基于机器学习的认知雷达资源管理

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.