Data-driven Unsupervised Situational Awareness
- Reference number
- ID23-0027
- Project leader
- Chatterjee, Saikat
- Start and end dates
- 240101-281231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Information, Communication and Systems Technology
Summary
In situational awareness (SA) our main objective is to deinterleave (demix) electromagnetic emitters (e.g. radar and telecom transmitters), in particular hostile emitters from friendly and neutral emitters. The purpose of this project is to design explainable, data-driven unsupervised learning methods for deinterleaving (demixing) emitters. In addition, we aim to find theoretical performance limits under reasonable assumptions. In this project we consider challenging SA scenarios where there is no a-priori knowledge of the hostile emitters, except the knowledge that emitters are sparsely active time-wise. We neither have good models of the hostile emitters, nor know their parameters. To handle this challenge, traditional sparse processing and source separation will be combined with modern data-driven deep neural networks (DNNs). In particular, our work plan includes development of unsupervised methods under the assumption of some data redundancy together with sparsity constraints. Afterwards we wish to develop explainable models and understanding of the hostile emitters through a semi-supervised learning approach. In the approach, we will first use an incomplete (imperfect) but explainable model, and then improve the model iteratively in a data-driven manner. Lastly, theoretical performance bounds will be derived and studied for appropriate time-series signals with analytically tractable statistics. Our results will open up new research paths in deinterleaving.
Popular science description
För lägesbildning inom telekrig finns behov av att särskilja inmätta signaler baserat på vilken sändare (framförallt radar) som skickade den. Av särskild vikt är att särskilja fientliga sändare från neutrala och allierade sändare. Detta projekt går ut på att särskilja signalerna med hjälp av datadrivna metoder. Vidare ämnar projektet att dessa metoder ska vara förklarliga och möjliga för människan att förstå, då man ofta vill ha en människa som fattar sista beslutet i känsliga sammanhang som telekrig. Specifikt tar sig projektet an problemet där de fientliga sändarna är okända i förväg, alltså när det inte finns någon tidigare kunskap eller data om dem. Vi har varken bra modeller av de fientliga sändarna eller känner till deras parametrar. Målet är att hitta de okända fientliga sändarna i nyligen insamlad data. Ifall vi skulle ha tidigare data på de fientliga sändarna med facit kan man lösa problemet med typiska datadrivna metoder. Det är dock inte praktiskt möjligt att samla in data med facit på grund av hur svårt det är att skapa facit och hemligheten av fientliga sändare. Till vår hjälp för att ta fram metoder som inte kräver facit har vi domänkunskap om sändare. Vi kan anta att bara ett fåtal sändare är aktiva samtidigt (av många möjliga), eftersom sändare typiskt inte är aktiv hela tiden. För att lyckas med detta ämnar projektet att kombinera traditionella signalbehandlingsmetoder för källseparering med moderna datadrivna metoder. Med hjälp av domänkunskap och de traditionella metoderna ämnar vi ta fram metoder som inte kräver facit trots begränsad tillgång till den relevanta datan (av fientliga sändarna).