AI kan være bedre til at detektere radarsignaler, lette frekvensdeling

Når feriegæster køber en andel i en timeshare ved stranden, de beslutter på forhånd, hvem der skal bruge ejendommen hvornår. National Institute of Standards and Technology (NIST) hjælper Federal Communications Commission (FCC) med at etablere en lignende plan for, når kommercielle trådløse udbydere og den amerikanske flåde forsøger at dele en ønskværdig 150 megahertz (MHz) bred del af radiofrekvensen (RF) spektrum til kommunikation.

I et nyt blad, NIST -forskere demonstrerer, at deep learning -algoritmer - en form for kunstig intelligens - er betydeligt bedre end en almindeligt anvendt, mindre sofistikeret metode til at detektere, hvornår offshore-radarer er i drift. Forbedret radardetektion ville gøre det muligt for kommercielle brugere at vide, hvornår de skal levere det såkaldte 3,5 Gigahertz (3,5 GHz) bånd.

I 2015 FCC vedtog regler for Citizens Broadband Radio Service (CBRS) for at tillade kommercielle leverandører af trådløst LTE (langsigtet udvikling) og tjenesteudbydere at bruge 3,5 GHz-båndet, når det ikke er nødvendigt til radaroperationer.

Virksomheder som AT&T, Google, Nokia, Qualcomm, Sony og Verizon har været ivrige efter at få adgang til dette bånd (mellem 3550 og 3700 MHz), fordi det vil udvide produktmarkederne og give slutbrugere bedre dækning og højere datahastigheder i en række miljøer, hvor servicen traditionelt er svag.

NIST hjalp med at udvikle 10 standardspecifikationer, der gør det muligt for tjenesteudbydere og andre potentielle brugere at operere i 3,5 GHz -båndet i henhold til FCC -reglerne, samtidig med at det sikrede flåden, at bandet med succes kan deles uden RF -interferens. Disse standardspecifikationer, herunder algoritmen til beskyttelse af militære etablerede brugere, blev godkendt i februar 2018 af Wireless Innovation Forum Spectrum Sharing Committee (WINNF SSC), det offentlig-private standardiseringsorgan for CBRS. Imidlertid, der er i øjeblikket ingen officielle standarder for at bestemme, hvornår militæret bruger bandet. Den nye undersøgelse, rapporteret i tidsskriftet IEEE Transactions on Cognitive Communications and Networking, repræsenterer den seneste NIST-forskningsindsats for at nå dette mål.

I den nuværende praksis, radarsignaler fra skibe til søs identificeres ved hjælp af automatiserede detektorer, der ser efter energistigninger i det elektromagnetiske spektrum. "Imidlertid, " sagde Michael Souryal, leder for NIST spektrum deling støtte projekt, "disse energidetektorer er ikke diskriminerende nok til konsekvent at få det rigtigt, nogle gange forveksler andre RF-signaler som radar eller mangler helt radarsignaturerne."

Souryal og hans kolleger henvendte sig til kunstig intelligens (AI) for at få en potentiel løsning. Otte deep learning-algoritmer - softwaresystemer, der lærer af allerede eksisterende data - blev trænet til at genkende offshore-radarsignaler fra en samling af næsten 15, 000 60 sekunder lange spektrogrammer (visuelle repræsentationer af radarsignalerne over tid). Disse spektrogrammer blev optaget i 2016 nær flådebaser i San Diego, Californien, og Virginia Beach, Virginia, for National Advanced Spectrum and Communications Test Network (NASCTN).

Efter træning, Deep learning-algoritmerne blev sat op mod energidetektorer for at se, hvilke der klarede sig bedst til at identificere og klassificere et sæt spektrogrammer, der var anderledes end dem, der blev brugt til at uddanne AI-detektorerne.

"Vi fandt ud af, at tre af de dybe læringsalgoritmer klarede sig væsentligt bedre end energidetektorerne, " sagde Souryal.

Den bedste deep learning -algoritme og spektrogramsamlingen blev brugt til at udvikle 3,5 GHz bånd "belægningsstatistik, "-datasæt, der beskriver, hvornår båndet er tilgængeligt, og hvor længe.

Nu hvor NIST -forskerne har valideret brugen af ​​deep learning -algoritmerne, de planlægger at fortsætte med at forfine AI-detektorerne ved at træne dem med højere opløsning, mere detaljerede radardata, som de mener skal føre til endnu bedre præstationer.