|
射频频谱正变得越来越拥挤，美国国防先期研究计划局（DARPA）启动名为“射频机器学习系统”（RFMLS）的新项目，将探寻先进机器学习（ML）如何帮助辨识和理解拥挤环境下的新信号。 现在由机器学习（ML）技术驱动的人工智能风头正健，并有着良好的发展预期。在数字化书写、口语、图像、视频流和其他数字内容中获得足够训练的基础上，机器学习已成为语音识别、自动驾驶汽车和其他此前只能图像化能力的基础。据DARPA微系统技术办公室的项目主任Paul Tilghman表示，随着数以十亿计的移动电话、应用、无人机、交通灯、安全系统、环境传感器和其他射频相连的设备汇聚到快速增长的物联网中，有必须将机器学习应用于射频信号这一无形领域。 Tilghman说：“我所设想的是，射频机器学习系统具备觉知和理解射频频谱组成的能力，包括发现其中进行通信的信号类型、能够从背景中区分出重要信号、发现不遵守规则的信号。” Tilghman想要同一系统能够从相同、大量制造的物联网设备所发出的射频信号中区分出微小但不可忽视的不同，以及发现试图欺骗和攻击这些设备的信号。“我们想要能够理解和相信物联网中正在发生的事情，以及建立起一个射频取证能力，能够从纷繁复杂的信号集合中识别独特和罕见信号。” 在任何给定区域的不断变化的射频信号组合中的态势感知将实现被称为频谱共享的无线通信管理。这是共享频谱使用的范式，而不是现在由特定频率许可管理进行独占式分配的工作方式。Tilghman希望能够为改进和拓展频谱共享，及研发出理解现有频谱状态的技术，这将极大地拓展电磁频谱的无线通信能力，无论是在RFMLS项目或DARPA其他重要的项目中，如频谱合作挑战（CS2）。 人工智能（AI）的首轮发展包括专家系统，能够严格编码人类知识和以可预测方式在规则驱动领域做出决策，如简单的玩游戏、纳税申报和工业过程控制。这样的专家系统现已部署在射频领域，如工程师能够通过计算机编码来设置射频变化的严格规则，当遇到干扰时可切换到未使用的频率。尽管结果是有效，这些系统对在频谱中真正发生的事情并没有多少的了解。 AI在射频应用领域的第二轮和新兴发展应该产生更多灵活和多样化能力：一个带有足够射频数据训练集的RFML系统应能识别大范围已知和此前未受关注射频波形。 RFLMS项目将四部分技术内容，这些内容将能够集成到未来RFML系统中。 特征学习：从射频信号数据集入手，RFML系统将需要学习用于识别各种民用和军用装置中信号，并进行特征化表征。 注意力：正如人们能够迅速将其注意力指向所需目标，如在大型超级市场中发现冰激凌，在每一个具体时刻的大量感知输入中，RFML系统需要通过算法将其注意力指向射频频谱中正在运行的潜在最重要的地方。获得RFMLS项目研究合同的研究人员将需要设计出在射频领域等效的注意力检测能力，即具备能力来识别和发现重要的视觉和听觉刺激物。雷达信号将成为RFMLS注意力检测能力需要注意到且感兴趣信号的一个例子。 自主射频传感器配置：我们眼睛能够自动根据光线水平调整，他们移动和聚焦以在视网膜最敏感部分保持一个动态视觉影像最重要的方面。DARPA希望的RFML系统将具备同等的能力来根据信号和信号特生自动调整其接受能力，以此以最有效的方式完成手头的工作。 波形合成：一个完全的RFML系统也应在实质上以数字化合成任何可能波形，非常类似于人们能够发出任何新词、带有变化的音调或分句，来在其所说的文字中灌输重大或细微的意思。该能力用来产生特定射频设备所发出的新波形，将给予其他复杂射频信号识别友台系统的改进能力。 Tilghman说：“如果能成功实现该目标，我们将实现一个带有能够在更拥挤频谱范围内识别和特征化信号的能力的射频系统。而这将给予新兴自动系统，军事指挥官将依赖其理解无线域范围的更多需要信息。我希望我们的新RFMLS项目能够为AI研究的新领域和团体推动技术基础。”
|
|
|
