亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

5G網絡技術（包括波束成形和側向鏈接）的開發和實施將大大提高對手在視線范圍外執行無人機行動的能力。本研究探討了應對 5G 為無人機探測帶來的挑戰（如數據加密時）的方法。該方法通過捕獲地面控制站和模擬無人機之間的數據包，生成無人機網絡流量數據集。然后分離各個通信流，并根據提取的時間特征構建統計指紋：到達時間的平均值、中位數和標準偏差，以及數據包方向比。這些指紋用于訓練和測試隨機森林分類器，該分類器能在不到十分之一秒的時間內將通過 WiFi 或以太網模擬的無人機流量與正常 5G 流量區分開來，準確率高達 99%，F1 分數大于 98%。該分類器還能從通過不同傳輸系統發送的數據中檢測出無人機流量，其 F1 分數高于 97%。雖然由于工具的限制，無人機數據沒有在 5G 上進行測試，但無人機數據和其他正常 5G 數據（如數據定向率）之間的檢測方面顯示了無論采用哪種傳輸方式的前景。擬議方法的高性能和對時間特征的獨家使用使其成為 5G 無人機檢測的一個有前途的探索方向。

受赭石藻啟發的微電子機械系統（MEMS）傳感器可按一定配置排列，以探測入射聲波的到達方向（DoA）。先前的研究結果表明，可以確定方位角 360 度范圍內的明確到達方向。迄今為止，一直使用實驗室儀器進行模擬讀數。本研究的目標是開發、構建和測試一種電路配置，包括 MEMS 傳感器的外殼和電源，以及設計一種圖形用戶界面（GUI），以便從傳感器陣列中讀取 DoA，并利用 GPS 定位數據對多旋翼小型無人機的位置進行三角測量。測試場使用兩個節點的配置來探測小型旋翼無人機。操作場景顯示在地圖上。這種新配置可以探測到來自任何可探測來源的聲音，并提供聲音來源的坐標。

在美國海軍及其盟國海洋行動中，最重要的是在海軍交戰中制定有效的戰略。盡管人們寄予厚望，但諸如 "約翰-麥凱恩 "號和 "菲茨杰拉德 "號這樣的事例表明，在每一次互動中確定有利的行動都具有挑戰性。本研究利用機器學習（ML）和人工智能（AI）的進步，開發了一個基于模擬的程序，將強化學習（RL）應用于海軍場景。該程序是對現有陸基兵棋推演模擬程序 Atlatl 的改編，旨在識別六種場景中己方兵力的高效行動。對深度 Q 網絡（DQN）、蒙特卡洛樹搜索（MCTS）和 AlphaStar 人工智能體在不同場景中的表現進行評估后發現，DQN 和 MCTS 能夠識別出更優越的策略，其中 DQN 一直表現出較高的得分，在某些場景中甚至超過了人類玩家。AlphaStar 顯示出的結果較少，但提供了如何改變它以在未來取得更好結果的見解。這些發現強調了人工智能作為海軍作戰決策輔助工具的潛力，有助于增強美國海軍的決策能力。建議今后開展研究，進一步挖掘這一潛力。

對手的聲學傳感器會給試圖在不被發現的情況下行動的美國海軍潛艇帶來問題。解決這一威脅的潛在方法之一是使用主動噪聲消除來掩蓋潛艇噪聲。本論文通過數值求解偏微分方程約束優化問題，計算信號在模擬的二維海洋環境中傳播時，給定源信號的掩蔽信號，從而研究這一想法的可行性。我們研究了信號源的位置和類型對消除強度的影響。特別是，我們表明，只要知道聲源的位置和聲譜，就有可能有效地消除特定區域內聲源發出的聲音，例如聲學傳感器附近的區域。

本論文旨在利用深度學習技術提高從二維目標圖像中估計目標姿態的能力。為此，我們采用了一種名為高分辨率網絡（High-Resolution Net）的尖端卷積神經網絡來訓練關鍵點檢測模型并評估其性能。實驗使用了兩個不同的數據集，包括 600,000 張合成圖像和 77,077 張高能激光束控制研究試驗臺（HBCRT）圖像。這些圖像來自六種不同的無人駕駛飛行器，用于訓練和評估目的，高分辨率網在 80% 的圖像上進行訓練，在其余 20% 的圖像上進行測試。運行高分辨率網絡時使用了 MMPose 框架，這是一個 Python 庫，其中包含多種卷積神經網絡選項。研究結果表明，High-Resolution Net 在姿勢估計方面表現良好，但由于目標形狀的對稱性，在左右反轉方面仍存在明顯差距。這項研究為今后利用高分辨率網絡進行目標姿態估計研究奠定了基礎。進一步的研究將集中式提高圖書館中左右分辨的準確性，以增強這些成果。

