Μια επεξήγηση της Τεχνητής Νοημοσύνης σε Συστήματα Ηλεκτρονικής Υποστήριξης για ναυτικές επιχειρήσεις

Ο Ελεγκτής Όπλων (Aegis) Σάβιαν Γουάντσγουορθι εκτελεί υπηρεσία ως ελεγκτής συστημάτων ραντάρ στο κέντρο πληροφοριών μάχης στο αντιτορπιλικό κατευθυνόμενων πυραύλων κλάσης Arleigh Burke USS Porter (DDG 78) στην Μεσόγειο Θάλασσα, 30 Δεκεμβρίου 2018. (Φωτ: Ναυτικό των ΗΠΑ)

Γράφουν οι Αθανάσιος Τράντας MSc & Δρ Θεόδωρος Κωστής

-Ο Αθανάσιος Τράντας είναι μαθηματικός από το Πανεπιστήμιο Ιωαννίνων με μεταπτυχιακό στη Τεχνητή Νοημοσύνη από το Πανεπιστήμιο του Χρόνιγκεν. Έχει σημαντική εμπειρία στην εκπαίδευση Deep Neural Networks σε γραφικές μονάδες επεξεργασίας από το 2018.

-Ο Δρ Θεόδωρος Γ. Κωστής είναι στρατηγικός σύμβουλος σε θέματα άμυνας, γεωπολιτικής, ναυτιλίας και ανώτατης εκπαίδευσης με τεκμηριωμένη προϋπηρεσία σε σχετικά εθνικά & ευρωπαϊκά έργα καθώς και ως διδάσκων σε στρατιωτικές σχολές.

Άλλη μια νωχελική νύχτα, σκέφτηκε ο αξιωματικός που ήταν υπεύθυνος για την τρίτη βάρδια στη φρεγάτα “Ποσειδών”. Ξαφνικά το σύστημα διαχείρισης μάχης άρχισε να βουίζει με τον χαρακτηριστικό του ήχο που επίτασσε την προσοχή από τον ανθρώπινο παράγοντα.

Ο αξιωματικός γύρισε απότομα τις σκέψεις του του από την απεραντοσύνη του Αιγαίου στο συγκεκριμένο χώρο της οθόνης που πληροφορούσε για θέματα Electronic Measures Support (ESM). Εκεί διάβασε το μήνυμα που το σύστημα διαχείρισης μάχης αναβόσβηνε με κόκκινα γράμματα:

ΑΝΑΓΝΩΡΙΣΗ ΣΗΜΑΤΟΣ ΣΥΝΕΧΟΥΣ ΚΥΜΑΤΟΣ ΕΞΑΙΡΕΤΙΚΑ ΑΣΘΕΝΟΥΣ ΙΣΧΥΟΣ
ANGLE OF ARRIVAL: ΑΖΙΜΟΥΘΙΟ 270 ΜΟΙΡΕΣ ΑΝΥΨΩΣΗ 1 ΜΟΙΡΑ 
ΠΙΘΑΝΟΤΗΤΑ ΕΓΚΛΩΒΙΣΜΟΥ ΑΠΟ ΥΠΟΒΡΥΧΙΟ ΜΕ
ΡΑΝΤΑΡ ΧΑΜΗΛΗΣ ΠΙΘΑΝΟΤΗΤΑΣ ΑΝΑΧΑΙΤΙΣΗΣ 99.99%

Την ίδια στιγμή που σήμαινε συναγερμό θυμήθηκε την εκπαίδευση του. Αυτό το σύστημα διαχείρισης μάχης ήταν η τελευταία λέξη της τεχνολογίας. Χρησιμοποιούσε την τεχνητή νοημοσύνη, για την ακρίβεια το πεδίο της μηχανικής μάθησης, για να μπορεί να ανιχνεύει σήματα που έχουν πολύ χαμηλή ισχύ, όπως ακριβώς και το εχθρικό ραντάρ που εγκλώβιζε τώρα το πλοίο τους. Για αυτό το λόγο ο δέκτης του συστήματος είχε εξαιρετικά μεγάλη ευαισθησία για να μπορεί ακριβώς να λαμβάνει αυτά τα πολύ ασθενή σήματα που προσομοίαζαν τον συνήθη θόρυβο ή που άπλωναν την ενέργεια τους σε ένα ευρύ φάσμα συχνοτήτων.

