認知電子戰：射頻頻譜與機器學習

數字化、可編程射頻（RF）設備的趨勢-以軟體定義無線電為縮影-意味著雷達可以迅速改變波形，在飛行中創造獨特的信號。在日益擁擠和競爭激烈的射頻環境中，敵方發射器越來越難以定位、識別、干擾和混淆。因此，如今的重點是機器學習應用於電子戰（EW）或認知電子戰。

沿著這條路線邁出的重要一步是提高頻譜意識，這是DARPA RF機器學習系統項目的目標之一。據DARPA稱，該項目將為“新一代目標驅動的、可以從數據中學習的射頻系統”奠定基礎。它是解決RF/機器學習關係的多種程式之一。項目授予BAE系統公司、遠征技術公司、東北大學、Teledyne技術公司和SRI公司合約。

項目經理保羅·蒂爾曼表示，該項目是一項“基礎性”工作。它正在建立一個技術基礎，可以解決很多問題，其中包括如何改進電子戰和雷達系統。如何更好地了解射頻信號環境是該項目的更高層次的問題。為達這一目標，DARPA計劃開發將機器學習應用於射頻頻譜的基本算法和技術，以“理解頻譜數據的意義”。

在高層次上，DARPA正在追求射頻信號感知，作為通過改進頻譜共享,擴大有限頻譜資源容量的一種手段。BAE系統公司的FAST實驗室研究和開發組織的RF、EW和高級電子產品主管克里斯·拉帕表示，系統使用頻譜進行通信、導航、定位、監視和感知。

頻譜感知也很重要，因為更多的無線電、通信系統、雷達、干擾器和包括物聯網設備在內的許多其他應用都在頻譜中運行，而敵對發射者也變得更善於偽裝。電子戰系統需要能夠推斷出其他共享頻譜者的意圖。

機器學習測試運行

蒂爾曼表示，DARPA對“性質比較簡單的樣本問題集”做了一些初步研究。研究人員建立了一個卷積神經網絡來理解信號使用的調製方式。這些研究表明機器學習系統在每一個信噪比上都優於傳統的學習方法。因此，儘管這個問題的範圍相對較小，但它提供了證據證明機器學習系統“可以從射頻頻譜中提取額外的特徵和資訊，以更好地理解信號環境”。

正如AlphaGo在圍棋遊戲中所證明的那樣，人工智能可以在非常大的組合太空中解決決策問題。蒂爾曼希望使用機器學習不僅處理收集到的頻譜數據，而且可以輔助決策，例如首先獲取哪些頻譜數據。

認知系統具有實時學習的能力。一個認知系統可根據其經歷來改變其所尋找或傳送的內容。據DARPA稱，這種決策能力將是重大進步，在傳統射頻系統中，頻率和太空方向通常按順序掃描，而不考慮運行環境的統計數據。這些系統對光譜中發生的事情知之甚少。

系統演變

如今的射頻系統使用類似於第一代人工智能系統地基於規則的推理。例如，諾斯羅普·格魯曼公司的任務系統部門海軍航空戰役總監約翰·湯普森說，絕大多數的電子支援措施（ESM）系統都使用查找表。數據進入機體，並按電子表格式軟體進行排序，該軟體將傳入的信號與適當的響應關聯起來。但雷達能力的日益數字化正在推動適應性和認知電子戰的需求。

▲約翰·湯普森

軍隊不能僅依靠預先確定的威脅數據庫來及時檢測、識別、定位和作出反應，因為當今的技術可以通過軟體改變威脅的波形，而不需要任何硬體改造。現在的系統基本上建立了一套以情報界對信號的分析為基礎的規則。

湯普森預測，認知系統將是操作成功的關鍵。這些系統將能夠改變其RF傳輸超出其基線規劃，以響應未知的接收信號。相比之下，“敏捷”系統(在預定序列中執行開關頻率等功能)和“自適應”系統(根據環境中感覺到的變化修改其響應)在其軟體程式的約束下運行。認知系統將“超越編寫自己的軟體”，暗指其跳出編程框思考的能力。算法采樣的數據越多，其推斷正確的概率就越高。

現有系統的適應性

在美國海軍的反應式電子攻擊措施（REAM）計劃下，諾·格公司正在為EA-18G “咆哮者”艦載電子戰（EA）飛機開發機器學習算法。目標是2025年前後的艦隊過渡，該計劃將增強對抗敏捷和適應性未知或敵對雷達的電子戰能力。

諾·格公司“咆哮者”的延伸是一種代號為Remedy的無人機群概念。湯普森表示，這些可犧牲的無人機部署在飛機的毒氣罐中，將起到近距離傳感器的作用，並將為“認知熔爐”提供更多數據。該計劃的教訓“將適用於補救無人機。”該公司正致力於射頻和紅外傳感器，以提供多光譜態勢感知。

