基于元学习的雷达检测快速数据驱动自适应
信号处理
2021-12-06 v1
摘要
本文解决在训练数据有限情况下快速学习雷达检测器的问题。在当前用于雷达检测的数据驱动方法中，当运行环境改变时通常需要重新训练，这在数据收集和训练时间方面带来巨大开销。相比之下，本文提出两种基于深度学习的新方法，能够基于来自新环境的少量数据样本实现检测器的快速自适应。所提方法以两种不同方式整合关于先前遇到的雷达运行环境的先验知识。一种方法基于迁移学习：它首先预训练一个在先前观测环境收集的数据上表现良好的检测器，然后将预训练检测器适配到特定当前环境。另一种方法通过元学习显式针对少样本训练：基于来自先前环境的数据，它找到一个能够实现向新环境快速自适应的公共初始化。数值结果验证了所提两种方法相较于基于无先验知识训练的传统方法的优势。此外，在杂波为高斯分布时，基于元学习的检测器优于基于迁移学习的检测器。
引用
@article{arxiv.2112.01780,
title = {Fast Data-Driven Adaptation of Radar Detection via Meta-Learning},
author = {Wei Jiang and Alexander M. Haimovich and Mark Govoni and Timothy Garner and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2112.01780},
year = {2021}
}
备注
Presented at the 2021 Asilomar Conference on Signals, Systems, and Computers