RASPNet: A Benchmark Dataset for Radar Adaptive Signal Processing Applications

这项工作提供了一个大规模的雷达自适应信号处理（RASP）应用的数据集，旨在支持雷达社区内数据驱动模型的发展。该数据集名为RASPNet，包括从美国连续的各种地形和土地类型中编制的100个逼真情境，旨在反映多样化的真实环境。在每个情境中，RASPNet包括来自机载雷达设置的10,000个杂波实现，可用于雷达算法的开发和评估。RASPNet旨在填补一个突出的空白，即缺乏一个大规模的、逼真的数据集，用于标准化自适应雷达处理技术的评估。我们描述了它的构建、组织和几个潜在的应用，其中包括一个转移学习的示例，以展示RASPNet如何用于逼真的自适应雷达处理情境。

论文旨在提供一个大规模的数据集RASPNet，以支持雷达领域内数据驱动模型的开发和评估。该数据集填补了大规模、真实数据集的空缺，可用于标准化评估自适应雷达处理技术。

该论文的关键思路是构建一个大规模、真实的数据集RASPNet，涵盖美国各地不同的地形和土地类型，用于支持雷达领域内自适应算法的开发和评估。

RASPNet由100个真实场景组成，每个场景包含来自空中雷达的10,000个杂波实现。该数据集可用于雷达算法的开发和评估，包括迁移学习等多种应用。论文详细介绍了RASPNet的构建、组织和潜在应用，并提供了开源代码。

最近的相关研究包括：1.基于深度学习的雷达目标检测；2.使用卷积神经网络进行自适应雷达杂波抑制；3.基于神经网络的自适应雷达信号处理。