亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

這項工作旨在利用無線音頻傳感器網絡為無人駕駛航空器系統（UAS）提出一種探測、識別和跟蹤解決方案。根據適用于無人機系統的技術趨勢（更小、更便宜、更合作），我們提出了一種采用與 "攻擊者 "相同技術方法的分布式監控解決方案。特別是，由于無人機會引起周圍聲學環境的變化，我們研究了音頻傳感器網絡的使用。更確切地說，我們采用了一種三階段算法來檢測監控環境中音頻能量的存在，識別特定的音頻特征，然后與多節點方法合作跟蹤無人機。通過實驗獲取的音頻信號，我們展示了所提方法的初步性能。我們還討論了改進實際實施的未來工作。

參考場景

微型和小型無人機（1 千歐元及以下）成本低，易于采購，使恐怖分子使用這種技術的障礙降至零。此外，開放源碼技術通常用于設計無人機系統的某些組件，這就為設計專用有效載荷的人填補了一個很小的知識空白。如此易于采購和個性化的飛行平臺最終可以接近合理的目標。根據這一趨勢，協調無人機中隊很快就會成為任何人都可以利用的資源。應對這種威脅的措施不可能是集中式的。目前，我們看到的非對稱解決方案適用于前沿作戰基地或安裝了大型無人機探測器的沙漠場景。然而，這種威脅在城市場景中可能無處不在，因此建議采用對稱的對策，即分布式、小型和廉價的對策。

特別是近年來無線傳感器網絡的不斷發展，以及節點的小型化和低成本化，可以為城市環境或復雜場景提供最合適的解決方案，因為在城市環境或復雜場景中，可能會有平民存在，而固定的軍事設施可能并不合適。

如圖 2-1 所示，這項工作將以大量廉價音頻傳感器為參考場景，每個傳感器都能夠識別無人機的音頻特征，并在發現匹配時，通過與其他節點協作定位惡意來源。研究的重點是在空曠場地場景中，利用音頻陣列檢測、識別和跟蹤單架無人機或小型無人機群，即可與單個大型單元同化。

方法

由于所提方法的目標具有三重性（即檢測、識別和跟蹤惡意無人機），因此我們的方法采用了三層算法疊加的方式。圖 3-1 給出了所追求的研究方法的總體描述。我們依靠獲取音頻信號來準確描述無人機系統的存在。第一層用于檢測無人機系統的存在。在這一階段，音頻傳感器從環境中采集少量樣本，例如每秒一次，以揭示從環境中感知到的音頻能量異常。

當這一層檢測到匹配時，第二層就會在短時間內（如約 240 毫秒[3]）通過連續采樣進行識別。識別階段的目標是區分異常聲音是否與飛越音頻傳感器網絡的無人機有關，并最終確定其類型。我們將研究兩種主要方法：一些作者在 [1] 中提出的方法和循環神經網絡 (RNN) [6]。第二識別層中的正匹配將啟用第三階段的跟蹤算法。在這一階段，發出警報的節點（在識別階段匹配成功的節點）會喚醒鄰居節點，以執行波束形成跟蹤。這是耗電量最大的階段，因為需要維護音頻傳感器網絡與其遠程控制中心之間的通信鏈路，以及音頻傳感器的連續采樣階段。

所采用的分層策略應能優化計算能力和電池需求。事實上，始終處于活動狀態的第一層執行的是低復雜度、低消耗的數學計算。另一方面，只有在出現異常音頻時，才會執行更強大的計算，即細粒度簽名識別和音頻跟蹤。

在現代空戰中，超視距（BVR）交戰越來越頻繁。飛行員面臨的主要挑戰之一是機動計劃，這反映了他們的決策能力，并能決定成敗。為確保采用虛擬BVR空戰模擬的飛行員訓練取得成功，計算機生成部隊（CGF）的高精度水平至關重要。要實現這一目標，不僅要充分復制和模擬實體的物理特性，還要使其具有接近人類的行為。在本文中，我們提出了應對這些挑戰的總體概念： 首先，我們引入飛行運動動態模型（飛機、導彈、箔條）以及干擾器。然后，我們分析典型的超視距空戰的工作流程，將其分為攻擊、自衛和決定。在此背景下，我們引入行為樹作為這些任務的建模方法，并解釋其優點。進一步的計劃包括在未來由人類控制的對手飛機（飛行員）與CGF對飛的實驗活動中驗證和確認CGF的行為。最后，我們對未來的工作進行了展望，我們打算在包含多個自由度的任務中采用強化學習。