Η απόφαση του συστήματος έδειχνε 280 μοίρες, άρα αφού οι μηδέν μοίρες κοίταζαν στην πλώρη, οι 270 μοίρες ήταν ακριβώς στα δεξιά του πολεμικού πλοίου. Άλλωστε το σύστημα μάχης είχε βγάλει και το αντίστοιχο γραφικό με την τοποθεσία της απειλής, άρα αποκλειόταν κάθε περίπτωση λανθασμένης ανθρώπινης εκτίμησης. Το σύστημα μάχης βοηθούσε τον ανθρώπινο παράγοντα στο να πάρει τις σωστές αποφάσεις στο συντομότερο χρονικό διάστημα.

Θυμήθηκε τους εκπαιδευτές του που έλεγαν ότι αυτό το σύστημα ESM που είναι συνδεδεμένο στο CMS έχει δικλείδες για να μπορεί να ανιχνεύει σήματα με πολύ λίγες πιθανότητες λανθασμένων συναγερμών μέσα από τον τεράστιο όγκο δεδομένων (big data) που συλλέγαν συνεχώς οι κάθε είδους αισθητήρες του, δηλαδή είτε με τα ηλεκτρομαγνητικά, είτε ηλεκτροπτικά του μάτια. Επίσης μπορούσε να προβλέψει εκείνα τα σήματα απειλών που έκαναν μεταπήδηση συχνοτήτων (frequency hopping), αφού η τεχνητή νοημοσύνη επέτρεπε την δημιουργία ενός software-defined συστήματος που δημιουργούσε πολλά ψηφιακά φίλτρα με αποτέλεσμα η συνολική ανίχνευση τους σήματος να γίνεται για κάθε χρονική στιγμή με αποτέλεσμα την ολοκληρωτική ανίχνευση του. Με αυτό τον τρόπο η καινοτομία της διασύνδεσης των ανιχνεύσεων από κάθε ψηφιακό φίλτρο, μέσω της τεχνητής νοημοσύνης, έδινε τεράστιο πλεονέκτημα στο σύστημα ESM.

Γενικότερα το σύστημα έδινε την δυνατότητα για μια ολιστική εκτίμηση του σήματος απειλής, αφού μπορούσε να δώσει εκτίμηση για τη συχνότητα, την διάρκεια παλμού, του χρόνου άφιξης, της γωνίας άφιξης και της διαμόρφωσης. Βέβαια η προτεραιότητα του ESΜ, δηλαδή το first stage interleaving, ήταν η εκτίμηση της συχνότητας του σήματος και της γωνίας άφιξης, άλλωστε αυτές ήταν και οι πρώτες ενδείξεις του στην οθόνη τους CMS. Ειδικότερα η γωνία άφιξης προσδιορίζονταν από το αντίστοιχο πάνελ που είχε κάνει την ανίχνευση.

Ήταν και εκείνος ο άλλος εκπαιδευτής που εξηγούσε πιο αναλυτικά την ανίχνευση ενός σήματος βάσει των μεθόδων την μηχανικής μάθησης. Η υπόθεση εργασίας, έλεγε με κάποια έμφαση, πως τα Νευρωνικά Δίκτυα είναι πιο αποδοτικά, είναι δηλαδή καλύτερα σε σχέση με τους κλασικούς αλγόριθμους Επεξεργασίας Σήματος για την ανίχνευση ενός σήματος και ιδιαίτερα ενός ασθενούς σήματος σε ένα μεγάλο όγκο δεδομένων.

Πάρτε για παράδειγμα ένα σήμα συνεχούς κύματος, που έχει ευρεία χρήση στα συστήματα ραντάρ. Το σήμα που εκπέμπεται είναι ένα ημίτονο και ενώ σίγουρα λαμβάνεται καλύτερα από το ESM λόγω της μιας απόστασης από το εχθρικό ραντάρ, σίγουρα θα έχει παραλλαχθεί από τον θόρυβο του καναλιού αλλά και του δέκτη.

Εικόνα 1. Αρχικό σήμα

Σε τέτοια προσέγγιση για την ανάλυση σημάτων, δηλαδή με πολύ μεγάλο dataset, ο σκοπός είναι να μπορέσουμε να χρησιμοποιήσουμε το σήμα με το θόρυβο για να ανακτήσουμε το αρχικό ημιτονοειδές σήμα που ανήκει στην απειλή. Έτσι θα σιγουρευτούμε ότι έχουμε ένα πραγματικό σήμα και θα μπορέσουμε να το επεξεργαστούμε κατάλληλα, όπως για παράδειγμα να εξάγουμε τη συχνότητα του.

