MA-GAN: Как обучение без учителя меняет радиоэлектронную борьбу без знания сигналов

Электромагнитный спектр стал переполненной и оспариваемой средой. Средства радиоэлектронной борьбы вышли за рамки простого генерирования шума. Теперь для эффективного подавления сигналов требуется сложная аналитика. Новая архитектура MA-GAN предлагает элегантное решение этой задачи. Она создает высокоточные помеховые сигналы без предварительного знания параметров целей. Этот подход устраняет ключевые недостатки традиционных методов. Особенно востребован он в неконтролируемой среде, где типы модуляции и скорости символов неизвестны или быстро меняются.

Традиционные методы помех часто опираются на обширные данные о целевой линии связи. Подавляющая помеха расходует много энергии, заполняя канал шумом. Обманчивая помеха требует структурного сходства с целевым сигналом. Достичь такого сходства сложно без детального знания параметров. Недавние подходы на базе глубокого обучения пытались автоматизировать генерацию форм сигналов. Условные генеративно-состязательные сети (GAN) показывают потенциал, но страдают от слабой обобщающей способности. Эти модели теряют разнообразие при работе с несколькими типами модуляции. Они также не адаптируются к новым сигналам или изменяющимся скоростям символов. Это ограничивает их практическую пользу в динамичных условиях открытого спектра.

MA-GAN решает эти проблемы, отказываясь от условий, зависящих от меток. В системе используется стратегия маскированного самообучения, вдохновленная методами Masked Autoencoders и SimMIM из компьютерного зрения. Ядро системы представляет собой MWM-кодировщик, обрабатывающий одномерные I/Q временные ряды. Случайно скрывая участки входного сигнала, кодировщик учится восстанавливать пропущенные части с помощью механизмов локального внимания. Этот процесс помогает модели освоить надежные иерархические представления признаков. Эти признаки захватывают как глобальную статистику крупного масштаба, например, спектральные огибающие, так и локальные детали мелкого масштаба, такие как мгновенные структуры созвездий.

На этапе состязательного обучения MA-GAN использует мультимасштабное слияние признаков для управления генератором. Предварительно обученный кодировщик извлекает признаки в четырех различных масштабах из целевого сигнала. Затем эти признаки объединяются и вводятся в генератор вместе со случайным шумом. Это гарантирует, что сгенерированный сигнал помехи соответствует цели по множеству измерений. Многоголовый дискриминатор оценивает достоверность сгенерированного сигнала на каждом масштабе. Это обеспечивает детальную обратную связь для повышения качества. Фреймворк также включает явные ограничения для спектральной согласованности и непрерывности фазы. Эти ограничения предотвращают неестественные разрывы фазы, которые могут выдать сигнал как искусственный перед продвинутыми приемниками.

Экспериментальные результаты демонстрируют, что MA-GAN значительно превосходит существующие методы. Его показатели лучше, чем у WGAN-GP, DC-GAN и TFC-GAN. Метрики, такие как корреляция плотности спектральной мощности и сходство функции автокорреляции, подчеркивают его эффективность. MA-GAN демонстрирует сильные способности к обобщению. Он сохраняет высокую эффективность помех против известных и ранее невиданных типов модуляции. Это верно при различных условиях канала, включая аддитивный белый гауссовский шум, затухание по Рэлею и Риккану. При высоких отношениях помехи к сигналу влияние на битовую ошибку приближается к показателям идеального имитатора сигнала. Эта способность знаменует значительный шаг вперед в адаптивной радиоэлектронной борьбе. Она позволяет осуществлять автономное подавление в реальном времени в сложных непредсказуемых электромагнитных средах.