Doppler resilient complementary sequence set design via a model driven deep learning method

Xiangqing Xiao

doi:10.1016/j.dsp.2025.105583

Doppler resilient complementary sequence set design via a model driven deep learning method

2025-09-03

0

PRE

AI

DOI：10.1016/j.dsp.2025.105583

原文链接

原文求助

摘要

En 中文

多普勒鲁棒互补序列集（CSS）设计是雷达系统中的关键技术，其特点在于固有的非凸双变量性质以及多重复杂约束。现有方法主要通过松弛求解，这不可避免地引入松弛误差。值得注意的是，多重约束的数学表述可以通过投影到统一约束空间（UCS）中转化为无约束优化问题。在该UCS内，双变量问题可通过并行梯度计算直接求解，而原始目标函数自然可作为训练深度学习网络的损失函数。基于以上观点，提出了一种无松弛并行梯度投影网络（PGPN）方法。该方法首先构建一个包含所有约束的UCS，将问题有效重构为无约束优化问题；随后推导出并行梯度投影（PGP）算法以高效计算双变量梯度。该PGP算法随后展开为网络层，目标函数被重新用作网络的损失函数，自适应步长更新实现并行优化。本研究的关键创新在于通过约束到无约束的转换统一受约束波形-滤波器优化，采用并行梯度联合优化，以及嵌入深度学习的自适应调优，从而实现在动态电磁环境中的高保真波形设计。仿真结果表明，所提出方法得到的信号干扰比（SIR）相比L-BFGS[18]、MMCSR[21]和GP[27]具有更好的多普勒鲁棒性，同时也能更好地控制信噪比损失（SNRL）。

Doppler resilient complementary sequence set design via a model driven deep learning method

摘要

期刊

机构