本研究調查了使用雷達跟蹤數據將無人機(UAs)分類為旋翼或固定翼類，作為減少誤報和操作員負擔的一種手段。該研究使用來自實驗飛行的UA遙測數據以及模擬雷達軌跡數據來訓練機器學習(ML)分類器。探討了遷移學習的應用。使用有限的數據集獲得的結果顯示，根據所使用的配置，真陽性和真陰性率超過80%。初步研究強調了改善這一性能的一些重要途徑。

對國防和安全的重要性

探測和識別無人機對加拿大武裝部隊保護部隊和資產至關重要。作為一種全天候和遠程能力，雷達提供關鍵的軌跡數據，可以提示光電/紅外(EO/IR)系統或操作員。本研究開發了一種基于雷達航跡數據的分類器，用于區分旋翼和固定翼兩類無人機，以減少誤報和操作人員負擔。

本文內容概述

在本節中，我們將概述當前研究的數據流。基本概念是利用飛行中保存在無人機上的遙測數據。這些數據集代表了典型的UA軌跡，無論是在飛行員控制下還是使用預先編程的航路點，以及在真實的風環境條件下飛行等。這些遙測數據集可以告知軌跡本身，并可以作為訓練分類器區分uav和雜波(特別是鳥類)或不同UA類型之間的基礎。在本研究中，我們研究訓練分類器來區分I類的旋轉翼和固定翼無人機。

圖1中的原理圖解釋了數據流。首先，對遙測數據集進行預處理，并將其標記為屬于旋翼類(ID = 0)或固定翼類(ID = 1)。預處理的軌跡可以并將直接與涉及ML模型的其余數據流一起使用。經過預處理的軌跡數據還可以作為Stone Soup跟蹤庫的輸入，與建模的雷達參數和位置一起，生成模擬雷達軌跡數據。這個過程將在第4節中介紹。

軌跡(來自預處理器和模擬軌跡數據)用于創建更多數量的子軌跡。這里的想法是獲得一個分類器，它可以在只處理子軌跡后區分UA類。可以研究創建子軌跡的不同方法，這將在第5節中討論。對于本研究，我們選擇將子軌跡視為獨立的實體，但其他選項都是有效的研究思路，如第7節所述。

其余的數據流涉及典型的監督機器學習技術，將數據集分為訓練、驗證和測試數據集、計算特征以及訓練和測試ML模型。在我們的例子中，我們有預處理的遙測數據和模擬雷達軌跡數據的混合。

圖1:當前研究中涉及的不同步驟的示意圖。

在一些人道主義、商業和軍事應用中，關于淺埋目標的成像、探測和定位的信息是非常令人期待的[1]。通常，在地雷識別、考古挖掘、行星探險和建筑工程等方面，有必要可靠而安全地感知和檢索這些信息。雖然有各種各樣的技術可用于地下勘探，即輻射測量、地震和電磁（EM），但只有探地雷達（GPR，以下簡稱GPR）提供非侵入性、安全、高效和高分辨率的感應[1]。這一優勢使得過去二十年來，GPR采集和信息檢索的研究取得了重大進展。

在脈沖式GPR系統中[2]，發射天線在表面發射一個超寬帶電磁脈沖。當信號在地表下層傳播時，它們的磁和電特性，如許可率、滲透率和導電性，引起散射波的相位和振幅的變化。雖然反射波的振幅與埋藏目標的復合反射率成正比，但相位提供了目標相對于安裝在表面的雷達的位置信息。GPR接收器收集并處理反射回波，以提取幾個目標的反射率和范圍。

在GPR應用中，目標位于雷達的近距離范圍內。因此，收到的信號是由同一物體的不同部分的多次反射組成的。這種擴展的目標模型意味著檢索多個范圍和對應于同一較大物體的部分的振幅。通過利用后向散射信號的點值之間的空間相關性，GPR產生了一個目標特征，這個特征通常是被探測物體所特有的，因此，對識別它是有用的[3]。在本章中，我們重點討論GPR處理的這個目標識別方面。

