印度IRNSS系统。
所有卫星导航系统的工作原理基本相同，卫星导航终端接收多颗卫星信号，测量每颗卫星信号在空间中的传输时间，计算卫星导航终端的空间位置和时间基准。
由于各导航卫星轨道较高(各系统的卫星均不低于19 100 km)，导航信号到达地球的功率低于-120 dBm，远低于接收机噪底，同时所有导航卫星系统的工作频点均为公开参数，使常规卫星导航终端容易受到干扰。如，可采用5 W的瞄频噪声在10 km以上距离对民用GPS接收机进行有效干扰。
为了提高卫星导航系统的抗干扰能力，现代卫星导航系统有以下发展趋势：
1) 卫星导航系统升级为带宽更宽、抗干扰能力更强的信号，如GPS发展了M码信号、民用L5C信号。
2) 卫星导航终端采用抗干扰能力极强的自适应调零天线技术，通过阵列信号处理，使抗干扰能力提高10 000倍以上。
3) 复合导航终端能够同时接收多种卫星信号，达到精度更高、冗余更多、抗干扰能力更强的效果。
4) 将卫星导航接收机与惯性导航设备结合，形成组合导航终端，如GPS/INS组合，提高导航终端的抗干扰能力。
对卫星导航终端的干扰方式可分为压制式干扰和欺骗式干扰，其中欺骗式干扰有包括转发式欺骗干扰和自主产生式欺骗干扰(根据产生欺骗信号与真实卫星信号同步与否，又可将其分为异步产生式欺骗干扰和同步产生式欺骗干扰)。
1) 压制干扰。针对多种导航信号的终端，对其工作的多个频点进行瞄频压制干扰，使复合卫星导航终端所有工作频点均不能正常工作，该种干扰方式的普适性较强，缺点是所需功率较大，此外，对配备自适应调零天线的终端，通常采用分布式干扰方式实现去调零能力。
2) 自主产生式欺骗干扰。该技术主要针对各种导航终端的民用信号进行欺骗，可使民用卫星导航终端定位到欺骗信号设置的位置，对使用卫星导航终端的平台干扰极大，但不适用对军用终端的欺骗。
3) 转发式欺骗干扰技术。通过卫星信号接收装置，接收多颗卫星辐射的导航信号；在接收信号的基础上进行时间和多普勒调制，使卫星导航终端定位到欺骗信号设置的位置，该技术可同时对民用或军用终端起效。对组合导航终端，通常采用渐变自同步欺骗干扰技术，逐渐拉偏的欺骗方式，使组合导航终端逐渐偏离其真实位置[60]。
文献[61]分析了GNSS信号遭受压制和欺骗干扰的风险，并针对民用反欺骗需求提出了解决方案；文献[62-63]对GNSS授时接收机的脆弱性进行了分析；文献[64-66]分别介绍了GPS容易受到欺骗干扰；文献[67]分析了干扰对GPS/INS紧耦合性能的影响，并提出了解决方法，同时指出即使干扰消失后接收机依然难以锁定信号；文献[68]利用直接轨迹欺骗和轨迹融合2种方法实现了对GPS/INS组合导航系统的干扰且不易被检测；文献[69]给出了一种针对GPS/INS组合导航的曳引式干扰方法，硬件在环仿真表明该方法可使GPS接收机输出逐渐偏离真实位置的数据；文献[70]仿真计算了对无人机GPS/INS导航系统的压制干扰效能，得出增大GPS压制干扰作用距离时，会使GPS/INS导航系统导航误差增大，压制干扰成功概率随着压制干扰作用距离的增大而增大；文献[71]通过仿真实验对比分析了单频、带限高斯噪声、同速率伪码3种典型压制干扰样式对GPS M码的干扰效能，得出同速率伪码干扰较为可行；文献[72]通过研究得出GNSS矢量跟踪环路在欺骗干扰下会产生非零均值的信号跟踪误差，环路跟踪特性降低甚至失锁，同时利用此特性可提高矢量接收机的抗干扰性能；文献[73]设计实现了一种小型化的同步生成式GPS欺骗干扰源，建立了同步式GPS欺骗干扰信号模型，给出了信号仿真参数的计算方法，并通过商用接收机和无人机验证了GPS欺骗干扰信号模型及同步设计的正确性；文献[74-75]分别设计了一种针对GPS/INS的欺骗式干扰方法，并通过仿真验证了有效性。
对地面无人车辆的导航定位系统进行反制，下一步需要解决的部分问题或研究方向主要有：
1) 对自适应调零天线的干扰。在中大型平台上，卫星导航终端也开始采用自适应调零天线来提高抗干扰能力，针对全向天线的欺骗干扰和压制干扰等单一手段的适用性下降，需要有针对性的研究新的干扰技术或手段，如多干扰机分布式干扰等。
2) 对GPS/INS组合导航的低功率高效压制干扰。以往针对GPS/INS组合导航的干扰方式研究中以欺骗式干扰较多，但存在对军用终端效果不佳或设备体积重量大的问题，采用低功率的压制干扰手段，在保证干扰效果具有良好普适性的同时，还可降低干扰机的体积重量，扩大应用场景与运用时机。
3) 对GPS M码的有效干扰。GPS利用M码以提高抗干扰能力，且正在进行其升级研究，因此，针对不断出现的抗干扰码型，如何对其进行有效干扰是需要关注的问题之一。
重点对几种常用环境传感器的功能和优缺点进行了分析，得出可用于反制的关键技术，并进行了归纳总结。
3.4.1 对激光雷达的反制
作为无人驾驶领域应用最早、目前应用最广泛的传感器之一，激光雷达存在许多优点，譬如灵敏度和分辨率高、应用广泛、抗干扰能力强等，其缺点也较为明显，如主动探测隐蔽性不强、目标特征识别能力弱、抗雨雾烟尘等恶劣环境能力差等[76-78]。根据结构形式不同，激光雷达可分为机械旋转式、微扫式、固定视场式等；根据扫描机构不同，激光雷达又分为二维和三维2种。
对激光雷达的干扰方式分为有源和无源2类，有源干扰包括压制干扰、角度欺骗干扰、距离欺骗干扰、高重复频率干扰等，无源干扰包括无源遮蔽干扰和无源欺骗干扰等[79]。无源欺骗干扰指采用特定形状、材质或纹理的干扰物，使激光雷达无法准确获取环境或障碍物信息，或进而欺骗其目标识别算法，目前此项研究还刚刚起步。从无人车载激光雷达的技术特点和使用方式考虑，可行的对抗措施包括无源遮蔽干扰、噪声遮盖干扰、有源欺骗干扰和压制干扰等。无源遮蔽干扰通过采用烟幕、伪装物等无源器材，改变激光传播特性或目标光学特性来达到干扰目的；噪声遮盖干扰通过发射强功率信号压制雷达有用信号，恶化其信噪比；有源欺骗干扰是发射虚假回波实现欺骗，包括角度欺骗和距离欺骗等；压制干扰是利用有源光电干扰设备发射高能激光或较高能量的非相干红外光束，去压制、致盲乃至摧毁敌方光电设备[79-80]。
目前专门针对干扰无人车载激光雷达进行的研究较少，文献[81]就对抗激光半主动导引头(可视作一种激光雷达)中的告警和欺骗干扰技术进行了研究；文献[79]针对利用激光角度欺骗方式干扰激光半主动导引头进行了研究，并提出了一种半实物仿真评估方法；文献[82]提出了一种基于数字存储技术的激光雷达距离欺骗干扰方法；文献[83]设计了一种激光距离欺骗干扰系统；文献[80]针对合成孔径激光雷达的对抗措施进行了研究，分析了几种可行的干扰途径。
在基于激光雷达探测器的攻击方面，文献[84]通过产生与ibeo LUX 3激光雷达相同波长(905 nm)、频率(30 kHz)和脉冲宽度(100 ns)的光脉冲，实现了对ibeo LUX 3激光雷达的欺骗干扰，使距离雷达1 m处的墙显示为在50 m外；文献[85]在对Velodyne VLP-16激光雷达的干扰中，发现使用800 mW、905 nm的激光模块照射后，某个区域放置的金属板在雷达图中消失，且成功伪造出了位置比攻击者更接近激光雷达的虚假目标。
在基于数据算法的欺骗攻击方面，文献[86]通过特定算法策略性地控制欺骗点来欺骗机器学习模型，注入60个虚假点可以实现75%左右的攻击成功率，通过使用Baidu Apollo进行了模拟，在2种攻击场景中实现了使自动驾驶车辆触发紧急制动和保持停止的驾驶决策，但是此方法属于白盒攻击，且现实可行性并未得到证明；文献[87]通过实验发现，在60个虚假点的情况下欺骗成功率能够普遍达到80%以上，80个虚假点的情况下，欺骗成功率稳定在85%左右，但在采取针对性的防御措施后，欺骗成功率立刻下降到了2.3% 左右；文献[88]提出可干扰激光雷达渲染器生成点云的对抗网格，使具有特定表面形状的物体不能被车载激光雷达检测识别，但只考虑了单帧情况下的隐藏结果；针对所有帧的情况，文献[89]提出了一种生成通用三维对抗物体的方法，通过算法设计网格参数可以实现白盒和黑盒攻击，实验证明将对抗物体放置在车辆顶部可以实现车辆在激光雷达探测下的隐形，此方法的局限性在于当激光雷达对目标车辆的探测方位发生变化时，对抗物体的隐形效果会大打折扣。