本論文分為五章。第一章是引言，介紹了本課題的概況及其相關性，以及如何進行實驗。第二章是文獻綜述，通過相關的學術和行業資料更詳細地介紹了這一研究領域。第三章是問題的提出和方法，介紹了將要解決的問題和解決問題的方法。第四章是模擬結果和深度學習性能評估，對結果進行評估，看是否取得了有意義的進展。第五章是結論，從更廣闊的視角看待結果，并討論未來工作的可能性。

最近，機器學習和人工智能的快速發展為改進美國防部（DOD）兵棋推演創造了越來越多的機會。本研究旨在利用現代框架、算法和云硬件來提高美國防部的兵棋推演能力，具體重點是縮短訓練時間、提高部署靈活性，并展示經過訓練的神經網絡如何為推薦行動提供一定程度的確定性。這項工作利用開源并行化框架來訓練神經網絡并將其部署到 Azure 云平臺。為了衡量訓練有素的網絡選擇行動的確定性，采用了貝葉斯變異推理技術。應用開源框架后，訓練時間縮短了十倍以上，而性能卻沒有任何下降。此外，將訓練好的模型部署到 Azure 云平臺可有效緩解基礎設施的限制，貝葉斯方法也成功提供了訓練模型確定性的衡量標準。美國防部可以利用機器學習和云計算方面的這些進步，大大加強未來的兵棋推演工作。

圖 4.1. 未來兵棋推演開發者與用戶在云和本地實例中的關系

人工智能（AI）在過去幾十年中取得了顯著進步。最近在深度學習和強化學習（RL）方面取得的進步使人工智能模型在各種視頻游戲中的表現超過了人類。隨著美國國防部（DOD）繼續投資開發用于兵棋推演和戰爭規劃應用的人工智能模型，許多方面都有了改進。

本研究調查了現代機器學習（ML）技術的應用，以提高兵棋推演的功效。這項研究表明，即使在沒有圖形處理器（GPU）的情況下，并行化也能大幅縮短 RL 問題的訓練時間，而且對平均得分的影響微乎其微。這一發現強調了并行處理框架對未來 RL 訓練工作的重要性。本研究利用 Ray 框架來協調 RL 訓練的并行化，并評估了兩種算法：近端策略優化（PPO）和重要性加權行為者學習者架構（IMPALA），包括使用和不使用 GPU 加速的情況。這項研究成功地表明，在保持總體平均性能的同時，訓練時間可以減少一到兩個數量級。

本研究的第二部分探討了將本地訓練的模型與本地環境解耦的實用方法，展示了將這些模型部署到云環境的可行性。采用的模型是利用開源框架開發的，并部署在微軟 Azure 云平臺上。這項研究成功地將訓練有素的 RL 模型部署到云環境中，并集成到本地訓練和評估中。

最后，本論文證明了貝葉斯技術可以集成到 RL 模型中，從而有可能提高人機協作的價值。這是通過將貝葉斯方法納入模型架構，并在運行時利用這些實施層的獨特屬性來實現的。這項研究取得了成功，并展示了如何將人工智能移動選擇的確定性措施合成并呈現給人類。

總之，這項研究強調了并行化的重要性，為基于云環境的訓練模型提供了概念驗證，并證明了將貝葉斯方法納入人工智能模型以改善人機協作的可行性，從而為推進 ML 和兵棋推演技術做出了貢獻。

本文提出了一個海軍作戰管理系統（CMS）架構，考慮到電子戰（EW）與人工智能（AI），以應對現代高超音速和低觀測能力的威脅，其中反應時間可能很短，需要自動化。它使用一個反制措施案例研究作為數據要求，拍賣傳感器任務，人工智能過程，以及認知復合感應的數據融合。該文件還強調了已經公布的關鍵認知電子戰能力，以證明該架構的合理性。該架構的方向是用高反應時間的自動化人工智能驅動的認知DM來取代人類決策者（DM）。

引言

當把人工智能（AI）應用于電子戰（EW）時，它不僅要幫助決策者（DM）進行態勢感知（SA），還要滿足點、區域和區域防御以及反目標活動的需要。電磁波譜是密集的，有許多通信和雷達發射器。因此，挑戰在于如何將人工智能應用于能夠滿足管理部門需求的EW系統。因此，它必須能夠整理出感興趣的信號（SoI）[1]，如部隊的信號和與指定任務無關的信號。這項工作的基礎是 "常規戰爭 "中的反導彈反應，以便與傳統的交戰進行更直接的比較。影響反艦導彈（ASM）成功的一些主要因素是雷達橫截面（RCS）、紅外橫截面（IRCS）、視覺和紫外線（UV）特征。因此，目標艦的特征是決定被動軟殺傷[2]反措施（也叫伎倆）性能的一個基本因素。然而，反坦克導彈也可以使用主動雷達尋的方式進行瞄準和跟蹤。因此，射頻（RF）和微波（MW）的截面特征是重要的，同時還有光輻射量子（或光子）、方位角和機動中的方位率，以及它們的戰術影響。因此，現代操作環境在處理電磁波譜方面存在挑戰，人工智能的自動化和自主性是解決這一挑戰的理想選擇。

