提高认知雷达和电子战系统的能力

作者：TIM FOUNTAIN，LEANDER HUMBERT

随着当今新出现的威胁，利用静态威胁库的传统雷达和电子战 （EW） 系统方法容易受到以非传统模式运行的“模式敏捷”或战时储备模式 （WARM） 威胁的攻击。使用基于闭环集成记录、分析和回放系统 （IRAPS） 的硬件在环/软件在环 （HIL/SIL） 系统是训练、评估和改进人工智能和机器学习（AI 和 ML）算法的绝佳测试平台，这些算法是实施下一代认知雷达和电子战系统并保护生命和资产免受未知威胁所需的。

认知RF［射频］系统通过将RF频谱转换为RF数据流来感知RF频谱。通过推理和理解数据流的上下文，系统做出自主判断并确定行动方案，而无需人工干预。该系统的最终目标是拒绝对手使用RF频谱（电子攻击或EA），保护平台，例如通过采用抗干扰技术来保护通信链路（电子保护或EP）和/或向另一个系统提供支持信息（电子支持或ES）。认知系统使用情境感知、学习、推理、互动和行动的连续反馈循环。

随着当今新出现的威胁，使用静态威胁库的传统雷达和电子战 （EW） 系统方法（如图 2 所示）容易受到以非传统模式运行的“模式敏捷”或战时储备模式 （WARM） 威胁的攻击。在静态威胁系统中，反导雷达等传统威胁的特征在于其工作参数，如中心频率、占用带宽、跳频特性、调制、脉冲重复间隔（PRI）以及其他已知、重复和可量化的参数。静态威胁库方法根据数据库匹配这些参数并对其进行分类。分类威胁可能会转换为脉冲描述词（PDW）并馈送到平台上的其他系统，其中一些系统可能会部署对策。

WARM 威胁是为战时或紧急使用而保留的信号特征和操作程序，不符合静态威胁库中的预定义参数 这些模式可能包括新的工作频率、调制技术、脉冲重复间隔和跳频模式。静态威胁技术无法将WARM模式与数据库相匹配，因此电子保护，攻击和支持（EP，EA和ES）系统无法应对此威胁。在严重冲突之外看不到 WARM 模式。

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

在认知或自适应雷达/电子战系统中，人工智能（AI）和机器学习（ML）技术被应用于传入频谱，以开发一种应对频谱中动态感知威胁的方法。WARM 威胁完全有可能检测到它遇到了使用认知 AI/ML 技术的系统，并且本身可能会持续更改其操作参数。这需要灵活性来快速适应不断变化的威胁。

认知雷达/电子战系统的实施存在几个挑战：

在遇到威胁的战术边缘需要大量的计算资源。计算资源可以结合FPGA（现场可编程门阵列）GPGPU和多核主机处理器来实现AI/ML算法。平台内计算元素必须满足剧院内操作条件的恶劣环境。

有效的系统需要最大限度地减少检测到计数器的时间或RF输入到RF输出的延迟，以提高平台的生存能力。这是设计和实施的挑战，因为 GPGPU 和 COTS ［商用现货］ 数据转换器是深度流水线的，这增加了系统延迟设计预算。

从本质上讲，WARM 发射器可能会在意想不到的频段中工作，在更宽的带宽上跳跃，并使用宽带调制技术。这种工作模式需要宽带宽RF频谱凝视，这在系统动态范围和本底噪声方面有其自身的挑战，会影响对峙、检测和干扰范围。更宽的带宽要求也使数据移动和处理任务复杂化。

宽带认知 AI/ML 系统使用更多的电力，这推动了尺寸、重量、功率和成本 （SWaP-C） 的要求——所有这些都必须始终在较小的自主平台上进行优化，例如无人机系统 （UAS）。

模式捷变发射器也可能进入“低截调概率”模式，这需要更高分辨率的模数转换器（ADC）和数模转换器（DAC）。

平台需要能够共享信息，这需要可靠的通信链接。它们还需要一个通用的时间参考，例如GPS，以确保在测向和地理标记发射器时使用空间和时间信息。传统 GPS 容易受到干扰、欺骗和欺骗;有保证的位置、导航和定时 （PNT） 需要成为系统级解决方案的一部分。

认知雷达/电子战系统的要素

认知雷达/电子战系统使用人工智能，人工智能使用计算机科学将非人类智能应用于模拟人类推理和解决问题技能的系统。ML 中使用的常见 AI 技术是人工神经网络、深度学习/深度神经网络、模糊逻辑和遗传算法。

图3显示了认知雷达/电子战系统的框图。它由以下功能块组成：

RF采集：RF采集模块将RF频谱转换为数字数据流。一个或多个天线信号被路由到信号调理系统，该系统对信号进行滤波、放大和/或衰减，以确保最大的动态范围。其次是ADC的下变频和数字化。数字数据可以使用DSP，例如数字滤波、数字下变频、重采样、解调或数字波束成形。

