无线电频谱+机器学习=无线电技术的新浪潮

目前由人工机器学习（ML）技术驱动的人工智能浪潮已经风靡一时。通过对数字化写作、口头文字、图像、视频流和其他数字内容的充分训练，ML已经成为语音识别、自动驾驶汽车以及其他以前唯一想象能力的基础。作为亿万手机、电器、飞机、交通灯、安全系统、环境传感器和其他无线连接设备和进入一个快速增长的物联网（IOT），现在是一个需要申请ML的无线电频率（RF）信号的无形的领域，根据DARPA的微系统公司项目经理Paul Tilghman技术办公室。为了进一步引起，DARPA今天宣布其新的无线电频率的机器学习系统（rfmls）程序。

“我的想象是一个射频的机器学习系统能够看到和了解无线电频谱–信号占用的种类组成，区分那些“重要”的背景，并找出那些不遵守规则，”蒂尔曼说。他希望同样的系统能够分辨出射频信号中细微的但不可避免的区别，这些信号是相同的，大规模制造的物联网设备，并将这些信号与有意欺骗或侵入这些设备的信号区分开来。“我们希望能够理解并相信什么是发生在物联网和站起来的RF取证能力识别独特和独特的信号之间众所周知的鸡尾酒会有信号，”蒂尔曼说。SMT贴片加工

对于任何给定空间中不断变化的RF信号组成，同样的态势感知也应该支持一种称为频谱共享的无线通信管理范式。这是共享频谱使用的范例，而不是由特定频率许可协议控制的独占分配的当前实践。蒂尔曼希望开发技术了解改进和广泛的频谱共享可以大大扩展的电磁频谱在rfmls程序以及另一个主要的DARPA的努力称为频谱协作挑战无线通信能力谱的当前状态。

AI的第一和持续的波组成的专家系统，严格的编纂在可预见的人的专业知识和决策、规则驱动的领域，如简单的游戏，税务筹划，和工业过程控制。这样的专家系统也已经部署在射频环境中，例如，工程师已经能够在计算机代码中指定无线电在遇到干扰时使用的刚性规则来切换到未使用的频率。虽然有效，但这些系统对光谱中实际发生的情况了解甚少。第二，新兴的机器学习波艾RF应用应该更加敏捷和灵活的能力：一个rfml系统，具有十分丰富的训练集的RF数据，应该能够识别一个巨大的已知和以前看不见的RF波形范围。

的rfmls程序特点四技术组件，将融入未来的rfml系统：

特征学习：从RF信号的数据集，rfml系统需要学习用于识别和描述各种民用和军事设置信号的特点。

注意：就像人们可以很快的注意力所需的目标在一个巨大的超市找到冰淇淋，例如在感官输入的困境将在每一个时刻，一个rfml系统将需要包括指导人工注意什么是重要的潜在的射频频谱中是操作算法。研究人员赢得合同工作的rfmls程序需要设计出在我们自己所谓的显著性检测，即射频域等效，辨认和识别重要的视觉和听觉刺激的能力。在一个频带通常用于雷达信号的通信信号的存在将是一个感兴趣的信号，rfmls的显著性检测能力要注意的一个例子。

自主RF传感器配置：我们的眼睛自动调整到变化的光水平，他们移动和重点，以保持最重要的方面的动态视觉场景在最敏感的部分视网膜。系统的rfml DARPA的设想会有相当的能力自动调整自己的接受信号和信号特征的系统将在完成手头上的任务是最有效的。

波形合成：全rfml系统还应该能够进行数字合成几乎任何波形，就像人类可以任何新单词的发音或添加屈折或暂停注入意义的庄严或细微到他们说。这种能力，创造新的波形量身定制的特定的RF设备，他们发出的，应该给其他先进的无线电识别能力的改进友好系统。

“如果我们做到这一点，我们将有RF系统，能够识别和表征信号在越来越拥挤的频谱。这将给新兴的自动化系统，和军事指挥官，依靠他们所需要的信息，多了解无线领域的景观，”蒂尔曼说。“我希望我们的新rfmls项目将打造一个新的领域和人工智能研究界的技术基础。”