对无人车载激光雷达进行反制，下一步需要解决的部分问题或研究方向主要有：
1) 有源欺骗干扰。传统的对激光导引头的欺骗干扰方式有角度欺骗和距离欺骗2种，同样可应用于对无人车激光雷达的干扰，使其不能获得目标的正确方位和距离。
2) 有源压制干扰。压制干扰方式受作用对象和应用环境等外界因素影响较小，其作用普适性和压迫性干扰效果永远是我们所追求的，对激光雷达进行有源压制干扰，将有可能使其丧失目标探测功能。
3) 低成本无源干扰。无源干扰具有被动工作、隐蔽性好等特点，适合用于防御目的的使用，如制作低成本的无源干扰物作为可大量布设的障碍，将对无人车环境探测和机动行进起到有效干扰作用。
4) 基于算法攻击的激光雷达成像与目标识别干扰。对激光雷达进行干扰，除了对激光雷达本身进行干扰外，还可利用其成像和目标检测算法的特点有针对性地进行攻击，实现灵巧干扰的目的。
3.4.2 对毫米波雷达的反制
毫米波雷达作为地面无人平台的主要传感器之一，与视觉相机、激光雷达等传感器相比，具有体积小、重量轻、全天候全天时工作、快速测距测速、穿透感知、目标分类识别、目标跟踪引导等诸多优势，可在雨雾烟尘及夜间等环境下，实现对多个异类目标的探测识别及跟踪，缺点是角度分辨率不高、雷达图像可视性不好、无法满足SLAM等应用，随着采用多输入多输出(Multi-Input Multi-Output，MIMO)和数字波束形成(Digital Beam Forming，DBF)等新体制雷达的出现，也开始有团队利用毫米波雷达进行SLAM研究[90-91]。
由于数字器件的高速发展，目前雷达干扰机多以DRFM为核心提高干扰信号的相参性。存储式转发式干扰是指在接收雷达信号后，经调制形成干扰信号，进行功率放大后由发射天线发射出去。不同的调制方式，形成不同的干扰样式，不同的干扰样式适用于不同类型的雷达，常见的干扰样式包括遮盖式干扰、拖引干扰、密集假目标干扰、间歇采样干扰等。
目前的雷达干扰技术研究多针对跟踪火控雷达、制导雷达、侦察雷达等，由于干扰对象技术发展等原因，对无人车毫米波雷达的干扰研究较少，鉴于其多采用连续波体制，可通过研究对其他雷达的干扰技术和车载毫米波雷达的抗干扰技术，探索研究干扰车载毫米波雷达的方法。
文献[92]针对调频连续波(FMCW)雷达的干扰技术进行了分析和攻防测试；文献[93]研究了噪声干扰和欺骗干扰对FMCW雷达的效果；文献[94]对干扰FMCW雷达的效果评估准则进行了研究，提出了一种称之为相对雷达功能受损时间的新标准，用以表征雷达功能受损时间和一个干扰周期的相对关系，并将其用于多种体制雷达的干扰效果评估，证明了这一标准优于其他标准。文献[95]针对FMCW体制的车载雷达间的互扰，提出了一种基于粒子群优化和自适应对消的干扰抑制方法，仿真验证效果良好；文献[96]提出了一种基于多径干扰认知的汽车毫米波雷达自适应抗干扰波形优化方法，以抑制雷达间的强干扰；文献[97]针对线性调频体制雷达，提出了一种基于移频的距离波门拖引干扰方法，仿真分析了干扰效果，工程实用性较好；文献[98]针对间歇采样转发干扰特性进行了研究，设计了基于时频分析抗干扰波形，并通过仿真验证了有效性；文献[99]对雷达距离门拖引干扰与抗干扰进行了研究，通过仿真验证了有效性。
对无人车载毫米波雷达进行反制，下一步需要解决的部分问题或研究方向主要有：
1) 对无人车载毫米波雷达的低成本无源干扰。无源干扰的诸多特点使得其具有很大优势，可以利用无源干扰器材伪装目标和布设障碍等，进而实现对毫米波雷达探测功能的干扰。
2) 对新体制雷达的自适应有源干扰。目前无人车载毫米波雷达正处于高速发展及推广应用时期，其技术体制并未固化，各项性能变化较大，对其进行反制研究，需要紧跟技术变化，实现对目标的自适应干扰。
3) 基于算法攻击的毫米波雷达目标分类与识别干扰。对毫米波雷达进行干扰，除利用有源与无源手段对其信号接收进行干扰外，还可针对其目标分类和识别算法的特点，有针对性地进行攻击，实现灵巧干扰的目的。
3.4.3 对视觉相机的反制
视觉相机在地面无人平台上的应用由来已久，与其他传感器相比，具有昼夜工作、信息丰富、无源探测、隐蔽性好等特点，缺点是距离精度低、复杂天候适应性较差。视觉相机通常采用CCD、CMOS、低照度CCD、红外探测器等感光器件，可工作于可见光波段和红外波段，具有良好的昼夜观察能力，可获取色彩与细节特征丰富的图像信息，对利用图像进行ATR非常有利。
根据光学镜头数量，视觉相机有单目和多目之分，单目相机主要用于感知无人平台周围环境和探测重要方向目标，多目相机则可利用立体视觉算法获取目标距离信息[100]，已有越来越多的团队将视觉相机用于无人车的环境感知与目标探测[101-102]。无人车的视觉相机同一般的电子光学成像观察装置工作机理相同，故在对其干扰对抗方面可参考光电对抗和图像处理等领域的相关技术手段。光电对抗措施的主要目的是使相机不能成像或成像质量下降，如使用强可见光或多波段激光使探测器暂时饱和、使局部像元甚至整个探测器失效。图像处理措施包括使用数码迷彩伪装真实目标、使用对抗攻击方法干扰目标识别算法等。
关于光电对抗的研究由来已久，此处重点整理对对抗攻击的相关研究。文献[103]通过改变图像属性生成对抗样本，通过大量实验对多个DNN进行黑盒攻击，验证了有效性；先前研究表明，经过由多种攻击方法生成的对抗样本训练过的神经网络依然容易遭到白盒攻击，针对此问题，文献[104]在黑盒攻击下进行了研究，经试验得出，通过对抗训练难以构建一个可以抵御黑盒攻击的鲁棒性很好的神经网络；文献[105]提出了一种基于上下文的对抗攻击方法，并在大量公开模型上验证了可成功对全监督和弱监督目标检测模型进行攻击，文献[106]还针对攻击样本的隐蔽性问题，提出并验证了解决方法；文献[107]使用GAN生成对抗样本后对几种公开数据集进行了白盒攻击，得到了较高的成功率；文献[108]提出了一种新的生成对抗网络用于生成对抗补丁，即使附加到图像局部上，即可对DNN的图像检索模型产生扰动，大量实验表明此方法具有出色性能。
对无人车视觉相机进行反制，下一步需要解决的部分问题或研究方向主要有：
1) 对无人车视觉导航相机的无源对抗。视觉相机可用于无人车对环境目标的探测和路面分割等，通过对环境和目标的伪装，使相机不能正确获取有用信息，即可达到对其对抗的目的。
2) 对立体视觉相机的测距能力干扰。基于立体视觉技术的光学相机具有较高精度的无源测距能力，保证了使用时的隐蔽性特点，通过干扰其测距功能，降低其测距精度甚至使其无法获得目标距离，将使其丧失无源测距能力的优势。
3) 对多波段相机的干扰。实际使用中常将可见光和红外相机组合使用，获得目标的多波段特征，红外相机的工作波段也不尽相同，使得针对单一波段进行干扰的手段适用性降低，因此需要对多波段相机进行干扰的手段和方法。
4) 基于对抗攻击的图像识别干扰。对视觉相机进行干扰，除了对相机本身(即成像功能)进行干扰外，还可对其基于图像的目标检测和识别算法进行攻击，最终达到对视觉相机的反制目的。
地面无人平台通过环境感知传感器感知外部环境信息，通过平台自身传感器感知平台状态和运行参数，通过测控链路接收控制端控制指令及回传信息，最终由平台控制器响应以上信息，进行行为决策和平台控制。除前文所述可对测控链路及环境感知传感器进行对抗之外，还可针对平台行为决策与控制功能进行干扰，譬如可通过其传感器、遥控指令端注入干扰信息、错误信息、病毒等，对其自主算法、车内网络、机器人操作系统(Robot Operating System,ROS)等进行干扰攻击，最终达到干扰其信息获取能力、任务理解和平台控制能力。