空中平臺的使用，如無人駕駛飛行器（UAVs），配備了攝像傳感器，對民用安全和安保領域的廣泛應用至關重要。其中，突出的應用包括監視和偵察、交通監測、搜索和救援、救災和環境監測。然而，由于大量的視覺數據和由此產生的認知過載，僅由人類操作員分析航空圖像數據往往是不可行的。在實踐中，基于適當的計算機視覺算法的自動處理鏈被用來協助人類操作員評估航空圖像數據。這種處理鏈的關鍵部分是在分析和解釋場景之前，準確檢測相機視野內的所有相關物體。由于相機和地面之間的距離較大，空間分辨率較低，這使得航空圖像中的物體檢測成為一項具有挑戰性的任務，而運動模糊、遮擋或陰影又進一步阻礙了這項工作。盡管在文獻中存在許多用于航空圖像中物體檢測的傳統方法，但由于物體的尺度、方向、顏色和形狀的高差異性，所使用的手工制作的特征的有限表示能力常常抑制了可靠的檢測精度。

在本文的范圍內，開發了一種新的基于深度學習的檢測方法，其重點是在俯視記錄的航空圖像中檢測車輛。為此，選擇了Faster R-CNN作為基礎檢測框架，因為與其他基于深度學習的檢測器相比，它的檢測精度更高。針對航空圖像的具體特點，特別是小物體的尺寸，系統地研究了相關的適應性，并確定了現實世界應用方面的問題，即由類似車輛的結構引起的大量錯誤檢測和推理時間差。我們提出了兩個新的組成部分，通過提高所采用的特征表示的上下文內容來提高檢測精度。第一個組件旨在通過結合淺層和深層的特征來增加空間背景信息，以說明精細和粗略的結構，而后一個組件利用語義標簽--圖像的像素級分類--來引入更多的語義背景信息。實現了將語義標簽整合到檢測框架中的兩種不同的變體：利用語義標簽的結果來過濾掉不可能的預測，以及通過共享特征表示將語義標簽網絡明確地并入檢測框架來誘導場景知識。這兩個部分都明顯減少了錯誤檢測的數量，從而大大地提高了檢測精度。為了減少計算量，從而減少推理時間，在本論文的背景下開發了兩種替代策略。第一個策略是將用于特征提取的默認CNN結構替換為針對航空圖像中的車輛檢測而優化的輕量級CNN結構，而后一個策略包括一個新的模塊，將搜索區域限制在感興趣的區域。所提出的策略使檢測框架的每個組成部分的推理時間明顯減少。與作為基線的標準Faster R-CNN檢測器相比，結合所提出的方法明顯提高了檢測性能。此外，在不同的航空圖像數據集上，現有的航空圖像中的車輛檢測方法在數量和質量上都優于其他方法。在從具有不同屬性的新的航空圖像數據集上收集的大量以前未見過的數據上，進一步證明了其泛化能力。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

無人作戰飛行器（UCAV）是一種無人飛行器，用于情報、監視、目標獲取和偵察，并攜帶飛機軍械，如導彈、反坦克導彈和/或炸彈的硬點，用于無人機打擊。這些無人機通常由人類實時控制，具有不同程度的自主性。與無人監視和偵察飛行器不同，UCAVs同時用于無人機打擊和戰場情報。無人駕駛戰斗飛行器（UCAV）的推進技術與UCAV的飛行性能有很大關系，這已經成為航空業最重要的發展方向之一。需要指出的是，UCAVs有三種推進系統，分別是燃油、油電混合和純電動。本文介紹并討論了這三類推進系統的分類、工作原理、特點和關鍵技術。它有助于建立UCAV推進系統的發展框架，并提供電動推進UCAV的基本信息。此外，還討論了電動推進UCAVs的未來技術和發展，包括高功率密度電機、轉換器、電源。在不久的將來，電力推進系統將被廣泛用于UCAVs。高功率密度系統將成為電動UCAVs的發展趨勢。因此，這篇評論文章對UCAVs的推進系統提供了全面的看法和多種比較。

