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