博士论文《智能雷达解决方案的认知架构、处理和学习算法》2022年

本论文研究了在干扰为主的环境中使用雷达对小型目标进行探测、跟踪和分类的课题。这个问题从资源充足型雷达系统和资源有限型雷达系统的角度进行研究。在资源充足型雷达系统的情况下，分析了能够逐步感知环境并调整其工作波形-接收机滤波器的认知架构。对联合最佳发射波形和接收滤波器的研究，使它们在小型目标和干扰的情况下以最佳方式运行，在学术界和工业界都有巨大的兴趣。最近在自适应波形合成方面的进展集中在知识辅助接收信号处理技术和自适应发射信号的联合设计和实施上。这种模仿哺乳动物根据对环境的认知调整系统参数的神经能力的闭环雷达框架通常被称为 "认知雷达 "或 "完全自适应雷达"。

在这篇论文中，提出了在存在扩展目标和有色干扰的情况下，单输入、单输出雷达设计的输出信号与干扰噪声比最大化的联合最佳发射波形和接收滤波器。推导了这种波形滤波器的模糊函数、处理增益和Cramer-Rao约束。除了联合优化策略规定的最佳波形外，希望雷达发射波形具有恒定的时间包络，以驱动饱和状态的功率放大器。这个约束条件要求重建恒定包络信号，这需要使用所提出的宽松的迭代减错算法来解决。一般来说，迭代算法对初始种子很敏感，这要通过推导出静止相位假设的闭式解来解决。在多输入多输出（MIMO）雷达的情况下，信号之间的干扰会大大限制雷达在存在较强目标和背景杂波的情况下对小型目标的观测能力。对于多信道雷达，本论文提出了正交编码线性频率调制（LFM）波形，其中一帧中连续的复杂LFM信号由正交编码，即Golay互补、Zadoff Chu、直接扩频、时空块编码、离散傅里叶变换和基于Costas的序列。对LFM进行调制的正交码在整个符号中形成固定的库波形，导致部分适应，而不是 "全适应雷达 "所决定的任意波形。这种正交编码的MIMO雷达的模糊函数被推导出来，并从模糊函数和成像性能方面分析了波形。

随着硅和封装技术的进步，雷达已经从高端航空技术发展到相对低成本的人机界面（HMI）传感器。然而，在这样的工业和消费环境中，传感器应该具有较小的外形尺寸和低成本，因此它们不能维持认知架构来检测和分类小型的人类目标。为了提高人机界面应用的检测和分类性能，人们提出了新的处理和学习算法。在实践中，使用低成本雷达的基于学习的解决方案有几个挑战，特别是在开放集分类方面。在开放集分类中，系统需要处理输入数据的变化、外来操作环境和未知类别。传统的深度学习方法使用一个简单的softmax层，并评估已知类别的准确性，因此是封闭集分类。softmax层提供了类别的可分离性，但没有提供鉴别性的类别边界。因此，许多未知的类被错误地预测为具有高置信度的已知类之一，导致在现实世界环境中表现不佳。其他挑战是由于来自一个类和其他密切相关类的特征之间不明显的类间差异，以及来自相同类的雷达数据中巨大的类内变化。为了应对这些挑战，本论文提出了新的表示学习算法和新的损失函数。与传统的使用softmax学习分类的深度学习方法不同，深度表征学习通过将输入的特征图像投射到一个嵌入式空间来学习分类的过程，在这个空间中，相似的类被分组，而不相似的类则相距甚远。因此，深度表征学习方法同时学习可分离的类间差异和紧凑的类内判别，这对开放集分类至关重要。具体来说，所提出的表示学习算法在手势传感、材料分类、空气书写和踢脚传感人机界面应用的背景下进行了评估。