使用空間分布的多個雷達節點，在不受約束的運動方向上研究了連續人類活動的識別，在使用單個節點時，活動可能發生在不利的角度或被遮擋的視角。此外，這種網絡不僅有利于實現上述目標，而且也有利于可能需要不止一個傳感器的更大的受控監視區域。具體來說，當目標位于長距離和不同角度時，分布式網絡可以在節點之間顯示出顯著的特征差異。雷達數據可以用不同的域來表示，其中人類活動識別（HAR）的一個廣為人知的域是微多普勒頻譜圖。然而，其他域可能更適合于更好的分類性能，或對計算資源有限的低成本硬件更有優勢，如范圍-時間或范圍-多普勒域。一個開放的問題是如何利用從上述數據域以及從同時觀察監視區域的不同分布式雷達節點中提取信息的多樣性。為此，數據融合技術可以在每個雷達節點的數據表示層面以及網絡中不同節點之間使用。將利用所介紹的決策融合方法（通常在每個節點上操作一個分類器）或特征融合方法（在使用一個單一的分類器之前對數據進行串聯），研究它們在連續序列分類中的性能，這是一種更加自然和現實的人類運動分類方式，同時也考慮到數據集中固有的不平衡。

圖 1：所提出方法的示意圖：從各個雷達節點提取的數據域被組合（“數據域融合”）。然后應用決策融合或特征融合來組合來自節點的信息。

方法

雷達網絡在適應能力、分類指標和跟蹤性能方面已經顯示出其優勢。這是通過增加整體信息內容來實現的，這要歸功于對場景和感興趣的目標的多視角觀察。然而，網絡中雷達的有效利用依賴于可靠地結合來自不同傳感器的各種信息的能力。最近，具有多個合作雷達的分布式網絡引起了人們的極大興趣，以解決在不利角度記錄的微多普勒(mD spec.)信號、遮擋或僅對少數觀察者節點可見的目標問題[1]-[10]。

在這種情況下，為了提高分類性能，找到融合網絡中多個雷達節點信息的最佳技術，仍然是一個突出的研究問題。這對于連續人類活動序列的分類特別重要。相對于更傳統的對單獨記錄的人工分離活動的分類，這些活動在文獻中被越來越多地研究，因為它們更加真實和自然[11]-[13]。

本文研究了應用于來自節點網絡的融合數據的機器學習分類器，重點是特征融合（"早期融合"）和決策融合（"后期融合"）方法，這些方法在一個公開的數據集上得到了驗證[14]。在這種情況下，大多數研究工作主要集中在微多普勒（mD）頻譜圖上，作為感興趣的數據格式，而這項工作還利用了以下領域，即范圍多普勒（RD）、傅里葉同步擠壓變換（FSST）頻譜和范圍時間（RT）圖。本文將這些數據域的信息融合與整個網絡的雷達節點融合聯合起來進行研究。應該指出的是，這種跨越不同數據格式和網絡中不同雷達節點的高效和有效的數據融合問題不僅與人類活動分類有關，而且在任何可以使用來自分布式雷達節點的信息的監視和態勢感知問題上也是如此。

在方法上，首先通過利用基于奇異值分解（SVD）的一維主成分分析（PCA）來提取上述每個數據域的信息，這是一個簡單而有效的工具，用于提取圖像的特征進行分類。Fioranelli等人[3]舉例說明了使用SVD相關的特征來分析具有不同角度軌跡的人類多態行走場景。他們提出，SVD可以用來從mD頻譜圖中提取最相關的特征，方法是使用有限數量的左側奇異向量，這些奇異向量與最高奇異值有關。在[3]中證明，在使用極少的甚至只是單一的最高相關奇異值的情況下，可以達到90%以上的分類結果，最好是96%的最佳角度軌跡。