A. 動機、方法和限制

本文描述了一個架構，其中包括用糠和干擾器進行軟殺傷；用導彈、火炮和火控系統進行硬殺傷；以及一個跟蹤目標并協調軟殺傷和硬殺傷反應的指揮和控制系統。本文僅限于假設反坦克導彈是使用射頻主動雷達尋的目標和跟蹤的海上滑行。因此，這項工作的中心是簽名管理、大型目標船的規避動作、船上被動型誘餌系統（如金屬箔片和反射器）的操作性能，涉及反坦克導彈的跟蹤方案和交戰環境，包括風速和風向。擊敗導彈威脅的一個基本因素是反應時間；隨著高超音速的出現，時間因素成為反應殺傷鏈的決定性因素。潛在導彈平臺的識別標準是最基本的；它們將允許更精確的SA，迅速讓DM消除發射平臺。鑒于反導鏈反應的時間很短，人的頭腦無法計算巨大的信息量，并在短時間內決定反應的類型，要么是硬殺傷，要么是軟殺傷，要么是兩者兼而有之；那么人工智能就成為反導系統中的基礎[3] [4]。因此，人類的DM理論不能用于遙遠的未來，因為它要求對形勢的分析速度、識別能力、對威脅的立即反應，以及在人類思維的指揮鏈中進行計算和決定，因此不能提供所需的反應時間。本文的最后部分介紹了幫助平臺保護速度的架構，朝著定義CMS中的設備連接方向發展，同時還介紹了一些已經發表的關鍵技術。

B. 論文的結構

第1節是介紹、動機、方法和論文結構。第2節提供了一個常規條令性例子戰術和反擊方法，用于在架構中需要支持的硬殺和軟殺。同時，在第2節中，還介紹了軟殺傷反擊方法的主動、被動和綜合方法。此外，第3節是一個使用飛毛腿和機動性的交戰例子，展示了所需的關鍵數據。第4節介紹了所提出的AI/EW技術的架構。最后，第5節是結論。

AI/EW技術的架構

人工智能應用于電子戰時，不僅要保證DM（決策者）的SA（態勢感知），而且還必須滿足點和區防御以及反目標活動的需要。電磁波譜因無線電和雷達發射器而加劇，一個挑戰是將人工智能應用于能夠滿足DM需求的EW系統，因此它必須能夠分出感興趣的信號，例如其海軍部隊的信號。另外，哪些信號對指定的任務沒有影響。

一個陸軍師的基本 "有機 "通信和電子設備，在一個典型的70公里乘45公里的地區作戰，是超過10,700個單獨的發射器。一個支持性的空中遠征部隊（AEF）會帶來另外1400個，而一個典型的海軍航母戰斗群會帶來另外2400個發射器[20]。比如說： 在沙漠盾牌/沙漠風暴中，六個陸軍師和一個海軍陸戰隊師都占據了相同的地理和電磁波譜空間，還有許多其他聯軍和指揮控制網絡[21]。鑒于這種信息密度，認知型EW也必須與人工智能概念和認知循環階段的相關挑戰相一致。

A. EW活動和AI對應的術語

為幫助EW和AI的受眾，我們提供了一個AI和EW術語的表格，在表1中，這些術語有一些對應關系。

表1 等效AI和EW術語

B. EW核心概念

電子戰被正式定義為三個部分：

• ES（電子支持）：了解誰在使用頻譜，出于什么目的。使用寬窄帶探測和攔截過程，它定位、識別、辨認、轉錄、分析可能的意圖，并評估致命性、敵對性和忠誠度。現代形式包括多層次的情報產品，如網絡電磁活動（CEMA），從地理到人物網絡。
• EA（電子攻擊）：利用頻譜，以EW效應爭奪該頻譜對自己的優勢。
• EP（電子保護）：是為保護和抵制干擾等攻擊而采取的行動。反干擾也可能包括抵抗ES、EA和CEMA產品的措施。

C. 查找、定位、追蹤、瞄準、攻擊、評估

在圖10中，Haigh和Andrusenko[15]提出了一個EW和AI的組合架構，它跨越了殺傷鏈階段，將AI的特征和分類輸入一個融合引擎，以建立一個意圖，這個意圖是由因果關系和異常檢測階段推斷出來的。

