杨洁 李国腾 曾耀平

摘 要：现代雷达可以设计成多种功能，如监视、跟踪和火灾控制。每个功能都要求雷达执行许多收发任务。这就出现了将雷达资源分配给不同任务的问题。具体而言，雷达资源管理（RRM）模块对这些任务的参数选择、优先级和调度进行决策，在超负荷情况下，RRM变得特别具有挑战性，有些任务可能需要延迟甚至放弃。随着多通道雷达变得越来越智能，大大提高了执行任务的能力，但它也使任务调度复杂化。之前的研究选择使用分支和约束（B&B）方法来解决这一问题。文章使用B&B方法的结果来训练一个基于机器学习的调度器，通过使用神经网络估计搜索树节点的值来加快B&B方法。结果表明，使用神经网络结合B&B方法得到了一个接近最优解，同时显著降低了计算复杂度。

关键词：机器学习;认知雷达;分支定界法

0    引言

认知雷达（CR）被定义为一种进行智能信号处理的雷达，它建立在通过雷达与周围环境[1]的交互学习的基础上。CR的关键要素是通过观察获取知识，并在实际决策中使用这些知识。本文考虑了一种多功能认知雷达（MFR）中雷达资源管理（RRM）的方法。

MFR通过执行一些收发任务来处理各种功能，如广域监视和跟踪多个目标在这种情况下，可用的雷达资源，特别是时间、频率和能量，需要以有效的方式分配给不同的任务。RRM模块对[2]参数选择、优先级和任务调度进行决策。通常，在某些过载情况下，任务数量超过MFR的能力，其中一些任务可能需要延迟甚至放弃，因此RRM变得特别具有挑战性。……