无人平台的智能算法包括目标识别算法、路径规划算法、人机协同控制算法及平台智能控制算法等，可对其基础算法原理、判断的时敏性和判断量权重等进行研究，通过从传感器端注入干扰图像或光电信号等信息，针对智能算法进行攻击，以欺骗、误导甚至失能识别算法。
无人平台的总线网络虽然采取了一定的电磁屏蔽措施，但是波长较小的高功率电磁脉冲仍然可以通过天线耦合、传输线路耦合、孔缝耦合等方式，对电子系统产生不可忽视的干扰信号。因此，可利用此特点对车内总线进行攻击，利用无人平台信息系统总线协议字段的脆弱性，针对某一特定应用伪造地址数据或错误状态字，达到使总线系统逻辑紊乱、无法正常运行的目的。主要方式有服务请求/硬件错误指示干扰、定向通信阻断攻击、总线时序攻击等方式、总线失能攻击等。
目前无人平台多以ROS作为网络中间件来进行数据交换，用于在各设备节点之间收发数据、事件和命令。因此，可以利用ROS的订阅/发布模型和ROS作为中间件的特性，在有线接入/无线接入的情况下，对无人平台及其网络进行劫持攻击。
对于遥控型地面无人平台，可对其车内网络和操作系统进行干扰，而对具备自主功能的平台，可通过干扰其自主识别算法、路径规划算法、姿态控制算法、车内网络、操作系统等，实现对其自主决策、自主导航、自主避障等自主行为和指令传输的干扰。
对无人机平台安全的研究起步较早，相关研究成果可供借鉴。文献[109]对无人机自动驾驶系统的潜在网络威胁和漏洞进行了分析，并进行了模拟攻击试验；文献[110]分析了无人机系统的网络物理漏洞和在攻击下的后果；文献[111]从传感器、通信和多机协同等方面分析了其安全性；文献[112]通过对无人机易遭受的网络攻击进行分析，得出虚假数据传播是最危险的网络攻击；文献[113] 探讨了广泛应用于自然语言处理、图像识别和声音识别的人工智能和深度学习算法的安全性问题，研究了人工智能模型的数据与隐私泄露问题，探讨了可用于攻击的方法及可采取的防御方法；文献[114]针对信息安全问题进行了研究，通过归纳分类网联汽车易受攻击的对外接口及可用于攻击的手段和潜在威胁，提出了基于信息熵和决策树的车载CAN总线网络异常检测技术；文献[115]针对无线传感器网络的恶意软件传播问题，建立了无线传感器网络的攻防博弈模型，推导出了混合纳什均衡解和恶意软件的传感概率，仿真结果对此类攻防对抗研究均具有指导意义；文献[116]介绍了如何将数据挖掘技术用于网络入侵检测及提高检测效率，并用于预防网络入侵，这对研究如何入侵网络亦具有借鉴意义。
对地面无人平台的自主行为和平台控制进行反制，下一步需要解决的部分问题或研究方向主要有：
1) 破译/非破译条件下的干扰指令注入。遥控型和半自主型无人平台需要接收操控站控制指令，并执行相应动作。对控制指令协议进行破译后，可注入干扰指令从而影响无人平台的自主行为和平台控制。在非破译条件下，也可通过分析其指令信号外在特征，并进行有针对性的干扰，从而影响其对正确指令的正常解析。
2) 对无人平台自主行为的反制。通过研究地面无人平台的自主算法，发现其弱点和漏洞，并采用适当的输入方式，注入干扰信息，对其自主算法进行干扰。
3) 针对ROS的攻击干扰。目前大多数地面无人平台均采用ROS来实现平台控制，且为开源软件，因此，可通过寻找ROS的底层漏洞，对无人平台控制功能进行攻击干扰。
4) 无人车总线网络干扰。无人平台的各执行机构通过车内总线网络连接，传输控制指令和信息，可通过电磁耦合等方式将干扰信息注入总线网络，影响其正常通信，从而干扰其平台控制能力。
此处所指反制效果评估，是指反制系统根据实施侦测的目标信息和先验知识，采取一定对抗措施后，再根据实时侦测的目标信息和先验知识，对反制效果进行的实时评价，为后续调整反制策略或其他行动提供参考。反制效果评估是一种利用交战对手作战力量变化、武器系统反应和关重部件状态变化等数据进行的在线实时评估技术，是反制系统构建“观测、定位、决策和行动(OODA)”闭环回路的重要环节之一，以此构建具备自适应反制或一定认知能力的功能系统[117]。
具体步骤可分为：目标信息侦察、目标特征提取、反制行为决策、反制行为实施、再次目标侦察、目标特征变化度量、反制决策调整、反制行为调整，如此循环，直至达到预期反制效果或自行终止反制。其中关键技术在于如何基于反制系统可实时侦测的目标信息和先验知识来构建地面无人系统的能力指标体系和模型，再结合模糊评价法、层次分析法、灰色综合评价法、系统效能分析法、指数法等建立反制能力评估模型。反制系统可实施侦测的目标信息包括光学图像、运动速度、机动行为(加速、减速、停止、前进、返航等)、测控链路信号变化(调制样式、频率、跳速、功率的变化等)等状态变化信息。先验知识包括典型目标的多元属性信息、常见行为特征、典型设计特点、作战运用策略和使用方法、以及干扰策略库等，如测控链路信号特征及受扰时的应对措施和信号特征变化规律、受扰后的平台机动决策、目标特征与干扰策略的映射关系等。
存在的难点问题是，受限于实时侦测到的目标信息的丰富程度和先验知识的准确性，可用于评估反制效果的信息和高维度特征较少，导致评估结果的置信度不高。因此，研究基于作用对象的可观测信息的在线效能评估，尤其是干扰对抗环境下，是值得我们今后研究的重要问题之一。
文献[118]针对自适应雷达对抗需求，提出了一种从侦察和干扰系统的角度定量评价干扰有效性的方法，选择雷达脉冲在干扰前后的累积振幅作为特征统计量，并基于显著性测试理论设计了有效性评价检测器；文献[119]提出使用Adaboost组合分类模型来评估雷达干扰效果，其评估精度远高于RBF神经网络和贝叶斯等单一分类器；文献[120]重点就战时电子对抗在线效果评估的关键技术进行了分析，总结了发展趋势；文献[121]设计了一套采用基于干扰因素匹配程度的干扰效果预评估和基于雷达受扰前后行为参数变化的干扰效果主评估的雷达干扰效果在线评估方案；文献[122]分析了在线评估依据，建立了雷达工作状态与干扰效果的映射关系，结合雷达信息识别结果，给出了干扰效果在线评估的实施流程，并进行了仿真验证；文献[123]提出了一种基于支持向量机的基于干扰方的雷达在线效果评估方法，试验表明该方法具有较高的可靠性；文献[124]针对Link-16系统，提出了一种基于其多种行为参数变化进行干扰效果在线评估的方法；文献[125]则针对认知电子战中的目标状态识别问题，重点研究了无监督的增量式目标状态识别方法。
对反制效果进行在线评估，下一步需要解决的部分问题或研究方向主要有：
1) 地面无人系统反制评估指标体系的有效性。对反制效果进行评估，首先需要建立全面、科学、合理的评估指标体系，能准确反映出当下的反制效果，因此指标体系的有效性度量是值得研究的问题。
2) 基于可观测信息的目标状态辨识与预测。各类仿真系统中的效能评估，往往基于系统可收集到的所有信息，而实际应用中的在线效果评估，无法直接得到作用对象的内部参数，只能依据干扰方的可观测信息对目标状态和行为进行判断和预测，进而评估干扰效能。
3) 基于作用对象参数变化的反制效果在线评估。干扰方的可观测信息经过空间传播和接受处理后往往存在损失，其绝对量值并不足以完全表征目标状态，因此可根据其某些关键参数和状态变化，评估反制效果的有效性。
以上各项关键技术中需要解决的部分问题或研究方向，因涉及专业门类和学科方向较多，此处并未详尽说明，现概要汇总如下，详见表2。
表2 关键技术研究方向汇总
Table 2 Summary of key technology research directions