Ας συγκρίνουμε την απόδοση τριών χαρακτηριστικών νευρωνικών δικτύων για αυτό τον σκοπό, το Deep Neural Network (DNN), το Recurrent Neural Network (RNN) και το Long Short Term Memory (LSTM).

Για την εκπαίδευση των Νευρωνικών Δικτύων μας θα χρησιμοποιήσουμε 64 παραδείγματα για είσοδο και το 65 για στόχο ή ‘‘ετικέτα‘’ -label- εξόδου. Επίσης θα χρησιμοποιήσουμε ένα συρόμενο παράθυρο -sliding window- παίρνοντας ακολουθίες ή χρονοσειρές μεγέθους 64, κάθε φορά πηγαίνοντας ένα δείγμα μετά, έτσι ώστε να δημιουργήσουμε περισσότερα δεδομένα. Δημιουργούμε 4000 δείγματα για εκπαίδευση και 1000 για έλεγχο. Τα μοντέλα μας έχουν τον παρακάτω αριθμό παραμέτρων:

ΜοντέλοΑριθμός παραμέτρων
Deep Neural Network – DNN6513
Recurrent Neural Network – RNN6337
Long Short Term Memory – LSTM19009

Κατά την εκπαίδευση μετράμε την Μέση Απόλυτη Διαφορά (Mean Absolute Error – MAE) μεταξύ της πρόβλεψης και του αρχικού σήματος με τα αποτελέσματα να φαίνονται στην Εικόνα 2.

Εικόνα 2. Σύγκριση απόδοσης νευρωνικών δικτύων

Από την παραπάνω Εικόνα 2 βλέπουμε πως και τα τρία μοντέλα καταφέρνουν να μειώσουν το Μέσο Απόλυτο Λάθος (ΜΑΕ), με το LSTM να τερματίζει χαμηλότερα από τα άλλα δύο στο τέλος εκατό (100) επαναλήψεων. Παρατηρούμε επίσης πως το RNN εμφανίζει πιο θορυβώδη εκπαίδευση λόγω των απότομων μεταβολών ή καρφιών (spikes) που παρατηρούνται καθ’ όλη την διάρκεια της εκπαίδευσης, ωστόσο στο τέλος και τα τρία μοντέλα συγκλίνουν.

ΜοντέλοΧρόνος Εκπαίδευσης (δευτερόλεπτα) *
DNN32
RNN72
LSTM173

Αυτή ήταν η εκπαίδευση του νευρωνικού δικτύου για να μπορεί να καταλαβαίνει ημιτονοειδή σήματα που είναι μολυσμένα με θόρυβο. Στη συνέχεια δημιουργούμε ένα καινούριο σετ δεδομένων όπου τα παραπάνω είδη νευρωνικών δικτύων δεν έχουν δει και δοκιμάζουμε πόσο καλά μπορούν να κάνουν προβλέψεις για την σωστή υφή του σήματος, με τα αντίστοιχα γραφικά αποτελέσματα να φαίνονται στην Εικόνα 3.

Εικόνα 3. Προβλέψεις των νευρωνικών δικτύων μετά από την εκπαίδευση τους για την αναγνώριση ενός ημιτονοειδούς σήματος

Με κόκκινο παρατηρούμε το αρχικό σήμα και βλέπουμε πως το LSTM με πράσινο εμφανίζει τις λιγότερες αστοχίες. Τα υπόλοιπα δύο μοντέλα DNN και RNN εμφανίζουν παρόμοια συμπεριφορά, δηλαδή και αυτά βρίσκονται κοντά στο αρχικό σήμα.

Για μια πιο σφαιρική προσέγγιση μπορούμε να δοκιμάσουμε και τους κλασικούς αλγορίθμους από τον τομέα της Επεξεργασίας Σήματος & Στατιστικής, το Least Mean Squqres (LMS) και την Γραμμική Παλινδρόμηση (Linear Regression) με τα αποτελέσματα να απεικονίζονται στην Εικόνα 4.

Εικόνα 4. Σύγκριση απόδοσης των κλασικών αλγορίθμων Επεξεργασίας Σήματος.

