Behavior-Aware Multi-Objective Action Selection for Cognitive Radar against Cognitive ESM Threats
本文提出了一种针对认知雷达的行为感知多目标动作选择框架，该框架通过采用一种平衡高回报与降低行为规律性的“随机近优”策略，在优化任务性能和目标估计质量的同时，最大限度地降低对认知电子支援（ESM）威胁的可预测性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在电磁波的隐形世界中，雷达系统与旨在发现它们的传感器之间正进行着一场无声的竞赛。雷达的工作原理是发出能量脉冲，并监听从目标（如船只或飞机）反射回来的微弱回波。为了出色地完成这项工作，雷达需要足够聪明，能够根据天气、干扰或目标的移动情况实时改变其信号。这就是认知雷达的领域——一种能够通过学习环境来做出更好决策的系统。然而，问题在于：雷达每发出一次“言语”，就有可能被被称为电子支援措施（ESM）的敌方监听设备所听到。这些设备扫描天空，寻找雷达发射的独特特征，以识别并定位它。传统上，工程师们试图通过减弱信号强度或使其难以检测来隐藏雷达，这种策略被称为低截获概率。但一种新型威胁已经出现：认知型ESM。不同于那些仅仅寻找特定信号的旧式传感器，这些智能系统会长期观察雷达，通过其行为模式学习其习惯，并预测其下一步行动。
这正是塞姆南伊斯兰阿扎德大学的研究人员致力于解决的挑战。他们提出了一个难题：雷达如何在保持任务效能的同时，不仅隐藏其信号，还隐藏其行为模式？如果雷达总是选择针对特定情况的最佳信号，它可能会变得具有可预测性，从而让聪明的敌人能够猜透它的下一步动作。研究人员开发了一种新的雷达决策方式，在高性能需求与保持不可预测性之间取得了平衡。他们创建了一个系统，让雷达根据两个主要目标来评估其选项：一是追踪目标的效能，二是其被标准传感器探测到的难度。但他们还增加了一个至关重要的第三层维度：他们测量了雷达的选择序列在智能学习型敌人眼中看起来有多么具有可预测性。
为了测试这一点，团队构建了一个详细的模拟实验，其中涉及一个雷达、一个移动目标以及一百个各具独特能力和检测方法的监听设备。他们将雷达的一个“动作”定义为四个特定设置：信号在频率上的分布宽度、脉冲发射频率、连续发送脉冲的数量以及所使用的特定波形形状。在模拟中，雷达必须从2,400种可能的参数组合中进行选择。研究人员首先训练了一个计算机模型，利用从数千次模拟场景中收集的数据，来预测哪些动作最有利于执行任务。该模型学会了观察雷达脉冲的即时结果（例如回波的清晰度和背景噪声水平），并以此估算该选择在追踪性能和隐身性方面的优劣。
他们发现的核心在于雷达究竟如何选择下一步行动。最显而易见的策略是始终选择计算机模型预测的最佳动作。然而，研究人员发现，反复这样做会产生一种僵化的模式，认知型敌人可以轻易学习并利用这种模式。另一方面，完全随机选择动作虽然使雷达变得不可预测，但往往会导致追踪目标的性能大幅下降。团队提出了一个被称为“随机近优”（Random Near-Best）的中庸之道。在这种方法下，雷达首先识别出预测表现良好的前六个动作。它并不选择单一的最优动作，而是从这六个动作中随机选择一个。这个简单的转变既保持了雷达执行任务的高效性，又引入了足够的行为多样性，从而迷惑智能观察者。
他们的模拟结果显示，这种方法效果显著。当雷达始终选择预测的最佳动作时，虽然实现了极高的任务性能，但其行为过于规律，导致认知型敌人几乎可以对其进行完美建模。当雷达完全随机选择时，虽然极难被预测，但任务性能却显著下降。而“随机近优”策略达到了近乎完美的平衡：它维持了峰值任务性能的94%，同时使雷达的行为变得几乎像随机策略一样难以预测。在测试中，这种新方法在不牺牲雷达履行职责能力的前提下，大幅降低了认知型敌人可以利用的行为规律性。
研究人员还开发了一种衡量这种行为隐身性的方法。他们使用了四种不同的数学模型，包括先进的神经网络和统计工具，来分析雷达发射序列。这些模型通过观察信号在时间和结构上的模式，试图判断雷达是否陷入了某种常规。他们发现，“随机近优”策略成功打破了这些模式，使雷达的行为保持了流动性和不可预测性。这项工作表明，对于现代雷达而言，要在智能学习型敌人面前生存，不能仅仅关注单个信号的质量，还必须考虑其整个动作序列的节奏与多样性，确保即使在表现最佳时，也不会变得过于容易被解读。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。