通过对反制地面无人系统的多种可能手段和关键技术进行分析，其技术特点、运用方式、作用效果等不尽相同，如表3所示。在实际运用中，须结合作用对象、己方目的、期望效能、实际场景等灵活选择运用时机、综合使用多种手段，才能充分发挥反制手段效能，达到反制目的。
表3 反制手段对比分析
Table 3 Comparative analysis of countermeasures
随着地面无人系统的创新发展及关键技术的不断突破，其在现代战争中的地位和作用逐步提高，在不断发展地面无人装备的同时，对其进行对抗反制研究的时机愈发成熟。瞄准未来无人化智能化装备对抗需求，提出了开展地面无人系统反制研究的构想；通过梳理地面无人系统的国内外发展现状及趋势，总结地面无人系统的能力特征和关键技术，并与空中无人系统进行对比分析，给出了反制地面无人系统的可能策略；初步构建了关键技术体系框架，并从反制测控链路、卫星导航定位系统、环境感知传感器、自主行为与平台控制及反制效果在线评估等方面对相关关键技术进行了分析与综述。
随着智能、通信、信息、传感等技术的不断演进和应用，地面无人系统的环境感知、自主行为、任务理解、智能协同等能力不断迭代发展，对其反制研究也应随之不断更新，就像装甲与反装甲、侦察与反侦察、电磁战与反电磁战等，矛与盾的对抗永远在路上。尤其应注重以下几点：
1) 更加注重利用成熟技术进行反制。对地面无人系统的测控链路反制、卫星导航定位反制、环境感知传感器反制等关键技术中，诸如电磁信号侦测定位与干扰、卫星导航干扰、雷达干扰等很多已在通信对抗、光电对抗等电磁对抗领域取得成功应用，可以将其转化应用于地面无人系统反制。
2) 更加注重针对智能化特征进行反制。随着人工智能技术在地面无人系统环境感知、路径规划、任务理解等方面的逐步应用，其自主程度不断提高，如何对抗其自主能力，针对其自主机动行驶、自主任务规划、自主行为决策等具有智能化特征的能力进行反制，达到“反智”目的，将是反制地面无人系统的有效手段和可行的研究方向。
3) 更加注重进行信息反制。机械化时代装备靠机械赋能，地面装备对抗是装甲与弹药的对抗，信息化智能化时代装备靠信息赋能，装备对抗是信息与信息的对抗，应充分利用信息化手段对抗信息化装备，破网断链、蒙眼堵鼻，达到四两拨千斤的效果。
4) 更加注重进行综合反制。地面无人系统具有多个能力特征，且某一能力特征的实现，往往采用多种技术手段融合设计，譬如测控链路包括视距链路和卫星链路，导航定位包括惯性导航定位和卫星导航定位，环境感知采用激光、毫米波、视觉等，这就需要针对多种能力特征以及某一特征的多种技术手段进行反制，以达到综合反制效果。
针对地面无人装备关键能力特征开展反制研究，是在此领域的首次尝试，提出的反制策略和关键技术可能不尽完善，相信随着相关研究的不断深入和技术的不断发展，对未来装备建设和发展将具有启发和借鉴意义，也会对地面无人装备的建设发展起到推动作用。
[1] 薛春祥, 黄孝鹏, 朱咸军, 等. 外军无人系统现状与发展趋势[J]. 雷达与对抗, 2016, 36(1): 1-5, 10.
XUE C X, HUANG X P, ZHU X J, et al. Status quo and development trends of foreign military’s unmanned systems[J]. Radar & ECM, 2016, 36(1): 1-5, 10 (in Chinese).
[2] 孟红, 朱森. 地面无人系统的发展及未来趋势[J]. 兵工学报, 2014, 35(S1): 1-7.
MENG H, ZHU S. The development and future trends of unmanned ground systems[J]. Acta Armamentarii, 2014, 35(Sup 1): 1-7 (in Chinese).
[3] SHIMOMURA N, FUJIMOTO K, OKI T, et al. An algorithm for distinguishing the types of objects on the road using laser radar and vision[J]. IEEE Transactions on Intelligent Transportation Systems, 2002, 3(3): 189-195.
[4] D
AZ R, HALLMAN S, FOWLKES C C. Detecting dynamic objects with multi-view background subtraction[C]∥2013 IEEE International Conference on Computer Vision. Piscataway: IEEE Press, 2013: 273-280.
[5] MORO A, MUMOLO E, NOLICH M, et al. Real-time background modeling based on classified dynamic objects for human robot application[C]∥2012 Ninth International Conference on Networked Sensing(INSS). Piscataway: IEEE Press, 2012: 1-7.
[6] 赵万龙, 孟维晓, 韩帅. 多源融合导航技术综述[J]. 遥测遥控, 2016, 37(6): 54-60.
ZHAO W L, MENG W X, HAN S. A survey of multi-source information fusion navigation[J]. Journal of Telemetry, Tracking and Command, 2016, 37(6): 54-60 (in Chinese).
[7] 刘严岩, 王进, 冒蓉. 无人地面车辆的环境感知技术[J]. 太赫兹科学与电子信息学报, 2015, 13(5): 810-815.
LIU Y Y, WANG J, MAO R. Environment perception technology of unmanned ground vehicles[J]. Journal of Terahertz Science and Electronic Information Technology, 2015, 13(5): 810-815 (in Chinese).
[8] 王杰东, 刘北, 董强健. 美国防部《无人系统综合路线图》分析[J]. 飞航导弹, 2019(5): 30-33.
WANG J D, LIU B, DONG Q J. Analysis of American DAP-AR ‘Unmanned Systems Integrated Roadmap’[J]. Aerodynamic Missile Journal, 2019(5): 30-33 (in Chinese).
[9] Unmanned systems integrated roadmap FY2017-2042[EB/OL]. http:∥cdn.defensedaily.com/wp-content/uploads/post_attachment/206477.pdf, 2018.
[10] 芦鹏. 基于高光谱成像技术的运动人脸姿态识别方法[J]. 激光杂志, 2020, 41(11): 105-109.
LU P. Moving face gesture recognition method based on hyper-spectrum imaging technology[J]. Laser Journal, 2020, 41(11): 105-109 (in Chinese).
