舰空电磁对抗干扰仿真系统的制作方法

本发明涉及电子对抗，具体涉及舰空电磁对抗干扰仿真系统。

背景技术：

1、当前，在现代海战中，电磁空间对抗态势日趋复杂。舰空导弹武器系统在执行防空任务时，面临敌方空中平台从多个物理域发起的、样式多变的电子干扰，严重制约作战效能。构建高逼真度的电磁对抗仿真系统，对于装备抗干扰能力评估、战术推演及战法研究至关重要。

2、现有相关仿真系统或方案有些存在以下局限：例如，仿真逻辑以“开环评估”为主，即人为设定干扰参数后评估抗干扰效果，缺乏干扰方与抗干扰方根据对方行为实时调整策略的动态博弈能力，无法反映真实对抗中“侦察-判断-决策-行动”（ooda）的闭环特征；此外，干扰策略多为静态预设或依赖离线训练，无法在仿真运行过程中进行在线自适应演进；干扰资源建模局限于单一物理域（如空中电磁域），未能覆盖水下、水面与空中跨介质协同干扰场景，难以适应“多域战”需求。

技术实现思路

1、为此，本发明提供舰空电磁对抗干扰仿真系统，以解决现有技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种舰空电磁对抗干扰仿真系统，包括应用层、核心引擎层、仿真资源层和设备层；

4、所述应用层，用于接收作战想定配置并显示仿真推演结果；

5、所述核心引擎层，用于执行仿真推演的核心计算与决策，核心引擎层包括全域电磁环境孪生模块、多域干扰资源协同调度模块和对抗性强化学习推演引擎；所述应用层与核心引擎层通信连接；

6、所述全域电磁环境孪生模块分别与多域干扰资源协同调度模块、对抗性强化学习推演引擎双向通信连接，多域干扰资源协同调度模块与对抗性强化学习推演引擎双向通信连接；

7、所述对抗性强化学习推演引擎与仿真资源层中的信号级虚实融合仿真模块通信连接，以向其发送干扰与抗干扰动作指令并接收仿真结果数据；

8、所述仿真资源层，用于提供波形级仿真与模型支撑，仿真资源层包括信号级虚实融合仿真模块、传播模型与信道效应库和装备性能参数模型库；

9、所述信号级虚实融合仿真模块与所述传播模型与信道效应库、装备性能参数模型库连接，以调用模型完成波形仿真；

10、所述设备层，包括矢量信号源、信道模拟器、频谱分析仪和半实物仿真接口，用于支持半实物仿真；

11、所述信号级虚实融合仿真模块还与设备层的矢量信号源、信道模拟器、频谱分析仪连接，用于将数字波形发送至物理设备并接收实测反馈数据。

12、进一步的：所述对抗性强化学习推演引擎包括：红方抗干扰智能体、蓝方干扰智能体、对抗性训练控制器、奖励函数计算子单元和策略更新子单元；其中，所述红方抗干扰智能体构成抗干扰方智能体，所述蓝方干扰智能体构成干扰方智能体。

13、进一步的：所述红方抗干扰智能体包括：

14、第一状态感知接口，用于从所述全域电磁环境孪生模块接收当前电磁态势数据，包括威胁告警信息、雷达受干扰程度量化指标以及本舰可用传感器和武器状态信息；

15、第一策略网络，基于深度神经网络构建，输入为当前观测状态，输出为可选抗干扰动作的概率分布或价值估计；所述可选抗干扰动作空间包括雷达工作模式切换、制导方式选择、频率捷变策略调整、发射功率管理以及传感器资源调度；

16、第一经验回放缓存，用于存储红方智能体在各仿真步长中经历的状态-动作-奖励-下一状态四元组。

17、进一步的：所述蓝方干扰智能体包括：

18、第二状态感知接口，用于从所述全域电磁环境孪生模块接收电磁态势数据，获取红方雷达的辐射特征和红方舰空导弹系统的行为表现；

19、第二策略网络，输入为当前观测状态，输出为可选干扰动作；所述可选干扰动作空间包括干扰样式选择、干扰功率分配、干扰时机控制、频率捷变策略以及多干扰资源协同模式选择；

