一种基于深度学习残差网络的模糊函数赋型方法

作     者：肖相青 王元恺 胡进峰 刘军 钟凯 赵紫薇 李会勇 

作者机构：电子科技大学 电子科技大学长三角研究院(衢州) 中国电子科技集团公司第四十一研究所 

出 版 物：《雷达科学与技术》 (Radar Science and Technology)

年 卷 期：2024年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081105[工学-导航、制导与控制] 0835[工学-软件工程] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(NO.62231006) 国家重点研发计划(2023YFF0717400) 衢州市人民政府(NO.2023D040、2023D009、2022D009、2022D013和2022D033) 四川省科技计划项目(编号:2023YFG0176) 

主　　题：深度学习 模糊函数 残差网络 恒模约束 波形设计 

摘      要：基于模糊函数（Ambiguity Function，AF）赋型的恒模波形设计是雷达系统中的一项关键技术。该问题可构造为一个非线性的复四次问题（NP-hard）。现有的方法可分为两类：第一类方法通过松弛方式来求解该问题，但不可避免地会引入近似误差；第二类方法直接求解该问题，但该类方法的参数选取较为困难。我们注意到深度神经网络是一个天然的非线性系统，与上述的非线性问题模型高度契合。因此，本文提出了一种基于深度学习残差网络的方法来对AF赋型，该方法不需要松弛操作以及复杂的参数选取。具体步骤为：（1）将该问题转化为一个无约束的相位优化问题；（2）将该无约束问题的非凸目标函数构造为网络的损失函数；（3）使用残差网络直接优化波形的相位。仿真结果表明，与文献[9]和文献[12]中的方法相比，所提方法的信干比（Signal-to-Interference Ratio，SIR）提高了70.47 dB和26.86 dB，并且有着更好的目标探测性能。