雷達低可觀測動目標精細化處理及應用

科技導報授權轉載

作者：陳小龍，關鍵，黃勇，於曉涵，劉寧波，董雲龍，何友

雷達作為目標探測和監視的主要手段，在空中和海面目標監視以及預警探測等公共和國防安全領域應用廣泛。雷達探測環境複雜、探測對象特徵多樣，回波具有低可觀測性，雷達探測性能難以滿足實際需求，面臨著複雜環境下微弱目標檢測難題。近年來，隨著雷達體制和雷達信號處理技術的發展，雷達具備獲取精細化目標特徵的能力，通過擴展信號維度，為雷達動目標探測和識別提供了新的途徑。本文針對低可觀測動目標雷達探測面臨的挑戰，對精細化處理的關鍵技術進行總結和展望，以期結合雷達實測數據為工程應用提供可選途徑。

低可觀測動目標探測面臨的挑戰

低可觀測特性的目標種類很多，其尺寸、形狀及運動特性的不同導致目標具有不同的雷達散射特性和多普勒特性，共同點是，無論在時域還是在多普勒域，目標回波信號信噪（雜）比（signal-to-noise/clutter ratio，SNR/SCR）都很低。目前雷達對低可觀測探測過程中的技術難點主要體現在以下3個方面。

目標類型多，特性複雜，回波微弱

常說的「低慢小高快隱」目標也屬於低可觀測目標的範疇。最為典型的包括以下兩類目標。

一是，「低慢小」空中目標，是指具有低空（飛行高度一般在1 km以下）、慢速（速度＜200km/h），小型航空器和空飄物（雷達反射截面積＜2 m2），該類涉及的範圍比較廣（包括如中小型飛機、直升機、滑翔機、三角翼、滑翔傘、動力傘、熱氣球、飛艇、無人機、航空模型、孔明燈、空飄氣球等通用航空器材及航空運動器材等）（圖1）。

圖1 典型的空中低可觀測目標

二是「低慢小」海上目標，例如漁船、遊艇、蛙人、浮漂、潛望鏡等小尺寸目標，具有吸波塗層或外形的艦船、飛機等隱身目標，浮漂、錨泊的小船等慢速目標，航母等遠距離目標等（圖2）。

圖2 典型的低可觀測海上目標

低可觀測目標雷達回波微弱，主要具有如下特性：1）目標尺寸較小，因而回波很微弱；2）隱身目標，這類目標的尺寸可能並不小，但由於採用了隱身技術和措施，同樣導致回波微弱，並且這類目標往往採取高速和超低空突防戰術，威脅很大；3）遠距離目標或由於雷達距離分辨低、背景雜波強等導致的目標回波信雜比低；4）靜止或慢速微弱目標，這類目標的回波藏匿於強雜波或雜訊背景中；5）快速機動目標，在雷達觀測時間內目標位置超過最小距離單元，或由於機動導致的多普勒譜擴散，回波難以積累。

電磁環境複雜，雜波和干擾抑制難度大

雷達的探測環境不僅包括海、陸、空、天的四維空間，而且具有高密度、高強度、多頻譜的複雜電磁環境。電磁環境是電磁空間的一種表現形式，是存在於給定場所的所有電磁活動和現象的總和。電磁環境包括環境的無用回波（各類雜波，如海雜波、地雜波、氣象雜波等）、自然電磁現象（閃電、電雜訊等）、民用電磁現象（通信和廣播電視信號）、敵對雙方的電磁應用和反電磁應用活動（雷達電子干擾和抗干擾）等。實際雷達探測環境是上述電磁信號的總和，受各類自然電磁現象、人為電磁輻射、敵我雙方電子對抗等因素的影響，呈現出信號密集、種類複雜、對抗激烈、動態變化等複雜特性。圖3為不同天氣條件下導航雷達P顯畫面，可以明顯看出對複雜電磁環境的認知水平，直接影響到雷達對目標信號的檢測、跟蹤和識別性能。

