本論文論證了將小巧、輕便、低成本的商用現貨（COTS）多光譜傳感器集成到小型戰術無人機系統（UAS）中的可行性，以增強對偽裝目標和戰場異常的探測能力。與目前設計中使用的普通電子光學和紅外傳感器（EO/IR）相比，這種能力增強了對此類目標的探測能力。

無人系統在現代軍事行動中應用廣泛，可為戰場指揮官和軍事規劃人員提供新的或增強的能力和作戰概念。它們的主要優勢在于能夠以更高效、規避風險和低成本的方式執行枯燥、骯臟和危險的任務。由于這些原因，無人系統，特別是無人機系統，如今正在執行大多數監視和偵察行動，在所有作戰層面提供必要的情報。

為了應對在現代戰場上擴大使用戰術和戰區級無人機系統進行偵察和監視的情況，地面兵力正在加大力度隱藏其資產，使用偽裝，或利用地形和植被。此外，正規軍和非正規軍廣泛使用地雷和簡易爆炸裝置，對地面部隊構成重大威脅。這些戰術給情報搜集行動帶來了新的挑戰，需要新一代無人機系統加以解決，特別是在戰術層面。

在過去的十年中，多光譜成像技術不斷發展，提供了結構緊湊、成本低廉的傳感器，可增強戰術無人機系統的能力，使其能夠擊敗偽裝，探測普通傳感器無法看到的戰場異常情況。與普通成像傳感器相比，多光譜設備可在可見光和紅外光譜的特定窄波段內成像。此外，多光譜設備還能利用不同材料在這些波段中的吸收和反射率差異，對這些波段進行算法融合。

這項研究旨在回答兩個研究問題，要求探索 COTS 多光譜傳感器探測偽裝人造目標或戰場異常的能力，并將其性能與 RGB 和全色傳感器進行比較。為了回答這些問題，我們使用集成在小型戰術級無人機系統中的多光譜傳感器對偽裝目標進行了幾次實驗性飛行。從這些飛行中收集的數據被用來評估傳感器的性能，并探索融合多光譜數據和生成成像產品的方法。

利用 MATLAB 編程環境開發了一種算法，以實現多光譜數據的融合。該算法可對各個多光譜波段數據進行對齊，并實施三種融合方法。使用歸一化差異植被指數（NDVI）、彩色紅外（CIR）和歸一化差異紅邊藍邊指數（NDREB）對多光譜數據進行融合。歸一化差異植被指數廣泛用于商業農業應用，以區分植被和環境。CIR 還能在多色成像中突出植被。最后，NDREB 是為本論文開發的，它利用了人造目標與環境在紅邊和藍帶反射率上的差異。

對實驗飛行所收集數據的解讀證明，COTS 多光譜傳感器能夠探測偽裝目標和戰場異常，其性能優于普通的 EO/IR 傳感器。此外，還在多個目標場景中評估了所使用的三種融合方法的性能。最后，確定了當前算法在實時操作方面的局限性。成功評估了低成本、緊湊型多光譜傳感器在探測偽裝目標方面的性能，為其在戰術無人機系統中的應用提供了概念證明，并為該領域的未來研究奠定了基礎。

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。

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。

可部署防空雷達（DADR）和固定防空雷達（FADR）系統提供空中和導彈威脅或入侵的早期預警。盡管這些系統的空中監視模式（AS）被優化以覆蓋主要與ABT（帶噴氣發動機的空中目標）有關的高度，但其波束中心設計和數字波束成形提供的靈活性使它們能夠納入其他次要的操作模式。例如，通過在空中監視波束序列中增加TBM（戰術彈道導彈）專用波束，可以實現更高的仰角覆蓋，從而可以同時探測和跟蹤TBM目標。

通過設計特殊波束和/或操作模式，實現更遠的范圍和更高的海拔覆蓋，可以考慮在低地球軌道（LEO）水平上的空間情況意識（SSA）/空間監視和跟蹤（SST）能力。使用基于調整波束序列的相同操作模式設計方法，這些功能只需通過軟件或輕微的硬件修改就可以獲得。

雷達切換到這種與低地軌道監視行動兼容的工作模式，可以由操作員內部觸發（使用先前加載的空間物體目錄），或通過接收先前定義的功能激活請求進行外部提示。獲得的SST能力，無論是在每個雷達上單獨運行還是在多雷達網絡中連接，都可以補充和加強現有SST專用雷達系統提供的SSA能力。

引言

DADR/FADR三維雷達系統的主要任務是提供預警監視，以行使大陸領土或部署部隊的空中主權。這些類型的雷達還有助于北約綜合防空和導彈防御（NATINAMDS），保障和保護聯盟領土、人口和部隊免受任何空中和導彈威脅和攻擊。

