基于强化学习的大规模 MIMO 雷达多目标检测方法
信号处理
2021-03-03 v4 机器学习
摘要
本文研究大规模多输入多输出（MMIMO）认知雷达（CR）的多目标检测问题。CR 的概念基于感知-动作循环，该循环感知并智能地适应动态环境，以最优地满足特定任务。然而，这通常需要环境模型的先验知识，而大多数情况下并不可得。我们提出一种基于强化学习（RL）的算法，用于在未知干扰统计特性存在的情况下进行认知多目标检测。雷达充当智能体，持续感知未知环境（即目标与干扰），并据此优化发射波形，以通过将能量聚焦于特定距离-角度单元（即波束成形）来最大化检测概率（）。此外，我们提出了一种比现有方法复杂度更低的波束成形优化问题求解方案。通过数值仿真评估了所提基于 RL 的算法在 stationary 与动态环境中的性能。将基于 RL 的波束成形与等功率分配的传统全向方法以及无 RL 的自适应波束成形进行比较。如所提数值结果所示，我们的基于 RL 的波束成形器在目标检测性能上优于上述两种方法。在低信噪比、重尾干扰和快速变化场景等恶劣环境条件下，性能提升尤为显著。
引用
@article{arxiv.2005.04708,
title = {A Reinforcement Learning based approach for Multi-target Detection in Massive MIMO radar},
author = {Aya Mostafa Ahmed and Alaa Alameer Ahmad and Stefano Fortunati and Aydin Sezgin and Maria S. Greco and Fulvio Gini},
journal= {arXiv preprint arXiv:2005.04708},
year = {2021}
}