【CICC原创】战术场景互联网—未来智能化战场的神经系统

导读丨

本文提出了战术场景互联网的新概念，阐述了其概念内涵、作用机理、能力特征及其关键技术，是一篇具有原创性的高水平论文。这一新概念的提出，是面向未来无人化智能化战场，具备场景认知能力，自主动态构建的一种分布式、无中心、自聚合、自协同的智能化战术信息网络。其作用机理是，在节点通过自主发现、自主组网构成分布式、无中心的通用的基础性网络连接的基础上，通过对网络场景的认知，感知用户需求、无线环境以及网络环境等场景要素，基于网络节点可连通性和网络资源可用性，通过推理和对已往经验的学习，智能调度网络资源、自动调整网络配置，以匹配网络场景需要、优化网络性能，并能够随着场景的完成而释放资源以支持后续场景的建立，支撑实现分散、异构、跨域作战力量的迅速组合和重组，为动态创建分布式、多效果、多路径的杀伤网提供平台，以高度的灵活性和敏捷性，实现更快更强的杀伤力，并给对手以更大的复杂性或不确定性，可以说是未来智能化战场的神经系统，对基于网络信息体系的联合全域指挥与控制技术创新具有重要意义。

战术场景互联网

—未来智能化战场的神经系统

（《指挥与控制学报》刊文精选）

引用格式 汪李峰, 杨学军. 战术场景互联网—未来智能化战场的神经系统[J]. 指挥与控制学报, 2021, 7(4): 359-364.

WANG Li-Feng, YANG Xue-Jun. Tactical Scenario Internet: A Nervous System of Future Intelligent Battlefield[J]. Journal of Command and Control, 2021, 7(4): 359-364.

摘要

武器平台的小型化、无人化、智能化成为发展趋势，将催生高度分散、灵活组合的有人/无人协同作战、无人集群自主作战等新型作战样式，对传统战术通信网络提出新的挑战。在深入分析未来新型智能化作战样式特点以及战术通信面临新需求的基础上，研究提出一种具备网络场景认知能力、支持作战功能要素高度分散、灵活机动、动态组合、自主协同的新型智能化战术信息网络——战术场景互联网，阐述了其概念内涵、作用机理、能力特征及其关键技术。

 随着军事智能科技与先进信息网络技术的发展，武器平台的小型化、分散化、无人化和智能化成为发展趋势，智能化、自主化系统作为重要的作战力量渗透于战争的各个领域，将不可避免地冲击传统作战样式，催生高度分散、灵活组合的有人/无人协同作战[1]、无人集群自主作战[2]等新型作战样式。在新的作战样式下，无人系统、坦克、飞机、舰艇等作战平台中的感知、指挥、控制、打击、评估等功能，可以被真实或虚拟分解为最小作战单元。这些大量作战功能分散、异构、可快速灵活组合的作战单元，能够根据战场态势、指挥决策，进行快速组合、分解和重组，自动生成具有多样式、自适应、高灵活、高抗毁等特性的海、陆、空、天多域协同的分布式杀伤网。传统的基于确定性的指挥控制关系[3]与流程、预先规划的层次型通信网络将难以适应[4]，迫切需要构建一种新型的智能化战术网络。

1 未来智能化作战样式主要特点

未来智能化新型作战样式的制胜机理，核心体现为利用智能、分布、动态、跨域等技术优势，通过跨平台、跨编组、跨域智能组合重构，提供弹性、灵活性、敏捷性，分布部署、分散风险，以人机协作赋能指挥控制、以异构协同增强杀伤力、以杀伤网络加强复杂性、以兵力分散提升生存能力，从而实现体系作战能力的提升，塑造新的军事优势。主要呈现出以下特点：

1）智能赋能：利用自主系统和人工智能获得决策优势和行动优势，提高相对于对手的速度和质量，实现更有效的机动作战。

2）化整为零：作战功能被分散到大量小型、异构单元，而不是少量功能高度集成平台，提高系统抗毁性和生存能力。异构，既包括感知、打击等功能分离异构，也包括陆、海、空、天等多域平台异构。

3）按需组合：各类作战单元能够根据威胁或作战任务等需要，按需组合起来以形成必要的作战力量形态。

4）人机协同：人工指挥与机器控制相结合，充分利用人类的灵活性与创造性、机器的速度与规模等各自优势，使得高度分散力量能够迅速组合与重组，提升灵活适应能力，给对手以更大的复杂性或不确定性。