[11] XIE Z H, NIU J Y, YI L, et al. Regularization and attention feature distillation base on light CNN for hyperspectral face recognition[J]. Multimedia Tools and Applications, 2021: 1-17.
[12] 雷帆朴. 基于位敏阳极的单光子成像关键技术研究[D]. 西安: 中国科学院大学(中国科学院西安光学精密机械研究所), 2019.
LEI F P. Research on the key technology of single photon imaging based on position sensitive anode[D]. Xi’an: Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, 2019 (in Chinese).
[13] KONG L D, ZHAO Q Y, ZHENG K, et al. Noise-tolerant single-photon imaging with a superconducting nanowire camera[J]. Optics Letters, 2020, 45(24): 6732-6735.
[14] 高博, 张乃千, 范旭. 反无人机电子战发展[J]. 国防科技, 2019, 40(1): 35-39.
GAO B, ZHANG N Q, FAN X. Analysis on the development and application of Anti-UAV electronic warfare[J]. National Defense Technology, 2019, 40(1): 35-39 (in Chinese).
[15] LU T T, ZHANG M, KANG T B, et al. Joint TOA/DOA estimation using the SAGE algorithm in OFDM systems with virtual carriers[J]. Journal of Physics: Conference Series, 2019, 1169: 012057.
[16] GOUDA M, ADAMS E R, HILL P C J. Detection & discrimination of covert DS/SS signals using triple correlation[C]∥Proceedings of the Fifteenth National Radio Science Conference. Piscataway: IEEE Press, 1998: C35/1-C35/6.
[17] SHI S, ZHANG T Q, XU X, et al. Detection of DSSS/UQPSK signal based on fourth-order cumulant algorithm[C]∥2014 7th International Congress on Image and Signal Processing. Piscataway: IEEE Press, 2014: 1038-1042.
[18] JIN Y, JI H B. A cyclic-cumulant based method for DS-SS signal detection and parameter estimation[C]∥2005 IEEE International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications. Piscataway: IEEE Press, 2005: 966-969.
[19] FEI Z, MING L, BIN T. Blind detection of DS/SS signals through variance fractal dimension trajectory[C]∥2008 International Conference on Computer and Electrical Engineering. Piscataway: IEEE Press, 2008: 145-149.
[20] UYSAL C, FILIK T. Presence detection of long-and-short-code DS-SS signals using the phase linearity of multichannel sensors[C]∥2014 19th International Conference on Digital Signal Processing. Piscataway: IEEE Press, 2014: 305-309.
[21] 刘万贤, 彭华. 一种突发直扩信号盲检测算法[J]. 信息工程大学学报, 2013, 14(6): 700-707.
LIU W X, PENG H. Algorithm for blind detection of the burst DSSS signal[J]. Journal of Information Engineering University, 2013, 14(6): 700-707 (in Chinese).
[22] 欧阳鑫信, 姚山峰, 杨宇翔, 等. 跳频信号的相参与非相参积累时频差估计方法[J]. 系统工程与电子技术, 2021, 43(5): 1184-1190.
OUYANG X X, YAO S F, YANG Y X, et al. Coherent and non-coherent integration TDOA/FDOA estimation method of frequency-hopping signals[J]. Systems Engineering and Electronics, 2021, 43(5): 1184-1190 (in Chinese).
[23] O’SHEA T J, CORGAN J, CLANCY T C. Convolutional radio modulation recognition networks[C]∥Engineering Applications of Neural Networks, 2016.
[24] O’SHEA T J, CORGAN J, CLANCY T C. Unsupervised representation learning of structured radio communication signals[C]∥2016 First International Workshop on Sensing, Processing and Learning for Intelligent Machines(SPLINE). Piscataway: IEEE Press, 2016: 1-5.
[25] O’SHEA T J, WEST N, VONDAL M, et al. Semi-supervised radio signal identification[C]∥2017 19th International Conference on Advanced Communication Technology(ICACT). Piscataway: IEEE Press, 2017: 33-38.
[26] O’SHEA T, WEST N. Radio machine learning dataset generation with GNU radio[C]∥Proceedings of the GNU Radio Conference, 2016: 1-6.
[27] 杨司韩, 金山, 彭华, 等. 基于谱图和深度卷积网络的超短波特定信号检测和识别方法[J]. 信息工程大学学报, 2019, 20(2): 129-135.
YANG S H, JIN S, PENG H, et al. Ultra-short wave specific signal detection and recognition based on spectrogram and deep convolution neural network[J]. Journal of Information Engineering University, 2019, 20(2): 129-135 (in Chinese).
[28] 孙伟, 彭华, 李天昀, 等. 基于时频图像处理的宽带特定信号检测方法[J]. 信息工程大学学报, 2020, 21(5): 545-551.
SUN W, PENG H, LI T Y, et al. Broadband specific signal detection method based on time-frequency image processing[J]. Journal of Information Engineering University, 2020, 21(5): 545-551 (in Chinese).
[29] ZHENG Y L, GONG Q Y, ZHANG S F. Time-frequency feature-based underwater target detection with deep neural network in shallow sea[J]. Journal of Physics: Conference Series, 2021, 1756(1): 012006.
[30] 李知达. 基于SIFT算法的激光成像雷达点云图像与可见光图像的融合研究[D]. 西安: 西安电子科技大学, 2014.
LI Z D. A fusion algorithm of the images from the LADAR and the camera based on SIFT[D]. Xi’an: Xidian University, 2014 (in Chinese).
[31] 曾湘峰. 车载多传感器融合下的动态目标检测与跟踪[D]. 长沙: 国防科学技术大学, 2015.
ZENG X F. Dynamic object detection and tracking with vehicle-mounted multi-sensor fusion[D]. Changsha: National University of Defense Technology, 2015 (in Chinese).
[32] 汪勇, 张英, 廖如超, 等. 基于可见光、热红外及激光雷达传感的无人机图像融合方法[J]. 激光杂志, 2020, 41(2): 141-145.
WANG Y, ZHANG Y, LIAO R C, et al. UAV image fusion method based on visible light, infrared light and lidar sensors[J]. Laser Journal, 2020, 41(2): 141-145 (in Chinese).
[33] WANG D, HU A Q, CHEN Y F, et al. An ESPRIT-based approach for RF fingerprint estimation in multi-antenna OFDM systems[J]. IEEE Wireless Communications Letters, 2017, 6(6): 702-705.
[34] WANG S H, JIANG H L, FANG X F, et al. Radio frequency fingerprint identification based on deep complex residual network[J]. IEEE Access, 2020, 8: 204417-204424.
[35] ZHUO F, HUANG Y L, CHEN J. Radio frequency fingerprint extraction of radio emitter based on I/Q imbalance[J]. Procedia Computer Science, 2017, 107: 472-477.
[36] 刘高辉, 张晓博. 一种基于深度置信网络的通信辐射源个体识别方法[J]. 电波科学学报, 2020, 35(3): 395-403.
LIU G H, ZHANG X B. A method for personal identification of communication radiation source based on deep belief network[J]. Chinese Journal of Radio Science, 2020, 35(3): 395-403 (in Chinese).
[37] 周鑫, 何晓新, 郑昌文. 基于图像深度学习的无线电信号识别[J]. 通信学报, 2019, 40(7): 114-125.
ZHOU X, HE X X, ZHENG C W. Radio signal recognition based on image deep learning[J]. Journal on Communications, 2019, 40(7): 114-125 (in Chinese).
[38] 陶冠宏, 周林. 一种基于深度学习的辐射源信号调制识别新算法[J]. 科学技术与工程, 2020, 20(3): 1081-1085.
TAO G H, ZHOU L. A novel emitter signal modulation classification method with deep learning[J]. Science Technology and Engineering, 2020, 20(3): 1081-1085 (in Chinese).
[39] PENG S L, JIANG H Y, WANG H X, et al. Modulation classification based on signal constellation diagrams and deep learning[J]. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(3): 718-727.
