为解决无线电频谱拥挤日益严重的问题，美国设立新项目检验先进的机器学习技术如何辅助理解拥挤频谱上的所有信号。

在机器学习（ML）技术的推动下，当前人工智能的发展浪潮风靡一时。随着在数字化书写、口语词句、图像、视频流以及其他数字化内容方面的训练，机器学习已成为语音识别、自动驾驶汽车和其他以前仅能想象的能力的基础。据DARPA微系统技术办公室（MTO）项目经理保罗·蒂尔曼说，随着千千万万手机、应用程序、无人机、交通灯、安全系统、环境传感器以及其他无线连接设备加入快速增长的物联网，目前需要将机器学习应用至无形的射频（RF）信号。为应对未来挑战，8月11日，DAPRA宣布设立新项目“射频机器学习系统”（RFMLS），并发布跨部门公告（BAA）。

蒂尔曼说，“我想象中的射频机器学习系统能够看见并理解射频频谱的组成——占据频谱的信号种类、从背景信号中区分出"重要"信号、分别出未遵守规则的信号。”他希望系统能够从几乎相同的、量产的物联网设备中区分出射频信号中细微却不可避免的差别，以分辨意图欺骗或攻击物联网设备的信号。他说，“我们希望能够理解并信任物联网正在发生什么，并建立一种射频鉴别能力以从信号嘈杂聚集的频谱中分辨出独特和特殊的信号。”

类似的态势感知能力涉及在给定空间下射频信号组成不断变化，这应该支持所谓“频谱共享”的无线通信管理模式，这是一种共同使用频谱的模式，而不是由具备特定频率许可的使用者独自分配频谱。蒂尔曼希望开发一种技术，可理解频谱优化和广泛频谱共享的当前状态——能够大幅增强电磁频谱的无线通信容量——这些都是“射频机器学习”项目和DARPA“频谱协作挑战赛”所涵盖的内容。

人工智能第一次和当前正在进行的浪潮包含专家系统，专家系统能够严格地将人类专家和制定决策编码形成可预测的、由规则驱动的域，例如简单的游戏规则、退税服务、工业过程控制。这些专家系统也可用于射频环境，例如，工程师已经能够将无线电的严格规则编成计算机编码，在射频信号受干扰时切换至未被使用的频率，这种方法虽然有效，但这些专家系统对于频谱实际发生什么理解甚少。在人工智能第二次浪潮和机器学习浪潮中，射频应用应该能够运用得更灵活、更多功能：射频机器学习系统将拥有充分、丰富的射频数据训练集，能够在已知和未知的广泛射频波形范围能分辨信号。

“机器学习系统”项目包括四方面的关键技术，将集成至未来的机器学习系统中：

（1）特征学习：从射频信号数据集中，射频机器学习系统需要学习用以在各种各样民用和军用信号中辨认和描述信号的特征。

（2）注意力和特性：正如人可以快速将注意力锁定至所需目标一样——例如在大型超市寻找冰激凌——在每时每刻大量的传感输入中，射频机器学习系统需要算法，将其人工注意力转移至所运行射频频谱上潜在重要的信号。赢得“射频机器学习系统”项目合同的研究人员需要设计一个在射频域内类似于我们所说的“显著性检测”的等价物，它能够使射频机器学习系统辨认、识别重要的视觉和听觉刺激。一个样例，射频机器学习系统 “特性检测”能力必须注意“兴趣信号”，例如在通常用于雷达信号的频段中存在的通信信号则为“兴趣信号”。

（3）射频传感器自主配置：人类的眼睛会自动根据光线强弱的变化调整并移动和聚焦，以保持视网膜最敏感的部位关注动态视觉场景中最重要的部分。DARPA设想的射频机器学习系统也具备这种类似的能力，能够自动调整系统对信号和信号特征的接受力，使系统最高效地完成任务。

（4）波形合成：一个完整的射频机器学习系统还应该具备数字合成几乎任何可能波形的能力，就像人类可以发出任何新单词的读音或者增加语调、严肃处停顿、表达所说内容意义的细节等。这种为特定射频设备定制的新波形的功能可以为其他复杂无线设备提供更好的识别友好系统的能力。

蒂尔曼说，“如果顺利，我们将研制出具备在日益拥挤的频谱中识别和表征信号能力的射频系统，这将给予依赖射频系统的新兴自动化系统、军事指挥官更多信息以理解无线电领域的情况。我希望我们"射频机器学习系统"项目将会使人工智能研究向新的技术领域推进。”（工业和信息化部电子第一研究所 李婕敏）