您的位置:首页 >科技 >

美军探索人工智能在电磁频谱作战中的应用

2023-08-22 18:13:58    来源:互联网

人工智能/机器学习(AI/ML)如今已经成为美国国防现代化工作的发展重点之一。在电子战(EW)领域,AI/ML技术可以应用于信号识别、发射和管制、发射器分类、威胁识别和干扰识别等领域,能够发挥力量倍增器的作用,本文主要探讨AI/ML技术在电子战领域的发展情况,以及认知电子战技术的前景。


(资料图)

近20年来,美国长期处于伊拉克和阿富汗战争等宽松的电磁对抗环境中,已经逐渐失去了在电子战和电磁频谱管理方面的竞争优势。为此,美军于2020年10月发布了电磁频谱优势战略(ESSS),旨在解决美军在保障、维护电磁频谱的访问、使用和操纵能力方面面临的诸多挑战。放眼未来,美国必须重新获得并保持电磁优势,才有可能赢得与中国或俄罗斯等战略竞争对手的对抗。

ESSS明确了必须使电磁频谱能力和资源与国家战略政策和目标保持一致的战略方向。美军的信息战领导者需要利用AI/ML等新兴技术来开发新的电磁频谱作战能力,从而在所有战争域夺取电磁频谱优势。从战术态势感知和管理、威胁识别和分类、发射管制和信号管制策略,到使用非建制电子战能力的超视距瞄准和非动能火力,AI/ML都能够显著地提升部队的杀伤力。

1AI/ML集成至电子战领域

电磁频谱优势对作战行动的信息域有着直接影响。当前的电子战系统和战术都过于依赖储存对抗预案的数据库,但这种机制无法快速应对新出现的或动态的先进威胁。从某种程度上来说,是人类自身的认知水平限制了电子战领域的军事作战能力。AI/ML可以比人类操作员更快、更高效地分析任务,发挥力量倍增器的作用。因此,在包括电子战在内的所有作战域中应用AI/ML算法进行数据处理已变得势在必行。

对于旨在探测和跟踪敌方雷达系统的电子战接收机来说,多模式雷达系统技术的快速发展使得对传统雷达的识别和处理变得更加困难。借助AI/ML技术来进行雷达识别和分类工作后,操作员可以拥有更多的决策时间来确定对抗敌方武器系统的最佳行动方案。

电子防护是电子战的一个重要子集,指在敌方实施电子对抗的情况下,为保障己方电子设备和系统发挥效能而采取的措施和行动。本文认为美军已经在宽松的电磁作战环境中太久,已经很少会真正地去遂行电子防护行动,譬如确认己方部队是否遭到对手或友军的干扰。不幸的是,美军的战略竞争对手已经变得更加精通电子战,尤其是电子攻击。

2认知电子战的发展前景

为了在通信拒止环境中保持电磁优势,电子战系统必须能够在拥堵的电磁环境中识别、分类和隔离敌方发射器信号,然后快速确定合适的反制手段。

认知系统会考虑其周边环境的背景情况和不确定因素,并自动提供建议或决策信息。认知电子战系统的一大关键特点是使用AI/ML技术来决定是否对目标实施干扰。做出该决定需要经过多个步骤:识别目标、确定干扰效果,以及选择最有效的干扰技术。

认知电子战可以识别敌方或本方的干扰,并协助用户更快地识别和分类信号。在使用定向能的情况下,认知电子战可以更快速地定义到达角,从而更快地确定威胁方向,然后通过机器学习技术推荐最合适的电子对抗措施。

集成至电子战系统中的AI/ML技术通常被称为Q学习算法,是一种强化学习算法。几乎所有AI/ML系统都会使用多个模型和大量数据进行训练,而极其复杂的任务或模型则通常需要海量数据才能完成。幸运的是,大多数电子战功能不需要使用复杂的模型与AI/ML技术进行集成,强化学习也几乎没有这种对海量数据的需求。因此,无模型强化学习算法将适用于电子战所需的大多数认知能力。

低拦截率、低检测率(LPI/LPD)雷达识别和指定是Q学习算法可以解决的复杂度最低的电子战问题。这类算法可以集成到电子战系统中,用于信号识别和分类,进而确定应对威胁的合适技术和行动方案。即便在技术水平最先进的西方国家,电子战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进行关联匹配的能力。

AI/ML还可以极大地改进“指纹”发射器技术。这项技术通常指通过对发射器参数以及对发射器脉冲的无意调制进行分析,以此实现对特定发射器的识别,从而为指挥官提供关于威胁环境的准确情况,使其能够决定选择何种行动方案。但是发射器的参数会经常调整,或随着平台的切换而存在差异,因此对特定发射器的识别是美军日益关注的问题之一。

3分析和结论

对雷达频率调制和波形的数字重新编程是一种不断发展的技术趋势。这意味着雷达可以根据实际情况来选择最优的工作模式,改变波形并创建新的信号特征。波形调制能够提高距离分辨率,增加接触信号返回,降低拦截率或探测率,并支持高分辨率成像。随着射频环境变得日益拥挤,这将导致美军更加难以对敌方的发射器进行识别和分类。

因此,认知电子战已经成为当今ML技术应用的一个焦点领域。DARPA已经对射频系统进行了初步研究,为能够在运行期间同时进行学习的目标驱动型ML技术发展奠定了基础。该机构开发了将机器学习应用于射频频谱操作环境的新颖算法和技术,并正在开发频谱感知工具,这不仅有助于扩大频谱资源管理能力,还将改进频谱共享水平。

在过去的几年里,DARPA 也开始了一些针对电子战样本问题的简单研究,例如研究人员构建了一个AI/ML卷积神经网络来识别发射信号的调制,如AM、FM或相移键调制等。结果表明ML系统在信噪比方面优于传统的信号表征方法。此外,ML系统还可用来查看射频频谱,能够帮助用户更好地去了解拥挤的电磁环境。与传统的射频频谱管理相比,AI/ML将成为电子战领域的力量倍增器。

除了 DARPA 之外,L3 Harris公司正在开发的认知电子战子系统能够实时对未知的信号波形做出响应。该公司设计的认知电子战模块采用紧凑、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,以及对未知波形信号集合进行分类,并根据信号参数生成干扰建议。

认知电子战系统是能够实时学习和思考系统,但它无法像人类操作员那样一心二用,因此需要不断询问操作员应当搜索哪些位置以及应当给出哪方面的建议,并根据学到的知识及时调整策略和技术。实施认知电子战系统需要低功耗微处理器和软件工具,用于指导AI/ML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。随着电子战以及射频频谱管理工具和系统的普及,认知电子战系统将成为美军赖以保持电磁频谱优势的重要手段。

美国军方面临的最紧迫挑战是必须比竞争对手更快、更高效地做出决策。许多AI/ML系统都可以实现这个目标。然而,尽管当前信息战领域已经出现了许多AI/ML项目,但普遍只关注算法,而不关注与作战系统和作战人员的集成。私营部门的AI/ML开发工作主要致力于推进自主决策能力,而不是专注于提高现有作战系统的能力。因此,海军必须确定作战系统和信息战系统中哪些领域可以集成AI/ML技术,目前看来电子战是一个不错的开端。

标签:

相关阅读