其基本的空中監視（AS）模式的波束模板進行了優化，以覆蓋一個具有較長儀器范圍的區域，方位角為360o，高度為100Kfeet。由自己的雷達搜索算法或外部提示觸發，所應用的雷達波束管理技術允許在正常的波束序列中增加波束，使得在同一方位角的各種類似TBM的目標的探測和跟蹤的仰角覆蓋范圍擴大，而在該方位角的ABT監視性能下降最小。

數字波束成形技術為操作者在能量、照明時間、波束轉向和波形管理方面對此類特殊專用模式的編程和配置帶來了極大的靈活性。因此，基于同樣的原則，具有更遠探測范圍和/或更高海拔覆蓋率的額外模式可以納入此類現有的DADR/FADR雷達系統，用于低地軌道水平的SSA/SST，而不需要或只需對硬件進行少量修改。SST能力可以由內部或外部操作。

• 負責低地軌道任務調度的雷達系統SW模塊，可以對其TLE參數先前已經加載的物體進行軌道傳播。然后，系統可以確定它們中的哪一個，在哪里以及什么時候會在雷達的覆蓋范圍內（考慮到低地軌道的延伸范圍和仰角覆蓋）。對于那些符合上述條件的軌跡，可以根據操作者的要求安排監視行動：系統將使用專用的低地軌道波束，試圖沿著編程的路徑照亮感興趣的目標。如果有編程的目標被照亮，根據回聲的探測和跟蹤啟動過程和標準，然后可以啟動一個低地軌道事件。

• 這一功能可以通過一個通信接口來加強，這樣就可以收到激活該功能的必要信息（外部CUE請求），包括搜索激活請求和系統確定要分析的物體的軌跡以及對監視嘗試進行編程所需的參數。

此外，可以建立一個特定的低地軌道運行模式，使其不強制要求在儀器覆蓋范圍內保持同時進行ABT監視活動。這顯然將提供更大的靈活性和性能，因為更多的系統資源可以專門用于低地軌道模式。

在傳感器層面獲得的能力（單獨運行的DADR/FADR傳感器）也可以通過整合從部署在不同國家的雷達系統收到的物體探測，產生一個傳感器網絡，來大大改善北約的SSA和共同認可的空間圖像。這種網絡可以補充和加強由現有雷達系統提供的SSA骨干能力，如已經在西班牙空軍莫隆空軍基地運行的S3TSR和/或其他類型的光學/光學/測距傳感器。

為了發展這一概念，本文件的其余部分組織如下：在第2節中，簡要介紹了DADR/FADR系統的波束模板適應能力，以及如何利用它們來提供特定的跟蹤能力。在第3節中，介紹了SSA/SST功能的提供，主要集中在一臺雷達上。然后在第4節中描述了雷達網絡的操作概念。最后，主要結論將在第5節中總結。

合成孔徑激光雷達（SAL）與合成孔徑雷達（SAR）有幾個不同的現象，使其成為自動目標識別（ATR）有希望的候選者。SAL的漫射性質導致目標上有更多的像素。光學波長提供厘米級的分辨率，其孔徑基線比SAR基線小10000倍。雖然漫反射散射和光學波長有一些優勢，但也有一些挑戰。與SAR相比，SAL的漫反射性質導致了更明顯的斑點效應。光學波長更容易受到大氣噪聲的影響，導致形成的圖像失真。雖然這些優點和缺點在理論上被研究和理解，但還沒有被付諸實踐。本論文旨在量化從鏡面SAR切換到漫反射SAL對算法設計的影響。此外，鑒于CAD模型的幾何和物理特性，提出了一種性能預測和模板生成的方法。這種方法不依賴于形成圖像，并減輕了生成多個斑點場和冗余光線追蹤的計算負擔。

圖2.1: MSTAR目標的例子和目標的照片。MSTAR圖像包含目標、背景和陰影信息。

引言與動機

1.1 自動目標識別

自動目標識別（ATR）是指從收集的傳感器信息中自動檢測感興趣的目標并進行分類的行為[72]。ATR是一個多學科的領域，包括但不限于信號處理、圖像處理、人工智能、統計和人的表現。一個ATR系統要經歷一個多步驟的過程。這些步驟包括但不限于：

• 感知--從感興趣的區域（RoI）收集傳感器數據。
• 檢測--選擇可能包含感興趣目標（ToI）的子區域。
• 切割--將有信息的像素從背景和噪聲中分離出來。
• 分類--宣布目標為某種類型。

圖1.1顯示了ATR過程的一個例子。

為了收集ATR數據，我們利用了各種傳感方式。這些模式包括合成孔徑雷達（SAR）、合成孔徑聲納（SAS）、3-D激光雷達、超光譜成像（HSI）、廣域運動圖像（WAMI）、激光測振和紅外圖像。這些模式的例子見圖1.2。

