雷达目标识别技术

1雷达目标识别技术述评孙文峰（空军雷达学院重点实验室，湖北武汉430010）摘要：首先对雷达目标识别研究领域已经取得的成果和存在的问题进行简单的回顾，然后结合对空警戒雷达，阐明低分辨雷达目标识别研究的具体思路。关键词：雷达目标识别；低分辨雷达ReviewonRadarTargetRecognitionSUNWen-feng（Keylaboratory,WuhanRadarAcademy,Wuhan430010,China）Abstract:Theacquiredproductionsandexistentproblemsofradartargetrecognitionarereviewedsimply,thenthespecificconsiderationsoftargetrecognitionwithlowresolutionradarareillustratedconnectintegratingwithairdefensewarningradarinactiveservice.Keywords:radartargetrecognition;lowresolutionradar1．引言雷达目标识别（RTR—RadarTargetRecognition）是指利用雷达对单个目标或目标群进行探测，对所获取的信息进行分析，从而确定目标的种类、型号等属性的技术。1958年，D.K.Barton（美国）通过精密跟踪雷达回波信号分析出前苏联人造卫星的外形和简单结构，如果将它作为RTR研究的起点，RTR至今已走过了四十多年的历程。目前，经过国内外同行的不懈努力，应该说RTR已经在目标特征信号的分析和测量、雷达目标成像与特征抽取、特征空间变换、目标模式分类、目标识别算法的实现技术等众多领域都取得了不同程度的突破，这些成果的取得使人们有理由相信RTR是未来新体制雷达的一项必备功能。目前，RTR技术已成功应用于星载或机载合成孔径雷达（SAR—SyntheticApertureRadar）地面侦察、毫米波雷达精确制导等方面。但是，RTR还远未形成完整的理论体系，现有的RTR系统在功能上都存在一定的局限性，其主要原因是由于目标类型和雷达体制的多样化以及所处环境的极端复杂性。本文首先对RTR研究领域已经取得的成果和存在的问题进行简单的回顾，最后结合对空警戒雷达，阐明了低分辨雷达目标识别研究的具体思路。2．雷达目标识别技术的回顾与展望雷达目标识别研究的主体有三个，即雷达、目标及其所处的电磁环境。其中任何一个主体发生改变都会影响RTR系统的性能，甚至可能使系统完全失效，即RTR研究实际上是要找到一种无穷维空间与有限类目标属性之间的映射。一个成功的RTR系统必定是考虑到了目标、雷达及其所处电磁环境的主要可变因素。就目标而言主要有目标的物理结构、目标相对于雷达的姿态及运动参数、目标内部的运动（如螺旋桨等）、目标的编队形式、战术使用特点等等；就雷达而言主要有工作频率、带宽、脉冲重复频率（PRF）、天线方向图、天线的扫描周期等等；环境因素主要有各种噪声（如内部噪声和环境噪声）、杂波（如地杂波、海杂波和气象杂波）和人为干扰等。在研制RTR系统时必须综合考虑这些因素，抽取与目标属性有关的特征，努力消除与目标属性无关的各种不确定因素的影响。2原则上，任何一个RTR系统均可模化为图1所示的基本结构[3]。它由目标识别预处理、特征信号提取、特征空间变换、模式分类器、样本学习等模块组成。图中虚线部分的断开和启动，决定RTR系统是否具备自学习功能。图1雷达目标识别系统方框图2.1雷达目标识别技术简介下面就从RTR系统的几个主要环节出发，对常用的RTR技术进行简要回顾。（1）雷达目标特征信号雷达目标特征信号（RTS—RadarTargetSignature）是雷达发射的电磁波与目标相互作用所产生的各种信息，它载于目标散射回波之上，是雷达识别目标的主要信息来源。