圖3 不同天氣條件下導航雷達P 顯畫面

目標運動複雜，建模和特徵提取難

目標的微多普勒特徵展示了時間、空間、頻率三維特徵空間的變化特性，擴展了信號維度，為檢測、估計和識別提供更多有用信息，但其特徵提取和估計技術仍有很多問題亟待解決和研究。微多普勒特徵提取關鍵在於瞬時頻率的高精度估計。目前，微多普勒信號的特徵提取和估計方法主要基於非平穩時變信號處理方法，典型的是時頻分析法，但該類方法在時頻解析度、抗噪性、多分量信號分析等方面具有明顯不足。此外，目標的多維運動（俯仰、偏航、橫滾、進動、章動、振動等）相互影響，各維變化都呈現出多倍周期和隨機性的特點，使得目標姿態變化較為複雜，這些都為目標微動特性感知增加了難度和挑戰。海上微動目標運動形式及微多普勒如圖4所示。

圖4 海上微動目標運動形式及微多普勒譜

低可觀測動目標精細化處理技術

動目標信號時頻變換域處理技術

目標多普勒頻率與目標速度近似成正比，勻加速、變加速或高機動目標的回波均體現為對多普勒的調製，可由線性調頻（linear frequency modulation，LFM）信號、二次調頻信號（quadratic FM，QFM）或高階相位信號來近似，其最重要的特點就是頻率隨時間的變化，因此，時頻分析方法成為最常用的經典分析方法。從多分量信號變換後是否存在交叉項（變換是否為線性變換）將時頻分析分為線性時頻表示和非線性時頻表示。前者最為典型的是短時傅里葉變換（short-time Fourier transform，STFT）和小波變換（wavelet transform，WT）等，多分量信號變換後不受交叉項的影響，但時頻解析度較低；非線性時頻表示，主要是Cohen類時頻分布，其中典型的是Wigner-Ville分布（WVD）、偽WVD（Pseudo WVD，PWVD）以及平滑偽SPWVD等。目前，基於Cohen類方法分析微多普勒信號存在以下不足：1）由於時頻分布的雙線性特徵，非線性頻率調製信號或多元信號的時頻分布中存在交叉項影響，譜圖重排能夠減小交叉項的影響，卻以降低解析度為代價，典型的如重排平滑偽WVD（reassigned SPWVD，RSPWVD）；2）針對相位是無限可導的正弦調頻信號（Sinusoidal FM，SFM）微動目標回波模型，採用WVD處理SFM信號不能得到理想的時頻聚集性，多項式WVD（Polynomial WVD，PWVD）將瞬時頻率建模成一個高階多項式，雖在一定程度上可消除WVD分析高階多項式相位信號時非線性相位產生的交叉項影響，但在不同信號分量的能量強弱差距較大時，難以提取弱分量的微多普勒特徵，且階數不能取太高；3）低可觀測運動目標回波通常表現為微弱的調頻信號，在低SNR條件下，如果該信號的頻率偏移非常小，Cohen類方法的時頻分辨力下降，從而影響參數估計的準確性。圖5給出了STFT、WVD、SPWVD多分量信號相參積累後結果，進一步驗證了不同方法的優缺點。

圖5 運動狀態不同的3 個目標經STFT、WVD、SPWVD處理後的結果

基於時頻變換的動目標檢測技術的總體思路是根據待檢測的動目標的運動狀態，選擇合適的時頻分析方法，變換至相應的時頻域，根據運動目標的時頻曲線的幅值或隨時間的變化規律，進行檢測，最終根據是否超過門限判斷運動目標的有無。但時頻分析類方法存在運算量大、時頻解析度差、參數估計精度差等缺陷，很難滿足雷達對低可觀測運動目標精細化處理的要求。

動目標信號分數域相參積累處理技術

分數階傅里葉變換（fractional FT，FRFT）是在統一的時間域和頻率域上對信號進行分析，是經典傅里葉變換的廣義表示（圖6）。與FT比較，FRFT更加廣泛地運用在信號分析方面，FRFT可以理解為chirp基分解，而FRFT域不同階數的LFM信號將顯示出不同的能量聚集特性，因此可以實現對線性調頻信號的檢測。