圖10 與EW功能相關的EW和AI能力[15]。

Haigh和Andrusenko的論文與EA之前的ES的數據融合觀點一致，同時保持EP。因此，人工智能方法被應用于特定發射器的分析、特征描述和分類，作為數據融合之前的模式匹配工作。然后，這些方法被用于異常檢測和因果關系搜索，以實現意圖識別。這是一個信息漏斗，在EA/EP方面，這些方法更多的是優化適應性，而不是智能，這貫穿于整個殺傷鏈，并應用于任務管理的決策援助和與電子戰令（EOB）和網絡管理有關的人為因素。不難看出，AI態勢評估、DM和機器學習（ML）能力與所有EW功能相關。每個認知型EW系統的第一步是電子支持（ES），以了解射頻頻譜。在人工智能界被稱為情況評估，ES確定誰在使用頻譜，他們在哪里和何時使用，以及是否有可以 "利用 "的模式。AI/ML技術可以使用特征估計、發射器特征和分類、數據融合、異常檢測和意圖識別。圖11顯示了任務前準備和任務后分析與任務中需求的重疊。

圖11 任務中、任務前和任務后的重疊部分

ES對環境進行分析，并創造出驅動決策者（DM）的觀測數據。日益復雜的情況將頻譜態勢感知（SSA）定義為 "收集有關頻譜使用的不同信息并處理這些信息以產生一個融合的頻譜圖"[15]。SSA收集、組織和處理EW所需的頻譜數據。SSA必須以近實時（NRT）的方式進行，以滿足任務中的決策者的需要，SSA必須結合各種支持技術，包括傳統的和認知的。然而，一個挑戰在于相關技術的整合和展示，其中只有少數是認知的，以減少脆性和處理新的發射器。人工智能和ML能力可以在每個層面上改善SSA，這是在其他相關SSA技術背景下對這些AI/ML技術的看法。一個完整的EW系統必須有多層面的SSA。未來的SSA系統可以用深度學習模型來生成潛在的特征，用經典的ML模型來進行任務中的更新，以及用混合模型來抵消有限的數據。此外，SSA不一定要完全依賴射頻數據： 它可以與非射頻數據融合，如視頻和靜態圖像、自由空間光學、或開源、戰術或作戰情報。跨越多個異質來源的分布式數據融合必須創建一個在空間、時間和頻率上都準確的連貫的戰地頻譜共同作戰圖。異常檢測、因果推理和意圖推理使作戰圖更加完整，以了解事件的影響并支持管理部門。

D. 影響范圍

Rudd-Orthner等人[14]用圖12中的 "影響范圍 "概念[18]擴展了這一概念，并增加了一個 "保護洋蔥 "框架，以根據數據需要選擇對策。

圖12 影響范圍

他們指出，威脅武器系統有變得更加復雜的趨勢，這種復雜性的增加至少可以部分歸因于：戰術的演變、技術發展的速度和數字化的現代化，但也有一種趨勢，即隨著人類決策和反應時間的減少，威脅的作用也在擴大；隨著自主系統的效力和使用的增加，這種情況也許更加明顯。自主系統的崛起在所有領域都在發展： 陸地、空中、海上、太空和網絡。自主系統的規模各不相同，從無人值守的槍支系統到自主空中平臺。這些自主平臺運作的作用也在不斷擴大，因此在打擊它們時，可能需要在綜合防御輔助系統中匹配復雜性，作為打擊復雜威脅系統的戰略。這些復雜平臺的作用和能力的增加，可能導致單一平臺的作用不大，并為其他平臺提供 "保護投射 "的要求。與此相結合，利益相關者群體也更加多樣化，科學家/工程師、機組人員和任務生產程序員之間的溝通機制也是挑戰，這樣他們都可能做出有意義的貢獻，并與他們的利益相關者群體的價值互補，正如Rudd-Orthner等人所說。

E. 拒止、降級、擾亂、欺騙、毀壞

圖12中的維恩圖顯示了數據可用性的 "影響范圍"：保護平臺/部隊、威脅或武器系統和防御限制與反措施設計考慮相疊加。Rudd-Orthner等人指出，這些不同的反措施考慮加上不同的可用數據，可能對反措施戰術設計形成影響范圍。

F. 保護洋蔥的映射

Rudd-Orthner等人在[14]和[19]中應用了多視角威脅分析圖解技術，該技術基于判別器、操作視角、系統視角以及對策設計考慮和影響范圍的維恩圖，適用于保護的洋蔥。他們在維恩圖中描述了反措施的設計考慮，將反措施的設計意圖描繪成一種規范，而不是ECM干擾器技術設施。在這種情況下，反措施設計考慮表示戰術的反意圖。論文[14]和[19]還建立了一個保護洋蔥的概念，利用反措施設計的影響因素和組織成洋蔥層的數據源，將揭示的數據分層管理。其中這些層級建議的對策方法也是與該威脅殺傷鏈階段的威脅意圖直接相反的，使得它也是一個測量的反應和保護數據模型在所揭示的數據。表2顯示的是保護洋蔥的層級（第1層是最外層）和反措施設計考慮，影響范圍與威脅系統的殺傷鏈意圖的映射。表2提供了保護洋蔥的六個層次。