5）去中心化执行：以决策为中心，控制权下沉，基于统一的作战计划与行动原则，战术前端自主控制、自主行动。

6）持续快速响应：具有分布式、自适应能力，不仅是一次快速行动，而是不断适应战场情况的变化。

7）分布式杀伤网：利用战场信息网络构建一个高度分散的分布式非线性杀伤网，同时支持多条并行杀伤路径，提供较紧密耦合、分布式但线性的杀伤链更强的弹性和抗毁性，确保强对抗环境中的作战能力。

与现有作战样式相比较，重要变化在于：

1）指挥控制模式从指挥-控制（command and control, C2）到指挥-控制-通信（command, control and communication, C3）。即从单纯的指挥控制到基于通信的指挥控制。不再追求创建一个全时全域连续可靠通信、满足所有业务需求的战场通用网络，而是基于现有可用的通信网络、能够联通的作战力量组合，实施有效的指挥控制，即决策驱动下的以网络场景为中心的C3作战指挥模式。

2）从线性杀伤链到非线性杀伤网。不再是作战资源紧密耦合、作战环路固化的线性杀伤链，而是基于网络场景、分散部署、跨域异构协同的作战力量按需组合，创建分布式、多效果、多路径的杀伤网，缩短作战周期，增强杀伤力，同时给对手带来更大的复杂性或不确定性。

3）分布式作战管理取代集中式指挥控制。不再是把所有装备混在一个容器里，用指挥控制系统把它们集成在一起，实施集中式指挥控制，而是形成统一的作战计划、按照统一的作战规则，强调统一指挥、分散控制，能随时随地无缝共享信息，让联合部队以更有效的方式作战。

美国国防部高级研究计划局（Defense Advanced Research Projects Agency,DARPA）于2017年提出的“马赛克”战，就是这样一种面向未来智能化作战样式下的典型作战概念[5]。如图1所示，充分利用人工智能、自主系统、新一代信息网络等先进技术，通过将较小的兵力结构功能要素排列重组，实现多种不同形式的兵力设计，灵活运用分散化作战平台，动态构建定制化的作战体系，以适应多域作战的高动态性、高适应性、高复杂度，从消除“战争迷雾”到为对手制造“战争迷雾”，旨在使美军获得应对对手体系战的战争主动权。

图1. 未来智能化战场作战样式（任务模块灵活重构）

Fig. 1  Operation patterns of future intelligent battlefield (flexible reconfiguration of task units)

2 智能化战场战术通信面临的新需求

战术通信网络是战场上直接与敌对抗条件下保障指挥员、作战部（分）队、各类武器平台之间指挥控制或情报传输而建立的通信网络[4]，具有无固定基础设施依托、机动性强、对抗性强等特点，是构建杀伤链的主要手段，被誉为信息化战场的神经系统，一直是各国军队发展的重点。

图2. 新型作战概念下的战术通信变革

Fig. 2  The tactical communication revolution in new operation patterns

如图2所示，传统战术通信手段，如战术互联网[6]、数据链网络[7]等，都是根据传统指挥控制方式、确定的指挥关系与流程，构建一个通用的网络，尽量保持连续可靠的通信，来支持统一的指挥控制体系、满足多种作战场景需要、保障包含多类型的综合业务。然而在复杂的战场环境中，特别是强敌对抗条件下，通信网络特别是末端战术通信网络，常常受限甚至节点遭毁伤而中断，全时全域连续可靠的战术通信网几乎不可能实现，导致跨域作战平台通不好、强敌对抗条件通不了等难题，更难以适应未来智能化战场快速机动、作战力量按需灵活组合的要求。

智能化战场作战样式的变革也必将带来战术通信模式的转变。支持C3指挥模式、异构分散的作战力量按需自主灵活组合、构建分布式杀伤网等，都对战术通信网络提出了新的需求。主要体现在以下几个方面:

1）互联对象从人机物互联向智能体互联转变。未来智能化战场，作战力量或是人类、或是人工智能辅助的有人控制平台、或是自主智能的无人平台，都将是具备一定智能化水平的智能体。这些智能体构成的节点既是网络节点、又是作战节点，由于智能信息处理、融合以及自主控制等功能，节点之间的互联，既会在某种程度上降低通信网络的流量需求，又会在拒止条件下对无人平台的自主决策控制和网络自主运维能力提出更高的要求。

