《利用人工神经网络进行雷达信号处理》253页

本论文将雷达信号处理与数据驱动的人工神经网络（ANN）方法相结合。信号处理算法通常基于对数据形成过程的建模假设。在某些情况下，这些模型足以设计出良好甚至最优的解决方案。

但在很多情况下，这些模型可能过于复杂，无法形成分析解决方案；可能过于简化，导致实际结果与理论上的结果大相径庭；可能是未知的，即多个已知模型或参数值中的一个可能适合数据，但我们不知道是哪个；或者过于复杂，导致解决方案的计算量过大。

数据驱动的方差网络方法提供了弥合这些差距的简单方法。我们在四项不同的研究中证明了这一点，在这些研究中，我们利用雷达数据模型来制定数据驱动型解决方案，这些解决方案既准确又具有计算效率。

我们将基于 ANN 的结果与计算要求极高的最小二乘法和穷举匹配过滤法进行了比较。结果表明，ANN 的性能可与这些方法相媲美，但计算量却很小。我们在使用各种参数值的模型采样数据上训练人工智能网络。这自然可以处理漂移和未知参数值，它们可能会改变数据，但不会改变所需的预测结果。我们的研究表明，根据简单模型的数据训练出的 ANN 分类器的实际表现可能比理论预期的要差得多。我们通过将有限的真实数据与合成模型数据相结合来改善这种情况。在所有情况下，我们都使用了易于评估的模型。然而，这些模型的分析方法并不简单，无法创建分析解决方案。

特别是，我们提出了一种实现非相干脉冲压缩的方法，可在单脉冲宽度内分辨目标。我们提出了一种检测微弱目标轨迹的方法，该方法无需事先假设目标加速度、信噪比等。我们介绍了在训练无人机和非无人机目标分类器时纳入不完美模型数据的不同方法。最后，我们介绍了一种估算海面多径传播路径差的方法，用于目标跟踪。