李玉璽，許 丹

（1.空軍工程大學防空反導學院，西安 710051；2.解放軍32147 部隊，陜西 寶雞 721000）

0 引言

目前，彈道導彈防御主要分3 個階段：助推段防御、中段防御和末端防御。在中段防御中，導彈飛行時間長，約為整個飛行時間的70%左右，與助推段和末端相比，有充足的防御時間，且作戰(zhàn)位置不受限，可以部署多級中段攔截系統(tǒng)。下頁圖1為彈道導彈多段攔截示意圖。

圖1 彈道導彈多段攔截示意圖

近年來，彈道導彈的突防技術得到了長足的發(fā)展。在彈道導彈飛行過程中，母艙會釋放與彈頭形狀近似的誘餌、箔條、碎片等具有電磁干擾的物質，同時有些導彈還具有攜帶多枚彈頭的能力，這些突防技術的運用使得基于表面材料特征和結構特征的識別效果很難滿足要求。2000 年，V.C.Chen教授將微動拓展到雷達觀測領域中，指出目標的微動特征是目標的固有屬性，因此，可以利用該特性對彈道導彈進行識別。

彈道目標的微動具有多樣性，包括旋轉、錐旋、擺動、振動等簡單微運動和進動、章動等復雜微運動。在高頻散射條件下，目標可以等效為幾個強散射中心，其在雷達回波中表現(xiàn)為復雜調制的多分量信號。不同的微動方式對雷達回波產生不同的調制作用，得到不同的微多普勒信息，通過對這些微多普勒信息進行提取可實現(xiàn)彈道目標的真假識別。

基于上述分析，從微動信號補償與分離、微動目標識別以及組網雷達中彈道目標微動信息，提取3 個部分對彈道中段目標的微動特性進行了分析。

1 微動信號的補償與分離

彈道中段存在著大量的目標，包括彈頭、誘餌和碎片等。這些目標具有近似的平動速度，同時還具有不同的微運動。其中平動分量會使目標多普勒結構出現(xiàn)折疊、傾斜，影響微動信號分離與提取。為了有效地提取出目標的微動信息，需要對平動分量進行補償。同時為了研究目標的特性，還需對群目標回波信號進行分離，單獨提取出子目標的微動信號。

目前，國內學者對彈道目標平動補償進行了一系列研究，所提算法主要有分解法、投影變換法。

圖2 彈道中段目標群

1）分解法，主要指小波分解、經驗模式分解等。李彥兵對輪式和履帶式車輛目標進行了微多普勒分析，利用小波分解分離出了車輛目標的平動分量和微動分量。許旭光利用了高階模糊函數的平動補償算法，搜索回波模糊函數的峰值，實現(xiàn)了平動補償。

2）投影變換，主要指Hough 變換，Radon 變換等。楊有春利用多級延遲共軛相乘的方法在時域中對回波信號進行處理，用Hough 變換將能量不同的各個分量進行了提取，實現(xiàn)了平動分量和微動分量的提取。胡曉偉運用Radon 變換和熵值確定法，得到了平動分量的參數估計值。

多分量微動信號分離方法主要有Viterbi 算法、EMD 分解法。

1）Viterbi 算法：韓立粦采用分段Viterbi 算法對補償后的時頻曲線進行了分離。李靖卿將Viterbi算法與自適應視野聚類匹配相結合，得到了目標微多普勒曲線最優(yōu)匹配路徑，實現(xiàn)了信號分離。

2）EMD 分解：EMD 分解法具有表征不同頻率分量的能力。趙盟盟利用滑動窗軌跡與EMD 相結合的方法實現(xiàn)了多目標的分辨。李陽利用EMD算法對飛機的微多普勒特性進行分解，實現(xiàn)了目標的分辨。

2 微動目標識別

目標的微動會對雷達發(fā)射信號的頻率進行調制，在載頻中心附近產生邊帶多普勒頻移，被稱為微多普勒。這種調制含有目標微動信息、結構尺寸信息和雷達信息，因此，可以通過對其微多普勒進行處理來獲得目標的相關信息，進而達到目標識別。

