朱永鋒，達(dá) 凱，楊 燁

(國(guó)防科技大學(xué) ATR重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073)

0 引 言

有源欺騙干擾利用電子干擾設(shè)備生成假目標(biāo)信息并作用于雷達(dá)檢測(cè)與跟蹤系統(tǒng)，使得雷達(dá)對(duì)真實(shí)目標(biāo)的狀態(tài)做出錯(cuò)誤的檢測(cè)及跟蹤，這對(duì)情報(bào)搜集和軍事打擊造成了嚴(yán)重的影響。目前單站雷達(dá)抗欺騙干擾主要通過(guò)發(fā)射波形分集、 極化信息等技術(shù)降低干擾效果，或者通過(guò)區(qū)分干擾和真實(shí)目標(biāo)在信號(hào)或數(shù)據(jù)維度上的差異來(lái)剔除假目標(biāo)。但單站雷達(dá)包含的信息有限，能夠達(dá)到的抗干擾效果也有限。隨著傳感器網(wǎng)絡(luò)的發(fā)展，越來(lái)越多的雷達(dá)系統(tǒng)多站化、 網(wǎng)絡(luò)化。多站雷達(dá)從不同角度利用不同體制的信號(hào)來(lái)觀測(cè)目標(biāo)，其相比于單站雷達(dá)，不僅在獲取信息能力上更為突出，抗干擾能力也更強(qiáng)。通過(guò)多站雷達(dá)信息融合進(jìn)行抗欺騙干擾的技術(shù)也是目前研究的重點(diǎn)方向之一。

根據(jù)融合抗欺騙干擾處理的數(shù)據(jù)不同，可以將其分為數(shù)據(jù)級(jí)融合抗欺騙干擾和信號(hào)級(jí)融合抗欺騙干擾。在數(shù)據(jù)級(jí)融合抗欺騙干擾方面，文獻(xiàn)[9]提出了基于雙基地雷達(dá)系統(tǒng)的有源欺騙假目標(biāo)識(shí)別算法，利用統(tǒng)計(jì)判決構(gòu)建了馬氏距離檢驗(yàn)量來(lái)辨別真假目標(biāo)； 文獻(xiàn)[10]提出了基于同源量測(cè)融合的抗欺騙干擾目標(biāo)跟蹤算法，在抗干擾部分設(shè)計(jì)自適應(yīng)門限來(lái)減少輸入假目標(biāo)個(gè)數(shù)，之后在目標(biāo)跟蹤部分根據(jù)航跡優(yōu)先級(jí)進(jìn)行航跡關(guān)聯(lián)以實(shí)現(xiàn)多目標(biāo)跟蹤； 在此基礎(chǔ)上，文獻(xiàn)[11]利用關(guān)聯(lián)檢驗(yàn)的方法保留了真實(shí)航跡，并通過(guò)數(shù)據(jù)融合提高了跟蹤精度； 文獻(xiàn)[12]基于多元統(tǒng)計(jì)分析理論，構(gòu)造了量測(cè)誤差的樣本向量，利用似然比檢驗(yàn)方法實(shí)現(xiàn)了對(duì)雷達(dá)網(wǎng)絡(luò)中的假目標(biāo)航跡的準(zhǔn)確鑒別。在信號(hào)級(jí)融合抗欺騙干擾方面，文獻(xiàn)[13]基于長(zhǎng)基線條件下真實(shí)目標(biāo)回波的各向異性和虛假目標(biāo)回波的各向同性，提出了一種自適應(yīng)門限真假目標(biāo)鑒別方法； 文獻(xiàn)[14]提出了基于聚類分析的抗干擾算法，在回波幅度比構(gòu)建的特征空間中，通過(guò)聚類分析實(shí)現(xiàn)對(duì)假目標(biāo)的鑒別。

