机器学习处理信号分离_机器学习和深度学习现如今能应用在雷达信号处理，或者信号处理的哪些方面？...

我来答一下这个问题吧。

现在雷达信号处理领域主要有三种问题：感知，信号处理(物理层)，自动目标识别, 大概是这个图，这图我重画自2017年radar conference的Deep learning for radar 论文。

分类不严谨，但是也能说明一些问题。

深度学习最直接的用法就是最后一个，用在SAR雷达中的自动目标识别，也有了很多振奋人心的结果，具体可以follow Y. Q. Jin老师的work. 他们用CNN在MSTAR数据集做遥感图像，达到99%的正确率，非常惊人。不过，脱离数据集会有很多问题，比如日常的成像系统，并不会所有图像都有目标，另外一个是近距离雷达的人体行为检测，目前的结果似乎也有96%左右(不确定)。这些领域都可以类比计算机视觉的结果扩大化，并针对遥感/雷达图像的特点的一些特殊设计。

除了自动目标识别，另外两个问题都是物理层的技术，实际上我对机器学习在物理层中的应用一直并不看好，因为几乎不可能找得到足够泛化的数据集来解决现实中的传播环境问题，而目前的机器学习模型对于更换场景训练，比较脆弱。

当然学术界一直有人在做这些尝试，我来介绍一下他们的想法。

进一步想想，物理层的信号处理问题，其实就是在measuring, estimating 或者modeling现实场景。而目前，最广泛的模型依然是线性模型，真实世界是非线性的(这或许是机器学习在物理层应用的支持者最重要的观点)，那么有可能用CNN/RNN替换我们常规模型得来的优化问题。

但是目前没人证明，这种替换确实能给我们带来benefit，或者带来多少，这些问题无法解决，可能跟无线电标准数据库很少有关，也可能是因为实际应用表现不好。

深度学习确实可以达到很好的拟合效果，但是它并不仅仅是因为模型有足够的拟合能力，更重要的是，它有足够的搜索能力通过sgd找到suboptimal (或者optimal)的solution，这个搜索能力可能是domain specific 的，在雷达物理层信号数据库中，是否还存在，依然是一个未知数。

所以，基于此思路，上图中的第一个跟第二个问题可能需要研究的点是:

1.建立一套可行的标准数据集，在真实环境中验证现有的设计和基于机器学习的设计哪个确实更好？这是一个成功了，值得上science的研究领域。

2.神经网络模型在雷达物理层设计中的可解释性，比如对于不同问题，特征空间到底代表什么？如果有增益，为什么有？

3.机器学习物理层设计论文的可复现性。

4.还有一个是雷达信号的识别问题，这个问题用机器学习解决方案现在很活跃。