2）网络特性从通用型向场景型转变。现有网络是支撑确定性的指挥关系与流程、保障多种综合业务的通用型网络；智能化战场上的网络，需要基于统一的作战计划与规则，在保持通用的网络连接的基础上，以特定场景下的业务需求为驱动、基于资源可用性而动态构建的场景型网络。网络的组成要素及其连接关系、支持的业务类型等会随着场景的变化而变化。

3）网络构造从流程驱动向自主构建、场景驱动转变。现有网络以战场指挥控制、情报侦察等信息流程为需求，驱动网络的设计、部署与运用；智能化战场上的网络，需要在不考虑特定指挥控制关系和信息流程的前提下，节点间首先自主发现并自主组网，以形成通用的基础性的网络连接，然后根据作战应用系统对决策的响应，感知当前的用户业务需求、无线环境以及网络环境等场景要素，自主调度更多通信资源来灵活构建相应网络以适应当下场景，并能随着场景的切换而动态重组。

4）网络部署从预规划、层次型向自组织、扁平化转变。现有网络是根据指挥控制的需要以及可能需要保障的用户和业务等，预先配置相关通信网络资源、预先规划构建一个层次型网络，并尽可能保持一定程度的网络资源冗余，以尽量满足用户入网需求和业务传输需求、尽可能应对战场毁伤、干扰以及作战时节推进等变化；场景驱动下的智能化战术网络，节点具有自主发现和场景认知能力，无需进行预先规划，能够自主组网，形成扁平化、分布式的自组织网络，并进一步根据网络的节点组成、相互之间的资源可用性以及业务需求，进行自动聚合与通信资源动态分配。

这些变化对网络的动态性、智能性以及网络规模的可伸缩性等都提出了更高要求，而且不再是单纯的通信网络，而是与上层作战应用系统一体设计、智能协同的信息网络。作战应用系统应当在充分感知当前网络连通性和资源可用性的基础上，智能决策作战力量组合与任务分配，即实现以网络场景为中心的C3指挥控制，战术信息网络则通过对网络场景的认知，实现智能化组网。

3 战术场景互联网概念内涵及其能力特征

为适应网络信息体系向智能化演进的发展趋势，基于未来无人化智能化战场新型作战样式保障需求分析，以网络场景为驱动、将通信与计算融合、网络与智能融合，赋以场景认知能力，动态构建场景型战术信息网络，是适应未来无人化智能化作战的有效途径。为此，提出战术场景互联网这一新型战术信息网络概念。

3.1 战术场景互联网概念内涵

3.1.1基本概念

战术场景互联网是面向未来无人化智能化战场，具备场景认知能力，自主动态构建的一种分布式、无中心、自聚合、自协同的智能化战术信息网络。

战术场景互联网的作用机理是，在节点通过自主发现、自主组网构成分布式、无中心的通用的基础性网络连接的基础上，通过对网络场景的认知，感知用户需求、无线环境以及网络环境等场景要素，基于网络节点可连通性和网络资源可用性，通过推理和对已往经验的学习，智能调度网络资源、自动调整网络配置，以匹配网络场景需要、优化网络性能，并能够随着场景的完成而释放资源以支持后续场景的建立。

其中，场景是指特定作战时间与空间内，用户需求、节点实体以及所处环境等共同组成的战场网络具体情境，主要包括用户需求、无线环境、网络环境三大类要素。用户需求主要是指用户目标需求和业务传输需求，业务传输需求是每一类业务对网络提供的服务质量要求，如带宽、时延、可靠性等，用户目标需求一般是用户根据作战任务需要，在不同业务及其服务质量之间作出的折衷，是对网络整体性能的要求；无线环境主要是指战场电磁环境，包括无线信道环境以及战场地理环境、气候条件、敌方干扰等对电磁环境影响的结果；网络环境主要是指网络节点组成，各节点的传输、交换和计算等网络资源状态以及感知、打击等作战资源状态。某个网络场景就是这些场景要素的集合。

软件无线电技术的成熟使得无线通信波形的自适应调整成为可能，软件定义网络技术的发展为无线网络的软件化可重配置提供了可供借鉴的解决途径（区别在于要实现分布式控制），而智能化的推理与学习能力则要依赖人工智能技术。从技术内涵上来说，战术场景互联网实质上是“软件定义+人工智能”。

3.1.2与其他类似网络概念的区别

商业互联网领域的场景互联网概念，是指智能电视、智能音箱、智能手表、智能眼镜、家庭物联网等场景设备上的互联网，是服务于某些特定场景的专用网，区别于以移动互联网为代表的通用互联网。主要目的是深挖用户需求，细分商业市场，提升系统性能，给用户以更好体验。

