超稀疏阵列,采用广域收发节点布置的形式(例如平方公里量级布阵),其阵列孔径大,使得它具有极高的空间分辨能力,战场生存能力强,相比于双/多基雷达的收发集中式,超稀疏阵列稀疏度为传统密布阵列的几十倍,安装方便,易于在已有基础设施上布阵,一定程度克服了传统阵列受地形限制的影响,超稀疏阵列是收发去中心化的分散式,而通过去中心化的节点布置方式,其收发视角众多,使得超稀疏阵列收发工作体制十分灵活,反辐射与抗干扰能力大大增强,同时具备反隐身能力大幅提升的潜力;此外,超稀疏阵列布设范围广节点规模庞大,相比于集中式雷达,每个节点发射功率小,副瓣低,具有良好的反截获能力。然而超稀疏阵列虽然具有上述诸多优点,但是,它带来了如下挑战,通常视距范围内的目标,对于我们超稀疏阵列而言,是一个近场探测问题,不仅跟目标的方位俯仰维角有关,而且跟目标的距离有关;所以我们要研究超稀疏阵列的近场波束形成技术。此外,以一体化时频空基准和敏捷网络相连的通用宽带射频收/发节点,对单个侦、干、探、通等任务而言是冗余分布的,需要根据具体任务调用对不同节点进行配置和调用,因而使得超稀疏阵列面临丰富节点资源“选择困惑”的挑战,即如何选择最优探测资源以达到探测任务要求,减轻后续数据传输与处理的压力。针对上述现有存在的难题,结合雷达探测任务,本文对超稀疏阵列近场波束形成和节点资源智能化遴选展开了研究。首先,开展了相控阵雷达系统参数分析,确定了阵列规模,然后,结合我国东南沿海某区域地形开展了超稀疏阵列近场波束形成的研究,在此基础上,开展了距离与高度依赖性的分析;随后到考虑不同目标方位时,所需的最佳阵列不一样,为了满足全方位覆盖和多任务(例如雷达探测或电子侦察等)的需求,使得超稀疏阵列面临着丰富节点资源“选择困惑”的难题。针对超稀疏阵列雷达大量节点造成的数据量大与系统复杂度高的问题,本文提出了一种基于强化学习的蒙特卡洛树搜索树(类AlphaGo)的超稀疏节点智能遴选方法。利用蒙特卡洛树搜索获得全局最优解的高概率特性,设计波束空间增益最大化目标函数,在几乎不损失空间增益条件下优化选取部分节点以降低系统复杂度。蒙特卡洛树搜索算法结合了机器学习和人工智能的前沿技术,与传统的智能优化算法(如遗传算法与模拟退火等)相比具有更好获得全局最优解得的优点。首先,介绍了蒙特卡洛树算法原理,然后,设计了空间增益最大化目标函数,接着采用了蒙特卡洛树算法实现了节点遴选,最后分析比较了遴选节点与全维节点的波束形成性能。仿真结果表明获得代价函数趋近于全局最优的节点遴选组合。其算法原理上通过策略网络在大量训练样本的基础上,建立一颗不对称的搜索树,搜索树根据目标方位、特性情形,得到大量不同遴选方案结果,通过价值网络对结果进行奖惩得到评分,每一次遴选结果的评分优劣均会影响下一次决策搜索流程,最终在大量训练迭代后,在满足约束条件的前提下,遴选出使代价函数趋近于全局最优的节点组合。本算法通过对有限资源节点的筛选,有效地压缩了节点的数据量,减小信号处理压力;降低雷达探测空间增益损失,避免节点资源浪费。