Adaptive LPD Radar Waveform Design with Generative Deep Learning

我们提出了一种新颖的学习方法，用于自适应生成低探测概率（LPD）雷达波形，以融入其操作环境。我们的波形被设计成遵循一种与环境射频（RF）背景不可区分的分布——同时仍然有效地进行测距和感测。为此，我们使用了一种无监督的对抗学习框架；我们的生成器网络产生的波形旨在混淆评论家网络，后者被优化为区分生成的波形与背景。为了确保我们生成的波形仍然能够有效地进行感测，我们引入并最小化了基于歧义函数的损失函数。我们通过将我们生成的波形的单脉冲可检测性与传统的LPD波形进行比较，并使用单独训练的检测神经网络来评估我们的方法的性能。我们发现，我们的方法可以生成LPD波形，将可检测性降低高达90％，同时提供改进的歧义函数（感测）特性。我们的框架还提供了一种权衡可检测性和感测性能的机制。

本论文旨在提出一种基于学习的方法来生成低概率检测（LPD）雷达波形，以便更好地融入环境中，同时保持有效的测距和感应能力。

该论文提出了一种无监督的对抗学习框架，生成器网络生成的波形旨在混淆批判网络，该网络被优化为区分生成的波形和背景，同时，该论文还引入并最小化基于模糊函数的损失，以确保生成的波形仍然有效用于感应。

该论文通过使用单脉冲可检测性评估，比较了生成的波形与传统LPD波形的性能，发现该方法可以生成降低90％的LPD波形，同时提供改进的模糊函数（感应）特性。此外，该论文还提供了权衡可检测性和感应性能的机制。

最近的相关研究包括：1. “A Machine Learning Approach to Low Probability of Detection Radar Waveform Design”；2. “Low Probability of Intercept Radar Waveform Design Using a Deep Convolutional Generative Adversarial Network”；3. “Adversarial Deep Learning for Low Probability of Detection Radar Waveform Design”等。