论文部分内容阅读
认知雷达概念的提出,为雷达未来的发展提供了新的思路和方向——智能化,雷达根据环境变化,对波形做出调整,让雷达适应环境,对目标进行更加有效、准确的检测。认知雷达的主要研究和核心为对工作环境的感知,和发射波形的优化设计。本文针对雷达跟踪任务,基于认知雷达基本结构,分别采用准则函数、离线学习和在线学习的方法,实现对环境信息的感知和波形优化,对无干扰环境下的一般线性运动的跟踪效果、存在干扰时的目标跟踪效果和获得先验知识条件下的跟踪效果进行分析。首先基于认知雷达基本结构,对认知雷达的组成模块及其实现功能进行分析,引入了神经网络、强化学习,以贝叶斯滤波为核心,分析信号处理过程的具体流程。建立发射波形模型,并分析波形参数对量测的影响,包括对SNR和观测值的影响。建立认知雷达跟踪任务下的功能模型,包括目标的状态空间,以及线性运动下的卡尔曼滤波算法,建立波形库。基于均方误差最小准则,对扩展目标的线性运动进行仿真分析,通过对认知闭环雷达和传统开环雷达的性能,分析波形参数选择对观测精度、跟踪精度的影响。介绍了BP神经网络这一监督学习方法,利用神经网络学习相应的决策规则,建立环境信息与波形参数选择之间的关系,并分析这一监督学习方法与基于准则的波形参数选择方法的不同,以及该方法在有干扰环境下的性能。对强化学习理论进行介绍,并提出两种实现波形选择的算法,近似动态规划Q学习算法和一种引入神经网络学习的与状态无关的认知学习算法,前者为离线学习算法,后者同时采用离线学习方法和在线学习方法。将上述方法与与利用准则函数进行波形选择的方法进行比较。Q学习方法的性能依赖于状态划分,而引入神经网络学习的与状态无关的认知学习算法具有更好的适应性和稳定性。本文基于机器学习方法,实现认知雷达对环境的感知作用,建立跟踪和观测与波形参数之间的关系,实现跟踪精度的提高。