电磁频谱战中实施人工智能

图：一名密码技术员在美国海军马金岛号（LHD-8）上监控电子战 (EW) 传感器。人工智能和机器学习的进步可以实现认知 EW 系统--实时学习和思考系统，它不会像人类操作员那样分心。 美国海军（Dominic Delahunt）

人工智能/机器学习（AI/ML）是美国国防部（DoD）内战争现代化工作的前沿。人工智能/机器学习是电子战（EW）中至关重要的力量倍增器，应用于信号识别、发射和信号控制、发射器分类、威胁识别和干扰识别等领域时，可以成为极为有效的工具。

然而，在允许电磁环境下的长期冲突之后，美国已经失去了在 EW 和电磁频谱管理方面的竞争优势。2020 年 10 月发布的《电磁频谱优势战略》（ESSS）解决了在确保、维持电磁频谱的获取、使用和机动方面所面临的诸多挑战。未来，必须重新获得并保持电磁优势，才能在与俄罗斯等战略竞争对手的冲突中获胜。

ESSS 确定了使电磁频谱能力和资源与国家战略政策和目标相一致的目标。然而，信息战领导者有责任探索利用新兴技术发展电磁频谱作战能力的新方法--主要是通过不断发展的人工智能/机器学习系统，在所有战争领域实现电磁频谱优势。从战术态势感知和管理、威胁识别和分类、发射和特征控制策略，到超视距瞄准和使用非有机 EW 能力的非动能火力，AI/ML 将成为部队杀伤力的巨大优势。

AI/ML集成

当前的 EW 系统和战术无法快速适应新出现的或动态的先进威胁，因为它们过度依赖预先确定对策的数据库库。人类的认知能力限制了军事作战能力。人工智能/机器学习能比人类操作员更快、更有效地分析任务，起到力量倍增器的作用。电磁频谱优势对作战中的信息领域有直接影响。因此，人工智能/机器学习算法数据处理已成为包括 EW 在内的所有军事行动领域的当务之急。

对于旨在探测和跟踪对手雷达系统的 EW 接收机来说，使用多模系统的雷达技术的快速发展使识别和处理传统雷达变得更加困难。有了人工智能/机器学习，雷达识别和分类可以让操作人员有更多的决策时间来确定最佳行动方案，并对抗对手的武器系统。

EW 的一个重要子集是电子防护--采取行动对付敌方试图拒绝、削弱、欺骗或破坏友军使用电磁频谱的行为。长期以来，美军一直在宽松的环境中工作，常常不知道自己的部队是被对手干扰了，还是被自己的部队误干扰了。不幸的是，美军的战略竞争对手已经越来越精通 EW，尤其是电子攻击。

认知电子战的前景

为了在通信受阻的环境中保持电磁优势，EW 系统必须能够在密集拥挤的电磁环境中识别、分类和隔离敌方发射器信号，然后迅速确定应对威胁的适当技术。

认知系统会考虑周围环境的具体情况，将不确定性因素考虑在内，并自主提出建议或做出决策。利用人工智能/机器学习来决定是否干扰目标是认知 EW 的关键组成部分。做出这一决定有多个步骤：识别目标、确定干扰效果、选择最有效的干扰技术。

认知型 EW 可帮助识别干扰事件，无论是敌对干扰还是良性电磁干扰。它还有助于更快地识别信号并进行分类。认知 EW 可以更快地定义到达角，以确定定向能威胁的方向，而机器学习则可以推荐 EW 反制措施。

为 EW 整合提出的 AI/ML 技术通常被称为 Q-learning 算法，是 AI/ML 中的一种算法强化学习。几乎每个人工智能/机器学习系统都使用许多模型和海量数据进行训练。极其复杂的任务或模型往往需要大量数据才能完成。强化学习几乎完全消除了数据需求，从而克服了这一缺点。值得庆幸的是，大多数 EW 功能都不需要复杂的模型来与 AI/ML 集成。因此，无模型强化学习算法可与 EW 所需的大多数认知能力配合使用。

低拦截概率、低探测概率雷达的识别和指定是 Q-learning 算法可以解决的最不复杂的 EW 问题。这些算法可以集成到 EW 系统中，对信号进行识别和分类，以区分出应对威胁的适当技术和行动方案。即使在技术先进的世界，EW 的基础仍然是正确识别检测到的信号并将该信号与特定平台和武器系统上的发射器联系起来的能力。

人工智能/机器学习还能极大地提高发射器 "指纹 "技术，一般称为特定发射器识别。这项技术是通过系统分析发射器的参数和发射器对脉冲的无意调制来实现的。这样就能准确了解威胁环境，使指挥官能够决定选择何种行动方案。然而，这些发射器参数往往会随着时间的推移而改变，或在不同平台之间切换。这也是特定发射器识别系统日益关注的问题。

分析和结论

在雷达技术中对频率调制和波形进行数字重新编程是一种不断发展的趋势。这意味着雷达可以改变波形调制，根据战术情况选择最有利的模式，从而产生新的特征。波形调制用于提高测距分辨率、增加接触信号回波、降低拦截或探测概率以及支持高分辨率成像。随着无线电频率环境日益拥挤，这将使敌方发射器更难分类和识别。

因此，认知 EW 已成为当今机器学习应用的一个巨大焦点。DARPA 对射频系统进行了初步研究，为目标驱动型 ML（可在运行过程中从数据中学习）奠定了基础。该机构已开发出将机器学习应用于射频频谱操作环境的新型算法和技术。它还在开发频谱感知工具，这不仅有助于扩大频谱资源管理的能力，还能改善频谱共享。

在过去几年中，DARPA 还开始对 EW 问题样本进行一些简化研究。研究人员构建了一个人工智能/机器学习卷积神经网络来识别发射信号的调制方式。该算法用于识别调幅、调频或移相键调制。结果是肯定的，机器学习系统在每个信噪比方面都优于传统的信号表征方法。研究推测，机器学习系统可以查看无线电频谱，帮助更好地了解拥挤的电磁环境。与传统的无线电频谱管理相比，这将极大地增强军事应用的力量。

除 DARPA 外，L3 Harris 目前还在设计认知 EW 子系统，以实时响应未记录和未知的信号波形。L3 Harris 设计的模块是一种紧凑、独立的信号检测单元，包括数字接收器、数字射频存储器和数字信号处理器，能够从已知波形数据库中识别信号，对未知波形信号收集进行分类，并根据信号参数提出干扰建议。

认知 EW 系统是实时学习和思考系统。它们无法像人类操作员那样分心。认知型 EW 系统会不断询问它应该在哪里寻找，应该给出什么建议。它会根据所学知识调整战术和技术。实施认知型 EW 系统需要低功耗微处理器和软件工具，它们能够指导人工智能/机器学习系统进行信号处理和识别，并根据为信号分析和处理而构建的算法指导系统的思维过程。随着 EW 和射频频谱工具和系统的扩展，认知 EW 系统将成为保持电磁频谱优势的战术优势。

面临的最紧迫的新挑战是要求比竞争对手更快、更有效地进行决策。许多人工智能/机器学习计划都能做到这一点。然而，虽然目前在信息战领域有许多人工智能/机器学习计划，但它们只关注算法，而不关注作战系统和操作人员的整合。私营部门的 AI/ML 开发大多致力于推进自主决策，而不是专注于提高现有作战系统的能力。海军必须确定作战系统和信息战系统可以整合的领域。它可以从电子战的 AI/ML 整合开始。

参考来源：美国海军