然后，在這項工作中，還研究了基于矩陣eigendecomposition的二維主成分分析（2D PCA），它被證明能帶來更好的準確性和減少計算時間。對于這兩種特征提取方法，采用了四種機器學習分類器，即決策樹（DT）分類器、k-近鄰（KNN）分類器、天真貝葉斯（NB）分類器和支持向量機（SVM），以評估上述融合方法，圖1為示意圖。

本文的其余部分組織如下。第2.0節顯示了包括數據處理參數在內的數據域。第3.0節提供了特征融合和機器學習方法。第4節介紹了實驗結果，第5節給出了最后的評論。

研究目標

諸如困難目標、嵌入復雜雜波和相互競爭的背景目標設置以及日益嚴重的有意和無意 RF 干擾等幾個因素，繼續增加現代高性能雷達的復雜性和挑戰。認知型全自適應雷達（CoFAR）的推出是為了應對日益復雜的工作環境的挑戰。CoFAR的特點是通過感知-學習-適應（SLA）方法學習和理解完整的多維雷達信道（目標、雜波、干擾等），實現完全自適應發射、接收和控制器/調度器功能。該系統能夠通過估計由雜波和其他干擾信號組成的雷達信道，共同優化自適應發射和接收功能。

隨后的脈沖或相干脈沖間隔（CPI）的雷達波形和CoFAR的接收濾波器基本上是利用對雷達信道的了解來計算的，其中包括雜波和其他干擾信號。在實踐中，信道信息是未知的，應該從探測信號中估計。因此，這些CoFAR系統的有效性高度依賴于雷達信道的靜止性以及信道估計算法的準確性。我們開發了新的信道估計算法，利用了相鄰脈沖的信道脈沖響應之間的關系。所提出的算法優于傳統的無約束的最小二乘法解決方案。

我們還解決了下一步的問題，該框架涉及一個由 "我們 "和 "對手 "組成的對抗性信號處理問題。"我們 "指的是一種資產，如無人機/UAV或探測 "對手 "認知雷達的電磁信號。認知型傳感器將我們在噪聲中的運動狀態作為觀察對象。然后，它使用貝葉斯跟蹤器來更新我們狀態的后驗分布，并根據這個后驗選擇一個行動。我們在噪聲中觀察傳感器的行動。鑒于對 "我們的 "狀態序列和對手的傳感器所采取的觀察到的行動的了解，我們將重點放在以下相互關聯的方面。我們認為敵方雷達通過實施維納濾波器來選擇其發射波形以跟蹤目標，從而使其信號-雜波-噪聲比（SCNR）最大化。通過觀察雷達選擇的最佳波形，我們將制定一個智能策略來估計對手的認知雷達信道，然后通過信號相關的干擾產生機制來迷惑對手的雷達。

研究總結

2020財年的研究報告分為兩大重點：

1 約束信道估計算法

我們的主要目的是開發一種新的信道估計算法，以改善無約束的最小二乘法解決方案，特別是在低信噪比的情況下，因為沒有任何約束的最小二乘法解決方案受到低信噪比值的影響。我們提出了在余弦相似性約束和前一個脈沖的信道脈沖響應與當前脈沖之間的內積約束下的約束最小二乘法問題，該信道脈沖響應正在被估計。

我們首先研究了RFView數據集中相鄰脈沖的信道脈沖響應之間的余弦相似度測量和內積值，觀察到較近的脈沖之間的信道脈沖響應顯示出較高的余弦相似度和內積值。我們還觀察到，無約束的最小二乘法解決方案顯示出更低的余弦相似度值，尤其是在低信噪比環境下。