[40] WANG D S, ZHANG M, LI J, et al. Intelligent constellation diagram analyzer using convolutional neural network-based deep learning[J]. Optics Express, 2017, 25(15): 17150-17166.
[41] DAI A, ZHANG H J, SUN H. Automatic modulation classification using stacked sparse auto-encoders[C]∥2016 IEEE 13th International Conference on Signal Processing. Piscataway: IEEE Press, 2016: 248-252.
[42] 郭蕴欣, 张越, 马宏. 基于CNN的数字信号调制识别研究[J]. 电子测量技术, 2019, 42(14): 112-116.
GUO Y X, ZHANG Y, MA H. Research on modulation identification of digital signals based on convolutional neural network[J]. Electronic Measurement Technology, 2019, 42(14): 112-116 (in Chinese).
[43] SMITH A, EVANS M, DOWNEY J. Modulation classification of satellite communication signals using cumulants and neural networks[C]∥2017 Cognitive Communications for Aerospace Applications Workshop(CCAA). Piscataway: IEEE Press, 2017: 1-8.
[44] 白芃远, 许华, 孙莉. 基于卷积神经网络与时频图纹理信息的信号调制方式分类方法[J]. 西北工业大学学报, 2019, 37(4): 816-823.
BAI P Y, XU H, SUN L. A recognition algorithm for modulation schemes by convolution neural network and spectrum texture[J]. Journal of Northwestern Polytechnical University, 2019, 37(4): 816-823 (in Chinese).
[45] 鲜佩, 张晓芸, 高昭昭. 基于CNN的电磁辐射源目标识别算法[J]. 电子信息对抗技术, 2020, 35(2): 34-38.
XIAN P, ZHANG X Y, GAO Z Z. Electromagnetic radiation source target recognition algorithm based on CNN[J]. Electronic Information Warfare Technology, 2020, 35(2): 34-38 (in Chinese).
[46] 柏如龙, 孙超, 张世川. IFF信号单站无源定位技术[J]. 指挥信息系统与技术, 2017, 8(3): 59-62.
BAI R L, SUN C, ZHANG S C. Single observer passive location technology for IFF signals[J]. Command Information System and Technology, 2017, 8(3): 59-62 (in Chinese).
[47] 李明哲, 李小将, 李志亮. 基于FDOA的无源定位算法研究现状与展望[J]. 兵工自动化, 2019, 38(4): 28-34, 48.
LI M Z, LI X J, LI Z L. Research status and prospect of passive localization methods based on frequency difference of arrival[J]. Ordnance Industry Automation, 2019, 38(4): 28-34, 48 (in Chinese).
[48] 吴魏. 多站无源时频差高精度定位技术研究[D]. 郑州: 解放军信息工程大学, 2015.
WU W. Research on high accuracy passive localization using TDOA and FDOA with multiple receivers[D]. Zhengzhou: PLA Information Engineering University, 2015 (in Chinese).
[49] XIONG W X, SCHINDELHAUER C, SO H C, et al. TDOA-based localization with NLOS mitigation via robust model transformation and neurodynamic optimization[J]. Signal Processing, 2021, 178: 107774.
[50] ENNASR O, TAN X B. Time-difference-of-arrival(TDOA)-based distributed target localization by A robotic network[J]. IEEE Transactions on Control of Network Systems, 2020, 7(3): 1416-1427.
[51] OUYANG X X, HE Q, YANG Y X, et al. TDOA/FDOA estimation algorithm of frequency-hopping signals based on CAF coherent integration[J]. IET Communications, 2020, 14(2): 331-336.
[52] CAO S, CHEN X, ZHANG X, et al. Combined weighted method for TDOA-based localization[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(5): 1962-1971.
[53] XU C, WANG Z, WANG Y H, et al. Three passive TDOA-AOA receivers-based flying-UAV positioning in extreme environments[J]. IEEE Sensors Journal, 2020, 20(16): 9589-9595.
[54] 杜宝舟, 张冬晓, 程二威. 超宽带电磁脉冲对无人机辐照耦合仿真研究[J]. 计算机仿真, 2018, 35(4): 29-32, 37.
DU B Z, ZHANG D X, CHENG E W. Simulation study on irradiation coupling of UWB electromagnetic pulse to UAV[J]. Computer Simulation, 2018, 35(4): 29-32, 37 (in Chinese).
[55] 赵敏, 许彤, 程二威, 等. 无人机数据链电磁干扰机理和防护研究[J]. 强激光与粒子束, 2021, 33(3): 49-56.
ZHAO M, XU T, CHENG E W, et al. Mechanism and protection on the data link of UAV exposed to electromagnetic interference[J]. High Power Laser and Particle Beams, 2021, 33(3): 49-56 (in Chinese).
[56] 邵堃, 雷迎科. 对武器制导数据链灵巧干扰技术[J]. 弹箭与制导学报, 2020, 40(3): 17-22.
SHAO K, LEI Y K. Smart jamming technology for weapon guidance data link[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2020, 40(3): 17-22 (in Chinese).
[57] 段朋成, 马文平. 无人机上行链路抗欺骗干扰方案设计[J]. 测控技术, 2017, 36(10): 147-150.
DUAN P C, MA W P. Design of anti-spoofing scheme for UAV uplink[J]. Measurement & Control Technology, 2017, 36(10): 147-150 (in Chinese).
[58] 秦剑. 基于生成对抗网络的信号重构[D]. 西安: 西安电子科技大学, 2018.
QIN J. Signal reconstruction based on Generative adversarial Networks[D]. Xi'an: Xidian University, 2018 (in Chinese).
[59] 赵凡, 金虎. 基于GAN的通信干扰波形生成技术[J]. 系统工程与电子技术, 2021, 43(4): 1080-1088.
ZHAO F, JIN H. Communication jamming waveform generation technology based on GAN[J]. Systems Engineering and Electronics, 2021, 43(4): 1080-1088 (in Chinese).
[60] HUMPHREYS T E. Detection strategy for cryptographic GNSS anti-spoofing[J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(2): 1073-1090.
[61] RüGAMER A, KOWALEWSKI D. Jamming and spoofing of GNSS signals——an underestimated Risk?[C]∥Wisdom of the Ages to the Challenges of the Modern World, 2015.
[62] FROST T, BUESNEL G. The vulnerability of GNSS timing receivers to spoofing attacks[C]∥Workshop on Synchronization and Timing Systems(WSTS 2016), 2016.
[63] FROST T, BUESNEL G. Spoofing GNSS timing receivers[C]∥2015 International Telecom Sync Forum, 2015.
[64] HE L, LI W, GUO C J, et al. Civilian unmanned aerial vehicle vulnerability to GPS spoofing attacks[C]∥2014 Seventh International Symposium on Computational Intelligence and Design. Piscataway: IEEE Press, 2014: 212-215.
[65] PSIAKI M L, HUMPHREYS T E, STAUFFER B. Attackers can spoof navigation signals without our knowledge. Here’s how to fight back GPS lies[J]. IEEE Spectrum, 2016, 53(8): 26-53.
[66] SEO S H, LEE B H, IM S H, et al. Effect of spoofing on unmanned aerial vehicle using counterfeited GPS signal[J]. Journal of Positioning, Navigation, and Timing, 2015, 4(2): 57-65.
[67] KRASOVSKI S, PETOVELLO M, LACHAPELLE G. Ultra-tight GPS/INS receiver performance in the presence of jamming signals[C]∥ION GNSS+2014, 2014
[68] LI C, WANG X. Jamming of unmanned aerial vehicle with GPS/INS integrated navigation system based on trajectory cheating[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2017, 49(3): 420-427.
[69] CHEN J, LIU Y, LI Y H, et al. A method of traction partial jamming on GPS/INS integrated navigation[C]∥Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering(ICCSEE 2013). Paris: Atlantis Press, 2013.
[70] 赫永磊, 李冬, 王肖飞. 电子对抗手段干扰无人机GPS/INS导航系统效能分析[J]. 舰船电子工程, 2020, 40(12): 44-47.
HE Y L, LI D, WANG X F. Effectiveness analysis of electronic countermeasures jamming UAV GPS/INS navigation system[J]. Ship Electronic Engineering, 2020, 40(12): 44-47 (in Chinese).