通常，目標識別、分類和識別等術語可交替使用，用于從測量的雷達數據中對目標進行分類的技術。然而，就本章而言，目標分類意味著將目標隔離到一個一般的類別，而目標識別則用于更精確地區分目標。例如，將一個目標標記為地雷或土壤雜波是一個分類步驟。將一個地雷目標識別為PMN/PMA是其識別。目標識別包含了分類和識別兩個方面[4]。

在實踐中，所記錄的GPR信號通常會受到系統效應產生的一些不必要的貢獻，如天線耦合、多個表面反射、系統不穩定、時間抖動、有限的空間分辨率和振幅變化[5]。此外，感興趣的目標埋藏在粗糙的地表中，會產生與目標信號強度相當的不需要的雜波信號。因此，GPR目標識別是一項困難的任務。

傳統的GPR目標識別方法（見[3]的回顧）包括通過去除嘈雜的信號對數據進行預處理、除噪（高通濾波以去除低頻噪聲）、過濾、去卷積、遷移（修正測量幾何的影響），并且可以依靠GPR反應的模擬。這些技術通常存在信息損失、無法適應先前的結果，以及在強雜波和噪聲的情況下性能低下的問題。

為了應對這些挑戰，在過去的十年中，已經開發了一些先進的處理方法來提高GPR目標的識別。在本章中，我們對這些現代GPR處理技術進行了概述。特別是，我們集中討論了以下方法：

• 根據目標環境對測距曲線進行自適應接收處理[6] 。
• 采用基于學習的方法，以便雷達利用先前的測量結果[6, 7] 。
• 采用利用目標場景在某些領域或字典中是稀疏的這一事實的方法[8, 9] 。
• 應用先進的分類技術[10
• 卷積編碼，提供目標的簡潔和代表性特征[11] 。

我們通過地雷探測的代表性應用來描述這些技術中的每一種或其組合。

本章的其余部分組織如下。在下一節中，我們簡要介紹了GPR技術和土壤中電磁波的復雜散射行為。我們描述了GPR信號模型，并在第7.2節中列出了經典和現代的處理方法。我們在第7.3節中解釋了用于地雷探測的數據集。第7.4節重點介紹了各種稀疏表示技術，這些技術是由第7.5節中詳細介紹的字典學習算法實現的。我們在第7.6節中概述了由雷達處理器進行的自適應統計評估，以便有選擇地應用其中一種算法。最后，我們在第7.7節中介紹了所有這些技術的目標識別結果，然后在第7.8節中得出結論。

圖 7.5 現代 GPR 目標分類的簡化流程。需要適當的數據表示來從范圍配置文件中提取特征，然后將這些特征提供給高級分類器以從雜波中分離和識別目標

加拿大渥太華國防研究與發展局（DRDC）與C-CORE公司簽訂了合同，要求提供與使用自適應多功能雷達模擬器（Adaptive MFR）的網絡化雷達資源管理（RRM）的實施和分析有關的軟件支持服務。對以前工作中實現的電子支援（ES）功能進行了修改和調度器的變更。這些修改將在第3節中描述。對天線軟件組件也進行了大量的修改，以實現陣列分集，支持相控陣天線，包括子陣列能力。天線的發射器和接收器部分也被拆分。這些修改將在第4節描述。所有的測試和分析都是使用Adapt MFR 3.2.18版本進行的。

測試和分析是通過模擬海軍雷達場景進行的，目的是驗證功能和確定電子支援措施（ESM）和陣列多樣性修改的影響。為了減少處理和分析時間，從全球背景目標集（由100個目標組成，包括商業和娛樂飛機、船舶、娛樂船和鳥類）中選擇了10個目標的子集。還模擬了14枚彈道導彈（BM）。所有的一般模擬參數都在第2節中描述。第3和第4節描述了展示軟件變化效果的模擬結果。在這項任務下的模擬中沒有使用雜波，只使用了一個具有自適應軌道調度的單一雷達。然而，在開發過程中，使用各種表面和體積雜波以及使用RRM的單個獨立雷達和多個聯網雷達的自適應和非自適應調度，對軟件修改進行了測試。這些功能測試沒有記錄在本報告中。