雷达目标特征信号包括雷达散射截面积（RCS—RadarCrossSection）及其统计参数、角闪烁误差（AGE—AngularGlintError）及其统计参数、极化散射矩阵、散射中心分布、极点等。但是，不是任何雷达都能获得所有目标特征信号的。早期的雷达由于分辨力不够，只能将探测对象看作点目标，得到目标的距离、方位、速度等简单信息，难以满足目标识别的要求。随着高分辨力雷达的问世，才有条件将探测对象当作扩展目标来研究，获得更多的雷达目标特征信号，使复杂电磁环境中的雷达目标识别成为可能。雷达目标特征信号的研究手段有仿真实验、暗室测量和外场试验三种，它们各有其优缺点，应根据具体情况进行取舍。仿真实验主要是将目标分解或利用某种近似理论，用计算机对目标的雷达回波进行模拟。其优点是花费少，能产生任意姿态角的目标回波数据，但数据可信度不高；暗室测量主要是在微波（毫米波）暗室中对目标的缩比模型进行测量，花费较大，且由于有近场推远场等近似手段，数据可信度居中。一般目标的方位角可以360度准确控制，但俯仰角受暗室空间的限制，转动范围不大；外场试验就是在简单的电磁环境中对目标实物进行测量，其数据可信度最高，但花费最大，且目标的姿态难以准确控制。（2）雷达目标识别预处理雷达目标识别预处理的主要任务是尽量减小各种不确定因素对目标识别性能的影响，包括抑制噪声、杂波及其它有源和无源干扰，虚警鉴别与多目标分辨，成像识别时的目标（载体）运动补偿、斑点效应的抑制和目标分割，等等。有人认为预处理还包括目标类型的粗分类[2]。总之，预处理是雷达目标识别过程中的一个重要环节，其具体过程随雷达体制和应用背景而异。（3）雷达目标特征抽取雷达目标特征抽取的任务就是从目标的雷达回波中抽取与目标属性直接相关的一个或多个特征，作为目标识别的信息来源。雷达目标特征抽取的客观依据是目标与环境的雷达特性。目标的雷达特性除了雷达目标特征信号以外，还包括雷达常规测量得到的目标的位置、运动参数等。环境的雷达特性一般是指地（海）面背景杂波的电磁散射特性，这里不予讨论。识别输出试验数据目标识别预处理目标测量特征信号提取特征信号提取特征空间变换特征空间变换样本学习模式分类训练数据3雷达目标特征抽取所用的方法与目标和雷达体制二者密切相关，特征抽取时必须分析所有感兴趣目标的雷达特性，比较它们之间的异同，提取区分某种目标与其它目标的最显著特征，用于目标识别。图2为某金属球在不同波长雷达波照射下的RCS曲线，其横坐标r为目标有效散射尺寸与雷达发射信号波长的比值。根据这一曲线可以将目标的雷达特性粗略划分为瑞利区、谐振区和光学区。在瑞利区，目标的尺寸远小于雷达的工作波长，目标的RCS与r近似成线性关系，目标的散射特性可以用一个点目标模型来模拟；在谐振区，目标的有效尺寸与雷达的工作波长处于同一个数量级，此时目标产生谐振，其RCS随的变化起伏较大；在光学区，目标的有效尺寸远大于，其RCS随的减小而趋于恒定值。一般来说，频率高端有利于激励出目标的精细结构信息，频率低端则能携带目标的总体粗结构信息。就RTR本身而言，要求雷达发射信号最好能跨越目标的三个区，此时目标回波携带的信息量最为丰富，对目标识别最有利，这就是超宽带雷达用于目标识别的优势。我军现役雷达装备，除少数米波雷达的波长与军事目标的尺寸可以比拟外，大多数雷达都工作在目标的光学区。因此，下面重点就光学区雷达目标识别常用的特征抽取方法加以说明。光学区雷达目标识别的重要理论基础是多散射中心理论，即光学区目标的雷达回波可以近似等效为目标物体上少数几个强散射中心回波的矢量和。散射中心是客观存在的，它主要指目标的边缘（棱线）、曲率不连续点、尖端、镜面、腔体、行波及蠕动波等强散射点，它反映了目标的精密结构特征。光学区的雷达目标识别方法可分为宽带高分辨和窄带低分辨两类。宽带高分辨雷达目标识别方法主要有成像识别（即估计散射中心在目标物体上的分布）和散射中心历程识别（即散射中心随目标姿态的变化过程）两种。宽带高分辨成像识别的大体情况和窄带低分辨目标识别的具体思路将在本文后面进行介绍。