[71] 毛虎, 吴德伟, 卢虎, 等. GPSM码信号压制干扰样式效能分析[J]. 电子科技大学学报, 2015, 44(3): 350-356.
MAO H, WU D W, LU H, et al. Effectiveness analysis of the blanket jamming mode to GPS M code signal[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 350-356 (in Chinese).
[72] 张欣然, 李洪, 杨春, 等. 欺骗干扰对GNSS矢量跟踪环路的影响[J]. 清华大学学报(自然科学版), 2022, 62(1): 163-171.
ZHANG X R, LI H, YANG C, et al. Influence of spoofing interference on GNSS vector tracking loops[J]. Journal of Tsinghua University(Science and Technology), 2022, 62(1): 163-171 (in Chinese).
[73] 柳亚川, 寇艳红. 同步式GPS欺骗干扰信号生成技术研究与设计[J]. 北京航空航天大学学报, 2020, 46(4): 814-821.
LIU Y C, KOU Y H. Research and design of synchronous GPS spoofing signal generation technology[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(4): 814-821 (in Chinese).
[74] 陈军, 王义冬, 刘义, 等. 一种对GPS/INS组合导航的曳引式拉偏干扰[J]. 海军航空工程学院学报, 2012, 27(4): 446-450.
CHEN J, WANG Y D, LIU Y, et al. A method of traction partial jamming on GPS/INS integrated navigation[J]. Journal of Naval Aeronautical and Astronautical University, 2012, 27(4): 446-450 (in Chinese).
[75] 王文益, 陈晨. 配备GPS/INS组合导航系统的无人机诱捕方法[J]. 兵器装备工程学报, 2020, 41(11): 212-217.
WANG W Y, CHEN C. Method of trapping UAV equipped with GPS/INS integrated navigation system[J]. Journal of Ordnance Equipment Engineering, 2020, 41(11): 212-217 (in Chinese).
[76] LIU C B, WU C, HAN X E. Multiple-input multiple-output 3D imaging laser radar[C]∥Proc SPIE 9674, AOPC 2015: Optical and Optoelectronic Sensing and Imaging Technology, 2015: 714-718.
[77] MISU K, MIURA J. Specific person detection and tracking by a mobile robot using 3D LIDAR and ESPAR antenna[M]∥Intelligent Autonomous Systems 13. Cham: Springer International Publishing, 2015: 705-719.
[78] KOLB A, MEACLEM C, CHEN X Q, et al. Tree trunk detection system using LiDAR for a semi-autonomous tree felling robot[C]∥2015 IEEE 10th Conference on Industrial Electronics and Applications. Piscataway: IEEE Press, 2015: 84-89.
[79] 李慧, 李岩, 刘冰锋, 等. 激光干扰技术现状与发展及关键技术分析[J]. 激光与光电子学进展, 2011, 48(8): 081407.
LI H, LI Y, LIU B F, et al. Status, development and key technique analysis of laser jamming technology[J]. Laser & Optoelectronics Progress, 2011, 48(8): 081407 (in Chinese).
[80] 唐波, 郭琨毅. 合成孔径激光雷达电子对抗措施分析[J]. 红外与激光工程, 2007, 36(S2): 472-475.
TANG B, GUO K Y. The analysis of electronic countermeasures for SAL[J]. Infrared and Laser Engineering, 2007, 36(Sup 2): 472-475 (in Chinese).
[81] 张英远. 激光对抗中的告警和欺骗干扰技术[D]. 西安: 西安电子科技大学, 2012.
ZHANG Y Y. Warning and deception jamming technology of laser countermeasure[D]. Xi’an: Xidian University, 2012 (in Chinese).
[82] 王萃. 激光雷达距离欺骗干扰技术研究[D]. 成都: 电子科技大学, 2016.
WANG C. Research on distance deception jamming technology of laser radar[D]. Chengdu: University of Electronic Science and Technology of China, 2016 (in Chinese).
[83] 曹立华, 陈长青. 激光欺骗干扰技术与系统研究[J]. 光机电信息, 2011, 28(7): 27-32.
CAO L H, CHEN C Q. Technology and system of laser deception jamming[J]. OME Information, 2011, 28(7): 27-32 (in Chinese).
[84] STOTTELAAR B G B. Practical cyber-attacks on autonomous vehicles[D]. Enschede: University of Twente, 2015.
[85] SHIN H, KIM D, KWON Y, et al. Illusion and dazzle: Adversarial optical channel exploits against lidars for automotive applications[C]∥Cryptographic Hardware and Embedded Systems-CHES 2017, 2017.
[86] CAO Y L, XIAO C W, CYR B, et al. Adversarial sensor attack on LiDAR-based perception in autonomous driving[C]∥Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security. New York: ACM, 2019: 2267-2281.
[87] SUN J C, CAO Y L, CHEN Q A, et al. Towards robust LiDAR-based perception in autonomous driving: General black-box adversarial sensor attack and countermeasures[C]∥SEC’20: Proceedings of the 29th USENIX Conference on Security Symposium, 2020: 877-894.
[88] CAO Y L, XIAO C W, YANG D W, et al. Adversarial objects against LiDAR-based autonomous driving systems[DB/OL]. arXiv preprint:1907.05418, 2019.
[89] TU J, REN M Y, MANIVASAGAM S, et al. Physically realizable adversarial examples for LiDAR object detection[C]∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). Piscataway: IEEE Press, 2020: 13713-13722.
[90] 陈先中, 刘荣杰, 张森, 等. 煤矿地下毫米波雷达点云成像与环境地图导航研究进展[J]. 煤炭学报, 2020, 45(6): 2182-2192.
CHEN X Z, LIU R J, ZHANG S, et al. Development of millimeter wave radar imaging and SLAM in underground coal mine environment[J]. Journal of China Coal Society, 2020, 45(6): 2182-2192 (in Chinese).
[91] LI Y, LIU Y T, WANG Y P, et al. The millimeter-wave radar SLAM assisted by the RCS feature of the target and IMU[J]. Sensors, 2020, 20(18): 5421.
[92] MONTEATH G M. Environmental analysis of the sediments of southern Monterey Bay California[M]. Monterey: Naval Postgraduate School, 1965.
[93] ERALTAY K, ÖZKAZANÇ Y. Jamming of FMCW radars[C]∥2012 20th Signal Processing and Communications Applications Conference(SIU). Piscataway: IEEE Press, 2012: 1-4.
[94] ZAKERHAGHIGHI M R, MIVEHCHY M, SABAHI M F. Implementation and assessment of jamming effectiveness against an FMCW tracking radar based on a novel criterion[J]. IEEE Transactions on Aerospace and Electronic Systems, 2020, 56(6): 4723-4733.
[95] 李阳, 王楚媛, 陈桥, 等. FMCW车载雷达自适应干扰抑制方法[J]. 信号处理, 2021, 37(2): 258-267.
LI Y, WANG C Y, CHEN Q, et al. Mutual interference suppression method for FMCW automotive radar[J]. Journal of Signal Processing, 2021, 37(2): 258-267 (in Chinese).
[96] 许致火, 施佺, 孙玲. 基于多径干扰认知的汽车毫米波雷达自适应波形优化方法[J]. 南京大学学报(自然科学), 2018, 54(3): 597-603.
XU Z H, SHI Q, SUN L. Adaptive millimeter-wave automotive radar waveform optimization based on learning of multi-path interference[J]. Journal of Nanjing University(Natural Science), 2018, 54(3): 597-603 (in Chinese).
[97] 卢雪怡, 杨爱平, 盛骥松. 基于移频的距离波门拖引干扰方法分析与仿真[J]. 舰船电子对抗, 2018, 41(3): 42-44, 95.
LU X Y, YANG A P, SHENG J S. Analysis and simulation of range gate pull jamming method based on frequency shift[J]. Shipboard Electronic Countermeasure, 2018, 41(3): 42-44, 95 (in Chinese).
[98] 谌睿. 间歇采样转发干扰特性研究与抗干扰波形设计[D]. 长沙: 国防科技大学, 2017.