搜索和跟踪系统：搜索和跟踪系统持续监控一个或多个频段，以确定到达角（AoA）和发射器位置。

核心 AI/ML 系统：核心 AI/ML 系统由 AI 分析引擎组成，用于确定有关信号的关键参数信息，例如 PRI、脉冲宽度、信号功率、到达极化时间 ［ToA］ 和 AoA。核心 AI/ML 系统还包括来自其他传感器的数据，例如光电、导航、导弹感知等。这些信息被传送到威胁库，提供电子战场和电子战斗秩序的演变视图;该库还包含先前识别的感兴趣信号。信号分析和推理AI块通过将信号与数据库进行比较来确定识别的信号是友好发射还是潜在威胁。人工智能支持系统主要用作拟议行动方案的最终决策仲裁者，并将威胁和建议的行动传达给平台和运营商的其余部分。AI 驱动的威胁计数器解决方案可在多个域（例如时间、频率和幅度）中确定信号的关键参数，无论是干扰、欺骗还是其他内容。

波形合成：波形合成块解释威胁计数器解决方案块的输出，并生成表示计数器数字实现的数字流。

射频生成：RF发生模块与RF采集模块相反。它由DSP和DAC组成。上变频器将基带模拟信号转换为RF信号，然后进行信号调理，如滤波、衰减等。信号在传输前被放大，以确保它有足够的功率来干扰或欺骗威胁。

［图3 |框图列出了一个认知雷达/电子战系统。

训练认知雷达/电子战系统的挑战

ML 中使用的 AI 技术需要丰富的训练数据。训练是用代表性的信号样本集“馈送”算法，分析算法的有效性，修改和改进算法并在循环中重复训练的过程。这种迭代过程（称为RF硬件在环（RFHIL））很长，因此非常适合自动化。RFHIL可应用于初始算法开发和评估;回归测试;在重新编程实验室中，建立任务数据集，为在冲突或有争议的环境中部署做准备;在任务执行之前的操作层面，以确保雷达/电子战系统正常运行。

获取数据集

现实世界的集合不太可能捕获WARM信号。采集过程仍然可以获得有价值的真实信号，这些信号在硬件在环/软件在环（HIL/SIL）实验室中很有用，因为它们包含具有干扰、信噪比差、衰落、多径和其他像差的代表性信号。AI/ML 系统还可用于去交错和分类在复杂的现实世界射频环境中通常难以辨别的信号 AI/ML 系统可用于提取感兴趣的信号并将其保存为潜在的未来训练数据集。

建模和仿真（M&S）软件，如Matlab，Simulink，R&S脉冲序列器和其他商用软件包可用于创建训练数据集。它们通过添加干扰源、噪声和其他像差，使原型具有几乎无限的变化，并促进复杂场景的生成，例如在低风险、受控的实验室环境中生成多个移动发射器。

可以使用集成的记录、分析和回放系统 （IRAPS） 完成 AI/ML 系统的训练。IRAPS 系统的核心是 ERISYS SigPro，它是一种高性能矢量信号处理器和服务器，具有 8 到 64 个内核、8 x 256 GB 系统内存、Gen-4 PCIe、总线、工作站显卡和高达 60 TB 的高速 SSD，可以存储数千个训练集。SigPro 具有 10 或 100 Gb 以太网，可实现快速数据移动。SigPro 包括一个大型 FPGA 开发板，用于 FPGA 算法原型设计和 IQ 数据流的在线 DSP。SigPro还通过以太网协调系统通信和配置，并存储训练运行的结果以供进一步分析。

使用的矢量信号发生器R&S SMW200A产生RF波形。它通过光纤 QSFP+ 连接器连接到 SigPro，支持高达 1 GHz 的 IQ 数据。SMW可以产生两个独立的射频信号，可以是两个来自SigPro的射频信号，也可以是一个来自SigPro的信号和一个来自SMW板载存储器的信号，例如干扰和商业射频信号，如地面电视，LTE，5G，GNSS等。这些信号由宽带放大器放大。

放大后，RF信号被馈送到训练中的系统（SUT）。SUT 可以通过有线接口或带有天线的空中 （OTA） 接收射频。如果系统使用 OTA 测试，则可以使用 EMC［电磁兼容性］ 室来确保射频辐射不会从腔室外部发出。

从SUT生成的RF响应（同样是有线或OTA）可能需要衰减，然后由矢量信号和频谱分析仪采集，将1 GHz的RF频谱转换为反馈给SigPro的IQ数据流。该工具还可用于强大的雷达信号分析，具有 60 多种脉冲和脉冲序列分析功能，包括与波形无关的定时旁瓣测量。相同的工具可用于验证电磁环境中的商业RF信号。多通道示波器也可用于捕获被测系统的时间和延迟信息。

基于 IRAPS 的闭环 HIL/SIL 系统是训练、评估和改进实施下一代认知雷达和电子战系统所需的 AI/ML 算法以及保护生命和资产免受未知威胁的出色测试平台。

审核编辑：郭婷