總體來(lái)看，數(shù)據(jù)級(jí)融合抗欺騙干擾的主要方法是利用有源假目標(biāo)在不同雷達(dá)上形成的量測(cè)不一致這一特點(diǎn)，設(shè)計(jì)量測(cè)聚類、 航跡關(guān)聯(lián)等方法將其與真實(shí)目標(biāo)區(qū)分開(kāi)來(lái)。但是，當(dāng)前的數(shù)據(jù)級(jí)融合方法主要針對(duì)集中式網(wǎng)絡(luò)，難以應(yīng)用于分布式網(wǎng)絡(luò)。信號(hào)級(jí)融合與數(shù)據(jù)級(jí)融合相比，其融合級(jí)別更底層，包含的信息更多，潛在的抗干擾能力也更強(qiáng)，但雷達(dá)信號(hào)級(jí)融合十分復(fù)雜，其底層波形的設(shè)計(jì)運(yùn)用和統(tǒng)計(jì)量構(gòu)建難度大，也是未來(lái)研究的重要方向之一。

本文提出了一種基于數(shù)據(jù)級(jí)融合的分布式抗有源欺騙干擾方法。首先，利用集勢(shì)概率假設(shè)密度(Cardinalized Probability Hypothesis Density, CPHD)濾波器同時(shí)跟蹤真實(shí)目標(biāo)與干擾假目標(biāo)。與其他隨機(jī)集濾波器相比，CPHD濾波器比概率假設(shè)密度(Probability Hypothesis Density, PHD)濾波器的目標(biāo)估計(jì)性能更好，比多伯努利濾波器在分布式融合中的閉合性更好。然后，在不同傳感器之間采用廣義協(xié)方差交叉(Generalized Covariance Intersection, GCI)融合。對(duì)于干擾機(jī)生成的非協(xié)同假目標(biāo)，根據(jù)GCI融合的迫零性質(zhì)，假目標(biāo)將被當(dāng)作虛警抑制掉，而真實(shí)目標(biāo)則通過(guò)融合得到增強(qiáng)。對(duì)于協(xié)同假目標(biāo)，在雷達(dá)網(wǎng)絡(luò)中增加處于被動(dòng)工作模式的雷達(dá)，以破壞干擾機(jī)對(duì)整個(gè)網(wǎng)絡(luò)的干擾。最后，通過(guò)一致性算法迭代，使雷達(dá)網(wǎng)絡(luò)對(duì)目標(biāo)的估計(jì)達(dá)到全局一致，實(shí)現(xiàn)對(duì)協(xié)同假目標(biāo)的有效鑒別。

1 協(xié)同和非協(xié)同假目標(biāo)

干擾機(jī)進(jìn)行欺騙干擾的工作流程： 發(fā)現(xiàn)并捕獲敵方雷達(dá)信號(hào)，分析信號(hào)并獲取雷達(dá)工作參數(shù)，調(diào)制假目標(biāo)信號(hào)并向外轉(zhuǎn)發(fā)。目前常見(jiàn)的假目標(biāo)欺騙干擾類型有基于時(shí)延調(diào)制生成的距離欺騙干擾、 基于幅度-相位調(diào)制生成的角度欺騙干擾、 基于頻率調(diào)制生成的速度欺騙干擾以及以上幾種聯(lián)合調(diào)制產(chǎn)生的復(fù)合欺騙干擾等。

綜上可知，準(zhǔn)確獲取雷達(dá)關(guān)鍵參數(shù)是成功實(shí)施欺騙干擾的前提條件。在分布式雷達(dá)網(wǎng)絡(luò)中，對(duì)于真實(shí)目標(biāo)，不同雷達(dá)的量測(cè)轉(zhuǎn)換到公共坐標(biāo)系下呈現(xiàn)出量測(cè)的一致性，考慮到量測(cè)誤差的存在，其位置相對(duì)“集中”。