第五代移动通信系统（5th generation mobile networks，5G）是一个面向场景连接的系统。5G系统以场景驱动进行系统设计，将多样化的场景“聚类抽象”为具有显著特征的三大场景[8]，但三类场景分别采用不尽相同的技术，目的是实现更精细化和更高效的通信组网性能，不是三种场景互联网，同时，还不具备对各类场景的感知、自适应调整与学习能力。

战术场景互联网是在构建一个通用的基础性网络连接的基础上，通过网络场景认知与学习，智能化灵活调整出多个场景型网络，以获取特定场景下的更高性能。本质上是在通用网络的基础上灵活体现出专用网络能力。

战术场景互联网以场景驱动、自主协同的分布式网络，支撑实现分散、异构、跨域作战力量的迅速组合和重组，为动态创建分布式、多效果、多路径的杀伤网提供平台，以高度的灵活性和敏捷性，实现更快更强的杀伤力，并给对手以更大的复杂性或不确定性，可以说是未来智能化战场的神经系统。

3.2 战术场景互联网能力特征

相对于传统的战术通信网络，在同样具备分布式、无中心、自组织等特点的基础上，战术场景互联网主要具备以下能力特征：

1）节点自主发现与组网能力。各类陆海空异构节点能够自主互相发现，基于可用的网络资源实现自主组网，以形成基础的分布式、无中心、扁平化的网络连接，并且不受网络节点规模的限制。这是战术场景互联网的基础能力。

2）网络场景感知能力。节点能够及时感知用户需求、无线环境和网络环境等场景要素，基于预先建立的网络场景模型进行网络场景合成，为基于场景驱动的资源调度与动态组网提供输入条件。这是实现场景认知智能组网的前提。

3）场景驱动决策与动态调整能力。节点能够利用已有的网络场景知识和感知到的场景信息，进行判断、规划、决策和执行，实现场景认知组网的决策和自适应环路，并控制节点各层资源进行动态调整，实现频率、信道、交换等通信网络资源的动态分配以及功率、调制、编码等波形参数与网络参数的优化配置，从而实现匹配场景需求的自适应组网能力，并且能够随着场景的切换而进行资源的释放和重组。这是战术场景互联网的关键能力特征。

4）网络场景学习能力。在对战术网络场景建模、组网行为建模的基础上，网络节点能够根据组网行为结果的反馈与评估等手段，进行网络场景知识的发现、形成、使用与积累，实现场景认知组网的学习环路，从而能够自主适应陌生场景或更好适应已有场景。这是战术场景互联网具备认知智能的核心能力。

5）任务分配与自主协同能力。网络节点尤其是无人自主节点，能够基于用户需求目标、作战资源状态和节点联网状态，自主决策分配各节点任务，并基于各节点间网络连接，实现各节点间分布式自主协同的能力，并通过资源的合理分配，支持同时动态构建多条并行路径。这是战术场景互联网支持非线性分布式杀伤网的主要体现。

4 战术场景互联网实现关键技术

战术场景互联网作为一种具备场景认知智能的战术信息网络，涉及技术领域主要包括三大部分：传输与组网等通信网络技术、协同与控制等信息系统技术以及建模与认知等人工智能技术。在战术场景互联网设计与实现上主要涉及到下列关键技术。

4.1 战术场景互联网体系架构设计技术

网络体系架构是对网络总体功能和内在逻辑作出的一种明确界定，是针对某一特定网络系统的需求目标而提出的一系列具有指导意义的抽象设计原则及网络总体结构规约，一般比具体的网络实现技术更抽象、更通用、更长效，而且通常对于这一特定网络系统的建设,以及未来发展具有宏观和全局的指导作用。网络体系架构研究已经从计算机网络、信息通信领域延伸和拓展到了统计学、经济学、物理学、生物学、系统科学、社会科学等多种学科和领域。

战术场景互联网体系架构设计，主要研究任务是将人们关于通用网络体系结构研究所得到的一些普适性原理、技术和方法，运用到面向未来无人化智能化战场、具备场景认知能力这一特定需求目标的战术场景互联网的相关研究中来，并与用户目标和业务需求一体设计，与人工智能技术相结合，从而最终形成专门针对战术场景互联网的新型智能化战术信息网络体系架构。研究内容主要包括网络功能参考模型、拓扑模型、行为模型、流量模型、路由架构、运维管理架构、安全架构等。