然后，我們提出了一個新的帶有余弦相似性約束的約束最小平方問題，以改善最小平方解。由于最小二乘法的解決方案不符合余弦相似性約束的理想值，我們強制要求估計的信道脈沖響應有一個理想的余弦相似性測量。由此產生的優化問題是一個非凸問題，然而，我們將其轉換為一個非凸的二次約束二次程序，對其而言，強對偶性是成立的。此外，我們觀察到，無論信噪比水平如何，相鄰信道脈沖響應之間的內積值都不會變化。我們將內積約束添加到帶有余弦相似性約束的非凸式QCQP中，然后得出一個凸式優化問題。

我們使用RFView的真實數據集，提供了所提方法與傳統的無約束租賃平方解決方案的數值結果。我們表明，所提出的兩種方法都優于最小二乘法的解決方案。這也表明，具有余弦相似性約束和內積約束的凸問題顯示出最好的性能，盡管計算復雜度比具有余弦相似性約束的非凸QCQP低得多。我們還提供了使用RFView挑戰數據集的仿真結果，帶有內積約束的凸問題在挑戰數據集中表現良好。

2 通過逆濾波進行信道/參數估計和智能干擾設計

我們考慮了涉及認知雷達的相互關聯的對抗性推理問題，并解決了如何在物理層層面設計干擾來迷惑雷達，從而迫使它改變發射波形。對手雷達通過實施維納濾波器來選擇目標跟蹤的發射波形，以使其信號-雜波-噪聲比（SCNR）最大化。通過觀察雷達選擇的最佳波形，我們開發了一種智能策略來估計對手的認知雷達信道，然后通過信號相關的干擾生成機制來迷惑對手的雷達。

我們的目標是使我們產生的干擾的信號功率最小化，同時確保對手雷達的SCNR不超過預先定義的閾值。其設置示意圖見圖1。

圖1. 涉及對抗性認知雷達和我們的發射信道、雜波信道和干擾信道的示意圖。我們在噪聲中觀察雷達的波形W。我們的目的是設計干擾信道P來迷惑認知雷達。

我們首先描述了認知型雷達如何根據其感知的干擾來優化選擇其波形的特點。該雷達的目標是選擇使其SCNR最大化的最佳波形。然后，我們設計最佳干擾信號，通過解決一個概率約束的優化問題來迷惑對手的認知雷達。最佳干擾信號使其功率最小，從而使雷達的SCNR以規定的概率低于閾值。為了解決由此產生的非凸優化問題，我們首先從觀測中估計發射和雜波信道脈沖響應，并使用信道脈沖響應的估計值來產生干擾信號。

認知型雷達在其目標脈沖響應和傳遞函數的方向上使其能量最大化。只要我們從脈沖中準確估計出目標信道的傳遞函數，我們就可以立即產生與信號相關的干擾，使目標回波無效。即使在我們自適應地進行估計后，雜波信道脈沖響應發生變化，因為目標信道在較長時間內是靜止的。因此，在我們結束估計后，信號依賴干擾將在幾個脈沖中成功工作。這種方法的主要收獲是，我們正在利用認知雷達通過優化與環境有關的波形來提供其信道信息的事實。

認知型雷達，根據IEEE標準雷達定義686[1]，是 "在某種意義上顯示智能的雷達系統，根據不斷變化的環境和目標場景調整其操作和處理"。特別是，嵌入認知型雷達的主動和被動傳感器使其能夠感知/學習動態變化的環境，如目標、雜波、射頻干擾和地形圖。為了達到探測、跟蹤和分類等任務的優化性能，認知雷達中的控制器實時適應雷達結構并調整資源分配策略[2, 3, 4]。對于廣泛的應用，已經提出了不同的適應技術和方法，例如，自適應重訪時間調度、波形選擇、天線波束模式和頻譜共享，以推進認知雷達背景下的數學基礎、評估和評價[5, 6, 7, 8, 9, 10]。