ES支援被模擬成一個過程，將威脅發射器（TE）的探測結果反饋給主軟件循環過程。威脅發射器的評估是基于它們是否符合ES條件和用戶在ES GUI中設置的閾值。經過驗證的威脅發射體被傳遞給ES探測過程（基于單向雷達回波），如果適用，則傳遞給主跟蹤過程，這些探測被整合到現有的軌道中或用于啟動新軌道。在實施相控陣能力后，ES功能被修改以允許獨立于主適應MFR雷達的天線。這允許定義更適合探測的ES天線參數。目前，ESM模塊只支持高斯型天線。ESM和威脅發射器對雷達性能的主要影響是額外的確認和跟蹤時間，這有可能反映在監視框架時間和軌道占用結果中。

隨著相位子陣列能力的增加，已經證明了跟蹤開始時間和幀時間的減少。這是由于能夠在不同的角度位置同時安排探測波束，既減少了覆蓋框架的時間，又允許對位于框架的不同區域的多個目標進行照明。

在分析和測試期間，對軟件進行了更新，以改進功能（第5節），修復任何錯誤（第6節），并實施處理改進（第7節），以減少模擬運行時間。這項工作建立在Brinson（2021）和Yue（2021）所描述的先前工作以及其他先前任務的基礎上。

認知方法在幾乎所有方面可提高現有雷達的性能，這導致了近年來研究的激增，空軍雷達建模和仿真（M&S）工具的一個關鍵差距是缺乏針對分布式全適應雷達（FAR）系統的全面、動態分布式雷達情景生成能力。截至2015年初，所有的研究都是在理論上推進概念，并通過模擬檢驗其性能，或者最多使用預先錄制的數據。沒有關于實驗驗證概念的報告，主要是因為還沒有開發出測試它們的必要硬件。然而，為了確定應用認知處理方法的真正性能潛力，這一步驟是至關重要的。為了解決這個問題，俄亥俄州立大學（OSU）電子科學實驗室（ESL）的認知傳感實驗室（CSL）與Metron公司、空軍研究實驗室（AFRL）和空軍科學研究辦公室（AFOSR）一起，已經開始了一項研究計劃，從分析和實驗上開發和檢驗認知雷達處理概念。

CSL設計并建造了認知雷達工程工作區（CREW），這是世界上第一個專門用來測試完全自適應和認知算法的雷達測試平臺，Metron和OSU開發了一個認知FAR系統的理論框架，在單一傳感器和目標的目標探測和跟蹤范圍內確定了關鍵的系統組件并進行了數學建模。我們一直在開發建模、模擬、分析和實驗能力，以證明FAR系統比傳統的前饋雷達（FFR）系統取得的性能改進。我們從OSU的軟件定義雷達（SDR）系統的模擬場景和預先記錄的數據開始。我們現在有能力利用CREW演示認知雷達跟蹤系統的實時操作。

這個項目的目標是為分布式FAR雷達開發一個基于MATLAB的M&S架構，從而能夠在模擬的、以前收集的和實時的流式數據上進行算法開發和測試。在第一階段，我們開發了一個基線FAR M&S架構，該架構采用面向對象編程（OOP）方法在MATLAB中編碼。它包括一個控制感知-行動（PA）周期運行的FAR引擎和確定下一組傳感參數的軟件對象；從傳感器獲取數據；處理數據以跟蹤目標；存儲和顯示傳感和跟蹤過程的結果。我們開發的模塊實現了模擬和預先錄制的SDR數據實例，以及實時和模擬的CREW數據實例。

第一階段開發的FAR M&S架構允許在模擬和實驗CREW數據源之間，以及在驅動傳感的FAR算法之間進行透明切換。輕松交換傳感和處理對象的能力將允許快速開發和測試認知雷達算法，通過構建M&S功能來避免重復工作和 "單點 "解決方案。它將使工業界、學術界和空軍的研究人員之間的合作成為可能，因為不同研究人員開發的算法可以使用一致的模擬、收集的數據和實驗室條件進行測試和比較。