圖1.1: 一個改編自[14]的ATR管道實例。在這個例子中，收集的傳感器信息是一個場景的圖像。另外還采取了一些步驟，如雜波抑制。

圖1.2：各種傳感模式的例子。每種模式都有自己的一套優勢和劣勢，普遍的操作條件和使用案例。圖片分別來自[22、28、24、80、1、55]。

每種模式都有其自身的優勢、劣勢和使用案例。每種模式都有一套獨特的因素，影響ATR系統的有效性。這些因素被稱為操作條件（OCs）。對OCs的研究以及它們如何影響ATR系統是ATR研究的前沿問題。OCs可以分為三個主要類別[72, 54]：

• 傳感器OCs - 影響傳感器收集高質量數據能力的因素。此類OCs包括傳感器噪聲、相位誤差和運動補償。

• 環境因素--改變傳感器和目標的環境屬性的因素。此類OCs包括天氣、對抗性干擾器、無源能源、雜波、樹葉和大氣噪聲。

• 目標OCs--改變物理屬性或感興趣的目標的因素。此類OCs包括偽裝網、銜接、材料特性、型號變化、誘餌和操作模式。

任何給定的傳感器的OC空間可能大得無法估量。第2章討論了克服這一問題的策略。

本節前面提到的模式有大量的知識，討論了傳感器現象學、ATR算法和傳感器現象學。本論文的重點是合成孔徑LADAR。對于ATR的目的，SAL是相對未被探索的。正如第二章所討論的，SAL的知識體系主要包括傳感器設計和現象學。對現象學和設計進行了很好的研究，可以確定在SAL數據上設計一個有效的ATR的潛在問題。此外，還討論了SAR ATR的技術現狀。

本文件的其余部分組織如下。

• 第2章是對SAR ATR技術現狀的回顧。討論了分類技術、預測性能、操作條件和合成數據策略。對SAL現象學的歷史和討論進行了更全面的介紹。

• 第3章介紹了基于第2章的回顧，在SAL和ATR的知識體系中的研究差距。列出了目標貢獻和影響。

• 第4章介紹了SAL ATR研究的方法和結果，以及SAL ATR性能預測的擬議技術。

• 第5章總結了第4章的結果并討論了擬議的未來工作。列出了所提出的和擬議的工作的發表時間表。

美國陸軍作戰能力發展指揮部分析中心創建了一種算法，用于估計定位、導航和授時（PNT）傳感器和系統的目標位置誤差。即使系統用來尋找感興趣目標的確切算法是專有的或未知的，該算法也可以使用。該程序具有高度的模塊化和可擴展性；因此，相對來說，添加各種不同的PNT傳感器、系統和目標是很容易的。然而，目前僅有的傳感器是使用到達時間差、到達頻率差和/或到達角度的信號智能系統，以及可能有激光測距儀和測量校準源輻射的光子計數探測器的電子光學/紅外（EO/IR）系統。

美國防部有各種傳感器，作戰人員可以用它們來尋找位置。一些傳感器可以讓作戰人員找到潛在的威脅。如果作戰人員目前不能使用GPS，他們可能需要使用傳感器來確定自己的位置。傳感器可以單獨使用，也可以在更復雜的情況下連接在一起，以估計一個感興趣的物體的位置。為了確保美國陸軍為作戰人員配備能夠執行任務的傳感器，建立一個能夠估計這些位置傳感器在任何情況下的性能的模型至關重要。

美國陸軍作戰能力發展司令部（DEVCOM）分析中心需要一種算法來估計正在進行定位、導航和授時（PNT）計算的各種傳感器和系統的性能。DEVCOM分析中心（DAC）開發了多用途通用簡化TLE計算器（MUSTC）模型，該模型可用于查找各種傳感器的目標位置誤差（TLE），進而用于定位各種物體。

MUSTC算法并不要求用戶了解系統如何使用傳感器的測量結果來確定位置。在MUSTC軟件中添加一個新的傳感器類型所需要的只是一個模型，該模型可以估計傳感器測量的原始值，作為傳感器和目標參數以及它們的位置的函數。

為了使算法能夠確定TLE，算法需要知道所有參考傳感器和目標在場景中的位置、可能影響位置測量的變量和這些變量的不確定性，以及用戶希望為感興趣的項目計算TLE值的空間位置。然后，該算法將假定感興趣的物品在名義上位于用戶想要估計TLE的位置。一旦知道了位置，軟件就可以使用測量模型來確定傳感器將為該場景測量什么。然后，該軟件可以使用這些測量結果，以及優化算法，來確定感興趣的項目在空間指定點的TLE。

