《机器学习在电子战发射器识别和资源管理中的应用》

电子战（EW）操作人员在日益密集和敏捷的威胁环境中执行单平台和分布式平台的传感和干扰任务时，面临着众多的挑战。在交战时限内，往往必须根据现有的部分信息迅速采取行动。最近，世界观察到了人工智能的蓬勃发展，这是一套数据驱动的横向技术，已经颠覆了自主性和大数据是关键因素的多个领域。尽管它不是所有EW任务的解决方案，但人工智能显示出有希望提供潜在的解决方案，通过超出人类操作员能力的知情决策来提高EW效率和有效性。约翰霍普金斯大学应用物理实验室（APL）精确打击任务区已经投资于发射器识别和自主资源分配等具体EW任务的研究和开发。本文介绍了这些项目的有希望的结果，并描述了在这些领域建议的未来工作，以及可能从人工智能研究中受益的其他EW应用。

1 引言

电子战（EW）作战威胁空间是一个在有争议的频谱环境中运行的多个射频（RF）传感和发射平台之间的非合作性互动。这个作战空间给执行任务的操作人员带来了许多挑战，如感知电磁（EM）频谱、有效管理频谱资源、在多个EW平台之间共享关键信息，同时干扰威胁发射器。这些挑战促使人们需要能力越来越强的射频系统，以机器的速度处理大量的信息并采取行动，通常几乎不需要人工干预。下一代软软件定义的射频威胁发射器，使用越来越复杂的敏捷波形，推动了未来电子支持（ES）和电子攻击（EA）活动方式的转变。干扰平台的整体有效性受制于其有效探测、描述、干扰和通信威胁波形的能力，同时智能地管理战斗空间内的可用射频资源。

在过去几年中，人工智能领域受到了极大的关注，在物体识别、自然语言处理和自动语音识别等领域取得了多项重大突破。机器学习（ML）技术在其他问题领域的成功应用，引起了EW赞助商、运营商和研究人员的兴趣，他们希望确定ML方法如何解决EW的差距。本文重点介绍了通过APL的精确打击任务区（PSMA）独立研究和开发（IRAD）项目取得的几个有希望的成果，这些项目专门针对发射器识别和自主资源分配的EW任务。它还包括其他建议的研究课题，以使自动化EW方法成熟，并可过渡到未来的军事平台。此外，本文还强调了几个特定领域的挑战，并提出了未来的研究课题，在这一重点领域中，使用ML技术可能会显示出前景。

1.1 背景

图1展示了一种场景，它试图通过使用协作式EW来实现信息主导并对对手产生压倒性的EW效应。开发ML应用以提高单平台背景下的EW效率和有效性，是实现协作、自主和适应性EW能力的一个重要基石。在这篇文章中，我们主要描述了从两个IRAD项目中获得的结果和知识，这些项目将ML应用于传感和发射器识别，以研究自动调制识别（AMR）和自主资源分配。这项基础性工作证明了这些方法的优点，并建立了一条通往多平台、协作式EW能力的发展道路。本文介绍的方法和结果与平台无关，尽管迄今为止考虑的主要平台是机载的，但可能也有引人注目的地面或海基应用。

图1. 在APL的PSMA中，有两个感兴趣的协作EW主题。美国将建立频谱优势，并通过使用协作式EW来对对手提供压倒性的EW效果。为了实现这一目标，必须克服两个挑战：分布式传感，ML AMR将识别感兴趣的特定信号（左）；以及分布式资源管理，传感和干扰资源将在战斗空间中自动管理（右）。

2 机器学习适用于EW技术和操作的挑战

图1大致说明了战术EW操作中的两个具有挑战性的主题领域，ML提供了有希望的解决方案。本节简要介绍了与分布式传感和分布式资源管理相关的挑战。

2.1 敏捷威胁发射器的交战

2.2 宽带传感

2.3 资源管理

3 基于AMR的发射器识别

图2. 将AMR应用于一个名义上的战术EW场景。这里显示的是如何利用在线AMR来描述各种威胁的一个例子。左上图表示原始探测的时间-频率分布。左下图表示确定的雷达脉冲组合，其中每个不同的颜色用于代表具有特定特征的脉冲。

3.1 用于AMR的特征学习背后的动机

3.2 三重损失

3.3 使用学习到的特征进行异常检测

图5. 异常类识别过程的流程图。这个过程将一个多变量高斯模型适合于每个调制类型的学习特征。通过为每个高斯模型固定一个对数似然阈值来确定异常情况。这个阈值作为关联新例子的决策边界。没有关联的例子也被捕获并归类为异常，由底部分支表示。

图6. 映射在训练过的特征空间内的波形的3-D投影。左图：映射到训练过的特征空间的波形投影，每种颜色代表一种不同的调制方式。这个空间中的位置对应于所学特征的不同组合。具有相似/匹配的学习特征集的波形被放在彼此附近，形成一个集群。右图：只包含与训练阶段产生的任何调制集群无关的点的投影。运行OPTICS后，绿色的点被识别为噪声，而蓝色和红色的点被赋予新的 "未识别的调制 "标签。

3.4 射频调制数据集

3.5 有监督的培训课程

3.6 下一步工作

图7. 混淆矩阵说明了在信噪比为10dB的情况下，AMR过程的准确性。真正的保留类（FM和16QAM）显示在灰色的列中。新群组1和新群组2是已识别的类别，显示出与保持类中的例子集有很强的相关性。未识别的类别包含分布阈值之外的例子，被OPTICS归类为噪声样本。新群组3是由其他调制类的错误分类的未识别样本的密集区域产生的错误检测。

4 资源自主分配

图8. 在战术EW环境下自主资源分配的说明。仅为说明起见，ES任务被显示出来，形状代表红色威胁发射器的发射。如果ES任务是在没有智能的情况下安排的，传感间隔不能优化对脉冲的传感（左上图），显示为错过许多脉冲的虚线框。如果任务被智能地安排，它们可能会更有效地执行（左下图），其中ES间隔被动态地安排以捕获更多的脉冲。

4.1 资源分配问题

图9. 一个潜在的发射器在一个离散的时间和频率空间中表示。着色的网格空间代表了从脉冲波形中单独接收的突发信号。红色的信号从通道4跳到通道7。

4.2 贝叶斯智能体

4.3 对现状的评价

图11. 资源管理策略之间的干扰性能比较。在收集了足够的发射器模式数据后，干扰对抗性发射器以累积最佳预期奖励的策略显示为蓝色，跨信道的均匀随机干扰显示为橙色，假设对发射器模式完全了解的干扰性能显示为灰色。相应颜色的虚线给出了模拟的抽样平均性能。

4.4 下一步

图12. 资源管理策略之间的学习性能比较。蓝色直方图（及其相关的平均值）描述了一个智能体在每个历时中采取行动以尽可能减少其对操作环境的不确定性的性能，而橙色直方图（及其相关的平均值）描述了一个智能体在每个历时中均匀地随机扫描的性能。

5 将ML应用于EW的挑战

5.1 射频采集

5.2 射频模拟

5.3 其他考虑因素

6 结论

【点击左下角“阅读原文”查阅完整内容】

专知便捷查看

便捷下载 ，请关注专知智能防务公众号（点击上方关注）
点击“发消息” 回复 “EWEI” 就可以获取《《机器学习在电子战发射器识别和资源管理中的应用》》专知下载链接

欢迎微信扫一扫加专知助手，咨询使用专知，定制服务合作！

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI(AI与军事、医药、公安等)主题干货知识资料！

点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料