電子情報（ELINT），是通過電子傳感器獲得的情報。其目的通常是確定目標的能力，如雷達的位置。可以采用主動或被動傳感器來收集數據。對提供的信號進行分析，并與收集到的數據進行對比，以確認信號類型。如果檢測到信號類型，信息可以被儲存起來；如果沒有找到匹配的信號，它可以被歸類為新的信號。ELINT收集和分類數據。在軍事環境中（以及其他采用這種用法的環境，如企業），情報幫助一個組織做出決策，可以使他們在競爭中獲得戰略優勢。術語 "intel "經常被縮短。信號情報（SIGINT）的兩個主要子領域是ELINT和通信情報（COMINT）。美國國防部規定了這些術語，而情報界則使用世界各地的數據審查類別。

引言

電子情報（ELINT）是由電脈沖產生的信息，不包括語言或文字（這被認為是COMINT）。它有幾個主要分支。

技術性ELINT（TechELINT）[2]解釋了信號的結構、其發射特征、其操作方法以及發射器和發射器的武器系統附屬的功能，如制導信息和探測系統。也許一個TechELINT的主要目標是收集可能用于弄清發射器能力的信號特征，并作為更大系統的一部分，如陸地雷達識別飛機、改進的無線電、反擊或反駁裝備已被開發出來。"電子戰"這一短語包含了整個過程，以及反制措施。

另一個關鍵學科是運作型ELINT（OpELINT），其重點是發現特定的ELINT目標和分析系統運行趨勢。"電子戰指令"是對這些成果的命名（EOB）。另一項由OpELINT提供的服務是威脅評估，有時被稱為"戰術ELINT"。在戰場上，OpELINT情報工具幫助軍事任務的計劃者和當地軍隊的將軍。收集、分析和傳播外國遙測信號情報是之前ELINT（TELINT）的第三個關鍵分支。

勘察、分析和評估外來遙測信號產生的技術和間諜信息，被稱為TELINT。遙測情報最初被認為是ELINT的一部分，因為TELINT（后來被稱為FISINT--外國儀器信號情報）行動與TechELINT進程密切相關。當外國火箭2和空間探測器正在建造和測試時，TELINT是性能數據的一個重要部分。TELINT能夠提供大量關于國際衛星和宇宙飛船的操作數據[2]。

雷達系統是電子情報部門關注的中心，同時也是對其特性的分析。觀察、收集、提前探測、TWS、制導系統跟蹤、GCI以及其他類型的作戰系統雷達系統都是威脅。

信號類型包括脈沖、脈沖增量、CW、ICW、采用PC（脈沖和頻率編碼）的現代雷達、頻率和PRI靈活的雷達系統、AM、FM以及其他。

該系統的能力：

• 計算機控制和軟件可編程的系統。

• 在短時間內準確地捕捉信號和處理數據。

• 準確的信號分析和根據操作者選擇的標準呈現發射器的活動，指紋和發射識別（脈沖分析-內部和內部）。

• 數據庫鏈接和管理，有效的雷達定位，以及通過單獨的加密航空數據鏈接近乎實時地上傳記錄數據/處理數據的能力。

• 每1秒對所有記錄的數據進行GPS時間標記的能力。

在戰術上使用時，武器系統的電子支持措施（ESM）包可能包括ELINT設備，它可以進行探測和被動地理定位。

對于更深入的信號研究活動，必須進行技術分析（捕獲和分析材料，以及離線識別）。

• 戰術行動。軍方、海軍陸戰隊和空軍部隊都想知道所有對方的雷達在哪里，以及他們能對這些雷達做什么。雷達的作戰順序就是它的名字（ROB）[3]。

例如，為了確定如何消除敵人的雷達或對其采取合適的反擊，空軍必須首先了解對手雷達的建造方式和位置。

圖1是一個戰術表述的例子。

圖 1：戰術數據 (ROB) 的理論演示，轉載自 [3]

• 技術行動。相反，情報部門試圖從對手的雷達中獲取所有的雷達工作模式和光譜。了解防御系統的功能，檢測新的雷達和操作模式，以及跟蹤新的對手電子進展和設備都是需要的[3]。

圖2是一個技術介紹的例子。

圖2：技術數據的理論表述，轉載自[3]