圖6 LFM 信號在時頻平面的譜分布

FRFT是一種線性變換，適合多分量非平穩信號分析，具備快速演算法，適合工程運算。此外，FRFT對LFM信號有良好的能量聚集性，即能夠積累勻加速運動目標信號，改善SCR，因此，適合低可觀測機動目標的檢測和參數估計，例如強海雜波背景中的動目標檢測（圖7)。

圖7 X 波段雷達海上動目標回波的FRFT 譜圖分布

借鑒STFT的思路，通過增加窗函數，然後進行FRFT，得到短時FRFT（Short-time FRFT，ST-FRFT），使得FRFT具有表徵信號局部特徵的能力，能夠得到信號任意時刻的FRFT譜。因此，通過沿時間軸移動窗函數，STFRFT能夠很好地描述和分析時變信號，尤其是具有調頻（FM）特性的機動目標信號（圖8）。

圖8 單分量LFM 信號的STFT 譜和STFRFT 譜

動目標微多普勒信號特徵提取技術

近年來，微多普勒理論成為目標精細化處理領域的一個新的重要途徑。目標的微動特徵反映了目標的精細運動和幾何結構對電磁散射的綜合調製特徵，微多普勒反映了多普勒變化特性，為雷達目標特徵提取和識別提供了新的途徑。目前，微多普勒的廣義概念可以理解為目標或目標組成部分在徑向相對雷達的小幅非勻速運動或運動分量，例如，人體的四肢擺動、心跳和呼吸運動、直升機旋翼、鳥類翅膀的運動、汽車發動機的振動、船舶的晃動、導彈的顫動、飛機螺旋槳的轉動等。圖9為直升機目標和海面快艇的微多普勒譜。目標的微動特徵在一定程度上反映了目標固有的運動屬性，與目標的結構和電磁散射特性有著密切關聯，因此，微多普勒特徵是低可觀測運動目標的探測和識別的重要手段和途徑。

圖9 運動目標的微多普勒譜

微多普勒特徵提取和分析方法以非平穩、時變信號、多分量信號處理技術為主要手段，如時頻分析方法、信號分解分析方法、相位匹配分析方法和參數模型分析方法等。也有學者從圖像處理的角度對微多普勒信號進行檢測和提取。在譜圖域，正弦調製的微多普勒信號表現為曲線或直線，採用圖像處理方法中的Hough變換（Hough transform，HT）和Radon變換（Radon transform，RT）提取時頻平面上的曲線參數，可獲得目標的微動參數。鑒於微多普勒能夠精細描述信號特徵，增加了信息量，並且可以很好地刻畫信號本身的頻率變化，因此具備提高運動目標檢測和識別性能的可能性。

長時間相參積累目標機動特徵提取技術

雷達搜索模式能夠獲得廣域的監視範圍，但目標波束駐留時間短，無法對低慢小目標進行進一步精細測量。利用雷達的凝視觀測模式能夠有效降低雷達系統的動態範圍、延長目標觀測時間、提高速度分辨力，提取目標的精細特徵，從而有利於獲取微多普勒、積累目標能量和抑制背景雜波。隨著雷達體制的發展，波束指向靈活的陣列雷達，如數字相控陣雷達和多輸入多輸出（multiple-input multiple-output，MIMO）雷達，能夠在一定角度範圍內任意分配波束的方向和能量，其凝視觀測模式非常有助於低可觀測目標的探測，隨之產生和發展了長時間信號積累處理方法。目標能量的長時間積累檢測技術包括相參積累檢測技術和進行非相參積累的檢測前跟蹤技術。