2006 年，美國海軍實驗室的V.C.Chen 教授在前人的基礎上通過理論分析，對微動的運動模型進行了統(tǒng)一描述，奠定了利用微動信息進行雷達目標識別的理論基礎。目前，關于利用微動進行目標識別的研究，國外有許多研究機構，如美國海軍實驗室、美國Towson 大學、加拿大Montenegro 大學、英國倫敦大學學院、法國航空實驗室等。

國內的主要研究機構有：國防科學技術大學、北京航空航天大學、西安電子科技大學、空軍工程大學、航空二院等。2016 年，李靖卿構建出了目標最強散射中心對應的微動信息矩陣，提出了一種基于寬/窄帶混合體制雷達的彈道目標特征提取算法，滿足反導作戰(zhàn)的現(xiàn)實需求，同時解決了在強噪聲環(huán)境下彈道目標特征的提取問題。2017 年，南京航空航天大學的孫善麗研究了一維距離像序列的周期性以及彈頭徑向長度，對彈道導彈的微動特征參數進行了提取。后續(xù)研究學者在彈道目標的種類、雷達信號的體制和雷達構成上均進行了微動特性分析與識別，并取得了豐碩的成果。

窄帶雷達和寬帶雷達獲取的微多普勒信息形式是不同的。窄帶雷達獲得的是目標微多普勒頻率信息，通過在時域、頻域和時頻域中對其進行處理可得到相應的微動信息；寬帶雷達獲得的是目標距離像信息或者距離-多普勒信息，刻畫的是目標精細的微運動特征。通過對距離值信息提取，不僅可以得到微動特征，甚至可以得到目標結構特征。

2.1 窄帶雷達微動目標識別

V.C.Chen 指出，目標的微多普勒特征不受限于雷達的距離分辨能力。因此，窄帶雷達也具有獲取目標微動信息的能力，一般為強散射中心的微多普勒特征。梁復臺提出了深度遷移學習模型Inception-v3，應用到群目標回波上，從而實現(xiàn)窄帶雷達對群目標的識別。魏文博提出一種支持向量機分類的算法，從回波數據中提取出群目標特征，實現(xiàn)了群目標的初步分類識別。

2.2 寬帶雷達微動目標識別

寬帶雷達距離分辨率一般小于目標尺寸，具有目標成像的能力，典型的寬帶雷達成像包括一維距離像，二維ISAR 像，三維高分辨像。其中，一維距離像較二維ISAR 像和三維高分辨像更容易獲取，且與目標結構參數和微動參數有直接的關系。張鈞淞利用循環(huán)神經網絡RNN，將神經網絡與寬帶雷達的一維距離像結合起來，對目標進行識別。雷剛提出了一種結合S 變換和改進人工蜂群算法的目標探測識別技術，可以快速地識別目標。

3 組網雷達微動信號提取

隨著戰(zhàn)場環(huán)境的日趨復雜，單部雷達暴露出了對目標姿態(tài)敏感、由于遮擋效應不能獲取目標完整微動信息、部分參數無法解耦等缺點。組網雷達不僅能夠避免單一視角帶來的上述缺點，而且可以得到不同視角下的目標微動信息，在抗干擾、區(qū)域搜索等方面具有較大的優(yōu)勢，還可以為彈道目標識別提供一個較好的解決途徑。因此，利用組網雷達進行目標識別，更有利于微動特征的提取和防御系統(tǒng)性能的提升。

雷達觀測得到的信號與距離分辨率沒有必然的關系，分辨率有限的窄帶雷達也具有獲取目標微動特征的能力，而寬帶雷達在獲取目標距離像的基礎上還可以進行成像。關于利用雷達網進行彈道目標識別的研究，美國一直處于領先的水平，已經建立了由PAVE.PAWS 雷達、BMEWAS 雷達、GBR-N雷達和?；鵛 波段（SBX）雷達構成的中段預警雷達網，如下頁圖3 所示。目前，除美國外，俄羅斯和一些歐洲強國也開展了關于雷達網的研究，國內雖然起步晚，但也取得了部分研究成果。

