認知雷達：知識輔助的全自適應方法（簡體書）

本書是首部認知雷達專著--Cognitive Radar:The Knowledge-Aided Fully Adaptive Approach的中譯本，原作者約瑟夫·R·格西（Joseph R. Guerci）是美國知名雷達專家，曾供職於美國國防部高級研究計劃局和美國空軍實驗室。主要內容包括認知雷達的基本理論，雷達特點，系統構成和性能計算公式以及實時高性能嵌入式計算結構等。
主要讀者對象為雷達、導航、通信、聲納和電子對抗等領域的科技人員，部隊的電子信息科技幹部和管理人員，以及電子信息學科的高年級本科生和研究生。

《認知雷達:知識輔助的全自適應方法》是目前國內外首部關于認知雷達的專著，學術思想新穎，理論研究超前。《認知雷達:知識輔助的全自適應方法》能推動我國雷達界對認知雷達的關注和研究，為我國雷達、導航、通信、聲納和電子對抗等領域的科技人員，電子信息學科的高年級學生和研究生，以及部隊的電子信息科技干部和管理人員提供有益的參考。

第1章緒論
1．1什麼是“認知”雷達？
1．2認知雷達結構的功能單元和特性
1．2．1自適應發射能力
1．2．2知識輔助處理
1．3本書的編排
參考文獻

第2章最優多輸入多輸出（MIMO）雷達
2．1引言
2．2發射和接收功能的聯合優化情況Ⅰ：最大化SINR
例2．1多徑干擾
2．3發射和接收功能的聯合優化情況Ⅱ：最大化信雜比
例2．2副瓣目標抑制：發射副瓣置零
例2．3使SCR最大化的最優脈衝賦形
例2．4機載MTI雷達中雜波抑制的最優空-時MIMO處理
2．4最優MIMO目標識別
例2．5兩目標識別舉例
例2．6多目標識別舉例
2．5帶約束的最優MIMO雷達
例2．7發射提前置零
例2．8鬆弛投影舉例
例2．9實現恒模的非線性調頻（NLFM）
例2．10匹配子空間舉例
附錄無限時間區間（穩態）情況
參考文獻

第3章自適應多輸入多輸出（MIMO）雷達
3．1引言
3．2與發射信號無關的信道估計
例3．1加性多徑干擾自適應抑制
3．3動態：MIMO校準
例3．2MIMO目標相參
3．4與發射信號有關的信道估計
例3．3發射端STAP（STAP-Tx）舉例
例3．4用於GMTI雷達的DDMAMIMOSTAP雜波抑制舉例
3．5DDMAMIMOSTAP方法的理論性能邊界
參考文獻

第4章知識輔助自適應雷達介紹
4．1知識輔助雷達的需求
4．2知識輔助雷達導論：回到“貝葉斯學派”
4．2．1非直接知識輔助雷達：訓練數據和濾波器的智能選擇
例4．1選擇智能濾波器：使自適應自由度（ADoFs）與可獲得的訓練數據相匹配
4．2．2直接知識輔助雷達：貝葉斯濾波和數據預白化
例4．2將以前的觀測當作先驗知識的來源
4．3實時知識輔助雷達：DARPA的KASSPER項目
4．3．1解決方案：先行調度
例4．3KASSPERHPEC結構中數據吞吐量的平衡
4．3．2DARPA／AFRLKASSPER計劃提出的知識輔助處理結構
4．4小結
參考文獻

第5章總結
5．1認知雷達：全自適應的知識輔助方法
例5．1一種認知雷達結構
5．2未來的研究和發展方向
參考文獻

術語表

【例2.6】 多目標識別舉例
圖2.16為三個不同目標的脈沖響應，其中兩個與例2.5相同。解式（2.61）和式（2.62）得到最優分離波形，由式（2.59）可得其平均間距為1.0，與例2.5中的線性調頻信號的0.47相比改善了6.5dB（略低于前面的例子）。如預期的一樣，這種情況下最優波形性能明顯優于線性調頻信號那樣的非最優脈沖波形。
讀者可能已注意到，并不存在目標脈沖響應的隨機性表達公式。顯然，在任何實際應用中，目標脈沖響應是非精確已知的先驗知識——因而具有隨機的形式。此外，目標視角的不確定性使其精度更低。這種故意的疏忽很容易通過以下方法來彌補：（1）用期望值E{K}直接替代隨機核K，從而使平均的目標分離的期望值最大；（2）目標響應越不確定，由于“匹配”越少，所以優化輸入的作用越小。因此，用優化發射輸入來強化目標識別（ID）時的一種經驗法則就是：在具有良好的目標視角知識（如目標正被跟蹤的情況），目標彼此之間具有顯著不同的特性，所以目標脈沖響應（或等價的傳輸函數）已知的情況下，要限制使用優化發射輸入來強化目標識別——一種公認的面向實際來應對挑戰的法則，但是，對于某些嚴苛的特定場合也不是完全不能使用。
2.5 帶約束的最優MIMO雷達
在工程實踐中常常存在必須考慮的現實狀況，可能無法發射迄今為止所提出的無約束最優解。因此，我們將考慮兩種帶約束的最優情況：線性約束、非線性約束。
1.情況1：線性約束
考慮線性約束時的輸入優化問題：
max{s} |s′H′Hs| （2.63）
假定 Gs=0 （2.64）
式中：G∈CQ×N。為了避免過度約束，假設Q
式（2.64）為約束優化問題定義了可行解子空間。將任何X∈CN投影到可行解子空間，可直接驗證投影算子
P=I—G′（GG）—1G （2.65）
因此，可以先應用投影算子，然后實施無約束的子空間優化來獲得式（2.63）和式（2.64）的解。