在所有领域众多指挥、控制、通信、计算机、网络、情报、监视与侦察（C5ISR）能力中，可靠且有韧性地接入电磁（EM）频谱具有根本重要性。因此，在电子监视、攻击与防护领域开发和部署灵活的电磁战（EW）解决方案的需求日益增长，以应对现代网络化、多域战场空间中日益拥挤且充满对抗的电磁环境（EME）中快速演变的威胁。本文介绍了人工智能赋能的适应性多功能电磁战（ARES-EW）概念，该概念有助于提供（半）自主与认知电磁战能力。通过使用人工智能/机器学习，它最大化电磁战性能并减轻操作员工作量。在介绍完全软件定义的ARES-EW试验台之后，重点讨论用于被动电磁监视的射频指纹识别与辨识（RFFI）。我们给出了来自实测试验的示例性射频指纹识别与辨识结果，并概述了ARES-EW的未来方向。

ARES-EW是一种模块化、完全软件定义的方法，包含若干人工智能赋能的子系统能力；每个子系统都可被视为一项服务。它们可以单独或联合应用，以形成一个连贯的整体认知电磁战系统。图1在感知-决策-效果（SDE）循环的背景下描绘了各种此类子系统能力及其所采用的人工智能/机器学习，例如：

• 射频指纹识别与辨识：利用深度学习，在第3节中讨论。

• 检测器与参数估计：信号分离（例如雷达辐射的去噪与去交织）、检测与地理定位（例如视线角（LoB）估计）。对于低成本、未校准阵列，机器学习可以提供相比经典方法（如MUSIC、ESPRIT等）显著改善的视线角估计[2]；ARES-EW同时应用两类技术。

• 认知干扰（决策）：基于深度强化学习的闭环、完全自适应/认知电磁攻击（EA）[3]。干扰机利用可用的感知（与理解）功能持续评估电磁攻击对电磁环境和受害系统的影响，然后以机器速度确定最佳行动方案（COA）。

图1：感知、决策与效果循环背景下的ARES-EW概念。

例如，ARES-EW可以快速检测、通过射频指纹识别与辨识识别并利用基于机器学习的视线角估计定位电磁辐射源，然后引导认知干扰机自适应地瞄准该发射器。