人工智能可能更好地探测雷达信号，促进频谱共享。

当度假者购买海滨分时度假的股份时，他们提前决定谁在什么时候可以使用该地产。美国国家标准与技术研究所（NIST）正在帮助联邦通信委员会（FCC）制定一项类似的计划，以应对商用无线供应商和美国海军试图共享一个150兆赫（MHz）宽的通信射频频谱。

在一篇新的论文中，NIST的研究人员证明了深度学习算法——人工智能的一种形式——比一种常用的、不太复杂的海上雷达运行时的检测方法要好得多。改进的雷达探测将使商业用户能够知道何时必须产生所谓的3.5千兆赫兹（3.5千兆赫）波段。

2015年，联邦通信委员会通过了《公民宽带无线电服务规则》（CBRS），允许商用LTE（长期演进）无线设备供应商和服务提供商在雷达运行不需要时使用3.5GHz频段。

AT&T、Google、Nokia、Qualcomm、Sony和Verizon等公司一直渴望使用此频段（在3550到3700兆赫之间），因为它将扩大产品市场，并在各种传统服务较弱的环境中为最终用户提供更好的覆盖范围和更高的数据速率。

NIST帮助制定了10个标准规范，使服务提供商和其他潜在用户能够在联邦通信委员会（FCC）规定的3.5GHz频段内工作，同时确保海军能够在无射频干扰的情况下成功共享频段。这些标准规范，包括保护现有军事用户的算法，于2018年2月由CBRS公私标准机构无线创新论坛频谱共享委员会（Winnf SSC）批准。然而，目前还没有官方标准来确定军方何时使用乐队。这项新的研究发表在《IEEE认知交流和网络交易》杂志上，代表着NIST为实现这一目标所做的最新研究。

在目前的实践中，来自海上船只的雷达信号是通过自动探测器来识别的，这种探测器可以探测电磁频谱中能量的上升。“然而，”NIST频谱共享支持项目的负责人迈克尔·苏里亚尔说，“这些能量探测器没有足够的识别力来持续地纠正它，有时会混淆其他射频信号作为雷达或完全忽略雷达信号。”

索里亚尔和他的同事们转向人工智能（ai）寻求一个潜在的解决方案。八个从现有数据中学习的深度学习算法软件系统被训练来识别近15000个60秒长光谱图（雷达信号随时间的视觉表示）收集的海上雷达信号。这些光谱图是在2016年为国家高级光谱和通信测试网络（NASCTN）在加利福尼亚州圣地亚哥和弗吉尼亚海滩附近的海军基地记录的。

经过培训后，深入学习的算法与能量检测器进行了对比，看看哪种算法在识别和分类一组光谱图方面表现最好，而这些光谱图与用于教育人工智能检测器的光谱图不同。

苏里亚尔说：“我们发现，三种深度学习算法明显优于能量检测器。”

最好的深度学习算法和光谱图收集被用来开发3.5GHz波段的“占用统计数据”，这些数据集描述了波段的可用时间和持续时间。

现在，NIST的研究人员已经验证了深度学习算法的使用，他们计划继续改进人工智能探测器，用更高分辨率、更详细的雷达数据对其进行培训，他们认为这将导致更好的性能。