《提高认知雷达和电子战系统的能力》2022最新16页技术白皮书，罗德史瓦兹公司（R&S）

2022 年 11 月 17 日 专知

在这篇白皮书中，我们将回顾模式灵活（WARM）雷达和EW威胁发射器对雷达和EW系统中的传统静态威胁库实现所带来的挑战，并考虑认知人工智能（AI）和机器学习（ML）系统的架构，这些系统可用于提供有效的RF对抗措施。我们将讨论如何利用宽带射频记录、模拟和回放系统来训练人工智能/ML引擎，并评估这些对策在真实硬件上的反应和有效性。

引言

如图1所示，一个认知型射频系统具有感知其环境的能力，在这种情况下，射频频谱和相关能量通过该频谱转换为射频数据流。通过推理和理解数据流的背景，其中可能有不确定因素（如噪音或其他发射器），该系统做出自主判断并确定行动方案，而不需要求助于任何其他系统或人为干预。该行动方案通常是另一个射频I/Q数据流，它被转换回射频频谱。该系统的最终目标是拒绝对手使用射频频谱（电子攻击，EA），保护一个平台，例如通过采用抗干扰技术来保护通信链路（电子保护，EP）和/或向另一个系统传递支持信息（电子支持，ES）。认知系统使用一个连续的反馈回路，包括对情况的感知、学习、推理、互动和行动。该系统从其与射频环境的互动中学习，这就是认知一词的基础，它来自拉丁语动词cognoscere，意思是 "了解、认识、概念、知识"。

随着当今新兴威胁的出现，利用静态威胁库的雷达和EW系统的传统方法，如图2所示，很容易受到以非传统模式运行的 "模式敏捷 "或战时储备模式（WARM）的威胁。在静态威胁系统中，诸如空中监视雷达或地对空导弹（SAM）雷达等传统威胁的特点是其工作参数，如中心频率、占用带宽、跳变特性、调制、脉冲重复间隔（PRI）和其他已知、重复和可量化的参数。静态威胁库方法将这些参数与数据库相匹配，并对发射器进行分类，然后将其转化为脉冲描述词（PDW），并反馈给平台上的其他系统，可能是为了部署对抗措施。

战时储备模式（WARM）是指传感器、通信、导航辅助设备、威胁识别、武器和反措施系统的特性和操作程序，如果在使用前不为对方指挥官所知或被其误解，将有助于提高军事效能，但如果事先知道，则可能被利用或被抵消。WARM是故意为战时或紧急使用而保留的，并且很少（如果有的话）在使用前应用或拦截。

模式灵活的威胁发射器能够部署不符合威胁库中预定义参数的新操作模式。这些新的操作模式可能包括新的工作频率、新的调制技术、新的脉冲重复间隔和/或新的跳变方案。由于威胁探测器不能将这些新的操作模式与已知模式的静态数据库相匹配，电子保护、攻击和支持（EP、EA和ES）系统在库中没有方法来对付这种威胁。值得注意的是，许多模式灵活的威胁模式在真正的冲突之外 "在野外 "出现的可能性极小。

认知型雷达/预警系统的实施有几个挑战：

1.在战术边缘，即遇到威胁的地方需要大量的计算资源。计算资源可以结合高性能现场可编程门阵列（FPGA）、通用图形处理单元（GP-GPU）和多核、基于主机的处理器来实现人工智能/ML算法。由于计算元件是在平台上的，它们需要满足在战区经常遇到的恶劣环境条件。现代模块化标准，如Open VPX和SOSA，有助于这些实战系统的实施。

2.系统需要尽量减少探测到计数的时间，有时被称为射频输入到射频输出的延迟，以便有效。这通常是一个平台生存能力的问题。这给FPGA和GPU代码的设计和实现带来了挑战，此外，现代GPU架构和大多数商业现货（COTS）的模数转换器（ADC）和数模转换器（DAC）是深度流水线，增加了整个系统的延迟设计预算。

3.模式灵活的雷达和EW威胁可能在意想不到的频段工作，在更宽的带宽上改变频率（跳跃）和/或利用宽频调制技术。所有这些威胁模式都需要在大范围的射频频谱上有一个宽频带的注视。这在实现上具有挑战性，并且在整个系统的动态范围和本底噪声方面有设计上的权衡，这两者都会影响距离、探测和干扰范围。这些更宽的带宽要求也使系统内的数据移动和处理任务更加复杂。

4.与传统的威胁库方法不同，宽带认知人工智能/ML系统将使用更多的电力，这推动了尺寸、重量、功率和成本（SWaP-C）要求。在较小的自主平台上，如无人驾驶航空系统（UAS），这些商品总是供不应求。半导体工艺节点的尺寸不断缩小，可以帮助缓解其中的一些挑战。

5.模式灵活的发射器也可能被期望进入低射频功率或低截获概率（LPI）模式。这推动了对更高分辨率的ADC和DAC的要求，这通常与更宽的带宽是正交的。可以以牺牲另一个参数为代价来优化这些参数中的一个!

6.平台需要能够共享信息，这意味着它们之间要有可靠的通信联系。这些平台还需要一个共同的时间参考，如GPS，以提供空间和时间信息，这些信息可用于方向查找和感兴趣的发射器的地理标记。传统的GPS容易受到干扰、欺骗，有保证的位置、导航和定时（A-PNT）需要成为整个系统级解决方案的一部分。