[据军事与航空电子网站2015年7月24日报道]  美国军方研究人员需要一种雷达目标识别的新方式，利用计算机算法和高性能嵌入式计算（HPEC），借助载人和无人战术飞机上的雷达传感器快速和准确地识别军事目标。他们在深度学习分析（Deep Learning Analytics）公司找到了解决方案。

　　美国空军研究实验室官员本周宣布授予DLA公司价值600万美元的“在竞争环境下目标识别和适应”（TRACE）项目。美国空军代表美国防预先研究计划局（DARPA）授出此份合同。

　　DARPA的TRACE项目有三个目标：对低功耗飞机的军事目标识别；对部署在复杂环境下的目标低虚警率；利用稀疏或有限测量的训练数据对新目标进行快速学习。

　　DARPA研究人员解释称，在目标密集的环境中，敌方拥有使用复杂诱饵和背后流量以降低现有自动目标识别（ATR）有效性的优势。

　　飞机对定位的目标进行攻击需要飞行员足够接近目标，以便在发射武器前识别目标。此举会将飞机置于被地空导弹和其他防空武器攻击的危险之中。

　　尽管雷达可以在安全的防区外距离对地面目标进行成像，但基于人和机器的雷达成像识别虚警率非常高。现有的目标识别算法还要求在载人和无人飞机上使用不切实际的大型计算资源。

　　结果是，要么将处理能力移动至远程地面站或大幅降低系统性能，以适应传统的飞机计算机。

　　为了克服这些挑战，TRACE项目将开发一个准确、实时、低功耗的目标识别系统，与雷达共同定位为战术机载监视和攻击应用提供响应性远程目标。

　　TRACE项目持续42个月，分为两个阶段实施，将在使用一英尺高分辨率合成孔径雷达成像实现静态地面目标实时雷达目标识别的飞机表演中达到高潮。

　　在第一阶段，深度学习分析专家将开发先进的雷达目标识别算法，并设计一个低功耗、实时雷达目标识别系统；第二阶段将增强算法，并在低功耗处理架构下提供实时飞行演示。

　　尽管过去30年里，美军投入巨资在雷达目标识别领域中，但几乎没有几个雷达目标识别系统在战术应用中广泛使用。

　　通常情况下，这些系统对于战术飞机来说计算过于复杂。算法过于复杂或需要大量运行存储器安装在传统战术飞机计算机中。

　　此外，这类系统具有较差的虚警性能，导致其不适合在战术监视中应用。这些系统也没有被适应。学习认识新目标耗费太长时间和计算功耗，需要拥有数据和高保真模型的大量运营商和机器训练。

　　深度学习分析专家将尝试通过利用机器学习、低功耗移动计算架构和雷达特征建模方面的最新进展来克服这些限制。他们将利用降低运行时间复杂性的新识别算法和新移动处理器增加的计算效率，以减少雷达目标识别算法运行时的尺寸、重量和功率（SWAP）。

　　DARPA官员表示，公司的工程师将利用新兴的移动计算架构，包括多核系统级芯片（SoC）系统结合通用计算元件，如带有片上协处理器，如多核图形处理单元（GPU）和现场可编程门阵列（FPGA）的多核ARM处理器。（工业和信息化部电子科学技术情报研究所 宋文文）

　　新闻来源：http://www.dsti.net/Information/News/95363