【自适应雷达294页】《推进用于实时参数调整和决策的完全自适应雷达概念》美国空军研究实验室赞助

2022 年 9 月 4 日 专知

1.1 概述

现代雷达系统的发展促进了软件定义雷达（SDR）系统能够实现动态反馈回路行为，与传统雷达不同。传统雷达的前馈性质依赖于感知环境的假设特性，产生固定的参数设置，以保证预定的信号干扰加噪声比（SINR）或雷达任务性能。然而，动态/变化的环境会导致任务性能下降或系统资源的管理不善。缺乏对雷达前端特性的自适应控制会导致雷达后端的信号处理工作增加，严重依赖雷达操作员或根据最坏情况设置静态的雷达系统参数。

完全自适应雷达（FAR）框架旨在利用现代SDR系统实现的传感器参数多样性，允许自主适应雷达波形特征，以实现更好的环境感知和雷达任务性能。FAR框架的自主性质也转向将雷达操作员的角色转变为咨询角色，以及减少用于目标信息提取的额外信号处理负担。

FAR框架通过试图模仿动物和人类中存在的认知的神经科学概念来实现自主适应。正如[2,3,4,5]所讨论的，认知过程必须包括五个主要元素：感知、注意和分析（智能）、行动和记忆。在[6]中，Haykin讨论了传统主动雷达、FAR和认知雷达之间的区别。虽然FAR能够通过反馈链路将接收机感知的环境与发射机的波形探测联系起来，实现对环境的更好感知，但由于缺乏 "真正"学习所需的长期记忆，它的智能受到限制。

为了在认知雷达处理中进行优化，经常使用非线性函数。这些非线性函数在优化块中实现，可以通过非线性约束目标函数的最小化进行雷达参数选择和更新。对于FAR框架，这种 "执行优化"是在一个 "执行处理器块 "中实现的，它试图在服务质量（QoS）方法中平衡捕捉雷达系统基于任务的性能（性能成本）和传感器资源消耗（测量成本）的成本函数。

在FAR框架中，执行优化被视为最关键的组成部分。在FAR框架中，通过结合注意力和分析，利用目标状态的跟踪和过去观察的先验知识（记忆）来选择最佳参数指数选择，执行处理器实现了"有限学习"。由于执行处理器中调用的传感器参数选择的性质，雷达波形参数被映射到雷达任务和目标性能上，给定的是先验知识。此外，由于这种基于优化的适应性，随着优化的复杂性增加，解决收敛的时间也在增加，因此限制了实时能力。

在概念上与FAR相似，机器学习是人工智能下的一个研究领域，它研究人类如何获得知识，或学习，并在机器中表示这些概念。机器学习的一个子课题是神经网络，通过它们的能力来模拟和实现学习过程，关联、模式识别和关系建模都是神经网络的有效任务，它可以用来提供对系统处理的较低影响，并通过识别/记忆开始学习。

1.2 动机和贡献

学习被证明是认知系统中的一个关键组成部分，导致人们相信学习是认知雷达的一个主要组成部分。在[5]中，学习被定义为使用过去的信息来提高一个人的局部成功度。然而，为了充分地从记忆和行动中学习，实时能力和性能必须是可行的。正如前面所讨论的，由于用于行动选择的优化，可以看出，随着问题的复杂性增加，优化的计算成本也在增加。高计算成本和缺乏记忆对实现 "正式 "认知系统构成挑战。

在FAR和认知雷达研究领域已经取得了许多进展：然而，大多数集中在缺乏长期记忆和联想的自适应系统上。同样，在基于神经网络和机器学习的雷达研究方面也取得了许多进展，但大多数集中在基于分类和图像识别的问题上。本博士研究将着重于展示包括基于回归的神经网络如何通过降低对系统处理的影响来改善FAR的现有性能，并通过包括更强的记忆概念和将其扩展到展示学习来帮助认知雷达任务的执行，从而促成开发一个 "真正 "的认知系统。

这里讨论的工作对认知雷达领域的贡献如下：

通过用前馈神经网络取代执行处理器中的优化组件，以降低对系统处理的影响并整合其固有的识别/记忆组件，开发了一个神经网络启发的FAR框架，即基于神经网络控制的全适应雷达（FAR-NN）。
收集了不同参数适应情况下的模拟和实时实验结果，并对局部解算器的实施和神经网络进行了比较，结果表明静态前馈神经网络能够实现较低的测量成本、更快的优化时间和类似的执行成本性能。
通过在每个传感器感知行动周期（PAC）的 "执行处理器 "中模拟传感器参数选择，在分层全自适应雷达（HFAR）框架中实施静态前馈神经网络，以降低由于执行多个优化而对系统处理的影响。
通过对传感器参数选择的模拟，在FAR框架中实施了一个动态长短期记忆递归神经网络（LSTM-RNN），将基于状态的对不断变化的环境的适应性和更强的记忆概念纳入神经网络激励的FAR框架的优化部分，FAR-NN。
开发了一个LSTM-RNN，用于在动态频谱拥挤的环境中生成低延迟、接近最佳的雷达频率缺口波形。
将LSTM-RNN与现有的专门解算器 "减少误差算法"（ERA）进行比较，其波形生成的仿真结果表明，网络和算法的波形设计结果相似，LSTM-RNN生成波形的时间减少。
将现有的全适应雷达单目标跟踪（FAR-STT）框架扩展到全适应雷达多目标跟踪（FAR-MTT）的实现中，修改了目标函数和扩大了多目标环境的Fisher信息矩阵/Cramer Rao Bound度量。
收集了模拟和实验结果，以证明将完全自适应雷达方法应用于多个目标跟踪的好处，即能够实现目标分离并保持单个目标的跟踪，同时消耗较少的测量资源。
为一个需要执行多种任务[例如：目标跟踪、分类和目标意图辨别（朋友、可能的敌人和敌人）并自主分配雷达资源的雷达系统开发一个HFAR框架。
收集的模拟结果表明，通过使用自适应波形参数与固定参数集，将完全自适应的雷达方法应用于一个从事多种任务的系统的好处。
突出了使用完全自适应雷达概念的模拟和实验演示，以证明认知雷达概念的可行实现。