對於目標能量的長時間相參積累檢測來說，主要是解決長時間積累過程中目標能量在距離和多普勒平面上的二維擴散（即所謂的包絡走動和多普勒擴散現象）問題。包絡走動補償方面，王俊等分別採用距離拉伸聯合時頻分析方法、速度分段方法、頻分包絡移位補償方法和時域包絡插值補償方法來校正目標的包絡走動；文獻採用keystone變換校正包絡走動，其優點是無需已知目標速度，但受多普勒模糊的影響，該方法不適用於重頻較低的情況。許稼等提出的Radon-Fourier變換方法在距離-慢時間二維平面中利用離散傅里葉變換沿目標運動參數給出的觀測值軌跡進行積分，實現目標能量的長時間相參積累。該方法本質是距離走動校正後的廣義多普勒濾波器組，將Hough變換、MTD和Radon變換等方法統一起來，是一種優秀的長時間積累方法。在只考慮多普勒擴散而不考慮包絡走動的情況中，通常研究較多的是目標具有恆定徑向加速度的情況。此時，目標回波在慢時間維是一個線性調頻信號，可採用Wigner-Hough變換、Radon-Wigner變換、chirplet變換、Radon-ambiguity變換、FRFT等時頻分析方法對其進行能量積累。另外，檢測線性調頻信號的方法還包括：Dechirping方法，通過補償目標加速度對應的二次相位來校正多普勒擴散；循環自相關方法通過消除線性調頻信號的二次項，實現對線性調頻信號的檢測。

若能同時完成距離和多普勒徙動的補償，則稱為長時間相參積累法，該方法極大地提高目標信號的積累增益，能夠提高雷達對低可觀測機動目標的探測能力。文獻[38]~[40]從對目標機動信息（加速度和急動度）的利用以及演算法實時性角度出發，提出多種基於長時間相參積累的機動目標檢測方法。所提方法實質均可看作是帶有變換參數的廣義多普勒濾波器組，擴展了傳統脈間相參積累處理技術利用信號信息的維度，能夠靈活匹配並積累雜波背景中的高階運動目標信號，同時補償長時間積累過程中的距離和多普勒徙動，有效抑制背景雜波和雜訊，提高積累增益，並能獲得目標的運動點跡。圖10給出了基於長時間相參積累的動目標檢測方法與傳統MTD檢測方法的處理結果對比。

圖10 基於長時間相參積累的動目標檢測方法（S 波段實測雷達數據）

雜波與動目標非線性特徵差異提取技術

傳統的海雜波中目標檢測技術研究主要依賴於研究人員提出某種特徵，並期望所提特徵對海雜波和目標具有穩定的差異度和線性可分性，但該過程有2方面因素沒有系統全面考慮：一是，背景雜波是一個多參數函數，即雷達系統參數（包括雷達頻段、極化方式、脈衝重頻、掠射角、觀測距離、分辨單元尺寸、掃描速度、發射波形等）和環境參數（包括海域、海況、風速風向及吹拂時間、雲雨、大氣與海洋溫度等）的函數，雜波與諸多參數間表現為複雜的非線性依賴關係，並依各參數呈現不同的非線性規律，這些信息對增強不同頻段雜波與目標特徵差異度十分有益，但在形成特徵過程中沒有充分利用；二是，在存在目標情況下，目標與雜波間不是簡單的線性疊加，而是複雜的非線性合成關係，但在線性近似或模型簡化的過程中往往會損失部分信息，導致僅有局部信息用於區分海雜波和目標，實際上這種非線性關係往往會使雜波與目標間存在一種非線性可分的狀態（不考慮信雜比極低的情況），而這一信息在目標檢測中也沒有充分考慮。

非線性特性是雜波複雜性的直觀體現，相關文獻已經從散射機制和實測數據等方面研究了海雜波的非線性特性。從內容上看，非線性是對傳統統計分布特性的補充和完善，屬於研究同一問題的不同數學工具。分形屬於非線性特性研究領域的典型內容，它主要研究雜波的起伏結構，尤其是海雜波。分形模型可以較好地描述信號粗糙程度，背景與目標的粗糙程度不同，其分形特徵有所差異，因此可將該差異性用於目標檢測（圖11）。然而時域分形差異特徵在低SNR/SCR條件下不明顯，檢測性能下降，為此，文獻[44]~[45]分析了海雜波數據在FRFT域的統計特性，給出了分形特徵的提取方法和無標度區間，並在此基礎上分別利用臨近距離單元或臨近時刻的雷達回波信號在FRFT域的分形維數、斜距、分形擬合誤差和分形維數方差的差異作為檢測統計量設計相應的檢測方法，檢測性能優於傳統的時域分形檢測法。