表2 保護洋蔥

洋蔥層/影響范圍/CM設計考慮因素	注釋
第1層發現/受保護的平臺/減少的可探測性	對抗早期預警、空中搜索或地面控制攔截雷達的探測或行為，使被保護平臺脫穎而出。該戰術針對的是殺傷鏈的意圖，并不顯眼，是利用對自身平臺數據的了解。
第2層定位/受保護的平臺/降低可探測性 誘餌和欺騙	具有欺騙性和誘騙性的反目標獲取或高度查找雷達可用于降低信息或反擊某個范圍或高度。
第三層識別/保護平臺 武器系統/降低可探測性 誘餌和欺騙 分散注意力 拒絕破壞	用旨在造成混亂的措施來對抗識別，以延遲對你的分類或身份的評估，識別可以基于行為或使用特殊雷達模式，如NCI。
第4層跟蹤/保護平臺武器系統/降低可探測性 誘餌和欺騙性分散注意力	用干擾、分散注意力和拒絕的方式來對抗威脅，可以是目標獲取雷達或更高數據率的搜索模式，如窄掃描軌道，同時掃描模式。
第5層 交戰/防御限制 武器系統保護平臺/降低可探測性 誘餌和欺騙 分散注意力 拒絕 破壞 破壞	使用所有可用的能力擊敗威脅，硬殺和軟殺取決于ROE，是傳統的平臺自我保護。可以使用破鎖和信號處理以及跟蹤目標的戰術。
第6層 處置和效應/防御性限制 武器系統保護平臺/減少可探測性 誘餌和欺騙 分散注意力 拒絕 破壞 毀滅	使用所有可用的軟硬殺傷能力擊敗威脅，是傳統的平臺自我保護。可能使用破鎖和信號與跟蹤處理的目標戰術，并可能同時采用針對尋的器和雷達的技術。

G. 認知電子戰系統

認知型電子戰系統的設計必須提供態勢感知、決策和學習能力。一般來說，系統要求推動了一系列關于哪些問題和它可能需要回答的問題的決定。決策可能是反復的，要么是集中的，要么是隨部隊效應范圍分布的。他們將一個問題表示為規格，并受制于AI代理的拍賣。就我們如何定義和調整優化函數而言，利用領域的物理學與參與的進展可能會減少狀態和交易空間。問題來自于像干擾這樣的設計結果所需的緊迫性和缺失的數據。因此，選擇對策和感覺的C4L參數、'while'或'if'條款都是數據要求，可能形成問題對話鏈或問題樹，在殺傷鏈的不同處置路線中需要。因此，這些對話鏈或問題樹就像專家系統的規則庫格式。因此，所需的數據就以拍賣的方式給投標的傳感器。這樣一來，邏輯路線總是有目的性的結果，而DM和傳感器的使用也是如此。另外，隨機森林[22]可以減少熵，增加信息增益。

雖然具有高度的適應性，但先進的雷達和軟件定義無線電（SDR）架構通常依賴于定制的API，單獨暴露每個參數。這種方法不適合EW系統中的近實時認知控制，因為緊密的耦合意味著人工智能不能做出全局性的決定。組成模塊必須是高度模塊化和可組合的，以消除這一障礙。通用接口允許模塊暴露其參數和依賴關系，從而實現全局優化和跨多個處理器的計算負載平衡。通常，由RESM（雷達電子支持措施）攔截的發射物是通過發射物數據庫識別的。發射者被識別出來，并在本地認可的海上圖像（LRMP）中得到體現。當通過數據庫確認為一種威脅時，它可以接受DM的詢問和拍賣：

• RECM C4L反措施規范可能需要威脅、獲取類型、速度、仰視距離和威脅的各種電子反措施（ECCMs）邏輯；
• DLS（誘餌發射系統）可能需要C4L數據并計算出發射角度和時間；
• CMS可能會要求C4L說明采取的最佳路線（避免武器系統的盲弧）。

為此，我們需要一個中間代理，提供一個模塊化的結構組件，允許不同的技術提供不同的服務，并確保信息/控制的一致流動，與John Boyd的OODA循環[23]一致，但適用于數據處理和DM。