目前，已经产生出许多不同类型的网络体系架构，如国际标准化组织（international organization for standardization, ISO）提出的开放系统互联参考模型（open system interconnection reference model, OSI/RM）以及运用最为广泛的互联网所采用的TCP/IP参考模型等传统架构，还有面向服务网络、内容中心网络、软件定义网络等新型网络体系架构[9]。所有这些网络体系架构在研究背景、总体结构、层次划分、构成元素、组网形式、通信协议等方面都存在或多或少的差异。

4.2 网络场景认知理论与场景认知引擎技术

所谓网络场景认知，是指网络节点感知并识别特定网络场景，通过运用网络场景知识，进行推理和对以往经验的学习，自主决策传输与组网行为，以适应场景的变化并不断优化整体性能的过程。

网络场景认知理论就是对网络场景和组网行为进行数学建模并高效表示，分析归纳场景与行为之间的耦合机理并进行知识表示，建立并完善网络场景认知知识体系，设计并构建场景认知环路模型的一系列理论与方法。研究内容主要包括网络场景分析与建模、电磁行为分析与建模、组网行为分析与建模、场景行为耦合机理分析与建模,以及网络场景认知知识体系等理论方法。它是战术场景互联网实现场景认知智能组网的前提与理论基础。

场景认知引擎就是在软件定义的网络节点平台上实现基于人工智能技术的推理与学习，实现并驱动整个场景认知环路，从而实现智能化的自主灵活组网。因此，场景认知引擎是对场景认知理论与方法的具体技术实现，是驱动网络节点物理、传输、网络以及应用等各层实现智能化的核心，是战术场景互联网的核心部件，场景认知引擎技术是实现战术场景互联网的核心技术。研究内容主要包括场景认知引擎实现架构设计、场景认知高效知识表示、机器推理与学习算法、知识库构建等。

目前，还没有场景认知理论和场景认知引擎技术等方面的研究工作。在认知无线电领域[10-11]开展了一些认知引擎技术的理论研究工作，比较典型的有美国弗吉尼亚工学院的无线通信中心和美国国防部通信科学实验室研究开发的认知引擎，国内也有一些认知引擎架构方面的理论研究，这些研究仅实现了物理层和链路层的认知与优化，尚未涉及到场景与行为的建模和认知，但其模型设计对场景认知引擎技术的研究都具有一定参考借鉴价值[12]。在场景认知高效知识表示技术方面，大多数机器表示语言如SDL、UML、IDL以及XML等都是用于描述的计算机语言，但缺乏准确性和灵活性，瑞典皇家科学院开发的无线知识描述语言（radio knowledge representation language, RKRL）以及基于本体（ontology）的知识表示方法都得到了深入研究；可用于场景认知的机器推理[13]人工智能算法主要有状态空间模型及其查找、基于规则系统、基于案例推理、神经网络、模糊逻辑、遗传算法以及基于知识推理等，机器学习[14-15]人工智能算法主要有贝叶斯逻辑、决策树、Q学习法、时间差分法、神经网络、博弈论以及遗传算法等，不同的算法适用于不同的场合，需要针对战术无线网络场景与行为的特点，研究选择合适高效的算法。

4.3 场景驱动智能组网与协同传输技术

组网与传输技术是实现无线通信网络建立与维护、信息传输与分发的主体技术，主要包括无线传输、信道接入控制、网络路由等方面。与传统的无线组网和传输技术不同，在战术场景互联网中，由于场景型网络特性以及网络节点的自主性和智能性，一方面降低了全网端到端路由维护和信息传输的要求；另一方面又提高了网络自组织、自重构、自生长的智能化要求。

场景驱动智能组网与协同传输技术就是将基于人工智能技术的场景认知理论方法与传统的组网和传输技术相结合，在自主感知场景的基础上，运用网络场景知识，驱动网络各层次资源的灵活调度，实现灵活高效的接入与传输、自主智能的组网与维护。研究内容包括基于场景认知的动态频谱接入、信道接入控制、分布式协同传输、自主组网路由以及波形动态重构、拓扑敏捷重构等技术。

4.4 场景驱动智能决策与协同控制技术

场景驱动智能决策与协同控制是战术场景互联网作为场景型网络尤其是支撑无人平台自主组网的信息网络，区别于其他通用型通信网络的关键之处。在感知用户需求以及节点资源状态等场景要素的基础上，节点的作战资源与网络资源一体考虑，以网络场景为中心智能决策节点组合与任务分配，并在任务执行过程中根据资源变化情况进行节点间分布式协同控制与动态调整。决策与控制的过程都是与通信网络资源状态、传输和组网方式等密不可分、相互协调的。场景驱动智能决策与协同控制技术研究内容主要包括多目标约束下的资源分配机制、多智能体分布式协同控制等技术。

