隨著無線協(xié)議變得越來越復雜，頻譜環(huán)境的競爭日益激烈，電子戰(zhàn)也越來越復雜。無線電所需的基帶處理程度也更加復雜和專業(yè)化。

在充滿威脅的復雜環(huán)境下，想要完全優(yōu)化射頻系統(tǒng)是不現(xiàn)實的。設計人員以前一直依賴簡化的封閉式模型，但是這些模型無法準確捕捉到真實效果；而且對系統(tǒng)的優(yōu)化也非常零碎，僅能優(yōu)化單個組件，無法進行完整的端到端優(yōu)化。

在過去幾年里，人工智能已經(jīng)取得了長足的進步，尤其是機器學習技術中的深度學習。為了解決眾多棘手問題，人類設計人員一直都在花費大量精力研究手動式工程解決方案，而深度學習則直接將目標對準了針對特定問題的大型復雜數(shù)據(jù)集。

AI和無線電射頻

如要了解AI如何簡化RF系統(tǒng)設計的復雜性，就需要從大局上了解最近哪些技術進步推動了AI系統(tǒng)的迅速普及。“AI”這個術語已經(jīng)使用了幾十年，從廣義上講，是指基于機器決策的問題解決方法。機器學習（ML）屬于AI的一種，指使用數(shù)據(jù)對機器進行訓練，以解決特定問題。深度學習是一類具有“特征學習”能力的機器學習技術，在這個過程中，由機器決定使用哪些方面的數(shù)據(jù)作為決策依據(jù)，而不是由人類設計人員規(guī)定某些明顯的特征作為決策依據(jù)。

例如，設計人員以前都是根據(jù)多年的特征識別技術研究心得，手動編寫面部識別算法。而深度學習方法將包含人臉的圖像數(shù)據(jù)集與操作人員訓練結合起來，可識別出人臉的位置。機器會學習識別人臉的構成，不需要設計人員定義算法。

同樣，RF信號分類和頻譜感知算法也從深度學習方法中獲益匪淺。過去的自動調制分類（AMC）和頻譜監(jiān)測方法需要耗費大量人力來進行手動工程特征提取（工程師團隊通常需要花費數(shù)月時間進行設計和部署），而基于深度學習的系統(tǒng)通過幾小時的訓練，就能識別新的信號類型。深度學習還允許端到端學習，通過這種方式，一個模型可以同時學習編碼器和解碼器，從而構成一個完整的收發(fā)系統(tǒng)。該模型不需要嘗試逐個優(yōu)化每個組件（例如，數(shù)模轉換器[DAC]、模數(shù)轉換器[ADC]、射頻轉換器、無線信道和接收器網(wǎng)絡），并將它們拼接在一起，而是將系統(tǒng)視為端到端函數(shù)，學習從整體上優(yōu)化系統(tǒng)。

基于AI與深度學習的SDR硬件架構

SDR將寬帶前端和功能強大的處理器相結合，為信號分析應用提供了理想的平臺。人工智能和深度學習技術可以訓練系統(tǒng)，使系統(tǒng)檢測信號的速度遠超手工編寫的算法。了解DeepSig如何將COTS SDR與人工智能和深度學習相結合。

用于防御的COTS CR 系統(tǒng)通常包括兩種類型：

1. 部署在現(xiàn)場的緊湊型系統(tǒng)，利用人工智能實時確定可作為行動依據(jù)的情報。這些系統(tǒng)采用FPGA和通用處理器（GPP），有時會額外配備緊湊型圖形處理單元（GPU）模塊。

2. 需要密集計算的模塊化可擴展系統(tǒng)，通常由與高端服務器相連的CR組成，具有功能強大的GPU，可進行離線處理。這些系統(tǒng)經(jīng)常需要用到較大型的RF儀器，而且由于數(shù)據(jù)處理量增加，往往需要使用吞吐量更高的總線，例如PCIe。

對于低SWaP系統(tǒng)來說，F(xiàn)PGA硬件處理效率、低延遲性能以及GPP可編程性就非常關鍵。雖然對FPGA進行編程可能會使開發(fā)變得復雜一些，但這是實時系統(tǒng)實現(xiàn)低SWaP的關鍵。為此，NI和Ettus Research聯(lián)合開發(fā)了通用軟件無線電外設（USRP），為這些系統(tǒng)提供了緊湊的現(xiàn)成平臺。用戶可編程FPGA是USRP設備的固有組成部分，直接集成LabVIEW或開源軟件，例如芯片射頻網(wǎng)絡（RFNoC），可降低使用硬件描述語言對FPGA進行編程的難度。

對于大型計算密集型系統(tǒng)而言，擁有可擴展并且可以異構利用同類最佳處理器的硬件架構意義重大。這些架構通常包括用于基帶處理的FPGA、用于控制的GPP以及用于AI處理的GPU。GPU既能夠處理大量數(shù)據(jù)，同時也相對易于編程。GPU的缺點是數(shù)據(jù)管道長，導致傳輸時間較長，不過這個問題只對需要超低延遲的系統(tǒng)有影響。當然，這兩類系統(tǒng)中都有許多設備以犧牲性能為代價來降低功耗，在設計分析中應該對此加以權衡。