圖13 模塊化架構

軟件架構的一個例子是ADROIT。自適應動態無線電開源智能團隊（ADROIT）：用中間代理認知控制SDR節點之間的協作。ADROIT項目正在建立一個開源的軟件定義的數據無線電，旨在由認知應用程序控制。模塊暴露了它的參數和它們的屬性（特別是讀/寫）。當一個模塊發生變化時（例如，增加一個新的參數），它只需揭示新的參數，并在一個發布-訂閱機制中公開參數（名稱、屬性），而不是為該新參數增加一個新的API函數；這也可以擴展為一個組播目的地，給后來仍需要定義的模塊。ADROIT用圖14所示的模塊實例化了中間代理。

圖14 ADROIT體系結構支持認知代理

處理不同的或變化的傳感器的一種可擴展的方式是，如果所有的設備可以減少不確定性或提供額外的數據來回答一個殺戮鏈階段的問題，就將它們定義為傳感器。因此，這些傳感器可以成為拍賣算法的參與者，以其回答問題的能力來競標。在不同的操作環境下，拍賣算法中的分數可以改變，因此，不同的傳感器選擇提供較低的可觀察性或與當前的ROE、受限的EMCON或當前的傳感器利用相一致。通過這種方式，形成了一個問答循環，完善了對情況的理解，同時在提問的基礎上做出增量決定，并使環境情況有利于他們的部隊使用保護洋蔥的一個版本。此外，同樣的拍賣優化可以與反措施一起執行，其概念是，如果一切都能影響當地的殺戮鏈決策或導致結論或問題發生在受害者身上，那么它就是一個影響者。由此可見，C4L提供了一種以標準形式指定反措施行動和傳感規格的方法；這些規格可以一起拍賣，以便在一個可適應的模型中獲得最佳效果和傳感，然后該模型將優化殺戮鏈的進展，為跟蹤的對手的殺戮鏈進展提供優勢。在圖15中，本文展示了EW系統如何在拍賣優化的基礎上與具有認知DM的作戰管理系統（CMS）集成。威脅的檢測/識別/鑒定/分類被轉移到不同的數據庫中，但這些過程和數據庫的不確定性導致了傳感器的重新任務。這些都是拍賣，根據傳感器解決情況的不確定性的能力來分配任務，并根據緊急程度來確定優先次序；這使用了從保護的角度預測威脅的殺傷鏈意圖。這些過程越可靠，立即識別和反應的概率就越高。為了進一步提高這一結果，管理部門必須考慮機器學習中的其他參數，以適應當地環境的傳感任務和對策效果的拍賣。

圖15 數據布局EWS與CMS集成

有些參數可能不為人所知，也可能沒有方法或傳感器來提供這些參數；因此，Rudd-Orthner等人[24]的專家系統的神經網絡形式作為數據庫的疊加，在這些情況下提供一個估計值。它還可以提供一個由貝葉斯網絡進一步引導的值，該網絡可以將從環境中收集的傳感器事實與來自其規則的知識結合起來，使其不容易被收集的事實所欺騙。此外，在圖16中，也是在人工智能的背景下，所提出的架構將EW系統與CMS結合起來。它通過一個反饋回路支持 "態勢感知"，根據威脅殺傷鏈的位置重新安排傳感器的任務，以快速解決識別和確認的不確定性，更新跟蹤的準確性，并為CMS和EW系統資源提供戰術清單作為選擇。

圖16 ID標準交互模型

在圖16中，DM能力因此積極主動地利用感知能力直接處置威脅，并為反制措施/部署制定了時間表。這些反措施/部署應按照RuddOrthner等人的保護理念，利用推斷出的威脅的殺傷鏈位置階段，直接對抗威脅的意圖。因此，傳感要求可以在拍賣算法中與可供選擇的策略/反措施交錯安排。同樣，在威脅分析和處置的關鍵時刻，一些所需信息可能無法在DM中獲得，但可以使用RuddOrthner論文中提出的神經符號-AI專家系統方法的代數專家系統部分進行估計。可控的可觀察數據可能來自人工智能環境中的數學或認知學習發展過程。我們可以認為這些有助于識別目標的元素是可觀察的，這些元素在DM中是可控的。

圖17 CMS和EW CM系統中的威脅數據路徑

在圖17中，本文展示了一個威脅發射器從EW系統進入CMS部分的順序。從EW系統的庫或數據庫中識別截獲的發射器；該數據庫包含物理雷達特征： PRI、頻率、PW、振幅、掃描類型、掃描周期平臺等級和威脅名稱；采集類型的特征，ECCM，如原點干擾（HOJ）Chaffs辨別，紅外，雙導射頻和紅外。如果發射物未被識別為威脅，則在本地識別的海上圖像中直接代表發行者。如果被確認為威脅，它將遵循不同的路徑，如前所述。導彈的獲取和ECCM的類型在反應鏈中具有巨大的價值。如果它有HOJ能力，最好是通過C4L中捕獲的特定計算直接干預硬殺傷和誘餌發射；該選定的C4L規格是由保護的洋蔥頭選擇的，它與頻譜中的感應計劃一起安排。該規格將誘餌定位在C4L所確定的與發射船的一定距離和特定的β值。除了在CMS上表示威脅的到達方向外，EW系統還將C4L搜索數據和傳感規范發送到多功能雷達（MFR）和火控雷達（FCR）作為即時硬殺傷系統。本文在圖18中畫出了由人工智能支持的戰斗管理系統（CMS）的架構基礎。在標準環境塊中，還有四個相互關聯的組件：

