在日益拥塞和对抗的射频环境中,对敌方辐射源的定位、识别、干扰和欺骗正变得越来越困难。因此,当前电子战的重点是将机器学习应用于电子战,发展认知电子战技术。
发展认知电子战技术的重要一步是改进对频谱的感知,这是美国国防高级研究计划局(DARPA)射频机器学习系统项目(RFMLS)的目标之一。
RFMLS项目经理Paul Tilghman说:“RFMLS项目是一项基础性的工作,这项工作正在为许多深层次问题的解决奠定技术基础,其中包括如何改进电子战和雷达系统。”
Tilghman表示,如何更好地理解射频信号环境对该项目而言是更高层次的问题。为实现这一目标,DARPA计划开发将机器学习应用于射频频谱的基本算法和技术,以理解频谱数据。
在较高层面上,DARPA正在寻求通过射频信号感知来改进频谱共享,来拓展有限频谱资源的容量。频谱感知很重要,因为越来越多的无线电、通信系统、雷达、干扰机和许多其他应用(包括物联网设备等)都在频谱上工作,并且敌方的辐射源变得越来越聪明,可以将它们的特征信号伪装起来,使它们看上去像是己方或中立方的辐射源。电子战系统需要判断出其他用频方的意图和敌我属性。
诺格公司目前正在为“咆哮者”电子战飞机开发机器学习算法
发展演变
如今的射频系统采用类似于第一代人工智能专家系统的基于规则的推理。诺斯罗普·格鲁曼公司主管John Thompson说:“例如绝大多数部署的电子战支援系统都在使用查找表。数据进入系统后由查找表进行分类,并针对输入的信号给出正确的响应。但雷达的数字化正在推动对自适应和认知电子战的需求。部队不能再仅仅依靠预定义的威胁数据库来探测、识别、定位和做出反应,因为当今的技术使威胁能够通过软件改变波形,不需要对任何硬件进行改造。”
雷声公司空间与机载系统部电子战系统技术总监Dan Kilfoyle表示,当今的系统基本上是根据情报界对信号做出的分析来制定一套规则。系统的逻辑是,如果你看到了这个,那么就这么做。然而随着软件定义信号的变化速度越来越快,传统的分析方法已经跟不上对象的变化节奏。
Thompson预测,认知系统将是作战成败的关键。认知系统能够快速改变发射的信号,来响应接收到的未知信号,而不受基础程序的制约。相反,对于能够根据预定的顺序切换工作频率的“捷变”系统,以及基于对环境变化的感知来修正响应的“自适应”系统,其运行均受到软件程序的制约。认知系统将能够在程序框架外进行思考推断,故能不受基础程序的制约。算法采样的数据越多,认知系统推断出正确结论的概率就越高。
现有系统的自适应
根据美国海军“响应式电子攻击措施”(REAM)项目,诺格公司正在为EA-18G“咆哮者”机载电子攻击系统开发机器学习算法。该项目将加强电子战能力,对抗哪些未知的或敌对的敏捷和自适应雷达。此外,诺格公司还承担了一项代号为Remedy的“咆哮者”拓展项目,旨在开发无人机蜂群概念。Thompson说,这些一次性使用的投掷式无人机部署在飞机的霰弹筒内,可用作近距离传感器,并可为“认知库”提供更多的数据。从该项目获得的经验教训将应用于Remedy无人机。公司目前正在为这些飞行器寻求射频和红外传感器,以提供多光谱态势感知能力。
Dash X无人机可由“咆哮者投放,然后将数据回传给飞机。
雷声公司计划“在产品中建立能够快速采用、实现和运用的最佳算法的基础”。如公司的AN/ALR-69A(V)全数字雷达告警接收机就是这种方法的一个例子。AN/ALR-69A(V)雷达告警接收机已经演示了定位能力。Kilfoyle说:“我们已经为其提供了正确的射频组件……我们已经为其提供了实现诸如复杂神经网络,以及训练等所需的所有基础设施。” AN/ALR-69A(V)系统目前已安装在C-130H和KC-46A飞机上,且正在F-16上进行试验。
Kilfoyle说:“很难去查看整个电磁频谱,并且做得很出色。”当威胁频繁发生时,“猫鼠游戏”变得更加困难,特别是在威胁的频率变化范围大于经过优化的射频系统的频率范围的情况下。频率捷变能够满足宽带、敏捷和智能电子战系统的需求。
Thompson表示,未来的射频系统还需要更快速地采样,并快速理解不同的波形。但他认为,所有敏捷、自适应和认知技术将成为当今电子战系统的附加技术,将继续有效抵御许多威胁。
射频指纹
Rappa说:“基于机器学习的系统可以以专家从未想到过的方式学习和做出反应。这就是我们获得真正价值的地方。”机器学习可能会发现迄今无法想象的辐射源之间的区别,这些区别是由制造缺陷等因素引起的波形“无意调制”产生的。基于专家系统的设备可能会丢弃这些数据。
