作者：TIM FOUNTAIN，LEANDER HUMBERT

隨著當今新出現的威脅，利用靜態威脅庫的傳統雷達和電子戰 （EW） 系統方法容易受到以非傳統模式運行的“模式敏捷”或戰時儲備模式 （WARM） 威脅的攻擊。使用基于閉環集成記錄、分析和回放系統 （IRAPS） 的硬件在環/軟件在環 （HIL/SIL） 系統是訓練、評估和改進人工智能和機器學習（AI 和 ML）算法的絕佳測試平臺，這些算法是實施下一代認知雷達和電子戰系統并保護生命和資產免受未知威脅所需的。

認知RF［射頻］系統通過將RF頻譜轉換為RF數據流來感知RF頻譜。通過推理和理解數據流的上下文，系統做出自主判斷并確定行動方案，而無需人工干預。該系統的最終目標是拒絕對手使用RF頻譜（電子攻擊或EA），保護平臺，例如通過采用抗干擾技術來保護通信鏈路（電子保護或EP）和/或向另一個系統提供支持信息（電子支持或ES）。認知系統使用情境感知、學習、推理、互動和行動的連續反饋循環。

隨著當今新出現的威脅，使用靜態威脅庫的傳統雷達和電子戰 （EW） 系統方法（如圖 2 所示）容易受到以非傳統模式運行的“模式敏捷”或戰時儲備模式 （WARM） 威脅的攻擊。在靜態威脅系統中，反導雷達等傳統威脅的特征在于其工作參數，如中心頻率、占用帶寬、跳頻特性、調制、脈沖重復間隔（PRI）以及其他已知、重復和可量化的參數。靜態威脅庫方法根據數據庫匹配這些參數并對其進行分類。分類威脅可能會轉換為脈沖描述詞（PDW）并饋送到平臺上的其他系統，其中一些系統可能會部署對策。

WARM 威脅是為戰時或緊急使用而保留的信號特征和操作程序，不符合靜態威脅庫中的預定義參數 這些模式可能包括新的工作頻率、調制技術、脈沖重復間隔和跳頻模式。靜態威脅技術無法將WARM模式與數據庫相匹配，因此電子保護，攻擊和支持（EP，EA和ES）系統無法應對此威脅。在嚴重沖突之外看不到 WARM 模式。

［Figure 2 | Traditional static-library radar/EW system is shown.］

在認知或自適應雷達/電子戰系統中，人工智能（AI）和機器學習（ML）技術被應用于傳入頻譜，以開發一種應對頻譜中動態感知威脅的方法。WARM 威脅完全有可能檢測到它遇到了使用認知 AI/ML 技術的系統，并且本身可能會持續更改其操作參數。這需要靈活性來快速適應不斷變化的威脅。

認知雷達/電子戰系統的實施存在幾個挑戰：

在遇到威脅的戰術邊緣需要大量的計算資源。計算資源可以結合FPGA（現場可編程門陣列）GPGPU和多核主機處理器來實現AI/ML算法。平臺內計算元素必須滿足劇院內操作條件的惡劣環境。

有效的系統需要最大限度地減少檢測到計數器的時間或RF輸入到RF輸出的延遲，以提高平臺的生存能力。這是設計和實施的挑戰，因為 GPGPU 和 COTS ［商用現貨］ 數據轉換器是深度流水線的，這增加了系統延遲設計預算。

從本質上講，WARM 發射器可能會在意想不到的頻段中工作，在更寬的帶寬上跳躍，并使用寬帶調制技術。這種工作模式需要寬帶寬RF頻譜凝視，這在系統動態范圍和本底噪聲方面有其自身的挑戰，會影響對峙、檢測和干擾范圍。更寬的帶寬要求也使數據移動和處理任務復雜化。

寬帶認知 AI/ML 系統使用更多的電力，這推動了尺寸、重量、功率和成本 （SWaP-C） 的要求——所有這些都必須始終在較小的自主平臺上進行優化，例如無人機系統 （UAS）。

模式捷變發射器也可能進入“低截調概率”模式，這需要更高分辨率的模數轉換器（ADC）和數模轉換器（DAC）。

平臺需要能夠共享信息，這需要可靠的通信鏈接。它們還需要一個通用的時間參考，例如GPS，以確保在測向和地理標記發射器時使用空間和時間信息。傳統 GPS 容易受到干擾、欺騙和欺騙;有保證的位置、導航和定時 （PNT） 需要成為系統級解決方案的一部分。

認知雷達/電子戰系統的要素

認知雷達/電子戰系統使用人工智能，人工智能使用計算機科學將非人類智能應用于模擬人類推理和解決問題技能的系統。ML 中使用的常見 AI 技術是人工神經網絡、深度學習/深度神經網絡、模糊邏輯和遺傳算法。

圖3顯示了認知雷達/電子戰系統的框圖。它由以下功能塊組成：

RF采集：RF采集模塊將RF頻譜轉換為數字數據流。一個或多個天線信號被路由到信號調理系統，該系統對信號進行濾波、放大和/或衰減，以確保最大的動態范圍。其次是ADC的下變頻和數字化。數字數據可以使用DSP，例如數字濾波、數字下變頻、重采樣、解調或數字波束成形。