20、第二经验回放缓存，用于存储蓝方智能体的训练样本，与红方抗干扰智能体的第一经验回放缓存物理隔离。

21、进一步的：所述对抗性训练控制器，用于协调红蓝双方智能体的交替训练过程，同步实现并融合以下两种机制：

22、自我博弈机制，使红蓝双方智能体互为对手进行迭代博弈，当前版本的红方智能体与历史版本的蓝方智能体、当前版本的蓝方智能体与历史版本的红方智能体分别对抗，生成多样化对战数据；

23、课程学习机制，使训练初期蓝方干扰智能体采用基于规则的简易对手，令红方智能体在简单对抗环境下热启动并逐步掌握基本决策能力，并随着训练推进逐步引入更复杂的干扰策略，使双方智能体的策略难度阶梯式递增。

24、进一步的：所述奖励函数计算子单元，在每一仿真步长和每一仿真回合结束后，根据对抗结果计算红蓝双方的奖励值：

25、蓝方奖励函数为：

26、 ；

27、红方奖励函数为：

28、 ；

29、其中，为蓝方的奖励函数值；为舰空导弹命中失败的概率；为命中失败概率的权重因子；为干扰资源消耗代价；为干扰资源消耗代价的权重因子，表示蓝方对降低资源消耗的重视程度；为红方的奖励函数值；为舰空导弹命中成功的概率；为命中成功概率的权重因子；为抗干扰策略切换代价；为抗干扰策略切换代价的权重因子。

30、进一步的：所述策略更新子单元，基于奖励函数计算子单元提供的奖励信号，采用近端策略优化算法对红蓝双方智能体的策略网络进行在线更新；所述近端策略优化算法通过引入裁剪机制限制策略更新幅度；

31、所述策略更新子单元从红方抗干扰智能体的第一经验回放缓存和蓝方干扰智能体的第二经验回放缓存中采样四元组，计算当前策略与旧策略之间的概率比，通过策略梯度上升优化目标函数，在多个训练轮次中迭代更新策略网络参数；每一仿真回合结束后，更新后的策略参数覆盖旧参数，智能体以更新后的策略进入下一回合博弈。

32、进一步的：所述全域电磁环境孪生模块具体用于：根据初始想定生成基准电磁态势，并在仿真过程中实时接收所述对抗性强化学习推演引擎输出的策略动作，动态更新所述电磁环境模型。

33、进一步的：所述多域干扰资源协同调度模块，用于对跨介质干扰资源进行统一注册、能力建模与协同调度；跨介质干扰资源包括水下声学干扰设备、水面舷外有源/无源干扰设备、空中无人机载干扰机。

34、再进一步的：所述设备层的半实物仿真工作模式具体为：

35、所述信号级虚实融合仿真模块将生成的干扰基带波形文件实时发送至矢量信号源，矢量信号源输出射频信号经信道模拟器加载动态路径损耗和多普勒频移后，由频谱分析仪采集；采集的实测频谱数据回传给信号级虚实融合仿真模块，与数字计算值比对，自动调整传播模型的关键系数，完成校准。

36、本发明具有如下优点：本发明通过构建应用层、核心引擎层、仿真资源层及设备层的四层闭环架构，将五维电磁环境数字孪生、水下至空中跨介质干扰资源协同调度与基于自我博弈及课程学习的对抗性强化学习推演深度融合，并引入信号级虚实融合仿真与半实物射频校准回路，有效解决了传统仿真系统电磁态势表征维度单一、跨域协同干扰能力割裂、对抗策略固化及模型可信度不足的问题。

37、本发明的其他特征和优点将在随后的说明书中阐述。