CHEN R. Research on characteristics of interrupted sampling repeater jamming and anti-jamming waveform design[D]. Changsha: National University of Defense Technology, 2017 (in Chinese).
[99] 钱升起. 距离门拖引干扰与雷达抗干扰[D]. 北京: 北京理工大学, 2016.
QIAN S Q. Range gate pull off jamming and radar anti-jamming[D]. Beijing: Beijing Institute of Technology, 2016 (in Chinese).
[100] ZHONG L J, QIN J Y, YANG X, et al. An accurate linear method for 3D line reconstruction for binocular or multiple view stereo vision[J]. Sensors, 2021, 21(2): 658.
[101] 李文澜. 基于立体视觉和机器学习的车辆检测方法的研究[D]. 长春: 吉林大学, 2018.
LI W L. Research on vehicle detection methods based on stereo vision and machine learning[D]. Changchun: Jilin University, 2018 (in Chinese).
[102] MORENO-ESCOBAR J J, MORALES-MATAMOROS O, TEJEIDA-PADILLA R. Unmanned ground vehicle with stereoscopic vision for a safe autonomous exploration[J]. International Journal of Advanced Computer Science and Applications, 2019, 10(7): 0100779.
[103] WEI X X, GUO Y, LI B. Black-box adversarial attacks by manipulating image attributes[J]. Information Sciences, 2021, 550: 285-296.
[104] PARK S, SO J. On the effectiveness of adversarial training in defending against adversarial example attacks for image classification[J]. Applied Sciences, 2020, 10(22): 8079.
[105] ZHANG H T, ZHOU W G, LI H Q. Contextual adversarial attacks for object detection[C]∥2020 IEEE International Conference on Multimedia and Expo. Piscataway: IEEE Press, 2020: 1-6.
[106] ZHANG H T, SHEN C. Best arm identification for both stochastic and adversarial multi-armed bandits[C]∥2018 IEEE Information Theory Workshop. Piscataway: IEEE Press, 2018: 1-5.
[107] 张高志, 刘新平, 邵明文. 用于白盒目标攻击的GAN对抗样本生成[J]. 模式识别与人工智能, 2020, 33(9): 830-838.
ZHANG G Z, LIU X P, SHAO M W. Generating adversarial example with GAN for white-box target attacks[J]. Pattern Recognition and Artificial Intelligence, 2020, 33(9): 830-838 (in Chinese).
[108] ZHAO G P, ZHANG M Y, LIU J J, et al. AP-GAN: Adversarial patch attack on content-based image retrieval systems[J]. GeoInformatica, 2020: 1-31.
[109] KIM A, WAMPLER B, GOPPERT J, et al. Cyber attack vulnerabilities analysis for unmanned aerial vehicles[C]∥Infotech@ Aerospace 2012. Reston: AIAA, 2012.
[110] FOUDA R M. Security vulnerabilities of cyberphysical unmanned aircraft systems[J]. IEEE Aerospace and Electronic Systems Magazine, 2018, 33(9): 4-17.
[111] ZHI Y Y, FU Z J, SUN X M, et al. Security and privacy issues of UAV: A survey[J]. Mobile Networks and Applications, 2020, 25(1): 95-101.
[112] VANITHA N, PADMAVATHI G. A study on various cyber-attacks and their classification in UAV assisted vehicular ad-hoc networks[M]∥Communications in Computer and Information Science. Singapore: Springer, 2018: 124-131.
[113] 任奎, 孟泉润, 闫守琨, 等. 人工智能模型数据泄露的攻击与防御研究综述[J]. 网络与信息安全学报, 2021, 7(1): 1-10.
REN K, MENG Q R, YAN S K, et al. Survey of artificial intelligence data security and privacy protection[J]. Chinese Journal of Network and Information Security, 2021, 7(1): 1-10 (in Chinese).
[114] 于赫. 网联汽车信息安全问题及CAN总线异常检测技术研究[D]. 长春: 吉林大学, 2016.
YU H. Research on connected vehicle cyber security and anomaly detection technology for in-vehicle CAN bus[D]. Changchun: Jilin University, 2016 (in Chinese).
[115] ZHOU H P, SHEN S G, LIU J H. Malware propagation model in wireless sensor networks under attack-defense confrontation[J]. Computer Communications, 2020, 162: 51-58.
[116] DEEPA V, RADHA N. A survey on network intrusion system attacks classification using machine learning techniques[J]. IOP Conference Series: Materials Science and Engineering, 2021, 1022(1): 012036.
[117] 石荣. 历史上实际交战中雷达干扰效果评估方法回顾及启示[J]. 电子信息对抗技术, 2019, 34(5): 49-56.
SHI R. Retrospect and inspiration on radar jamming effectiveness evaluation method during actual electronic fighting in the history[J]. Electronic Information Warfare Technology, 2019, 34(5): 49-56 (in Chinese).
[118] OU J, ZHAO F, AI X F, et al. Quantitative evaluation for self-screening jamming effectiveness based on the changing characteristics of intercepted radar signals[C]∥2016 CIE International Conference on Radar(RADAR). Piscataway: IEEE Press, 2016: 1-5.
[119] QIN F T, MENG J, DU J, et al. Radar jamming effect evaluation based on AdaBoost combined classification model[C]∥2013 IEEE 4th International Conference on Software Engineering and Service Science. Piscataway: IEEE Press, 2013: 910-913.
[120] 刘松涛, 雷震烁, 葛杨, 等. 电子对抗干扰效果评估技术综述[J]. 中国电子科学研究院学报, 2020, 15(4): 306-317, 342.
LIU S T, LEI Z S, GE Y, et al. A review on evaluation technology of jamming effects of electronic countermeasure[J]. Journal of China Academy of Electronics and Information Technology, 2020, 15(4): 306-317, 342 (in Chinese).
[121] 耿凯迪. 雷达干扰效果在线评估技术研究[D]. 西安: 西安电子科技大学, 2019.
GENG K D. Research on the online effectiveness evaluation of radar jamming[D]. Xi’an: Xidian University, 2019 (in Chinese).
[122] 赵耀东, 徐旺. 一种基于雷达状态变化的干扰效果在线评估方法[J]. 电子信息对抗技术, 2016, 31(3): 42-46.
ZHAO Y D, XU W. A method of real-time electronic attack effectiveness evaluation based on state transition of radar[J]. Electronic Information Warfare Technology, 2016, 31(3): 42-46 (in Chinese).
[123] 邢强, 贾鑫, 朱卫纲, 等. 基于干扰方的雷达在线干扰效果评估[J]. 电子信息对抗技术, 2018, 33(6): 57-62.
XING Q, JIA X, ZHU W G, et al. Radar online jamming effect evaluation based on jamming side[J]. Electronic Information Warfare Technology, 2018, 33(6): 57-62 (in Chinese).
[124] 王伟, 杨俊安, 刘辉, 等. 基于干扰效果在线评估的行为参数分析[J]. 电子信息对抗技术, 2016, 31(6): 76-80.
WANG W, YANG J N, LIU H, et al. Behavioral parametric analysis based on evaluation of jamming effect online[J]. Electronic Information Warfare Technology, 2016, 31(6): 76-80 (in Chinese).
[125] 崔双洋. 认知电子对抗中的目标状态识别技术研究[D]. 北京: 北京理工大学, 2016.
CUI S Y. Research of the target state recognition techniques in cognitive electronic countermeasure[D]. Beijing: Beijing Institute of Technology, 2016 (in Chinese).
© 2019-2021 All rights reserved. 北京转创国际管理咨询有限公司 京ICP备19055770号-1
Beijing TransVenture International Management Consulting Co., Ltd.
地址：佛山市金融高新区京华广场
北京市大兴区新源大街25号院恒大未来城7号楼1102室
西安市经济技术开发区凤城五路豪佳花园3幢42108室
深圳市南山区高新科技园南区R2-B栋4楼12室
梅州市丰顺县留隍镇新兴路881号
欢迎来到本网站，请问有什么可以帮您？
稍后再说 现在咨询