如今人們的生活中，應(yīng)用射頻的電子設(shè)備無處不見，數(shù)以億計的移動電話，無人機，保安系統(tǒng)，交通燈，以及其他所有依賴射頻的電子設(shè)備組成了一個巨大的且持續(xù)擴張的物聯(lián)網(wǎng)（Internet of Things , IoT），當前AI領(lǐng)域最前沿的技術(shù)就包括機器學習（Machine Learning），將機器學習技術(shù)應(yīng)用到射頻領(lǐng)域中不失為一個好的選擇。
DARPA微系統(tǒng)部門的項目經(jīng)理Paul Tilghman介紹了此次的射頻學習項目（Radio Frequency Machine Learning Systems, RFMLS）：“在我的設(shè)想中，RFMLS系統(tǒng)將會對射頻圖譜以及其不同的結(jié)合方式進行更深度的了解，它可以對系統(tǒng)后臺中的信號進行辨別，可以識別出重要的信號和違規(guī)的信號?！?/span>
由于很多物聯(lián)網(wǎng)中的設(shè)備是量產(chǎn)的，它們所發(fā)出的訊號十分相似。Tilghman想讓該系統(tǒng)能夠識別物聯(lián)網(wǎng)中信號之間細小的差別，同時能識別出那些惡意的訊號。
對于千變?nèi)f化的射頻訊號的態(tài)勢感知并非易事，它一般都需要一個被稱為“頻譜共享”的無線通訊管理范例。此范例通過對射頻譜的共享得來的，并非一個專有的頻率。
Tilghman希望通過技術(shù)手段來了解當前射頻圖譜的狀態(tài)，來進一步的發(fā)展廣泛的射頻共享。這樣就可以大大的增強電磁圖譜中無線通訊的容量（也被稱為“圖譜合作挑戰(zhàn)”）。
目前，AI的核心是由嚴重依賴人類編程和決策的專家系統(tǒng)所組成，它們只適用于諸如棋盤游戲、工業(yè)制造等可預見的、已經(jīng)制定好規(guī)則了的領(lǐng)域內(nèi)。在射頻領(lǐng)域中也有類似的專家系統(tǒng)，比如說很多工程師已經(jīng)用編程的方式來將調(diào)頻的規(guī)則嵌在了系統(tǒng)內(nèi)。當這些系統(tǒng)運行時，它并不是很了解射頻譜內(nèi)的情況。而將機器學習技術(shù)與其結(jié)合了之后該專家系統(tǒng)會擁有更多強大的功能。
通過使用大量射頻信息對系統(tǒng)的訓練，它可以輕易分辨出已知和未知波形的巨大范圍。
RFMLS系統(tǒng)由如下部分組成：
特征學習系統(tǒng)：RFMLS系統(tǒng)會學習射頻數(shù)據(jù)庫中所有的數(shù)據(jù)，并使用學習到的特征來對軍用和民用的信號進行分類和管理。
重點關(guān)注系統(tǒng)：在大量的射頻亂碼中，RFMLS需要可以剔除無用信息并迅速找到重點的算法，就像人們可以在超市琳瑯滿目的商品中迅速找到自己想要的東西一樣。RFMLS系統(tǒng)的研究員們需要自主研發(fā)出所謂“特征偵測”的組件，來迅速識別視覺和聽覺上的重要信息。
自主射頻傳感調(diào)節(jié)系統(tǒng)：DARPA理想中的系統(tǒng)應(yīng)該具有自主調(diào)頻的能力，來以最高的效率應(yīng)對不同的任務(wù)。就好像人類的眼睛可以通過調(diào)節(jié)瞳孔的大小來應(yīng)對亮度不同的環(huán)境一樣。
波形分析系統(tǒng)：RFMLS系統(tǒng)的完全體可以通過系統(tǒng)內(nèi)部的運算來合成所有可能存在的波形，就像人類可以創(chuàng)造出新詞，并可以通過重音的不同來施加不同的情感。如果將此能力與一些射頻發(fā)射設(shè)備相結(jié)合，可以更加有效地辨別出惡意系統(tǒng)。
“如果我們順利的研發(fā)出了這個系統(tǒng)，我們就可以正式地分類并管理當今混亂的射頻譜了。由此，我們就可以研發(fā)出新興的自動化系統(tǒng)，并使依賴于此系統(tǒng)的軍隊領(lǐng)袖來進一步的了解無線網(wǎng)絡(luò)方面的情況”， Tilghman說，“我們希望RFMLS項目會成為AI研究新領(lǐng)域的根基”。