1.傳感器管理，提供設備監視器（資源管理器）的管理，傳感器信息的收集和軌道管理；在這個塊中，所有的相關數據都匯聚到機載傳感器，如雷達、聲納、ESM雷達、通信ESM、導航輔助設備和氣象數據。在這個架構中，一個傳感器的任務和它的優先權來自于它的成熟度和殺傷鏈。在這方面，關于Rudd-Orthner等人，威脅意圖的成熟度被評估為使用保護洋蔥的反意圖對策，并嵌入到Haigh和Andrusenko的殺傷鏈階段，其中的整合是通過ADROIT架構的發布和訂閱機制，這允許快速和靈活的整合和擴展。

2.在架構的第二塊，有信息管理，其中本地軌道與來自鏈接網絡的軌道相關聯，根據識別標準識別目標的追蹤，管理技術決策輔助工具和信息，共享共同的操作畫面，該畫面中的不確定性和異常情況引起了傳感器的任務。

3.第三塊代表戰斗管理，它提供了對威脅的評估計劃和武器優先權的分配--演習的計算和艦隊內與戰斗有關的信息交流。

4.最后一個區塊是資產管理，使用C4L規范和序列，允許艦艇同時協調幾個進攻和確定的目標。

圖18 AI應用于CMS結構

在DM處理環境之外，人工智能也同樣適用于智能處理環境，類似的技術疊加數據庫和ML提取，走向專家系統規則捕獲[25]。在人工智能輔助的CMS中，數據流入信息管理數據融合，使計算機系統在沒有明確編程的情況下利用歷史數據進行預測或做出一些決定。機器學習使用從IMDF（信息管理數據融合）獲得的大量結構化和半結構化的數據，這樣機器學習模型就能產生準確的結果，或根據這些數據提供預測。

神經網絡（NNs）很容易受到對抗性樣本的影響，大量的研究旨在對其檢測。然而，檢測對抗性樣本并不容易，即使在網絡中構建了新的損失函數。在這項研究中，我們引入了對抗性混合（AdvMix）網絡，這是一個在現有類別基礎上增加一個非上述（NOTA）類別的神經網絡，以隔離存在對抗性樣本的空間。我們研究了AdvMix在提高在深度神經網絡上訓練的模型的魯棒性方面的有效性，通過檢測它們來對抗對抗性攻擊。我們實驗了各種數據增強技術，并訓練了九個不同的模型。我們的研究結果表明，使用AdvMix網絡可以顯著提高模型對抗各種攻擊的性能，同時在良性樣本上取得更好的準確性。我們能夠將香草模型的準確性從91%提高到95%，并提高模型的魯棒性。在許多情況下，我們能夠消除模型對一些流行和有效的攻擊的脆弱性。

合成孔徑雷達（SAR）圖像中基于人類的目標檢測是復雜的、技術性的、費力的、緩慢的，但時間很關鍵，是機器學習（ML）的完美應用。訓練一個用于目標檢測的ML網絡需要非常大的圖像數據集，這些數據集中嵌入了準確和精確標記的目標。不幸的是，不存在這樣的SAR數據集。因此，本文提出一種方法，通過結合兩個現有的數據集來合成寬視場（FOV）SAR圖像： SAMPLE，由真實和合成的單物體芯片組成，以及MSTAR雜波，由真實的寬視場SAR圖像組成。合成目標使用基于閾值的分割從SAMPLE中提取，然后再與MSTAR雜波中的斑塊進行α-混合。為了驗證新的合成方法，使用一個簡單的卷積神經網絡（CNN）創建了單個物體芯片并進行了分類；針對測量的SAMPLE子集進行測試。還開發了一種新穎的技術來研究深層的訓練活動。擬議的數據增強技術使測量的SAR圖像分類的準確性增加了17%。這一改進表明，來自分割和混合的任何殘余偽影都不會對ML產生負面影響，這對于未來在廣域SAR合成中的使用是很有希望的。

"在MSTAR數據收集期間拍攝的M1的EO圖像（a，c）和同一車輛的真實CAD模型（b，d）從兩個角度進行了比較。請注意，即使是小的細節，如火炮的位置、艙門和車輛側面的電纜，在兩張圖像之間也很一致。提供CAD模型的顏色是為了識別零件組裝，并不表示任何影響電磁模擬的具體屬性" [10]。

