在ISR中利用人工智能：跨多种数据的威胁识别，用于综合辐射源分析

人工智能可以改变情报、监视和侦察（ISR）领域的游戏规则，但需要大量的研发工作、严格的测试和管理，以便为实战做好准备。随着新威胁范围的扩大，ISR 技术也紧跟步伐，硬件和软件都在不断进步，以支持联合 ISR 目标。人工智能正在迅速发展，以支持当今 ISR 领域的最大挑战：

• 雷达预警接收机和 ELINT 收集系统必须在飞行前进行预编程，以探测、识别、定位和报告（DILR）AOR 内已知的威胁。
• 新的未知威胁、战备模式和频率/调制等。敏捷信号会给作战人员带来风险。
• 在执行任务前后对射频威胁进行情报分析、特定发射器识别（SEI）和战损评估（BDA）既耗时又不切实际。
• 新的商业技术，特别是 5G，采用了先进的波束成形、频率分集和超高频/甚高频到毫米波频率，这些技术在目前的军事系统中很常见，因此很难检测到针对 DILR 的威胁。
• 如果没有大量的传输开销（加密、握手等），很难识别射频链中的网络安全威胁。

美国莱昂纳多电子公司是航空航天、国防和安全领域的领先创新者，为美国国防部（DoD）及其主要承包商提供雷达、红外系统、电子战和航空电子系统等 ISR 系统，并由其位于阿拉巴马州亨茨维尔的单元提供定制和软件集成支持。莱昂纳多投入了大量的研发和测试工作，以推进其人工智能/机器学习集成能力，并将其应用于雷达、红外和电子战技术。

最初的射频机器学习（RFML）能力展示了人工智能在仅使用信号数据识别发射器方面的威力。结合多个传感器数据流可创建真正强大的 "指纹"，以确定发射器的特征。

莱昂纳多现已集成了更多平台，可从以下平台获取数据：

• 低地轨道卫星可提供大范围的射频信号截获。这增加了空中和太空领域之间的地理背景和交叉提示。
• 本地雷达和 EO/IR 传感器，如莱昂纳多的 Osprey AESA 雷达和机载多光谱瞄准系统。这些系统可提供高分辨率跟踪和视觉效果，以增强地理定位和特征描述。
• 通过模块化开放式架构提供多样化的情报来源，可利用图像、网络指纹甚至开放源情报的自由文本数据挖掘来增强射频数据。

下图 1 展示了莱昂纳多在信号处理中采用 RFML 的新方法的流程，该方法可对潜在威胁进行分类和识别。

图1：用于 ISR 的新型人工智能/机器学习方法，将分类与识别相结合，识别可信度大于 90%。

多模态神经网络可以将这些异构数据类型与注意力机制结合起来，学习哪些特征与特征描述任务最相关。这为识别提供了多样化的证据基础。

全球传感器网络可实现持续监测和快速提示，将多种资产集中在感兴趣的发射器上。通过将空间、空中和地面采集相结合，莱昂纳多可以提供全面识别发射器ID所需的频谱覆盖范围和分辨率。

通过利用各种情报，而不仅仅是技术参数，可以描述发射器周围的作战环境。这为我们描绘了一幅关于射频辐射的 "谁、什么、何时、何地、为什么 "的画卷，并建立了生活模式，可在异常情况发生时发出预警。

开放式架构可快速摄取新数据源，使作战人员能够利用新兴的商业能力。人工智能模型可自动适应，提供不断提高的保真度，从而在多领域作战空间中获得信息优势。

这种扩展的传感器融合代表了莱昂纳多发射器识别能力的下一步发展。人工智能是将不同数据整合为整体态势感知的粘合剂。通过综合多种视角，联合 ISR 可以获得无与伦比的电磁和作战环境视图。

参考来源：美国莱昂纳多电子公司