人工智能驱动下的雷达发展思考

发布时间：2020-11-21 18:38

　　 智能化雷达在现有雷达技术的基础上,利用人工智能技术及先进的信号处理技术,赋予雷达自主的感知、决策、学习、执行和协作能力,从而提升其对复杂环境的感知能力及对目标的探测能力。文中针对人工智能驱动下的雷达技术发展问题,首先,分析了人工智能技术在雷达系统中的应用现状;然后,结合人工智能技术以及雷达信号处理技术的发展,从大数据、多平台协同、多源信息融合、人机混合增强以及自主智能感知等方面对人工智能驱动下的雷达发展趋势进行探讨;最后,结合人工智能驱动下的雷达发展趋势,提出了有针对性的发展建议,并进行总结。
【部分图文】：

1．1认知雷达系统加拿大HAYKIN［5］提出认知雷达的概念，其提出的认知雷达系统架构如图1所示，主要技术特征包括:1)接收处理端与发射端具有反馈调节机制;2)具有多层知识记忆与学习网络;3)具有应对时变不确定环境的智能决策能力［6］。图1加拿大Haykin教授提出的认知雷达系统架构图GUEＲCI［4］教授提出的认知雷达原理框图如图2所示，主要技术特征包括:1)具有包含目标/环境信息的动态数据库，支持知识辅助处理;2)接收端信息可反馈到发射端，优化发射方式;3)通过发射接收的调节反馈，雷达系统具有高度自适应能力。图2美国学者GUEＲCI教授提出的认知雷达系统架构图美国海军已于2006年左右搭建了一套认知雷达实验平台(如图3所示)，具有极化捷变与波形捷变能力，许多学者利用该实验系统开展了大量极化/波形自适应优化实验验证与效能评估研究，实验结果表明:在3级海情下，借助波形优化，海面小目标输出信杂比改善4dB以上。图3美国海军极化/波形捷变雷达实验系统示意图自适应匹配发射是认知雷达的一个重要特征［6－8］。认知雷达在传统雷达探测的同时，通过接收端与发射端之间的反馈调节机制，把感知的信息反馈给发射端，从而可根据场景特征优化发射信号。下面重点讨论波形与极化优化的研究现状。在波形认知优化方面，优化发射信号能够有效提高强杂波环境下目标检测性能，认知雷达能够根据感知的场景及目标信息调整发射信号从而获得较好的探测性能［8］。针对点目标及扩展目标，有的学者以最大信杂噪比为代价函数，联合设计了发射信号以及匹配滤波器;还有学者针对目标跟踪，研究了波形优化选择

阒?都且溆胙?巴??3)具有应对时变不确定环境的智能决策能力［6］。图1加拿大Haykin教授提出的认知雷达系统架构图GUEＲCI［4］教授提出的认知雷达原理框图如图2所示，主要技术特征包括:1)具有包含目标/环境信息的动态数据库，支持知识辅助处理;2)接收端信息可反馈到发射端，优化发射方式;3)通过发射接收的调节反馈，雷达系统具有高度自适应能力。图2美国学者GUEＲCI教授提出的认知雷达系统架构图美国海军已于2006年左右搭建了一套认知雷达实验平台(如图3所示)，具有极化捷变与波形捷变能力，许多学者利用该实验系统开展了大量极化/波形自适应优化实验验证与效能评估研究，实验结果表明:在3级海情下，借助波形优化，海面小目标输出信杂比改善4dB以上。图3美国海军极化/波形捷变雷达实验系统示意图自适应匹配发射是认知雷达的一个重要特征［6－8］。认知雷达在传统雷达探测的同时，通过接收端与发射端之间的反馈调节机制，把感知的信息反馈给发射端，从而可根据场景特征优化发射信号。下面重点讨论波形与极化优化的研究现状。在波形认知优化方面，优化发射信号能够有效提高强杂波环境下目标检测性能，认知雷达能够根据感知的场景及目标信息调整发射信号从而获得较好的探测性能［8］。针对点目标及扩展目标，有的学者以最大信杂噪比为代价函数，联合设计了发射信号以及匹配滤波器;还有学者针对目标跟踪，研究了波形优化选择策略。针对目标分类识别，有的学者以最大互信息量以及最大马氏距离为代价函数，设计了适用于目标分类识别的最佳波形。国内外学者在极化优化方面，尤其在应用极化技术增强雷达对目

