面向认知跟踪雷达的在线贝叶斯元学习

认知雷达的一个关键组成部分是泛化能力，即在一系列感知环境中保持一致性能的能力，因为物理场景的各个方面可能随时间变化。这对基于学习的波形选择方法提出了挑战，因为在某一场景中有效的发射策略在另一场景中可能高度次优。我们通过利用跨跟踪实例的高层结构（称为元学习）来策略性地偏置学习算法以解决此问题。本文开发了一种用于波形敏捷跟踪的在线元学习方法。该方法利用从先前目标跟踪中获得的信息，加速并增强新跟踪实例中的学习。这通过利用跨跟踪场景的固有相似性（归因于目标类型或杂波统计等共同物理要素），在一类有限状态目标信道上实现了样本高效学习。我们在贝叶斯学习框架内表述在线波形选择问题，并利用概率近似正确（PAC）-贝叶斯理论给出元学习问题的先验相关性能界。我们提出了一种计算可行的元后验采样算法，并在由多样化场景组成的仿真研究中考察了性能。最后，我们探讨了用于波形敏捷跟踪的在线元学习的潜在性能收益与实际挑战。