[论文解读] A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing

Ping Lang, Xiongjun Fu+5 more|arXiv (Cornell University)|Sep 29, 2020

Advanced SAR Imaging Techniques参考文献 565被引用 34

一句话总结

这份综述对应用于雷达信号处理的传统机器学习和深度学习方法进行了结构化评述，涵盖发射机识别、SAR/ISAR 图像处理、抗干扰以及相关挑战与方向。

ABSTRACT

Modern radar systems have high requirements in terms of accuracy, robustness and real-time capability when operating on increasingly complex electromagnetic environments. Traditional radar signal processing (RSP) methods have shown some limitations when meeting such requirements, particularly in matters of target classification. With the rapid development of machine learning (ML), especially deep learning, radar researchers have started integrating these new methods when solving RSP-related problems. This paper aims at helping researchers and practitioners to better understand the application of ML techniques to RSP-related problems by providing a comprehensive, structured and reasoned literature overview of ML-based RSP techniques. This work is amply introduced by providing general elements of ML-based RSP and by stating the motivations behind them. The main applications of ML-based RSP are then analysed and structured based on the application field. This paper then concludes with a series of open questions and proposed research directions, in order to indicate current gaps and potential future solutions and trends.

研究动机与目标

• 对基于 ML 的雷达信号处理（RSP）技术在传统 ML 与深度学习之间的系统性概述。
• 分析雷达发射机识别、SAR/ISAR 图像处理、抗干扰以及波形设计的应用。
• 确定差距、挑战和未来研究方向，以指导研究人员和从业者。

提出的方法

• 对 2015–2020 年间在 IEEE Xplore, Web of Science, and dblp 发表的超过 600 篇论文进行调研与综合。
• 按应用领域和 ML 范式（传统 ML 与 DL）对基于 ML 的 RSP 技术进行结构化分析。
• 讨论在 RSP 中使智能算法成为可能的动机、概念和含义。
• 比较 ML 模型在 RSP 任务中的表现并识别未解问题与趋势。

实验结果

研究问题

• RQ1 已有哪些 ML 和 DL 技术被应用于雷达信号处理，以及在何种问题设定？
• RQ2 主要的应用领域有哪些，ML 方法在它们之间的表现如何？
• RQ3 指引未来基于 ML 的 RSP 研究的当前差距、局限性与未解问题有哪些？
• RQ4 对雷达探测中 ML 最有前景的未来趋势和研究方向有哪些？

主要发现

• ML-based RSP 覆盖传统模型（SVMs、decision trees、random forests、boosting、XGBoost）和深度学习模型（CNNs、RNNs、DBNs、AEs、GANs）。
• 应用包括雷达发射机识别、SAR/ISAR 图像处理、抗干扰、波形设计，以及认知电子战。
• DL 方法为雷达图像与信号提供强大的特征学习能力，而传统 ML 为发射识别及相关任务提供鲁棒的分类器。
• 调查强调未来的开放性问题与方向，如数据稀缺、模型可解释性，以及多表示学习方法的整合。