圖11 基於分形特徵差異的目標檢測方法（X 波段實測雷達數據）

動目標高分辨稀疏時頻表示域處理技術

利用動目標回波信號具有稀疏性的特點，將稀疏分解的局部優化思想引入時頻分析，即採用稀疏時頻分析的方法對目標特性進行研究，能夠有效提高演算法運算效率、時頻解析度和參數估計性能，從而更有利於獲得目標精細特徵。目前，美國麻省理工學院（MIT）成立了專門的實驗室對該領域進行技術攻關，提出了稀疏傅里葉變換（sparse FT，SFT）方法，《MIT Technology Review》將其評選為2012年全球十大突破性技術。SFT是一種次線性演算法，核心思想是通過「分筐」將N 點長序列轉換為B 點短序列並作DFT運算，可將傅里葉變換的計算複雜度由O（NlgN）降低至O（klgN）（N為信號長度，k為稀疏度）。儘管目前SFT演算法存在很多不同版本，但整體上都遵循如圖12所示的理論框架。但是，SFT不能反映信號頻率的時變特性，也不能處理非勻速運動目標信號。FRFT對勻加速運動目標有良好的能量聚集性和檢測性能，但其需要旋轉角匹配搜索，運算量較大。結合SFT和FRFT的優勢，北京理工大學陶然等給出了稀疏分數階傅里葉變換（sparse FRFT，SFRFT）的實現方法。將SFRFT應用於雷達非平穩時變信號分析，在獲得高分辨的信號譜特徵的同時抑制背景雜訊和雜波，改善SCR，在大數據量處理時，相比FRFT運算量顯著降低。

圖12 SFT 理論框架

SFT理論體系促進了信號處理的一次飛躍，但其仍存在以下2個方面的缺陷：一是，SFT假設信號的離散頻率落在DFT的網路上。事實上，受網格大小等因素的影響，信號頻率可能落在網格點之間，導致離網頻率泄漏到其他頻率單元，顯著降低信號的稀疏性。二是頻率檢測問題，大多數SFT演算法假設信號的稀疏度已知，通過比較DFT的幅度預設閾值，然而，在實際應用中，信號確切的稀疏度可能是未知或變化的，這給演算法對於實測雷達數據的處理造成了局限。針對SFT理論體系的上述缺陷，文獻[50]在SFT和SFRFT理論框架的基礎上，結合時頻分布（TFD）類動目標檢測和稀疏表示方法的優勢，建立了短時稀疏TFD（ST-STFD）原理框架，提出短時稀疏傅里葉變換（ST-SFT）和短時稀疏分數階傅里葉變換（ST-SFRFT）雷達動目標檢測方法，並應用於海上目標微動特徵提取及檢測中。實測雷達數據驗證表明，該方法在時間-稀疏域能夠實現時變信號的高分辨低複雜度時頻表示（圖13）。

圖13 海上動目標信號稀疏時頻表示域處理結果（S 波段實測雷達數據）

多手段動目標信息感知與融合技術

人類在獲得感覺、知覺、表象等信息的基礎上，通過歸納和演繹、分析和綜合的方法，以概念、判斷、推理的形式，實現對事物由淺入深、由低到高、由片面到全面的認識，如圖14所示。信息感知與融合過程就是採用信息技術模擬人類認識事物的一種過程，是人類認識和改造世界不可或缺的技術途徑和方法。所謂「感」，是指信息獲取手段，即利用聲、電、光、磁等各類感測器來「獲取」多維空間各類數據信息；「知」是對信息的正確理解，是目的，即「知道」或「知曉」。「感」是手段，「知」是目的，「融合」是途徑，三者互為「依存」，不可分割。多感測器信息感知與融合的過程包括分散式檢測融合、位置融合、屬性融合、態勢評估和威脅評估。

