基于深度学习的认知雷达天线选择
信号处理
2019-02-05 v3 机器学习
摘要
目标到达方向（DoA）估计的精度随相控阵雷达天线所用单元数增加而提高。由于较大阵列具有高成本、大面积和计算负载，近期人们关注在不损失远场DoA精度的情况下对天线阵列进行稀疏化。在此背景下，认知雷达可部署全阵列，然后针对目标环境的变化选择一个最优子阵列来发射和接收信号。先前工作使用优化和贪婪搜索方法认知地挑选最佳子阵列。在本文中，我们利用深度学习解决天线选择问题。具体而言，我们构建了一个卷积神经网络（CNN）作为多类分类框架，其中每个类代表一个不同的子阵列。所提出的网络在雷达每次接收到数据时确定一个新阵列，从而使天线选择成为一项认知操作。我们的数值实验表明，所提出的CNN结构比支持向量机（SVM）提供22%更好的分类性能，且所得子阵列比随机阵列选择产生72%更精确的DoA估计。
引用
@article{arxiv.1802.09736,
title = {Cognitive Radar Antenna Selection via Deep Learning},
author = {Ahmet M. Elbir and Kumar Vijay Mishra and Yonina C. Eldar},
journal= {arXiv preprint arXiv:1802.09736},
year = {2019}
}
备注
10 pages, 11 figures, 5 tables