隨著無線協議變得越來越復雜，頻譜環境的競爭日益激烈，電子戰也越來越復雜。無線電所需的基帶處理程度也更加復雜和專業化。

在充滿威脅的復雜環境下，想要完全優化射頻系統是不現實的。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；而且對系統的優化也非常零碎，僅能優化單個組件，無法進行完整的端到端優化。

在過去幾年里，人工智能已經取得了長足的進步，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據集。

AI和無線電射頻

如要了解AI如何簡化RF系統設計的復雜性，就需要從大局上了解最近哪些技術進步推動了AI系統的迅速普及。“AI”這個術語已經使用了幾十年，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，指使用數據對機器進行訓練，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據作為決策依據，而不是由人類設計人員規定某些明顯的特征作為決策依據。

例如，設計人員以前都是根據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據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月時間進行設計和部署），而基于深度學習的系統通過幾小時的訓練，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系統。該模型不需要嘗試逐個優化每個組件（例如，數模轉換器[DAC]、模數轉換器[ADC]、射頻轉換器、無線信道和接收器網絡），并將它們拼接在一起，而是將系統視為端到端函數，學習從整體上優化系統。

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，使系統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 系統通常包括兩種類型：

1. 部署在現場的緊湊型系統，利用人工智能實時確定可作為行動依據的情報。這些系統采用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，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。這些系統經常需要用到較大型的RF儀器，而且由于數據處理量增加，往往需要使用吞吐量更高的總線，例如PCIe。

對于低SWaP系統來說，FPGA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變得復雜一些，但這是實時系統實現低SWaP的關鍵。為此，NI和Ettus Research聯合開發了通用軟件無線電外設（USRP），為這些系統提供了緊湊的現成平臺。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既能夠處理大量數據，同時也相對易于編程。GPU的缺點是數據管道長，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有影響。當然，這兩類系統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）頻譜協同挑戰賽（Spectrum Collaboration Challenge）中使用的Colosseum試驗臺就是一個大型計算密集型系統。該系統包含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服務器主要用于數據聚合，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。

部署系統中的AI

如果使用經過訓練的深層神經網絡執行信號檢測和分類，只需要幾毫秒的時間。與使用傳統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量級。這些優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業務的初創公司。其OmniSIG傳感器軟件產品中使用了基于深度學習的商業化RF傳感技術。該產品可與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，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境以及硬件性能有限的情況下優化通信系統。其中包括非視距通信；抗干擾能力；激烈對抗環境中的多用戶系統；和硬件失真效應抑制。

圖2.OmniSIG傳感器使用通用SDR對蜂窩頻段內的信號進行檢測和分類。

學習型通信系統的優勢之一是可以針對不同任務輕松進行優化。比如有些用戶更關心吞吐量和延遲，而有些用戶可能會優先考慮作戰信息鏈距離、功耗，甚至簽名和檢測或攔截概率。此外，在機器學習中，對作戰環境越了解，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，可實現全新的自適應波形和電子戰，從而能夠應對當今對抗激烈頻譜的環境。對于基于深度學習的系統訓練而言，處理器性能十分重要，但是經過訓練后，該模型就可以很容易地部署到低SWaP嵌入式系統中，例如邊緣傳感器和戰術無線電。

為什么在信號分析系統中使用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。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鏈路提供更高的數據吞吐量，并采用包含多個Xilinx Virtex-7 FPGA的ATCA模塊進行海量數據處理。

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，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上的板載內聯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據相比）和減少數據鏈路或總線上的數據。

惡劣的電磁環境要求信號分析系統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點，無疑是部署基于AI的信號分析系統的理想之選。