认知雷达《基于条件生成模型的模糊函数塑造》75页技术报告，含代码

适应性记忆（AC）是作为一种查找表（LUT）通用技术新推出的。它由一系列生成模型组成，其设计方式是学习每种算法的输出。在本报告中，我们重点介绍基于条件生成对抗网络（cGAN）的 AC 改进版。与之前的结构相比，新开发的生成式结构具有多项优势。从本质上讲，它不需要生成模型阵列。相反，两个适当制作的生成模型就足够了，从而大大缩短了整体写入时间。此外，它还能在感兴趣的区域提供更好的抑制水平。最后，它还能在抑制水平性能和损失函数衡量的生成保真度之间做出选择。

认知雷达（CR）是当前雷达理论研究中一个引人注目的趋势。尽管不同学者对这一概念的定义大相径庭[11]，但这些定义都有其主要内容。例如，[12]、[10]和[6]认为从环境和经验中学习是认知雷达的主要特征，而[10]则认为具有适应复杂情况的能力。认知雷达与完全自适应雷达的区别还在于，认知雷达应 "学会调整操作和处理参数，并能在较长时间内做到这一点"[1]。因此，学习和存储知识是一个必备要素[13, 15]。

与此同时，Gurbuz 等人[11] 综述了与认知雷达有关的 83 种期刊和 238 篇会议论文。他们发现，大多数研究至少涉及某种形式的波形选择、优化或设计。在这些研究中，通常使用收集到的认知来决定哪种波形适合当前环境。一种突出的方法是利用在时频观察到的杂波认知[5, 21,18, 20]。由于雷达界广泛使用模糊函数（AF）来表示时频景观，因此几乎所有此类研究都涉及设计或塑造发射波形的模糊函数。在本报告中，我们给出了一种基于 AF 塑造研究的深度学习方法，它可以复制任何迭代算法的结果。我们首先在文献[7]中以容纳记忆（AM）的名称引入了这一概念，然后在本报告中对其进行了优化和改进。

下面，我们首先回顾一下它在学习方面提出的条件生成对抗网络。接着，我们在第 2 节中提出了认知接收波形，并观察到为了最小化总干扰功率（PTD），应基于杂波认知设计离散时间模糊函数。然后，我们提出了一种基于 cGAN 的双生成深度结构，它可以学习信号-AF 对并对其进行再生。这里我们将最小平方损失函数和 Wasserstein 损失函数作为模型损失函数。第 3 节专门报告给定方法的实证结果，其中我们研究了名为条件部分的特定结构超参数的影响。最后。第 4 节是本报告的结尾。