Είναι ξεκάθαρο πως η Γραμμική Παλινδρόμηση πετυχαίνει το καλύτερο αποτέλεσμα μεταξύ των κλασικών αλγορίθμων με μπλε χρώμα αφού τα σημεία της πρόβλεψης βρίσκονται πιο κοντά στο αρχικό σήμα με πράσινο. Αντιθέτως ο αλγόριθμος LMS (με πορτοκαλί χρώμα) εμφανίζει αρκετές αστοχίες στο ίδιο σετ δεδομένων.

Εν κατακλείδι στην Εικόνα 5 συγκρίνουμε τα αποτελέσματα όλων των μοντέλων ως προς την απόλυτη διαφορά της πρόβλεψης τους με το αρχικό σήμα και το λόγο σήματος προς θόρυβο SNR τους.

Εικόνα 5. Αποτελέσματα όλων των μοντέλων ως προς την απόλυτη διαφορά της πρόβλεψης και του σηματοθορυβικού λόγου τους

ΜοντέλοSNR (dB)
DNN22.409
RNN23.046
LSTM24.378
Regression11.367
LMS10.334

Συνδυάζοντας όλες τις παραπάνω πληροφορίες είναι εμφανές πως το LSTM έχει την καλύτερη απόδοση αφού εμφανίζει το υψηλότερο SNR και την χαμηλότερη Μέση Απόλυτη Διαφορά, ενώ αντιδιαμετρικώς το LMS έχει την χειρότερη απόδοση. Επίσης, μπορούμε να συμπεράνουμε πως και τα τρία είδη Νευρωνικών Δικτύων έχουν καλύτερη απόδοση από τους κλασικούς αλγορίθμους, με το DNN να είναι πολύ πιο γρήγορο στην εκπαίδευση (32 δευτερόλεπτα) σε σχέση με το LSTM (173 δευτερόλεπτα). Το αποτέλεσμα αυτό είναι λογικό, λόγω της μεγάλης διαφοράς παραμέτρων που έχει το LSTM (19009) σε αντίθεση με το DNN (6513) ενώ τo RNN βρίσκεται κάπου ενδιάμεσα, χωρίς κάποια αξιοθαύμαστη απόδοση.

Ξαφνικά συνειδητοποίησε ότι μόλις μισό λεπτό είχε περάσει από τότε που είχε αρχίσει να τα σκέφτεται όλα αυτά αφού η φωνή του διοικητή του διέκοψε τον ειρμό των σκέψεων του αντηχώντας διαταγές για την αντιμετώπιση της απειλής.

ΠΗΓΕΣ

  • Θεόδωρος Κωστής, 2021, Ραντάρ και Ηλεκτρονικός Πόλεμος, Τύπος Μέσου: ΒΙΒΛΙΟ, Έκδοση: 1η, Εκδοτικός Όμιλος Ίων, 683 σελ., ISBN: 978-960-508-323-6 Γλώσσες : Ελληνική (gre) https://www.iwn.gr/product.asp?catid=17656
  • https://defencereview.gr/techniki-epexigisi-tis-orasis-meso-tec/
  • https://www.navsea.navy.mil/Home/Warfare-Centers/NSWC-Crane/What-We-Do/Electronic-Warfare/
    ALTESSE-H Solution
  • https://www.thalesgroup.com/en/markets/defence-and-security/radio-communications/electronic-warfare-communications/naval
  • https://www.saab.com/products/naval/electronic-warfare
  • https://www.c4isrnet.com/digital-show-dailies/navy-league/2021/08/02/electronic-attack-system-to-provide-navy-more-capabilities-flexible-options/
  • https://://www.c4isrnet.com/digital-show-dailies/navy-league/2021/08/02/navy-nears-production-decision-on-fleets-electronic-warfare-system/
  • https://www.navy.mil/Resources/Fact-Files/Display-FactFiles/Article/2167559/surface-electronic-warfare-improvement-program-sewip/
Facebook
Twitter
LinkedIn
Reddit
Telegram
Doukas Gaitatzis

Doukas Gaitatzis

Παρατηρητής και ιστογράφος θεμάτων αμυντικής τεχνολογίας. Δεσμευμένος με τις Ελληνικές Ένοπλες Δυνάμεις και παθιασμένος με οτιδήποτε στρατιωτικό.

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται.

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.