认知电磁频谱通信及应用

使用人工智能（AI），特别是机器学习（ML）来实现预测性电磁战（EW）听起来很诱人。想象一下，一台机器知道如何、何时、何地堵塞，然后最好的电子战操作员甚至可以处理她示波器中的信息。然而，一些运营商对认可认知电子战犹豫不决，描绘误导算法导致错误的、危及生命的故障，比如导致自动驾驶汽车撞车的故障。

为了在拥挤的电磁频谱（EMS）中获胜，人类必须学会在战斗等高风险情况下信任ML算法。因此，认知电子战，即机器学习与信号处理、分类和自动响应相结合的想法，应该处于EMS社区发展的最前沿。 想象一下，一台机器知道如何、何时、何地堵塞，然后最好的电子战操作员甚至可以处理她示波器中的信息。

未来的比赛将需要敏捷、自适应的频谱管理以及比人类认知更快的跳频能力。认知电子战为电磁频谱操作 （EMSO） 社区提供了在竞争激烈、拥挤的 EMS 战场空间中减少操作员工作量的功能。

此外，如果没有ML算法，联合部队就有可能在EMS中被对手击败。因此，针对对等威胁的认知频谱管理将被证明是不可或缺的，因为采用联合全域指挥与控制（JADC2）和多域作战（MDO）作为联合作战概念的一部分。

 

作战人员应该接受认知EMSO（电子战和频谱管理），因为必须在EMSO的各个方面利用ML才能获胜。服务应优先考虑认知EMSO，因为敏捷频谱管理对于实现AI支持的JADC2能力至关重要。     此外，现在需要采取行动，为认知EMSO开发软件并收集大量数据，这是信号处理和ML的自然计算结合，以查看潜在的缺陷可能在哪里以及如何优化人机协作。     开发用于认知EMSO的技术和人机信任对于成功的JADC2至关重要。为了在拥挤的电磁频谱（EMS）中获胜，人类必须学会在战斗等高风险情况下信任ML算法。     用于将所有军事部门（空军，陆军，海军陆战队，海军和太空部队）的传感器连接到一个网络中。JADC2 是联合作战概念的基础，允许指挥官通过利用 AI 来协助射击者与目标的配对并保持对战场空间的态势感知，从而做出更好的决策。     EMS在传感器，射手和指挥官之间建立了纽带，使JADC2发挥了作用。此外，环境管理体系为MDO提供了至关重要的协调，特别是在我们利用太空和网络空间资产时。

EMS越来越拥挤和复杂。在竞争激烈的环境中，找到可用的工作频率超出了人类的认知，特别是考虑到动态威胁干扰系统的速度。在冲突中，EMS将挤满友方和敌方的主动单站和多静态雷达，通信，无源传感器和电磁攻击系统，所有这些都在各种天气和地形环境中传播。EMS图片对于人类来说太复杂了，在任务期间无法理解。   此外，对等对手可能具有我们尚未发现和编目的电子攻击能力。我们需要预测性的敏捷系统来对抗这些新生（或隐藏）的能力，并理解战斗中复杂的EMS环境。

传感器和射手可以通过拥挤的EMS进行通信，允许机器在频谱中找到可用带宽，并将资产动态且比对手更快地转移到可用频率。ML 可以在需要时推荐和操作预测性跳频和干扰避免。   如果没有预测被拒绝的EMS区域的能力，那么与同行竞争对手的通信的可操作性将不存在。

  对手仍然会找到一种方法来干扰一些通信。尽管如此，应该使ML处理能够寻找可用的频谱，并使对手难以拒绝我们的通信。这样做将增加保持连接的联合部队资产的数量，从而提高作战人员向对手发射致命和非致命火力的能力。

  随着行业开发认知EMSO工具，操作员将在动态环境中适应战术级ML和作战级电磁战斗管理（EMBM）系统。在联合部队训练和行动的同时，他们的传感器可以建立大型数据库进行复杂的预测。数据科学家将需要大量时间来整理友军将收集的大量信息。     此外，还需要对许多系统参数进行建模，并手动输入这些信号。这种耗时的信号采集、标记和调理过程必须尽快开始。认知EMSO的投资回报率没有标记的，整理的数据将产生次优的结果。因此，工业界现在必须合作开发数据库。

构建数据库以便机器学习可以开始将需要数年时间。豪华电动汽车公司特斯拉花了数年时间开发其全自动驾驶功能。特斯拉的ML辅助驾驶能力需要来自道路上的100万辆汽车的数千PB数据。

 

认知EMSO在收集ML所需的数据仓库和数据湖方面同样将面临艰巨的挑战。一旦工程师、作战人员和计算机科学家建立了信号数据库，监督学习就可以开始了。监督学习使用人类专家标记的大量正面和负面示例来训练系统。

