AI может быть лучше для обнаружения радиолокационных сигналов

Исследователи демонстрируют, что алгоритмы глубокого обучения — форма искусственного интеллекта — значительно лучше, чем обычно используемый метод обнаружения, когда работают морские радары, что потенциально может улучшить определенные операции совместного использования спектра.

Когда отдыхающие покупают долю в пляжном таймшере, они заранее решают, кто и когда будет использовать собственность. Национальный институт стандартов и технологий (NIST) помогает Федеральной комиссии по связи (FCC) разработать аналогичный план, когда коммерческие провайдеры беспроводной связи и ВМС США пытаются разделить желаемую часть радиочастоты в диапазоне 150 мегагерц (МГц). (RF) спектр для связи.

В новой статье исследователи NIST демонстрируют, что алгоритмы глубокого обучения — форма искусственного интеллекта — значительно лучше, чем обычно используемый, менее сложный метод обнаружения, когда работают морские радары. Усовершенствованное обнаружение радара позволит коммерческим пользователям знать, когда они должны генерировать так называемую полосу 3,5 ГГц (3,5 ГГц).

В 2015 году FCC приняла правила для гражданской широкополосной радиослужбы (CBRS), чтобы разрешить коммерческим поставщикам беспроводного оборудования LTE (долгосрочной эволюции) и поставщикам услуг использовать полосу 3,5 ГГц, когда она не нужна для работы радиолокатора.

Такие компании, как AT & T, Google, Nokia, Qualcomm, Sony и Verizon, стремились получить доступ к этой полосе (между 3550 и 3700 МГц), поскольку она расширит рынки продуктов и предоставит конечным пользователям лучший охват и более высокие скорости передачи данных в различных средах. где сервис традиционно слабый.

NIST помог разработать 10 стандартных спецификаций, которые позволят поставщикам услуг и другим потенциальным пользователям работать в полосе 3,5 ГГц в соответствии с правилами FCC, обеспечивая при этом военно-морскому флоту возможность совместного использования полосы без помех РЧ. Эти стандартные спецификации, в том числе алгоритм защиты действующих военных пользователей, были утверждены в феврале 2018 года Комитетом по обмену спектром в рамках Форума беспроводных инноваций (WINNF SSC), государственным и частным органом по стандартизации CBRS.

Однако в настоящее время нет никаких официальных стандартов для определения того, когда военные используют полосу. Новое исследование, опубликованное в журнале IEEE Transactions on Cognitive Communication and Networking, представляет собой последнее исследование NIST, направленное на достижение этой цели.

В современной практике радиолокационные сигналы от морских судов идентифицируются с помощью автоматических детекторов, которые отслеживают возрастание энергии в электромагнитном спектре. «Однако, — сказал Майкл Сурьял, руководитель проекта по поддержке совместного использования спектра NIST, — эти детекторы энергии недостаточно различают, чтобы постоянно их понимать, иногда путая другие РЧ-сигналы с радаром или вообще пропуская радиолокационные сигнатуры».

Сурьял и его коллеги обратились к искусственному интеллекту (ИИ) для возможного решения. Восемь алгоритмов глубокого обучения — программные системы, которые учатся на основе уже существующих данных — были обучены распознавать оффшорные радиолокационные сигналы из коллекции почти 15 000 спектрограмм длиной 60 секунд (визуальное представление радиолокационных сигналов во времени). Эти спектрограммы были записаны в 2016 году вблизи военно-морских баз в Сан-Диего, штат Калифорния, и Вирджиния-Бич, штат Вирджиния, для Национальной сети по усовершенствованным испытаниям спектра и связи (NASCTN).

После обучения алгоритмы глубокого обучения были сопоставлены с детекторами энергии, чтобы увидеть, какие из них лучше всего подходят для идентификации и классификации набора спектрограмм, отличных от тех, которые используются для обучения детекторов ИИ.

«Мы обнаружили, что три алгоритма глубокого обучения значительно превзошли детекторы энергии», — сказал Сурьял.

Наилучший алгоритм глубокого обучения и сбор спектрограмм были использованы для разработки «статистики занятости» полосы частот 3,5 ГГц, наборов данных, которые описывают, когда полоса доступна и как долго.

Теперь, когда исследователи NIST подтвердили правильность использования алгоритмов глубокого обучения, они планируют продолжить совершенствование детекторов искусственного интеллекта, обучая их более подробным радиолокационным данным с более высоким разрешением, которые, по их мнению, должны привести к еще большей производительности.