认知雷达深度学习：从入门到精通实战指南 第5章 自编码器（Autoencoder）干扰抑制实战 第6章 深度强化学习（DRL）认知决策实战

目录

第5章 自编码器（Autoencoder）干扰抑制实战

5.1 雷达干扰类型与特征

5.1.1 主瓣干扰与旁瓣干扰信号模型

5.1.2 射频特征（RF Fingerprint）提取基础

5.1.3 干扰数据集构建：DRFM仿真与实测数据

5.2 堆叠稀疏自编码器（SSAE）实现

5.2.1 双通道SSAE设计：分离RF特征与信号特征

5.2.2 干扰抑制自编码器（JSAE）架构搭建

5.2.3 特征级与信号级联合抑制策略

5.3 去噪与信号重建

5.3.1 卷积去噪块（Convolutional Denoising Block）设计

5.3.2 小波变换模块与Transformer结合的噪声鲁棒网络

5.3.3 低SNR场景（0dB以下）性能优化技巧

第6章 深度强化学习（DRL）认知决策实战

6.1 强化学习基础与雷达场景建模

6.1.1 马尔可夫决策过程（MDP）在波形选择中的应用

6.1.2 部分可观测MDP（POMDP）：雷达状态估计不确定性

6.1.3 奖励函数设计：跟踪精度、资源消耗、SNR平衡

6.2 DQN与策略梯度算法实现

6.2.1 Deep Q-Network（DQN）频谱分配实战

6.2.2 Double DQN与Dueling DQN（D3QN）抗干扰策略

6.2.3 双延迟深度确定性策略梯度（TD3）波形资源管理

6.3 记忆增强与序列决策

6.3.1 LSTM-TD3：聚合历史观测的时序决策

6.3.2 认知注意力机制：基于神经科学的奖励设计

6.3.2 认知注意力机制：基于神经科学的奖励设计（续）

6.3.3 多目标跟踪场景下的实时决策优化

第5章 自编码器（Autoencoder）干扰抑制实战

5.1 雷达干扰类型与特征