基爾弗約爾表示，雷聲公司計劃是在產品中建立能夠快速採用、實施和使用最好的算法的基礎設施。該公司的全數字雷達告警接收機AN/ALR-69A(V)具備顯示地理定位的能力。此前，AN/ALR-69A(V)告警接收機已被安裝在C-130H和KC-46A飛機上，目前正在F-16上進行測試。

基爾弗約爾表示，整個電磁光譜很難被發現。當威脅顯示在頻率上移動時，就變得更加困難，特別是如果威脅的頻率偏移比頻率視窗射頻系統更大。頻率敏捷性驅動著人們對寬頻、敏捷和智能電子戰系統的需求。

湯普森表示，未來的射頻系統還需要更快地采樣，並迅速理解不同的方言或波形。但是，所有的敏捷、自適應和認知技術(沿著進化曲線的點)將是當今電子戰系統的累加物，它將繼續有效地對抗許多威脅。

射頻指紋

基於機器學習的系統能夠以前所未有的方式學習和反應。機器學習或許能夠發現至今為止無法想象的輻射源之間的區別，這種區別是基於製造缺陷等因素造成的“無意調製”波形。此數據可能會被基於專家系統的設備丟棄。

射頻指紋技術，作為RFML計劃的技術領域之一，通過其獨特的信號特徵可以識別射頻發送器。DARPA正在研究固態技術，這種技術比過去的基於管子的射頻系統“有更微妙的射頻指紋”。拉帕表示，也許可以根據溫度的變化來區分發射器。也許細微差別可以根據發射器是在明亮的陽光下還是在陰影中來檢測。

進程影響

認知射頻仍然是一個更大的硬體挑戰。更多的投資正在進入半導體材料和加工設備等領域。他引用的一個最新進展是Xilinx的射頻芯片系統，集成了寬頻模擬-數字轉換以及數字-模擬轉換、多處理器CPU和單片芯片上的現場可編程門陣列能力。隨著前端硬體的整合，像機器學習這樣的技術將在處理鏈中進一步向前應用。

一旦走上數字化路線，電子戰/射頻應用將更多地變成一個數據管理問題-一個軟體或數字信號處理的問題，拉帕表示。“一旦將所有數據都變為數字化，並且可以按照您需要的速率處理數據，射頻系統可以更靈活得多。如果通過改變記憶體寄存器或韌體加載來改變整個接收路徑或整個傳輸路徑，那將是一個遊戲規則的改變。

可信度

基爾弗約爾預計，在早期，飛行員將“需要學會相信系統將能夠做得更好。”如今，許多機器學習應用程式就像一個黑盒子，他說。你給他們輸入，他們告訴你該怎麽做。他們沒說為什麽，這就讓人很難相信他們。也許系統必須有一個旋鈕才能“調高或降低認知水準”。

拉帕表示，即使智能系統的推理是不透明的，但其思維過程仍然是可以推斷出來的。BAE工程師仍然能夠查看後台程式，並看到系統所使用的參數。如果系統是實時學習的，可能需要進行後期處理以了解其思維過程。操作者可以查看系統處於什麽狀態以及執行操作時其記憶體中的數據。他強調，數據記錄和維護任務記錄變得越來越重要。

但“後見之明”並不能為駕駛艙裡的飛行員提供任何幫助，因為飛行員的角色傳統上已被編程為“觀察、定向、決定和行動”或OODA循環。在未來，拉帕爭辯說，“我們需要讓人類脫離OODA循環，這樣系統就可以比對手更快地觀察、決定和反應。”

基爾弗約爾表示，飛行員能夠應對威脅的情況總是存在的。認知電子戰永遠是一種“精致的工具”，你不能在任何事情上都使用它。但是人類的作用將會減少，因為當你被威脅鎖定，並向你攻擊的時間會變得越來越短。機器學習方法的範圍是從確定性(當系統遵循如果-然後規則)到概率性(當它必須評估不確定模式是否與規則匹配時)，他解釋說。

培訓、測試挑戰

“認知電子戰的主要挑戰之一是能夠為系統提供適當數量和品質的數據”，基爾弗約爾表示。儘管有大量的數據基於先前的觀察，基爾弗約爾預計模擬將在開發認知系統方面發揮重要作用。他表示：“也許我們可以設計一些場景，這樣我們就可以學到一些東西，而不會處於危險之中。”

然而，在某些方面，開發認知電子戰要比開發無人駕駛汽車困難得多。後者可以獲取無限的數據，但是“沒有一個巨大的未知雷達的數據儲存庫”。

相關信號數據通常信號品質低，未標記且不及時。這些數據是“非常稀疏簡約的”，這就需要定製應用程式。由於數據的貧乏，需要更多的建模和仿真，這是一個具有挑戰性和昂貴的過程。拉帕表示，其實商業衍生的機器學習方法在電子戰中效果不佳。

來源：美國防部作戰試驗鑒定網站/圖片來自互聯網

軍事科學院軍事科學資訊研究中心 陳軍

如需轉載請注明出處：“國防科技要聞”（ID：CDSTIC）