5 结束语

未来无人化智能化战场必将对传统战术通信网络提出更多更高挑战，具备场景认知智能的战术场景互联网，可以实现场景驱动下的智能灵活高效组网，支持分散、异构、跨域作战力量的迅速组合和重组，支持动态创建分布式、多效果、多路径的杀伤网。目前的研究还处于起步阶段，随着研究的不断深入，战术场景互联网理论与技术的不断成熟，战术场景互联网必将迎来广阔的应用前景，成为未来智能化战场的神经系统。

References

1. 陈杰, 辛斌. 有人/无人系统自主协同的关键科学问题 [J]. 中国科学: 信息科学, 2018, 48: 1270-1274.

CHEN J, XIN B. Key scientific problems in the autonomous cooperation of manned-unmanned systems[J]. SCIENTIA SINICA Informationis, 2018, 48: 1270-1274.

2. 段海滨, 邱华鑫. 基于群体智能的无人机集群自主控制 [M]. 北京: 科学出版社, 2018.

DUAN H B, QIU H X. Unmanned aerial vehicle swarm autonomous control based on swarm intelligence[M]. Beijing: Science Press, 2018.

3. 戴浩. 无人机系统的指挥控制 [J]. 指挥与控制学报, 2016, 2(1): 5-8.

DAI H. Command and control of UAV system[J]. Journal of Command and Control, 2016, 2(1): 5-8.

4. 于全. 战术通信理论与技术 [M]. 北京: 人民邮电出版社, 2020.

YU Q. Communications in Tactical Environments: Theories and Technologies [M]. Beijing: Posts & Telecom Press, 2020.

5. BRYAN C, DANIEL P, HARRISON S. Mosaic warfare: exploiting artificial intelligence and autonomous systems to implement decision-centric operations [R/OL]. [2021-10-02]. https:///uploads/documents/Mosaic_Warfare_Web.pdf.

6. 王海. 战术互联网 [M]. 北京: 国防工业出版社, 2020.

WANG H. Tactical internet [M]. Beijing: National Defense Industry Press, 2020.

7. 赵文栋, 张磊. 战术数据链 [M]. 北京: 清华大学出版社, 2019.

ZHAO W D, ZHANG L. Battlefield Informatization [M]. Beijing: Tsinghua University Press, 2019.

8. YOU X H, WANG C X, HUANG J, et al. Towards 6G wireless communication networks: vision, enabling technologies, and new paradigm shifts[J]. Science China Information Sciences, 2021, 64(1): 74.

9. 邬江兴, 兰巨龙. 新型网络体系结构 [M]. 北京: 人民邮电出版社, 2014.

WU J X, LAN J L. Novel network architecture[M]. Beijing: Posts & Telecom Press, 2014.

10. MITOLA J I, MAGUIRE G Q. Cognitive radio: making software radios more personal[J]. IEEE Personal Communications, 1999, 6(4): 13-18.

11. HAYKIN S. Cognitive radio: brain-empowered wireless communications[J]. IEEE Journal on Selected Areas in Communications, 2005, 23(2): 201-220.

12. 汪李峰, 魏胜群. 认知引擎技术 [J]. 中兴通讯技术, 2009, 15(2): 5-9.

WANG L F, WEI S Q. Cognitive engine technology[J]. ZTE Communications, 2009, 15(2): 5-9.

13. LEVESQUE H J. Knowledge representation and reasoning[J]. Annual Review of Computer Science, 1986, 1(1): 255-287.

14. BKASSINY M, LI Y, JAYAWEERA S K. A survey on machine-learning techniques in cognitive radios[J]. IEEE Communications Surveys & Tutorials, 2013, 15(3): 1136-1159.

15. SHAI S S. Understanding machine learning: from theory to algorithms[M]. Cambridge: Cambridge University Press, 2014.

作者简介：

汪李峰(1976—), 男, 军事科学院正高级工程师, 主要研究方向为战术通信、认知通信.

杨学军(1963—), 男, 军事科学院教授, 中国科学院院士, 主要研究方向为人工智能、群体智能操作系统、智能化作战体系. 本文共同第一作者.

转载请注明出处