圖3 中段預警雷達網

3.1 基于窄帶組網雷達微動信息提取

肖金國采用參數化時頻分析的方法研究了錐體目標的微多普勒曲線提取問題。朱健東從回波時頻圖的角度出發(fā)，利用圖像處理的相關算法求解微動參數。由于窄帶雷達分辨率不高，當誘餌的尺寸結構與真彈頭接近時，窄帶雷達獲取的誘餌微多普勒與真彈頭微多普勒接近，難以區(qū)分，且易受信噪比的影響。因此，需要引入寬帶雷達對彈道目標特征提取分析。

3.2 基于寬帶組網雷達微動信息提取

寬帶高分辨雷達可以實現(xiàn)目標的精分辨?，F(xiàn)有的研究大多基于一維高分辨距離像和二維ISAR像，目標三維微動成像由于空間運動的復雜性，目前相關的研究較少。

3.2.1 基于一維距離像的微動信息提取

寬帶組網雷達微動信息提取的方法，主要分為兩類：一類是利用多視角一維距離像聯(lián)立方程組進行微動參數求解，此時將多視角一維距離像信息作為參數求解的已知條件，可以提高參數提取精度；一類是利用多視角一維距離像與彈道目標散射中心空間位置之間的關系，將散射中心空間位置重構出來。周毅采用深度神經網絡，提取一維距離像的特征，并使用經典子空間方法，對一維距離像的子空間特征進行了提取。趙振沖提出了基于差分算法的目標投影長度提取方法，利用峰值效應準確地對散射中心進行了提取。

彈道目標一維距離像與雷達觀測視角有關。當雷達觀測視角變化0.2°時，一維距離像就不再相同，需要用新的距離像來描述目標。彈道目標在中段高速飛行，雷達觀測視角變化快，需要對目標一維距離像進行及時更新，這就意味著需要很大的計算量。同時雷達網之間還需要對觀測信息進行同步，因此，利用寬帶雷達網觀測的一維距離像進行參數提取，對計算機的存儲和計算能力要求很高。

3.2.2 基于二維ISAR 像的微動信息提取

與基于微多普勒譜和基于一維距離像的微動信息識別方法相比，二維ISAR 像對姿態(tài)角的敏感程度不強，可以獲得目標更為精細的結構和方位向信息，一段時間內的連續(xù)ISAR 像能直觀地反映目標的運動規(guī)律。基于二維ISAR 像提取目標的結構特征，首先需要獲得微動目標聚焦的ISAR 像。董會旭提出一種相同距離單元橫向聚焦的成像方法，最后實現(xiàn)了橫向聚焦。劉記紅采用基于壓縮感知的進動目標成像方法，進行二維聯(lián)合處理和分頻處理，實現(xiàn)了進動目標的高分辨成像。

關于三維成像，目前國內外的研究還比較少。胡曉偉在寬帶雷達體制下，分析了成像所需的4 個微動參數并給出了相應的參數估計方法，通過構建相位補償因子，使得時間-距離像上的所有數據同相疊加，實現(xiàn)有翼目標三維成像。

以上分析驗證了寬帶組網雷達進行目標觀測識別的可行性。

3.3 基于混合組網雷達微動信息提取

反導預警雷達網是集預警、分辨識別、反導打擊于一體的雷達網。雷達網中不僅包括數量較多的窄帶雷達，還包括數量較少的寬帶雷達。下頁圖4 為利用寬窄帶雷達組建的反導預警雷達網示意圖。