雖然認知方法和技術在提高雷達性能方面取得了很大進展，但認知雷達設計和實施的一個關鍵挑戰是它與最終用戶的互動，即如何將人納入決策和控制的圈子。在國家安全和自然災害預報等關鍵情況下，為了提高決策質量和增強態勢感知（SA），將人類的認知優勢和專業知識納入其中是必不可少的。例如，在電子戰（EW）系統中，在設計適當的反措施之前，需要探測到對手的雷達。在這種情況下，戰役的進程和成功取決于對一個小細節的觀察或遺漏，僅靠傳感器的自動決策可能是不夠的，有必要將人納入決策、指揮和控制的循環中。

在許多應用中，人類也充當了傳感器的角色，例如，偵察員監測一個感興趣的現象（PoI）以收集情報。在下一代認知雷達系統中，最好能建立一個框架來捕捉基于人類的信息來源所建議的屬性，這樣，來自物理傳感器和人類的信息都可以被用于推理。然而，與傳統的物理傳感器/機器4的客觀測量不同，人類在表達他們的意見或決定時是主觀的。人類決策的建模和分析需要考慮幾個因素，包括人類的認知偏差、處理不確定性和噪音的機制以及人類的不可預測性，這與僅由機器代理組成的決策過程不同。

已經有研究工作利用信號處理和信息融合的理論來分析和納入決策中的人類特定因素。在[11]中，作者采用了先驗概率的量化來模擬人類在貝葉斯框架下進行分類感知而不是連續觀察的事實，以進行協作決策。在[12，13]中，作者研究了當人類代理人被假定使用隨機閾值進行基于閾值的二元決策時的群體決策性能。考慮到人類受到起點信念的影響，[14]中研究了數據的選擇、排序和呈現對人類決策性能的影響。在人類協作決策范式中，已經開發了不同的方案和融合規則來改善人類人群工作者的不可靠和不確定性[15, 16]。此外，在[17，18]中，作者將前景理論（PT）用于描述人類的認知偏見，如風險規避，并研究了現實環境中的人類決策行為。在[19, 20]中也探討了基于人類和機器的信息源在不同場景下的信息融合。在[19]中，作者表明，人類的認知力量可以利用多媒體數據來更好地解釋數據。一個用戶細化階段與聯合實驗室主任（JDL）融合模型一起被利用，以在決策中納入人類的行為因素和判斷[20]。

未來的戰場將需要人類和機器專業知識的無縫整合，他們同時在同一個環境模型中工作，以理解和解決問題。根據[21]，人類在隨機應變和使用靈活程序、行使判斷和歸納推理的能力方面超過了機器。另一方面，機器在快速反應、存儲大量信息、執行常規任務和演繹推理（包括計算能力）方面勝過人類。未來雷達系統中的高級認知尋求建立一種增強的人機共生關系，并將人類的優點與機器的優點融合在一起[22]。在本章中，我們概述了這些挑戰，并重點討論了三個具體問題：i）人類決策與來自物理傳感器的決策的整合，ii）使用行為經濟學概念PT來模擬人類在二元決策中的認知偏差，以及iii）在相關觀測下半自主的二元決策的人機協作。

本章的其余部分組織如下。在第11.1節中，我們介紹了一項工作，說明如何將人類傳感器的存在納入統計信號處理框架中。我們還推導出當人類擁有機器無法獲得的輔助/側面信息時，這種人機一體化系統的漸進性能。我們采用行為經濟學的概念前景理論來模擬人類的認知偏差，并在第11.2節中研究人類在二元假設檢驗框架下的決策行為。第11.3節討論了一種新的人機協作范式來解決二元假設檢驗問題，其中人的知識和機器的觀察的依賴性是用Copula理論來描述的。最后，我們在第11.4節中總結了與這個問題領域相關的當前挑戰和一些研究方向，然后在第11.5節中總結。

智能反射表面（IRS）技術最近在無線通信研究中引起了很大的興趣。IRS由無源反射元件組成，能夠調整入射波形的相位、振幅、頻率和偏振。我們研究了當與目標的視線（LoS）聯系較弱或被阻斷時，如何部署IRS來幫助雷達系統。本文證明，部署多個IRS平臺可以在雷達和目標之間提供一個虛擬或非視線（NLS）鏈接，從而提高雷達性能。數值實驗表明，與無視線鏈接相比，當無視線鏈接較弱時，IRS增強了目標參數的估計，幅度為~0.1