該算法的主要優點是，它可以擴展到確定來自不同傳感器類型的測量的各種不確定性如何影響總TLE，或找到感興趣的項目的位置的不確定性。

該算法的主要缺點是，由于反復調用實現優化算法的函數來計算TLE，所以計算有時會很耗時。程序可以使用許多優化算法，有些算法比其他算法快。即使程序使用一個相對較快的優化算法，如果優化算法被調用足夠多的次數，計算時間仍然會增加。DAC努力減輕這一缺點，找到了可用的最快的優化算法，但仍能產生正確的答案，將程序寫成多線程應用程序，以便利用大多數現代計算機處理器的多個核心，并試圖在最終結果的準確性和必須調用優化算法的次數之間找到最佳平衡。

浮動航天器模擬器（FSS）是模仿衛星在空間運動的機器人載體。使用FSS可以在地球上對制導、導航和控制算法進行實驗驗證，然后再將其應用于空間，因為空間的錯誤是災難性的。此外，FSS是空間系統工程課程中大學生的一個重要研究和教育工具。然而，目前使用的所有FSS都是定制開發和昂貴的項目。本論文涵蓋了用于教學和研究目的的新型浮動航天器模擬器的開發、組裝和測試過程，該模擬器被命名為MyDAS，代表微型動態自主航天器模擬器。通過介紹MyDAS，一個小型的、簡單的和低成本的FSS，使FSS在大學和中學階段的研究和教育中得到更廣泛的利用。討論了MyDAS的不同推進配置及其相應的運動方程。對于一個特定的配置，選擇并測試了現成的氣動和電子組件。一個模塊化和標準化的3D打印框架將所有部件固定在一起，形成一個最終的剛性載體。最后，MyDAS在各種實驗中被測試，完成了全部的硬件功能。

1 引言

本論文進行小型化和簡化的浮動航天器模擬器（FSS）工作。本章簡要介紹了這項工作的動機和目標，以及本論文的結構。

1.1 動機

未來空間任務中的航天器需要靈活、自主的制導、導航和控制（GNC）算法，如對接、接近或清除碎片的操縱[1], [2], [3]。用硬件在回路中驗證GNC算法的一種方法是使用FSS，而無需將測試對象送入太空。盡管不向太空發射任何東西而大大降低了成本，但目前的FSS仍然需要大量的經濟和費時的工作來建造和操作，這只有專門的機構或公司才可能做到。除此之外，目前的FSS都是獨特的設計，沒有標準化。引入一種新的、負擔得起的、小而簡單的FSS可以使本科生甚至高中生以及業余用戶能夠使用FSS工作。提供這種機會可以增加為未來空間任務創造更好的GNC算法的成功機會。

1.2 目標

先前工作提出了一個更便宜、更小、更簡單的FSS的概念[4]，稱為MyDAS，代表微型動態自主航天器模擬器。提出了初步的計算機輔助設計（CAD）模型、材料清單、氣動圖、接線圖、兩種浮動配置和三種推進配置。本論文的目的是建立一個MyDAS的物理工作實例。為此，所有定制設計的部件應與購買的現成部件一起制造和組裝。所有的功能部件應先單獨測試，然后再組合。最終的裝置必須能夠使用壓縮空氣供應漂浮和推動自己。如果可能的話，在不使用推進系統的空氣的情況下，漂浮時間應超過5分鐘。此外，推進系統必須由機載計算機和機載電池控制。該裝置的硬件和軟件應是開源的，以使其可重復使用。作為其中的一部分，將提出一個成本估算。在未來的工作中，希望MyDAS能被積極用于驗證和改進GNC算法。

1.3 結構

如上所述，本論文是基于以前的工作，其中介紹了關于FSS的理論基礎和技術現狀[4]。理論基礎和技術現狀同樣適用于本論文，這就是為什么它們在本文件中沒有明確重復。在第2章運動方程中，以前工作中的簡化運動方程被指定用于其中一個推進配置。第3章氣動系統討論了MyDAS的氣動系統。第4章電子學中解釋了MyDAS的電路以及所有的電子元件。第5章框架設計的主要內容是構建和制造一個定制的、3D打印的框架，該框架將所有的部件固定在一起。第6章設置和測試描述了在組裝MyDAS的過程中對單個和組合部件的若干測試。在第7章實驗中，全功能的FSS被用在一個花崗巖試驗臺上，以證明其功能，以及描述某些推進方面的特征。最后一章的結論是對工作的總結以及對未來工作的建議。復制MyDAS的基本信息，如技術圖紙、材料清單和Python列表，可以在附錄中找到。此外，該代碼與CAD文件和更多不能打印在紙上的數據一起在網上提供。

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

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。

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。