RTR中的特征抽取至今仍未形成完整的理论体系，个别特征对于目标识别的作用难以量化。因此，现阶段的RTR研究都是在现有目标识别理论的指导下，不断尝试各种特征抽取手段，最后根据所掌握数据的分类效果对目标特征抽取方法进行取舍。但是，经过大量的研究可以肯定的一点是，用于目标识别的特征数目并非越多越好。因为从同一目标回波中抽取的特征难免存在一定的相关性，而这种相关性往往是不易觉察的。冗余特征不仅会使运算量增大，而且还可能引入不必要的噪声。避免冗余特征的唯一途径是从目标电磁散射的机理出发，抽取与目标属性直接相关的特征，使每个特征都能得到合理的解释，但实际上很难做到这一点。此外，在光学区，由于目标特征对姿态角比较敏感，为了使特征抽取能够得到目标所有姿态下的完整信息，训练数据应来自目标所有的姿态，理论上相邻姿态角之间的间隔应越小越好。（4）特征空间变换特征空间变换是RTR中的另一个重要环节，其目的是应用各种优化的变换技术改善特征空间中原始特征的分布结构，压缩特征维数，去除冗余特征。常用的特征空间变换技术有四种，即卡南-洛伊夫（K-L）变换、沃尔什（Walsh）变换、梅林（Mellin）变换和基于离散度（Fisher）准则的维数压缩图2金属球的RCS与雷达工作波长的关系4方法。前三种特征空间变换方法的主要思想是通过正交变换消除特征之间的相关性，达到去除冗余特征、减小计算量的目的。其中梅林变换还具有尺度不变性的特点，在RTR识别中有助于部分消除特征矢量对目标姿态的敏感性。基于离散度准则的维数压缩方法则是通过正交投影提高同类目标特征之间的聚合性和异类目标特征之间的可分离性，同时达到大幅度压缩特征矢量维数的目的。（5）目标模式分类目标各种姿态的训练数据，经过特征抽取和特征空间变换后就形成了目标识别时资用的若干个模板。实测数据经过同样的处理过程也会成为一个与模板矢量维数相同的矢量，将该矢量与所有目标类型的所有模板进行比较，最终确定目标属性，就是模式分类算法需要解决的问题。常用的模式分类算法有统计模式识别算法、人工神经元网络（ANN）模式分类算法、基于专家系统的人工智能识别算法、模糊模式分类算法及其它复合分类算法。其中统计模式识别算法最为稳定可靠；模糊模式识别算法智能化程度高，容错性较强，但隶属度函数的得到和修正往往需要人的经验，不便于RTR系统的自学习；基于专家系统的人工智能识别算法容错性不强；人工神经元网络模式分类算法有较强的容错性，较高的智能化水平，高度的并行处理和较强的自学习能力，可能是RTR系统设计模式分类器的最佳选择；模糊推理与神经网络复合等类似的复杂分类器还有待进一步研究。2.2现代信息处理理论和方法在RTR中的应用近二十年，各种非线性信号处理、非平稳信号处理和智能信号处理理论与方法得到了蓬勃发展，极大地拓展了信息处理的手段，这些理论和方法在RTR领域也得到了一些成功应用。（1）小波变换。小波变换是一种分析非平稳信号的数学理论，在RTR中的应用主要是提取宽带响应多尺度特征和雷达图像的数据压缩。（2）分形与分维几何。分形与分维几何是研究和处理自然与工程中不规则图形的强有力的理论工具。它在RTR中主要用于合成孔径雷达图像的处理，包括图像压缩与特征抽取两方面。目标的分形特征具有抗干扰、抗畸变、复杂自然环境下性质不变的优点。（3）模糊集理论。模糊集理论是一种处理因“因果律”破缺而造成的模糊现象的有力数学工具，在RTR中主要用于模式分类器的设计，以提高系统对环境的适应能力。（4）人工神经元网络。人工神经元网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理。ANN在RTR中主要用于分类判决，完成目标特征信号与目标属性的关联。以及完成矩阵特征值求解等一些耗时运算，提高信息处理的实时性。2.3RTR研究领域的基本结论（1）RTR研究的主要难点[1]①目标特征信号敏感于姿态角。采用特征空间变换可以在很小的姿态角范围内消除目标特征对姿态的敏感性，但最