圖4 反導預警雷達網示意圖

文獻［6］指出對于同一散射中心，其時頻曲線是距離像序列的導函數，這就給綜合利用反導預警雷達網中寬窄帶雷達信息提供了理論依據。關于混合體制雷達網的組建，國外很早就進行了研究，且部分成果已經應用到了實際裝備中。美國林肯實驗室就利用窄帶雷達獲取的RCS 特征，去評估寬帶雷達對目標形成的ISAR 像，實現(xiàn)了寬窄雷達的融合識別。俄羅斯裝備的C-400 武器系統(tǒng)中就將多種不同型號的雷達進行組網聯(lián)合，同時對觀測數據進行融合處理。目前，國內對寬窄帶混合體制雷達進行組網的研究還較少，其中，利用微動信息進行彈道目標識別的研究還處在理論階段?？哲姽こ檀髮W的李靖卿利用寬窄雷達對彈頭目標進行聯(lián)合觀測，通過對散射中心進行關聯(lián)與分類，實現(xiàn)了不同雷達體制下同一散射中心微動信息的融合處理，得到了精確的目標參數。

通過上述分析可以看出，窄帶雷達和寬帶雷達具有不同的優(yōu)勢，組建混合體制雷達網能夠更有效地發(fā)揮各自優(yōu)勢，獲取目標更多的微動信息，提升反導預警雷達網的性能。

4 需解決的問題和發(fā)展趨勢

4.1 需解決的問題

1）彈道群目標平動補償問題?，F(xiàn)有的平動補償大多基于單一目標且假定其在短時間內做二階勻加速運動，考慮的較為理想。如何在群目標中實現(xiàn)目標平動的精確補償，是下階段亟需解決的問題。

2）復雜目標和多目標微動信號分離問題。目前彈道群目標研究多為兩個目標，實際群目標數量遠遠多于兩個子目標，而且彈頭存在有翼和錐柱體等復雜結構，其雷達回波中的微多普勒分量更為復雜。如何在多子目標和復雜目標中進行微動信號分離是下階段深入解決的問題。

3）不同性能雷達組網與優(yōu)化問題。組網雷達在微動特征提取上較單部雷達具有明顯優(yōu)勢，目前組網雷達研究多基于單一體制和寬窄帶體制，然而實際雷達網中各雷達在帶寬、載頻、重頻、脈沖形式等方面存在著差異。如何對性能不一的雷達進行組網聯(lián)合，是下階段重點研究的問題。

4.2 發(fā)展趨勢

結合國內外研究現(xiàn)狀和新技術的發(fā)展，未來彈道目標微動特征提取呈現(xiàn)如下發(fā)展趨勢：

1）微動特征作為識別特征融入彈道目標識別特征層。目前僅僅依靠目標單一特征很難達到準確識別，在未來彈道導彈防御體系中必然是聯(lián)合體系下的多特征融合，是集目標RCS 特征、微動特征、紅外特征、運動特征、質阻比等為一體的目標識別體系。

2）人工智能技術運用到彈道導彈識別中。主要體現(xiàn)在3 個方面：一是數據融合。利用人工智能技術對雷達不同時刻獲取的同一特征數據進行融合處理?？紤]到雷達之間同步和信號差異等原因，對某一雷達不同時刻獲取的數據進行數據層融合；對不同雷達提取得到的特征進行特征層融合，并與前一階段得到的特征信息比對驗證。二是目標擇優(yōu)。利用人工智能技術對不同目標不同特征進行加權處理，剔除不可信特征，得到不同目標的可信度值，可信度大的可確定為彈頭。三是對比學習。對不同彈道導彈整個飛行階段不同特征數據進行存儲，建立數據庫。利用人工智能技術對比學習，可做到盡早識別目標。

5 結論

本文對彈道目標微動信號分離與特征提取技術進行了研究，重點分析了信號補償與分離、微動目標識別以及組網雷達中彈道目標微動特征提取，總結了現(xiàn)有的國內外研究成果和存在的不足并分析了下階段的發(fā)展趨勢，為后續(xù)彈道目標特征提取研究提供了新的方向。