圖14 人類智能認知過程

檢測、跟蹤與識別是目標探測中的重要環節，依靠單一手段難以實現。多感測器對動目標的綜合監視系統集雷達、光電和AIS/ADS等多種手段於一體，綜合應用優勢互補的多種探測手段，實現對目標的協同感知，掌握監視區域內目標態勢，識別具有潛在威脅的非合作目標（圖15）。

圖15 多感測器目標綜合監視系統

基於深度學習的動目標特徵智能學習和識別技術

深度學習是機器學習中一種基於對數據進行表徵學習的方法。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。深度學習的優勢是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法替代手工獲取特徵。表徵學習的目標是尋求更好的表示方法並創建更好的模型從大規模未標記數據中學習這些表示方法。目標運動特徵參數與運動狀態、雷達觀測方式、環境和背景均有密切的關係，試圖從數學建模和特性認知的角度去尋找參數之間的關係，並基於特徵差異開展運動目標識別，是一種可行的技術途徑，但複雜的運動形式和環境因素，其內在的關係有時難以用模型和參數的方式描述清楚。採用深度學習等智能學習的思路，通過構建多層卷積神經網路，發現高維數據中的複雜結構，在圖像識別和語音識別等領域經過驗證具有很強的特徵表述能力和較高的分類識別準確率。

雷達目標識別關鍵在於特徵的選取和提取過程，目標信號特徵包括電磁散射特徵、多普勒特徵、極化特徵、一維距離像起伏特徵、二維圖像特徵等，這些特徵依賴於觀測條件，在不同條件下特徵差異很大，普適性不強，而特徵的提取過多依賴於演算法本身，受限於運算量和精度。深度學習能夠獲取目標深層本質特徵信息，從而有助於提高識別精度。可以將深度學習方法，如深度神經網路、卷積神經網路、深度置信網路和遞歸神經網路，用於微動特徵描述、提取和識別，通過設置不同的隱藏層數和迭代次數，獲取數據各層次的特徵表達，然後和近鄰方法相結合，對目標進行識別。圖16為基於多模態卷積神經網路並行深度網路微動特徵的描述與場景辨識方法。

圖16 基於卷積神經網路的微動特徵提取

結論與展望

精細化處理極大擴展了信息維度，提高了雷達對動目標的認知能力，從而為雷達目標識別提供了技術支撐。未來，雷達動目標探測將緊密圍繞以下3方面協同發展。

一是信號處理水平的發展。雷達信號處理技術經歷了從時、頻域、空的單域處理，再到時頻、空時的二維處理，再到空時頻的多域處理的發展歷程。其本質是多維度和多尺度信息的融合利用。融合利用多維度信息，可對回波信號進行更精細化描述，改善檢測、估計、識別、評估和決策的性能。

二是探測手段和系統層面的發展。從多感測器的融合利用，如微波雷達、磁探測、紅外、光學、聲納等；到多平台的不同視角和空間的探測，如地基、艦載、機載、星載和臨近空間平台；以及雷達自身體制的發展，如認知雷達、MIMO陣列雷達、分散式相參雷達、無源雷達、凝視雷達、量子雷達、頻控陣雷達、微波光子雷達、軟體化雷達、太赫茲雷達等。新體制的利用，有可能使得雷達的系統架構、工作模式、探測機制、回波信號特徵、信息處理、探測性能等方面發生根本性變化，進而為動目標探測提供新的手段。

三是深度學習等智能處理的發展。深度學習善於從原始輸入數據中挖掘越來越抽象的分散式特徵表示，而這些表示具有良好的泛化能力。它解決了過去人工智慧中被認為難以解決的一些問題。且隨著訓練數據集數量的顯著增長以及晶元處理能力的劇增，它在目標檢測和識別等領域成效卓然，採用深度學習的思想，能夠對目標運動特徵進行深度挖掘，實現精細化描述。

當前該領域已不再滿足於檢測是否有無目標的層次，而是向著更精細化和智能化處理的方向發展，隨著多波段、多視角、多時相、多極化、多維度和多尺度信息技術的應用，以及多學科的交叉融合，雷達低可觀測動目標探測和識別技術也將迎來更大發展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！