Modern society has seen an increase in automation using AI in a variety of applications. To keep up with recent development, it is therefore logical to investigate the application of AI programs to military tasks. The great advantage with automation lies in the possible increase in efficiency and possible relocation of resources of personnel to other tasks. Therefore, this study aims to evaluate the use of Convolutional Neural Networks (CNN) in classification of communication and radar emitters based on collected Electronic Support Measures (ESM) data and to estimate to what extent human analysts could be replaced. The evaluation was performed by applying the concept of military Utility as a framework for evaluation with the addition of Technology Readiness Level (TRL) to survey how far the technology has developed. Data was collected using two methods: Firstly, through a literature review of research done on the application of CNNs in classifying information such as spectrograms and images. Secondly, by interviewing a subject matter expert from SAAB, who mainly helped estimate the TRL of the technology’s components. The study found that CNN appears suitable to apply on the proposed task and that the program could potentially replace human analysts to a great extent, at least when doing routine classifications. Full automation seems unlikely as analysts would be required with more challenging classifications, especially those outside the range of the training data used in teaching the CNN. Finally, challenges involved with deep learning programs inherent structure, demands and application to military tasks are discussed and subjects for future research are proposed. / Det moderna samhället har sett en ökad automatisering med AI i en mängd olika applikationer och för att hålla jämna steg med den senaste utvecklingen är det därför logiskt att undersöka tillämpningen av AI-program på militära uppgifter. Den stora fördelen med automatisering ligger i den möjliga ökningen av effektivitet och möjlig flytt av personalresurser till andra uppgifter. Därför syftar denna studie till att utvärdera användningen av convolutional neural networks (CNN) vid klassificering av kommunikations- och radarsändare baserat på insamlade data från elektronisk stödverksamhet (sv. ES motsvara eng. ESM) och att uppskatta i vilken utsträckning mänskliga analytiker kan ersättas. Utvärderingen genomfördes genom att använda konceptet militär nytta som ett ramverk för utvärdering med tillägg av technology readiness level (TRL) för att kartlägga hur långt tekniken har utvecklats. Data samlades in med två metoder: För det första genom en litteraturöversikt av forskning som gjorts om tillämpningen av CNN för att klassificera information såsom spektrogram och bilder. För det andra genom att intervjua en ämnesexpert från SAAB, som främst hjälpte till att uppskatta TRL för teknikens komponenter. Studien fann att CNN verkar lämplig att använda till den föreslagna uppgiften och att programmet potentiellt skulle kunna ersätta mänskliga analytiker i stor utsträckning, åtminstone for rutinklassificeringar. En fullständig automatisering verkar osannolik eftersom analytiker skulle krävas med mer utmanande klassificeringar, särskilt de som ligger utanför utbildningsdata som används för att lära upp programmet. Slutligen diskuteras utmaningar kopplade till djup-inlärningsprogrammens struktur, krav och tillämpning på militära uppgifter samt att ämnen för framtida forskning föreslås.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:fhs-9140 |
| Date | January 2020 |
| Creators | Johansson, Jimmy |
| Publisher | Försvarshögskolan |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0037 seconds