為了支持以下許多觀點：

• 在確定的感興趣區域（AOI）內定位和識別敵方雷達

• 密切關注整個電頻譜包絡面的情況

• 與敵人的雷達裝置保持安全距離。

• 為了實現這些操作標準，在大多數ELINT系統中，有兩種接收機。

• 全景式接收機（寬頻接收機，WBR）用于監視周圍環境，和

• 選擇性接收器用于測量雷達波形（超級外差式接收器，SHR）。

ELINT技術分析的結果是形成戰斗系統數據庫系統，用于附屬于軍備的雷達（查詢和監測雷達）和火箭要求者，然后將其檢索到戰爭系統的EW自我保護系統的任務數據集中，以幫助探測階段。

美國陸軍未來司令部的士兵致命性（SL）跨職能小組（CFT）正在研究通過頭戴式和武器式能力的組合來增強下馬步兵的新方法。根據SLCFT的指示，美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室的研究人員探索了加強輔助目標識別能力的技術，作為陸軍下一代智能班組武器計劃的一部分。

敵對環境中涉及潛在目標的復雜決策必須由下馬的士兵做出，以保持戰術優勢。這些決定可能是人工智能（AI）技術的強大信息，如AI支持的火力或指揮和控制決策輔助工具。例如，一個士兵發射武器是一個明確的跡象，表明該地區有一個敵對的目標。然而，一個士兵在環境中追蹤一個潛在的目標，然后放下他們的武器，這是一個模糊的、隱含的跡象，表明該目標受到關注，但最終被該士兵認為不是一個直接的威脅。在近距離作戰的環境中，與士兵狀態相關的隱性標記數據（如光電視頻、位置信息或火力行動）可用于輸入決策輔助工具，以得出真實的戰場背景。然而，需要對這些行動進行更徹底的檢查。此外，來自單個士兵的突發非交流行為在整個班級中的匯總可以增強戰術態勢感知。盡管它們有可能產生戰術影響，但這些狀態估計或行為指標往往不能以立即可用的形式獲得。

DEVCOM陸軍研究實驗室（ARL）的研究人員調查了一種通過機會主義感應來進行下馬士兵狀態估計的方法--一種不需要人類明確行動就能收集和推斷關鍵的真實世界數據的方法。在通過正常使用武器追蹤和攻擊移動和靜止目標時，連續獲得數據以解釋士兵的行為。這項工作中使用的士兵-武器行為分類方法主要來自人類活動識別（HAR）研究。然而，在這項工作中，為了提高行為結果的生態有效性，在眼球追蹤文獻中經常使用的實驗范式被反映出來，將眼球運動和認知推理聯系起來。具體來說，眼動跟蹤研究的一個子集的目標是收集和解釋與公開的視覺注意力有關的眼動事件（即固定、囊狀運動和追逐），這可以揭示認知過程和關于環境的客觀內容。在戰斗中，士兵們可能會將他們的目標停留在一個靜態的目標上（固定），當出現新的目標時迅速轉換目標點，有潛在的目標出現（囊狀運動），或者在潛在目標移動時跟蹤他們的目標點（平滑追擊）。

目前，頭戴式眼動跟蹤技術正在開發用于戰斗。然而，與校準誤差有關的凝視數據中的噪聲使其難以有效地使用這些數據。一個更突出的解決方案可能存在于士兵和他們的武器之間的互動中，這項工作使用傳統的HAR技術進行。執行HAR的主要方法是在一個人進行一些身體活動時，使用慣性測量單元收集時間序列數據。然后使用機器學習技術來訓練分類模型，根據數據信號預測行動。這種方法可以擴展到包括在人類與物體互動時對其運動的分類。在這種情況下，當近距離作戰的士兵與潛在的威脅進行互動時，武器的運動特征被伺機獲得，這為這些士兵在這種環境中做出的復雜決定提供了一個窗口。

