现代数字雷达在其波形、雷达参数设置和传输方案方面提供了前所未有的灵活性，以支持多种雷达系统目标，包括目标探测、跟踪、分类和其他功能。这种灵活性为提高系统性能提供了潜力，但需要一个闭环感知和响应方法来实现这种潜力。完全自适应雷达（FAR），也被称为认知雷达，是模仿认知的感知-行动周期（PAC），以这种闭环方式适应雷达传感器。在这项工作中，我们将FAR概念应用于雷达资源分配（RRA）问题，以决定如何将有限的雷达资源如时间、带宽和天线波束宽度分配给多个相互竞争的雷达系统任务，并决定每个任务的传输参数，使雷达资源得到有效利用，系统性能得到优化。

已经提出了一些感知-行动的RRA方法。这一领域的最新工作被称为认知雷达资源管理，而较早的相关工作则被称为简单的传感器管理或资源分配。这些算法依赖于两个基本步骤。首先，它们以概率方式捕获（感知）监视区域的状态。其次，他们使用这种概率描述，通过确定哪些行动有望实现效用最大化来选择未来的传感行动。

任何RRA算法的一个关键挑战是平衡目标探测、跟踪、分类和其他雷达任务的多个竞争性目标。这一点通过优化步骤中用于选择下一步雷达行动的目标函数来解决。目标函数也被称为收益、标准、价值或成本函数。因此，以适合优化的数学形式阐明系统目标，对完全自适应雷达资源分配（FARRA）系统的运行至关重要。随着可用于适应的参数数量和雷达系统任务数量的增加，这变得越来越困难。这种优化有两种基本方法：任务驱动和信息驱动。

在任务驱动的方法中，为每个任务指定性能服务质量（QoS）要求，如探测目标的预期时间或跟踪的均方根误差（RMSE），并通过加权各种任务的效用来构建一个综合目标函数。这样做的好处是能够分别控制任务性能，并确定任务的相对重要性。然而，它需要用户有大量的领域知识和判断力，以指定任务要求和传感器成本，并构建成本/效用函数和加权，以结合不同的任务性能指标。

在信息驱动的方法中，一个全局信息测量被优化。常见的信息测量包括熵、相互信息（MI）、Kullback-Leibler分歧（KLD）和Renyi（alpha）分歧。信息指标隐含地平衡了一个雷达可能获得的不同类型的信息。这具有为所有任务提供共同的衡量标准（信息流）的理想特性，但没有明确优化诸如RMSE等任务标准。因此，信息理论的衡量标准可能很难被终端用户理解并归结为具体的操作目标。此外，如果没有额外的特别加权，它们不允许单独控制任务，并可能产生以牺牲其他任务为代价而过度强调某些任务的解决方案，或者选择在用户偏好判断下只提供边际收益的传感器行动。

在这项工作中，我们考虑一个雷达系统对多个目标进行同步跟踪和分类。基于随机优化的FAR框架[28]，为我们的PAC提供了结构。我们开发并比较了用于分配系统资源和设置雷达传输参数的任务和信息驱动的FARRA算法，并在模拟机载雷达场景和俄亥俄州立大学的认知雷达工程工作区（CREW）实验室测试平台上说明其性能。这项工作结合并扩展了我们以前在传感器管理[8-14]和FAR[18, 21, 27, 29-31]的工作。初步版本发表于[32]。结果表明，任务和信息驱动的算法具有相似的性能，但选择不同的行动来实现其解决方案。我们表明，任务和信息驱动的算法实际上是基于共同的信息理论量，所以它们之间的区别在于所使用的指标的粒度和指标的加权程度。

本章的组织结构如下。在第10.2节中，我们提供了FAR框架的概述，在第10.3节中，我们通过为这个问题指定FAR框架的组成部分来开发多目标多任务FARRA系统模型。在第10.4节中，我们描述了组成FARRA PAC的感知和执行处理器，包括我们采用的任务和基于信息的目标函数。在第10.5节中，我们提供了比较优化方法的机载雷达仿真结果，在第10.6节中，我们展示了CREW测试平台的结果。最后，第10.7节介绍了这项工作的结论。

完全自适应雷达框架

单个PAC的FAR框架是在[18, 27]中开发的，在此总结一下。图10.1是一个系统框图。PAC由感知处理器和执行处理器组成。PAC通过硬件传感器与外部环境互动，通过感知处理器和执行处理器与雷达系统互动。感知处理器接收来自硬件传感器的数据，并将其处理为对环境的感知。该感知被传递给雷达系统以完成系统目标，并传递给执行处理器以决定下一步行动。执行处理器接收来自感知处理器的感知以及来自雷达系统的要求，并解决一个优化问题以决定下一个传感器的行动。执行处理器通知硬件传感器下一次观察的设置，传感器收集下一组数据，然后循环往复。