在线学习在雷达波形选择中的价值探讨

本文试图刻画这样一类物理场景：在其中基于在线学习的认知雷达可可靠地优于固定规则波形选择策略，以及相反的情形。我们通过考察两个决策场景，即动态频谱接入与多目标跟踪，来寻求一般性见解。雷达场景通过引入状态空间模型并考察其底层 Markov 状态转移矩阵的结构（以熵率与对角性衡量）来刻画。研究发现，熵率是基于在线学习的波形选择的强预测因子，而对角性是固定规则波形选择的更好预测因子。我们证明了这些度量可用于预测一阶与二阶随机占优关系，从而在某些条件下使系统设计者能够使用简单决策规则替代更繁琐的学习方法。我们通过各应用的数值结果验证了发现，并给出了未来实现的指导方针。