搜索和跟蹤系統：搜索和跟蹤系統持續監控一個或多個頻段，以確定到達角（AoA）和發射器位置。

核心 AI/ML 系統：核心 AI/ML 系統由 AI 分析引擎組成，用于確定有關信號的關鍵參數信息，例如 PRI、脈沖寬度、信號功率、到達極化時間 ［ToA］ 和 AoA。核心 AI/ML 系統還包括來自其他傳感器的數據，例如光電、導航、導彈感知等。這些信息被傳送到威脅庫，提供電子戰場和電子戰斗秩序的演變視圖;該庫還包含先前識別的感興趣信號。信號分析和推理AI塊通過將信號與數據庫進行比較來確定識別的信號是友好發射還是潛在威脅。人工智能支持系統主要用作擬議行動方案的最終決策仲裁者，并將威脅和建議的行動傳達給平臺和運營商的其余部分。AI 驅動的威脅計數器解決方案可在多個域（例如時間、頻率和幅度）中確定信號的關鍵參數，無論是干擾、欺騙還是其他內容。

波形合成：波形合成塊解釋威脅計數器解決方案塊的輸出，并生成表示計數器數字實現的數字流。

射頻生成：RF發生模塊與RF采集模塊相反。它由DSP和DAC組成。上變頻器將基帶模擬信號轉換為RF信號，然后進行信號調理，如濾波、衰減等。信號在傳輸前被放大，以確保它有足夠的功率來干擾或欺騙威脅。

［圖3 |框圖列出了一個認知雷達/電子戰系統。

訓練認知雷達/電子戰系統的挑戰

ML 中使用的 AI 技術需要豐富的訓練數據。訓練是用代表性的信號樣本集“饋送”算法，分析算法的有效性，修改和改進算法并在循環中重復訓練的過程。這種迭代過程（稱為RF硬件在環（RFHIL））很長，因此非常適合自動化。RFHIL可應用于初始算法開發和評估;回歸測試;在重新編程實驗室中，建立任務數據集，為在沖突或有爭議的環境中部署做準備;在任務執行之前的操作層面，以確保雷達/電子戰系統正常運行。

獲取數據集

現實世界的集合不太可能捕獲WARM信號。采集過程仍然可以獲得有價值的真實信號，這些信號在硬件在環/軟件在環（HIL/SIL）實驗室中很有用，因為它們包含具有干擾、信噪比差、衰落、多徑和其他像差的代表性信號。AI/ML 系統還可用于去交錯和分類在復雜的現實世界射頻環境中通常難以辨別的信號 AI/ML 系統可用于提取感興趣的信號并將其保存為潛在的未來訓練數據集。

建模和仿真（M&S）軟件，如Matlab，Simulink，R&S脈沖序列器和其他商用軟件包可用于創建訓練數據集。它們通過添加干擾源、噪聲和其他像差，使原型具有幾乎無限的變化，并促進復雜場景的生成，例如在低風險、受控的實驗室環境中生成多個移動發射器。

可以使用集成的記錄、分析和回放系統 （IRAPS） 完成 AI/ML 系統的訓練。IRAPS 系統的核心是 ERISYS SigPro，它是一種高性能矢量信號處理器和服務器，具有 8 到 64 個內核、8 x 256 GB 系統內存、Gen-4 PCIe、總線、工作站顯卡和高達 60 TB 的高速 SSD，可以存儲數千個訓練集。SigPro 具有 10 或 100 Gb 以太網，可實現快速數據移動。SigPro 包括一個大型 FPGA 開發板，用于 FPGA 算法原型設計和 IQ 數據流的在線 DSP。SigPro還通過以太網協調系統通信和配置，并存儲訓練運行的結果以供進一步分析。

使用的矢量信號發生器R&S SMW200A產生RF波形。它通過光纖 QSFP+ 連接器連接到 SigPro，支持高達 1 GHz 的 IQ 數據。SMW可以產生兩個獨立的射頻信號，可以是兩個來自SigPro的射頻信號，也可以是一個來自SigPro的信號和一個來自SMW板載存儲器的信號，例如干擾和商業射頻信號，如地面電視，LTE，5G，GNSS等。這些信號由寬帶放大器放大。

放大后，RF信號被饋送到訓練中的系統（SUT）。SUT 可以通過有線接口或帶有天線的空中 （OTA） 接收射頻。如果系統使用 OTA 測試，則可以使用 EMC［電磁兼容性］ 室來確保射頻輻射不會從腔室外部發出。

從SUT生成的RF響應（同樣是有線或OTA）可能需要衰減，然后由矢量信號和頻譜分析儀采集，將1 GHz的RF頻譜轉換為反饋給SigPro的IQ數據流。該工具還可用于強大的雷達信號分析，具有 60 多種脈沖和脈沖序列分析功能，包括與波形無關的定時旁瓣測量。相同的工具可用于驗證電磁環境中的商業RF信號。多通道示波器也可用于捕獲被測系統的時間和延遲信息。

基于 IRAPS 的閉環 HIL/SIL 系統是訓練、評估和改進實施下一代認知雷達和電子戰系統所需的 AI/ML 算法以及保護生命和資產免受未知威脅的出色測試平臺。

審核編輯：郭婷