論文中記錄并發表了對這一評估的全面分析。對來自動態士兵狀態估計的運動數據進行建模和分析以實現對形勢的理解。

射頻片上系統，或稱RFSoC，是射頻工程中的一個新興模式。具體來說，它將嵌入式處理能力的靈活性與單芯片上緊密耦合的射頻模數轉換器（ADC）和數模轉換器（DAC）相結合。這大大降低了實現射頻收發器的設計復雜性，并普遍降低了尺寸、重量和功率要求。RFSoC有多種形式和不同程度的復雜性；有些是為最初的實驗室演示和原型設計的，有些是縮小了外形尺寸，為可部署或生產應用設計的。總的來說，RFSoC大大加快了軟件定義無線電（SDR）的市場，SDR是具有射頻功能的計算設備，可以在不同的抽象層進行重新編程和重新配置，從工廠到實驗室，到生產車間，甚至最終用戶。

使用SDR實現雷達，無論是獨立的還是作為多功能射頻的一部分，都是一個不斷增長的趨勢，并且可以在RFSoC中有效實現。特別是，使用線性頻率調制（LFM）或 "FM啁啾"的先進雷達波形，正在成為雷達脈沖的行業標準，因為它們的返回可以通過數字信號處理進行可靠的處理，以實現高度精確的范圍分辨率。

波形設計，特別是數字合成的雷達波形，是一個活躍的研究領域。一個能夠以高頻率發射多個復雜波形，并能以極低的延遲在多個波形之間切換的設計，應該利用完全在RFSoC（即硬件）的可編程邏輯（PL）部分實現波形的更高速度和處理能力。因此，探索波形數字合成的廣泛架構選擇是有益的。

在這項研究中，我們設計并實現了兩個定制的數字合成器：一個線性頻率調制發生器（LFMGEN）和一個可變直接數字合成器（VARDDS）。合成器是用極高速集成電路硬件描述語言（VHDL）設計的，采用了寄存器傳輸級（RTL）方法，并封裝在賽靈思高級可擴展接口（AXI）標準包裝器中，以方便它們在Vivado知識產權（IP）集成器中使用。每個設計都與輕量級硬件抽象層和一組軟件驅動器配對，以包含在Xilinx Vitis C應用項目中。合成器被集成到基于賽靈思第一代（Gen）RFSoC ZCU111評估平臺的測試平臺中，由此產生的射頻波形可以在實驗室環境中生成和分析。合成器是針對各種最大瞬時帶寬（IBW）實現的（后置和路由結果），并對其在波形生成、負載和交換延遲、資源使用、時間限制和功耗方面的相對優勢和劣勢進行比較。這項工作的貢獻如下：

• 首次對Xilinx RFSoC上的多個定制數字雷達波形合成器進行比較。
• 對數字合成器進行了徹底的介紹和比較，每個合成器都針對各種標準進行了優化，包括性能（延遲和帶寬）、資源（塊狀隨機存取存儲器[RAM]、現場可編程門陣列[FPGA]查找表[LUT]和功率）以及靈活性（LFM與任意同相和正交[IQ]波形生成）。每個數字合成器都能獨立地以16位的精度再現高達1GHz的IBW波形。
• 基于Xilinx RFSoC開發雷達波形設計原型或生產形態的設計理念和策略。
• 分析復雜的射頻數字和RFSoC特定的設計考慮因素，包括采樣率、塊設計時序封閉和時鐘管理。

現代數字雷達在其波形、雷達參數設置和傳輸方案方面提供了前所未有的靈活性，以支持多種雷達系統目標，包括目標探測、跟蹤、分類和其他功能。這種靈活性為提高系統性能提供了潛力，但需要一個閉環感知和響應方法來實現這種潛力。完全自適應雷達（FAR），也被稱為認知雷達，是模仿認知的感知-行動周期（PAC），以這種閉環方式適應雷達傳感器。在這項工作中，我們將FAR概念應用于雷達資源分配（RRA）問題，以決定如何將有限的雷達資源如時間、帶寬和天線波束寬度分配給多個相互競爭的雷達系統任務，并決定每個任務的傳輸參數，使雷達資源得到有效利用，系統性能得到優化。