"SAMPLE數據集中每個飛行器的一個圖像的例子。測量的MSTAR圖像在最上面一行，相應的合成圖像在最下面一行....，我們看到諸如陰影、方向和相對回波幅度等細節都很一致"[10]。

使用空間分布的多個雷達節點，在不受約束的運動方向上研究了連續人類活動的識別，在使用單個節點時，活動可能發生在不利的角度或被遮擋的視角。此外，這種網絡不僅有利于實現上述目標，而且也有利于可能需要不止一個傳感器的更大的受控監視區域。具體來說，當目標位于長距離和不同角度時，分布式網絡可以在節點之間顯示出顯著的特征差異。雷達數據可以用不同的域來表示，其中人類活動識別（HAR）的一個廣為人知的域是微多普勒頻譜圖。然而，其他域可能更適合于更好的分類性能，或對計算資源有限的低成本硬件更有優勢，如范圍-時間或范圍-多普勒域。一個開放的問題是如何利用從上述數據域以及從同時觀察監視區域的不同分布式雷達節點中提取信息的多樣性。為此，數據融合技術可以在每個雷達節點的數據表示層面以及網絡中不同節點之間使用。將利用所介紹的決策融合方法（通常在每個節點上操作一個分類器）或特征融合方法（在使用一個單一的分類器之前對數據進行串聯），研究它們在連續序列分類中的性能，這是一種更加自然和現實的人類運動分類方式，同時也考慮到數據集中固有的不平衡。

圖 1：所提出方法的示意圖：從各個雷達節點提取的數據域被組合（“數據域融合”）。然后應用決策融合或特征融合來組合來自節點的信息。

方法

雷達網絡在適應能力、分類指標和跟蹤性能方面已經顯示出其優勢。這是通過增加整體信息內容來實現的，這要歸功于對場景和感興趣的目標的多視角觀察。然而，網絡中雷達的有效利用依賴于可靠地結合來自不同傳感器的各種信息的能力。最近，具有多個合作雷達的分布式網絡引起了人們的極大興趣，以解決在不利角度記錄的微多普勒(mD spec.)信號、遮擋或僅對少數觀察者節點可見的目標問題[1]-[10]。

在這種情況下，為了提高分類性能，找到融合網絡中多個雷達節點信息的最佳技術，仍然是一個突出的研究問題。這對于連續人類活動序列的分類特別重要。相對于更傳統的對單獨記錄的人工分離活動的分類，這些活動在文獻中被越來越多地研究，因為它們更加真實和自然[11]-[13]。

本文研究了應用于來自節點網絡的融合數據的機器學習分類器，重點是特征融合（"早期融合"）和決策融合（"后期融合"）方法，這些方法在一個公開的數據集上得到了驗證[14]。在這種情況下，大多數研究工作主要集中在微多普勒（mD）頻譜圖上，作為感興趣的數據格式，而這項工作還利用了以下領域，即范圍多普勒（RD）、傅里葉同步擠壓變換（FSST）頻譜和范圍時間（RT）圖。本文將這些數據域的信息融合與整個網絡的雷達節點融合聯合起來進行研究。應該指出的是，這種跨越不同數據格式和網絡中不同雷達節點的高效和有效的數據融合問題不僅與人類活動分類有關，而且在任何可以使用來自分布式雷達節點的信息的監視和態勢感知問題上也是如此。

在方法上，首先通過利用基于奇異值分解（SVD）的一維主成分分析（PCA）來提取上述每個數據域的信息，這是一個簡單而有效的工具，用于提取圖像的特征進行分類。Fioranelli等人[3]舉例說明了使用SVD相關的特征來分析具有不同角度軌跡的人類多態行走場景。他們提出，SVD可以用來從mD頻譜圖中提取最相關的特征，方法是使用有限數量的左側奇異向量，這些奇異向量與最高奇異值有關。在[3]中證明，在使用極少的甚至只是單一的最高相關奇異值的情況下，可以達到90%以上的分類結果，最好是96%的最佳角度軌跡。

然后，在這項工作中，還研究了基于矩陣eigendecomposition的二維主成分分析（2D PCA），它被證明能帶來更好的準確性和減少計算時間。對于這兩種特征提取方法，采用了四種機器學習分類器，即決策樹（DT）分類器、k-近鄰（KNN）分類器、天真貝葉斯（NB）分類器和支持向量機（SVM），以評估上述融合方法，圖1為示意圖。

本文的其余部分組織如下。第2.0節顯示了包括數據處理參數在內的數據域。第3.0節提供了特征融合和機器學習方法。第4節介紹了實驗結果，第5節給出了最后的評論。