现在需要采取行动，开发软件并为认知EMSO收集大量数据，这是信号处理和ML的自然计算结合。 调查专家，如海军武器和战术教官和空军武器学校毕业生，整理和标记输入监督学习过程的数据同样需要花费大量时间。团队必须测试许多算法，而不仅仅是时尚的深度学习神经网络。     在这个战场空间中，速度往往胜过完全的准确性。换句话说，在许多情况下，简单的计算可能会更好。为了最好地微调ML算法，计算机科学家必须花费数年时间与战术专家和情报分析师一起在电子战范围和模拟中。

  计算机科学家和战术EMSO专家都需要时间来改变和调整场景，假设战场上将有哪些装备，并为无监督学习制定奖励。虽然无监督学习通常需要更长的时间，但它通常可以产生惊人的效率。

数据科学家和EMSO专家应该在收集必要数据，标记和调节数据以及在各种场景中开发和完善算法的漫长过程中团队合作。这样做将使联合部队能够预测并超越EMS中的对手行动。

尽管有些人可能对采用认知EMSO犹豫不决，因为他们注意到人工智能如何出乎意料地让我们失望，并使人类过于依赖机器，这就是为什么今天必须采用认知EMSO。   像MissionWare这样的基于软件的功能是ML辅助EMSO的理想试验场。当创建自动化系统时，永远不会将人类从OODA循环中拉出来。相反，改变了操作员和机器之间的工作量以及人与计算机之间的关系。随着人机团队在认知EMSO方面变得更加熟练，可以更好地看到一条通往人工智能支持的JADC2的清晰道路。   ML辅助频谱管理需要时间，但结果将使联合作战概念的C2功能战斗成为可能。联合部队将通过减少操作员在拥挤、竞争和商业战场上的计算工作量来优化高需求、低密度的电磁资源。此外，将ML添加到EMSO将实现频谱的敏捷性和收敛性。联合部队应推动物质解决方案，以促进和建立今天的认知EMSO能力。

电子支持 (ES)：是电子战 (EW) 领域的一个分支，其任务是通过检测、分类、记录、识别和定位监视和通信链路的射频 (RF) 波段发射器来立即识别环境中存在的威胁敌对的军事系统。

ES 系统是无源设备，即它们不辐射（它们在运行期间保持电磁静默）。

电子攻击（EA）：是电子战（EW）领域的一个分支，适用于武器系统、雷达系统和无线通信，“涉及使用电磁能量、直接能量或反辐射武器攻击人员、结构或设备意图降低、中和或摧毁敌人的作战能力”。

由于军事行动的所有组成部分都是依赖于频谱的网络系统，因此电子战任务已经发展为控制、管理和保护我们对电磁频谱 (EMS) 的使用，以便通过EMS的安全部分维持基本的网络和数据链路服务传输、共享、存档、保护和传播关键信息。

另一方面，必须了解、控制和拒绝对手对EMS的使用，以阻止和/或混淆正确的信息流，从而延迟或阻止对手的决策过程。

简而言之，新的任务要求将是“网络”的被动和主动保护/攻击：我方不受挑战地使用电磁频谱是要保护和保障的实体，而敌人使用电磁频谱是要被阻碍、压制和攻击的实体。甚至被摧毁。

电子战可以通过有人和无人系统从空中、海上、陆地和太空应用，并且可以针对人类、通信、雷达或其他资产。

电子战被描述为具有三个主要子领域（图 1）：电子支持 (ES)、电子攻击 (EA) 和电子保护 (EP)，但根据参考场景的演变以及其使用条款的演变和为了强调EW是EMSO（电磁频谱操作）的一部分，“电子”一词最近被“电磁”取代，产生了新的缩写词EMS、EMA、EMP。

电磁频谱（EMS）对军事行动来说是一个独特的挑战环境。与在空中或沿地面或海上实际移动的物体不同，电磁能量以光速传播，不容易被墙壁、边界或禁区控制。

因此，传感、通信和电磁战（EW）等军事EMS活动很难相互分离或与民用用户分离。随着需要将频谱分配给5G移动通信、扩大Wi-Fi覆盖范围以及车辆和消费产品上无处不在的传感和通信，对军用EMS接入的限制只会越来越大。   俄罗斯和美国军方都在积极寻求将人工智能作为其整体部队发展的一个要素，但与管理和支持能力相比，作战系统的优先级不同。国防部将人工智能优先纳入作战系统，而解放军和俄罗斯武装力量则将人工智能的实施重点放在C2、管理支持系统以及情报、监视和侦察（ISR）上。

编辑：黄飞