已經提出了一些感知-行動的RRA方法。這一領域的最新工作被稱為認知雷達資源管理，而較早的相關工作則被稱為簡單的傳感器管理或資源分配。這些算法依賴于兩個基本步驟。首先，它們以概率方式捕獲（感知）監視區域的狀態。其次，他們使用這種概率描述，通過確定哪些行動有望實現效用最大化來選擇未來的傳感行動。

任何RRA算法的一個關鍵挑戰是平衡目標探測、跟蹤、分類和其他雷達任務的多個競爭性目標。這一點通過優化步驟中用于選擇下一步雷達行動的目標函數來解決。目標函數也被稱為收益、標準、價值或成本函數。因此，以適合優化的數學形式闡明系統目標，對完全自適應雷達資源分配（FARRA）系統的運行至關重要。隨著可用于適應的參數數量和雷達系統任務數量的增加，這變得越來越困難。這種優化有兩種基本方法：任務驅動和信息驅動。

在任務驅動的方法中，為每個任務指定性能服務質量（QoS）要求，如探測目標的預期時間或跟蹤的均方根誤差（RMSE），并通過加權各種任務的效用來構建一個綜合目標函數。這樣做的好處是能夠分別控制任務性能，并確定任務的相對重要性。然而，它需要用戶有大量的領域知識和判斷力，以指定任務要求和傳感器成本，并構建成本/效用函數和加權，以結合不同的任務性能指標。

在信息驅動的方法中，一個全局信息測量被優化。常見的信息測量包括熵、相互信息（MI）、Kullback-Leibler分歧（KLD）和Renyi（alpha）分歧。信息指標隱含地平衡了一個雷達可能獲得的不同類型的信息。這具有為所有任務提供共同的衡量標準（信息流）的理想特性，但沒有明確優化諸如RMSE等任務標準。因此，信息理論的衡量標準可能很難被終端用戶理解并歸結為具體的操作目標。此外，如果沒有額外的特別加權，它們不允許單獨控制任務，并可能產生以犧牲其他任務為代價而過度強調某些任務的解決方案，或者選擇在用戶偏好判斷下只提供邊際收益的傳感器行動。

在這項工作中，我們考慮一個雷達系統對多個目標進行同步跟蹤和分類。基于隨機優化的FAR框架[28]，為我們的PAC提供了結構。我們開發并比較了用于分配系統資源和設置雷達傳輸參數的任務和信息驅動的FARRA算法，并在模擬機載雷達場景和俄亥俄州立大學的認知雷達工程工作區（CREW）實驗室測試平臺上說明其性能。這項工作結合并擴展了我們以前在傳感器管理[8-14]和FAR[18, 21, 27, 29-31]的工作。初步版本發表于[32]。結果表明，任務和信息驅動的算法具有相似的性能，但選擇不同的行動來實現其解決方案。我們表明，任務和信息驅動的算法實際上是基于共同的信息理論量，所以它們之間的區別在于所使用的指標的粒度和指標的加權程度。

本章的組織結構如下。在第10.2節中，我們提供了FAR框架的概述，在第10.3節中，我們通過為這個問題指定FAR框架的組成部分來開發多目標多任務FARRA系統模型。在第10.4節中，我們描述了組成FARRA PAC的感知和執行處理器，包括我們采用的任務和基于信息的目標函數。在第10.5節中，我們提供了比較優化方法的機載雷達仿真結果，在第10.6節中，我們展示了CREW測試平臺的結果。最后，第10.7節介紹了這項工作的結論。

完全自適應雷達框架

單個PAC的FAR框架是在[18, 27]中開發的，在此總結一下。圖10.1是一個系統框圖。PAC由感知處理器和執行處理器組成。PAC通過硬件傳感器與外部環境互動，通過感知處理器和執行處理器與雷達系統互動。感知處理器接收來自硬件傳感器的數據，并將其處理為對環境的感知。該感知被傳遞給雷達系統以完成系統目標，并傳遞給執行處理器以決定下一步行動。執行處理器接收來自感知處理器的感知以及來自雷達系統的要求，并解決一個優化問題以決定下一個傳感器的行動。執行處理器通知硬件傳感器下一次觀察的設置，傳感器收集下一組數據，然后循環往復。

圖10.1: 單一PAC FAR框架