基于领域知识增强的在线凸优化雷达抗干扰策略学习
信号处理
2024-07-12 v3
摘要
雷达与干扰机系统之间的动态竞争给现代电子战（EW）带来了重大挑战，因为当前的主动学习方法仍缺乏样本效率，且未能利用干扰机的特征。本文考虑了频率捷变雷达与基于数字射频存储器（DRFM）的智能干扰机之间的竞争。我们引入了一个在线凸优化（OCO）框架来描述这种对抗性交互。值得注意的是，传统 OCO 算法由于每轮获取的信息有限，表现出次优的样本效率。为解决这些局限性，我们提出了两种改进算法，利用无偏梯度估计器并 leveraging 干扰机系统的独特属性。提供了关于静态遗憾和通用遗憾的次线性理论结果，标志着 OCO 性能的显著提升。此外，仿真结果表明，所提出的算法优于常见的 OCO 基线，表明其在现实场景中有效部署的潜力。
引用
@article{arxiv.2402.16274,
title = {Radar Anti-jamming Strategy Learning via Domain-knowledge Enhanced Online Convex Optimization},
author = {Liangqi Liu and Wenqiang Pu and Yingru Li and Bo Jiu and Zhi-Quan Luo},
journal= {arXiv preprint arXiv:2402.16274},
year = {2024}
}
备注
Accepted by SAM2024