Tilghman说:“因此,提高频谱感知可以帮助识别出那些可能对它们的身份进行了掩饰的射频辐射源。射频指纹识别是射频机器学习系统项目的技术领域之一,它可以帮助我们识别出射频辐射源,无论其伪装成什么。”
指纹识别试图通过独特的信号特征识别发射机。Tilghman说,对信号进行调节并最终放大信号的模拟电子设备为信号提供了非常微妙但独特的功能,正如一个人的说话方式会在有意传递的信息之外加入“元数据”。
DARPA正在研究固态技术。固态技术比过去基于“管子”的射频系统具有“更微妙的射频指纹”。Rappa说:“也许可以根据温度变化来区分辐射源。根据辐射源是在明亮的阳光下还是在阴凉处,也许可以探测到细微差别。”
Thompson说,有时候“红军”辐射源会试图将自己伪装成战场上的“白军”辐射源或中立方辐射源,其信号几乎完全相同。为了区分“白军”辐射源和貌似“红军”的辐射源,电子战系统不仅需要情报,而且还需要更高的保真度。
信或不信
Kilfoyle预计,飞行员“需要学会相信系统能够做得更好”。他说,如今许多机器学习应用程序就像一个黑盒子,你给它们输入,它们就会告诉你该怎么做。它们没有说明为什么,这让人有点难以相信它们。也许系统必须有一个旋钮,以“调高或调低认知水平”。
Rappa表示,智能系统的思维过程可以推断出来,即使它们的推理是不透明的。BAE公司的工程师们仍然可以查看后端,并查看系统使用的参数。他说:“我们可以询问系统,在一定程度上向其提问,了解其做出某些决定的缘由。”他补充说:“如果系统是实时学习的系统,可能需要进行后期处理,以了解其思维过程。你可以查看系统处于什么状态以及执行操作时其内存中的数据。数据记录和维护任务记录变得越来越重要。”
飞行员的角色传统上已被纳入“观察、调整、决策、行动”(OODA)环。但Rappa称,未来,“我们需要……人们脱离OODA循环”,这样系统便可以比对手更快地进行观察,并做出决策和反应。
不过,诺格公司的Thompson预测说,在电子攻击场景中,人将永远处于OODA环中。“如果达到一定的概率,他们必须实时或通过预先安排,非正式批准机器提出的请求”。这就是当今自动目标识别的工作方式,这就是认知电子战明天将要工作的方式。他说:“我还是选择相信人类。”
Kilfoyle说,飞行员的判断终归是有用的,可以应对某些威胁情况。认知电子战将永远是一个“精湛的工具”,你不能在所有情况下都去使用。但是,随着威胁发现你并向你射击的时间线变得越来越短,人类发挥的作用就会越来越小。他解释说,机器学习方法的范围很广,从确定性的方法(当系统遵循“如果-然后”(if-then)规则时)到概率性的方法(在系统必须评估不确定模式是否与规则相匹配时)。
训练、试验挑战
Kilfoyle说:“认知电子战面临的主要挑战之一是如何能为系统提供相应数量和质量的数据。”智能电子战系统不需要弄清楚“首次驾车如何穿越纽约市”这样的问题,但它确实需要回答一些基本的问题,例如:这是一种威胁吗?我以前见过吗?或者,正如诺格公司的Thompson所说,它既是威胁又是非威胁吗?例如,是一部服务于敌方军用飞机和商用飞机的空中交通管制雷达吗?
尽管有大量基于先前的观察结果的数据,但Kilfoyle预计,仿真将在开发认知系统方面发挥重要作用。他说:“也许我们可以设计出能够学习但不会面临风险的场景。”
然而,在某些方面,开发认知电子战比开发无人驾驶汽车要困难得多。后者可以获取无限的数据,但电子战手上没有一个巨大的未知雷达数据库。已有的信号数据通常是信号质量较差、未进行标引或未及时标引的数据。这些数据“非常稀疏、简约”,这推动了对自定义应用程序的需求。由于缺乏数据,因此需要更多的建模和仿真,这些是具有挑战性的过程,而且是昂贵的过程。商业领域衍生的机器学习方法在电子战中效果不佳。
来源:国际电子战
声明:本平台发布部分内容来自公开资料或者网络,版权归原作者所有,转载的目的在于传递信息及用于网络分享,不代表本平台赞同其观点,如涉版权问题,请与我们联系,我们第一时间处理!
版权所有:西安睿奥电磁环境科技有限公司 陕ICP备18014572号-1
公司地址:陕西省西安市高新区绿地蓝海大厦11411室
联系电话:029-68215429 招聘邮箱:hr@xareotech.com
网址:www.xareotech.com
技术支持:奈特网络