AI може бути кращим для виявлення радіолокаційних сигналів

Дослідники демонструють, що алгоритми глибокого навчання – форма штучного інтелекту – значно кращі, ніж зазвичай використовуваний метод виявлення, коли працюють морські радари, що потенційно може покращити певні операції спільного використання спектру.

Коли відпочиваючі купують частку у пляжному таймшері, вони заздалегідь вирішують, хто і коли використовуватиме власність. Національний інститут стандартів і технологій (NIST) допомагає Федеральній комісії зв'язку (FCC) розробити аналогічний план, коли комерційні провайдери бездротового зв'язку та ВМС США намагаються розділити бажану частину радіочастоти в діапазоні 150 мегагерц (МГц). (RF) спектр зв'язку.

У новій статті дослідники NIST демонструють, що алгоритми глибокого навчання – форма штучного інтелекту – значно кращі, ніж зазвичай використовуваний, менш складний метод виявлення, коли працюють морські радари. Удосконалене виявлення радара дозволить комерційним користувачам знати, коли вони мають генерувати так звану смугу 3,5 ГГц (3,5 ГГц).

У 2015 році FCC ухвалила правила для цивільної широкосмугової радіослужби (CBRS), щоб дозволити комерційним постачальникам бездротового обладнання LTE (довгострокової еволюції) та постачальникам послуг використовувати смугу 3,5 ГГц, коли вона не потрібна для роботи радіолокатора.

Такі компанії, як AT & T, Google, Nokia, Qualcomm, Sony і Verizon, прагнули отримати доступ до цієї смуги (між 3550 і 3700 МГц), оскільки вона розширить ринки продуктів і надасть кінцевим користувачам кращий охоплення і вищі швидкості передачі даних різних середовищах. де сервіс зазвичай слабкий.

NIST допоміг розробити 10 стандартних специфікацій, які дозволять постачальникам послуг та іншим потенційним користувачам працювати у смузі 3,5 ГГц відповідно до правил FCC, забезпечуючи при цьому військово-морському флоту можливість спільного використання смуги без перешкод РЧ. Ці стандартні специфікації, зокрема алгоритм захисту чинних військових користувачів, були затверджені в лютому 2018 року Комітетом з обміну спектром у рамках Форуму бездротових інновацій (WINNF SSC), державним та приватним органом зі стандартизації CBRS.

Проте нині немає жодних офіційних стандартів визначення того, коли військові використовують смугу. Нове дослідження, опубліковане в журналі IEEE Transactions on Cognitive Communication and Networking, є останнім дослідженням NIST, спрямоване на досягнення цієї мети.

У практиці радіолокаційні сигнали від морських суден ідентифікуються з допомогою автоматичних детекторів, які відстежують зростання енергії у електромагнітному спектрі. «Проте, - сказав Майкл Сурьял, керівник проекту з підтримки спільного використання спектру NIST, - ці детектори енергії недостатньо розрізняють, щоб постійно їх розуміти, іноді плутаючи інші РЧ-сигнали з радаром або взагалі пропускаючи сигнатури радіолокацій».

Сурьял та його колеги звернулися до штучного інтелекту (ІІ) для можливого вирішення. Вісім алгоритмів глибокого навчання - програмні системи, які навчаються на основі вже існуючих даних - були навчені розпізнавати офшорні сигнали радіолокації з колекції майже 15 000 спектрограм довжиною 60 секунд (візуальне подання радіолокаційних сигналів у часі). Ці спектрограми були записані у 2016 році поблизу військово-морських баз у Сан-Дієго, штат Каліфорнія, та Вірджинія-Біч, штат Вірджинія, для Національної мережі з удосконалених випробувань спектру та зв'язку (NASCTN).

Після навчання алгоритми глибокого навчання були зіставлені з детекторами енергії, щоб побачити, які з них найкраще підходять для ідентифікації та класифікації набору спектрограм відмінних від тих, які використовуються для навчання детекторів ІІ.

"Ми виявили, що три алгоритми глибокого навчання значно перевершили детектори енергії", - сказав Сур'ял.

Найкращий алгоритм глибокого навчання і збір спектрограм були використані для розробки статистики зайнятості смуги частот 3,5 ГГц, наборів даних, які описують, коли смуга доступна і як довго.

Тепер, коли дослідники NIST підтвердили правильність використання алгоритмів глибокого навчання, вони планують продовжити вдосконалення детекторів штучного інтелекту, навчаючи їх докладнішим радіолокаційним даним з вищою роздільною здатністю, які, на їхню думку, мають призвести до ще більшої продуктивності.