表1. 認知無線電的處理器選項

舉例來說，美國國防高級研究計劃局（DARPA）頻譜協(xié)同挑戰(zhàn)賽（Spectrum Collaboration Challenge）中使用的Colosseum試驗臺就是一個大型計算密集型系統(tǒng)。該系統(tǒng)包含128個帶有板載FPGA的雙通道USRP（Ettus X310）、帶有多個FPGA的ATCA-3671刀片服務器，以及基于GPU的高端服務器，其中ATCA-3671服務器主要用于數(shù)據(jù)聚合，GPU則可進行強大的AI處理。

圖1.DARPA Colosseum測試臺配備128個Ettus X310 USRP和NI ATCA-3671處理單元。

部署系統(tǒng)中的AI

如果使用經(jīng)過訓練的深層神經(jīng)網(wǎng)絡執(zhí)行信號檢測和分類，只需要幾毫秒的時間。與使用傳統(tǒng)方法的迭代和算法式信號搜索、檢測和分類相比，這種模式可將性能提高好幾個數(shù)量級。這些優(yōu)勢同時也有助于降低功耗和計算要求，訓練模型的靈敏度通常至少是現(xiàn)有方法的兩倍。

美國的DeepSig是一家專門從事信號處理和無線電系統(tǒng)業(yè)務的初創(chuàng)公司。其OmniSIG傳感器軟件產(chǎn)品中使用了基于深度學習的商業(yè)化RF傳感技術。該產(chǎn)品可與NI和Ettus Research的USRP兼容。借助深度學習的自動特征學習功能，OmniSIG傳感器只需經(jīng)過幾秒鐘的信號捕獲和訓練，就可以識別新的信號類型。

對于學習型通信系統(tǒng)，包括便于直接在物理層進行訓練的端到端學習，可使用DeepSig的OmniPHY軟件來學習如何在惡劣的信道條件和頻譜環(huán)境以及硬件性能有限的情況下優(yōu)化通信系統(tǒng)。其中包括非視距通信；抗干擾能力；激烈對抗環(huán)境中的多用戶系統(tǒng)；和硬件失真效應抑制。

圖2.OmniSIG傳感器使用通用SDR對蜂窩頻段內(nèi)的信號進行檢測和分類。

學習型通信系統(tǒng)的優(yōu)勢之一是可以針對不同任務輕松進行優(yōu)化。比如有些用戶更關心吞吐量和延遲，而有些用戶可能會優(yōu)先考慮作戰(zhàn)信息鏈距離、功耗，甚至簽名和檢測或攔截概率。此外，在機器學習中，對作戰(zhàn)環(huán)境越了解，訓練出的解決方案就越有效。

將基于深度學習的感測和有源無線電波形相結合，可實現(xiàn)全新的自適應波形和電子戰(zhàn)，從而能夠應對當今對抗激烈頻譜的環(huán)境。對于基于深度學習的系統(tǒng)訓練而言，處理器性能十分重要，但是經(jīng)過訓練后，該模型就可以很容易地部署到低SWaP嵌入式系統(tǒng)中，例如邊緣傳感器和戰(zhàn)術無線電。

為什么在信號分析系統(tǒng)中使用SDR？

SDR的核心元件是射頻前端和處理單元，因而非常適合原型和部署基于AI的信號分析系統(tǒng)。USRP的低SWaP使其非常適合通信情報部署，用于檢測低于6 GHz頻率的信號。

對于高頻率和計算密集型應用，PXI平臺儀器可以擴展至毫米波頻率，可處理的頻段最高可達Ka頻段，通過x8 PCIe鏈路提供更高的數(shù)據(jù)吞吐量，并采用包含多個Xilinx Virtex-7 FPGA的ATCA模塊進行海量數(shù)據(jù)處理。

如果要檢測可能采用擴頻或跳頻技術且頻率未知的不良信號，就需要采用寬帶接收機。COTS SDR集成了最新的寬帶ADC和DAC來解決這一問題。另外，您可以組成多通道系統(tǒng)，通過將接收器信道調諧到相鄰頻段來擴展有效帶寬，或者通過共享本地振蕩器來實現(xiàn)通道間的相位一致性。這樣不僅能夠檢測和識別信號，還能對信號進行測向和定位。

NI和Ettus Research USRP采用異構架構來處理SDR和主機PC上的信號。由于認知系統(tǒng)需要生成輸出信號來響應頻譜感測或接收到的信號，SDR上的板載內(nèi)聯(lián)處理功能就顯得非常重要。FPGA板載處理可以提供很多好處，例如，通過傳輸或僅存儲感興趣的信號，來降低延遲（與主機雙向傳輸所有數(shù)據(jù)相比）和減少數(shù)據(jù)鏈路或總線上的數(shù)據(jù)。

惡劣的電磁環(huán)境要求信號分析系統(tǒng)能夠檢測未知信號并快速適應新的威脅。具有深度學習能力的算法可以接受訓練以識別新信號，同時縮短開發(fā)時間。而且，SDR架構具有低SWaP、實時處理能力、寬帶前端和靈活編程等優(yōu)點，無疑是部署基于AI的信號分析系統(tǒng)的理想之選。