引言

智能反射面（IRS）是由大量的無源可重構元材料元件組成，通過引入預定的相移來反射傳入的信號[1]。在一個通信系統中，這種相移是通過基站（BS）通過回程控制鏈路傳輸的外部信號來控制。因此，來自BS的傳入信號被實時操縱，從而有效地將接收的信號反射到用戶身上[2-5]。IRS技術已經出現在無線通信中，也以其他名稱出現，包括大型智能表面和軟件控制的元表面[6-8]。一些有前途的IRS應用案例，包括向直接鏈接受阻的用戶擴展范圍[6]、物理層安全[9]和無人駕駛飛行器（UAV）通信[10]，已經被研究。一些先前關于IRS輔助信號傳輸的工作有[10-14]。

在這種情況下，IRS的部署在雷達系統設計和信號處理中具有未開發的潛力，用于目標探測和估計[15]-[16]。在IRS輔助雷達中，表面操縱來自雷達發射器（目標）的信號并將其反射到目標（雷達接收器）（圖1）。最近，IRS已經成為一種有前途的、具有成本效益的解決方案，即使在視線（LoS）鏈接被障礙物阻擋的情況下，也能建立強大的連接[17]。在沒有IRS的幫助下，之前已經有一些關于非視線（NLS）雷達系統的工作[18-20]。然而，這些技術需要對環境的整個幾何結構有所了解。此外，處理來自目標的多路徑回報在計算上要求很高。IRS輔助的NLoS雷達是一個范式的轉變，因為IRS平臺的位置和通過IRS進行波束成形的靈活性足以進行目標探測和估計。通過巧妙地調整IRS無源元件的相移，有效的NLS或虛擬LoS鏈接被創建，從而產生更可靠的目標感應。

在[21]中介紹了IRS輔助雷達的NLA情況，并在[22，23]中擴展到多輸入多輸出（MIMO）雷達。

在本文中，我們為IRS輔助雷達參數估計建立了一個數學模型，并研究了在這種情況下部署IRS的潛在收益。與大多數以前的工作[21-23]不同的是，我們將多個IRS平臺納入其中[24-26]，這些工作側重于通過單一的IRS進行NLoS感知。我們開發了多個IRS輔助雷達的一般信號模型，其中IRS作為一個相移組件，并通過目標參數估計的均方誤差對IRS平臺的性能進行了評估。我們推導出用于估計目標后向散射系數的最佳線性無偏估計器（BLUE）。我們的數字實驗表明，即使在隨機選擇相移的情況下使用IRS也能改善目標參數估計的均方誤差。我們進一步研究了IRS平臺的優化，通過設計相位偏移來專門減少目標參數估計的均方誤差。正如預期的那樣，與非優化的IRS相比，優化的IRS情況導致了較低的估計誤差。我們進一步推導出目標參數估計的克拉梅爾-拉奧約束（CRB），并對LoS和NLS情況進行了說明。

圖 1. IRS 輔助雷達操作示意圖。 IRS 在雷達和所需目標之間創建有效的虛擬 LoS 鏈接。遠場部署可能需要大型 IRS 平臺。

與傳統的雷達系統不同，認知雷達被設計為采用感知-行動周期來不斷適應其環境。自適應波束導向認知雷達（AB-CRr）系統試圖通過制定適應其環境的波束布局策略來提高探測和跟蹤性能。AB-CRr不是在搜索場景中采用傳統的光柵掃描，而是建立一個目標環境的概率模型，使其能夠更有效地利用其有限的資源來定位和跟蹤目標。在這篇論文中，我們研究了調整AB-CRr框架以探測和跟蹤大型目標群的方法。這是通過將相關運動群的特性整合到雷達跟蹤模型和AB-CRr的基本動態概率模型中來實現的。結果表明，AB-CRr能夠調整其波束轉向策略，在搜索和跟蹤應用之間有效地進行資源平衡，同時利用群結構和群內目標的相關性來抵制大型群的可用資源過載。