形覆盖数据、高程信息和道路信息等辅助STAP，取得了不错的效果，证明了先验知识在STAP中的价值。各种传感器的发展以及探测感知的需求促使信息融合的发展，将采集到的多种传感器的信息与雷达回波数据进行融合处理，可提高对场景的感知能力。图4KASSPEＲ结构图1．3基于深度学习的雷达信号处理深度学习是目前人工智能的一个研究热点，其通过大量数据对深度学习网络进行训练，从而实现对预想功能的实现，目前深度学习在图像处理、自动驾驶、文本识别等领域已经取得了不错的效果，在雷达领域的目标识别、干扰识别、场景分类等方面也展现了其应用潜力。传统的目标识别算法需要选取合适的目标特征，而所选择的特征好坏决定了目标识别的最优性能。基于深度学习的目标识别可以从雷达数据中自动提取特征，用训练样本自动学习，用动静目标获取识别(MSTAＲ)数据进行验证，目标识别正确率可达99．9%。虽然基于深度学习的雷达信号处理已经通过实验证明了其对目标识别、干扰识别、场景分类等的有效性，但其实际工程化应用还有一些问题亟需解决:深度学习网络需要大量的训练样本进行训练，如果训练样本数据不足，则导致其对目标识别的性能不好;在实际战场环境中存在着大量非合作目标，对这些非合作目标的数据有限，这就导致对这些目标的识别能力不足。如何在小样本、大动态场景下实现基于深度学习的雷达性能提升是需要解决的一项重要课题。2人工智能驱动下的雷达发展趋势探讨在人工智能技术发展应用现状以及雷达发展现状及趋势的基础上，本文从多个方面对未来人工智能驱动下的雷达发展趋势进行探讨，人工智能驱动下的雷达发展主要趋势包括而不限于如下五个方面。
【相似文献】

相关期刊论文 前10条

1 胡哲颖;;现代雷达信号处理及其发展趋势探析[J];中国新通信;2014年18期

2 张继乔;;雷达信号处理技术及其发展的若干研究论述[J];黑龙江科技信息;2016年11期

3 马杨;;现代雷达信号处理及发展趋势分析[J];中国新通信;2016年18期

4 潘婷;;现代雷达信号处理的技术和发展趋势[J];科学中国人;2016年18期

5 孙晓闻,张林让,吴顺君;脉冲多卜勒雷达信号处理系统的仿真[J];系统仿真学报;2002年11期

6 William C.Booth ,吕杰;雷达信号处理方法[J];系统工程与电子技术;1984年08期

7 张学森;叶彦;;四代雷达信号处理系统研究[J];舰船电子对抗;2019年05期

8 史昊明;肖文;;现代雷达信号处理及发展趋势探讨[J];通讯世界;2017年06期

9 韩文俊;黎贺;刘凤;;雷达信号处理软件健康管理设计[J];现代雷达;2019年03期

10 程荣刚;徐青;张林让;;雷达信号处理国家级重点实验室的建设与发展[J];实验室研究与探索;2018年04期

相关博士学位论文 前10条

1 王盛利;雷达信号处理的新方法——匹配傅里叶变换研究[D];西安电子科技大学;2003年

2 周浩;高频雷达信号处理中的若干问题研究[D];武汉大学;2004年

3 杜雨洺;近程小扇区LFMCW雷达信号处理研究[D];电子科技大学;2006年

4 陈洁;超宽带雷达信号处理及成像方法研究[D];中国科学院研究生院（电子学研究所）;2007年

5 苏涛;并行处理技术在雷达信号处理中的应用研究[D];西安电子科技大学;1999年

6 李明;机载宽带雷达信号处理若干问题研究[D];西安电子科技大学;2007年

7 庞娜;MIMO雷达信号处理技术及实现的研究[D];北京理工大学;2015年

8 周红平;雷达信号处理若干关键技术的研究[D];中国科学技术大学;2010年

9 王鞠庭;MIMO雷达信号处理：目标检测与角度估计[D];南京理工大学;2010年

10 戴奉周;宽带雷达信号处理[D];西安电子科技大学;2010年

相关硕士学位论文 前10条

1 王朗;HPM短脉冲雷达信号处理仿真研究[D];中国工程物理研究院;2019年

2 徐丽;脉冲多普勒雷达信号处理并行技术研究[D];电子科技大学;2019年

3 翟小娟;基于通用处理器的雷达信号处理算法设计与实现[D];西安电子科技大学;2018年

4 周仕祺;弹载毫米波导引头雷达信号处理系统设计与实现[D];南京理工大学;2018年

5 宋卫东;三角波雷达信号处理技术研究[D];哈尔滨工程大学;2018年

6 陈亮;基于FPGA的多功能阵列雷达信号处理[D];西安电子科技大学;2018年

7 叶艺峰;基于VLIW结构的雷达信号处理引擎设计与实现[D];西安电子科技大学;2018年

8 沈涛;毫米波车检雷达信号处理与实现[D];南京理工大学;2018年

9 刘银玲;基于TMS320C6678的多功能阵列雷达信号处理[D];西安电子科技大学;2018年

10 蒋雨宏;自适应阵列导引头雷达信号处理与仿真[D];电子科技大学;2018年

本文编号：2893429