對(duì)于欺騙干擾，當(dāng)干擾機(jī)無(wú)法獲取所有雷達(dá)的相對(duì)位置及工作參數(shù)時(shí)，其轉(zhuǎn)發(fā)的干擾是互相獨(dú)立的，即對(duì)于不同雷達(dá)產(chǎn)生的假目標(biāo)量測(cè)，將其統(tǒng)一轉(zhuǎn)換到公共坐標(biāo)系時(shí)呈現(xiàn)出量測(cè)的不一致性，其位置相對(duì)“分散”，此類假目標(biāo)沒(méi)有考慮到組網(wǎng)雷達(dá)協(xié)同探測(cè)的特性，稱為非協(xié)同假目標(biāo)。若干擾方能夠提前獲知整個(gè)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和各雷達(dá)參數(shù)，且干擾機(jī)性能較強(qiáng)，擁有充足的通道能夠同時(shí)對(duì)所有雷達(dá)實(shí)施干擾，此時(shí)轉(zhuǎn)發(fā)產(chǎn)生的假目標(biāo)表現(xiàn)出真實(shí)目標(biāo)的特性，即具有空間位置的一致性。此類假目標(biāo)是干擾機(jī)針對(duì)各雷達(dá)協(xié)同欺騙產(chǎn)生，稱為協(xié)同假目標(biāo)。

以距離欺騙干擾為例，如圖1所示。非協(xié)同與協(xié)同假目標(biāo)的一個(gè)重要區(qū)別是，前者對(duì)來(lái)自于各個(gè)雷達(dá)站點(diǎn)的量測(cè)轉(zhuǎn)化至公共坐標(biāo)系下是不一致的，而后者則是一致的。

圖1 非協(xié)同與協(xié)同假目標(biāo)

2 CPHD濾波器的分布式GCI融合

2.1 CPHD濾波器

隨機(jī)有限集(Random Finite Set, RFS)是一個(gè)元素互異、 無(wú)序，且數(shù)目可變的有限集合，其可以很自然地表征多目標(biāo)過(guò)程中的虛警、 漏檢、 目標(biāo)新生以及消亡。近年來(lái)，基于RFS的多目標(biāo)跟蹤濾波器由于實(shí)現(xiàn)較為簡(jiǎn)單且性能優(yōu)異，正受到越來(lái)越多的關(guān)注。

CPHD濾波器是隨機(jī)集濾波器中的一種，其將先驗(yàn)和預(yù)測(cè)的多目標(biāo)RFS建模為獨(dú)立同分布群(Independent and Identically Distributed Cluster, IIDC)過(guò)程，并同時(shí)傳遞目標(biāo)的勢(shì)分布和強(qiáng)度函數(shù)。IIDC隨機(jī)集的多目標(biāo)密度和概率假設(shè)密度分別為

(1)

(2)

式中：()表示勢(shì)分布；()表示單目標(biāo)空間密度。CPHD濾波器的具體表達(dá)及實(shí)現(xiàn)可參見(jiàn)文獻(xiàn)[15-16]。與最早提出的PHD濾波器相比，CPHD濾波器不僅迭代傳遞多目標(biāo)狀態(tài)集合的強(qiáng)度函數(shù)，同時(shí)迭代傳遞集合的勢(shì)分布，在強(qiáng)漏檢和虛警場(chǎng)景下，可以更準(zhǔn)確地估計(jì)目標(biāo)數(shù)量。假定場(chǎng)景下目標(biāo)數(shù)目為，量測(cè)數(shù)目為，PHD濾波器計(jì)算復(fù)雜度為()，CPHD濾波器計(jì)算復(fù)雜度為()?？梢钥闯?，CPHD濾波器以計(jì)算復(fù)雜性為代價(jià)，獲得了更優(yōu)的跟蹤性能。

2.2 分布式GCI融合

GCI融合是協(xié)方差交叉(Covariance Intersection, CI)融合向非線性、 非高斯方向的擴(kuò)展。其在融合時(shí)可以避免融合節(jié)點(diǎn)間共同信息的重復(fù)計(jì)算，因此對(duì)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)沒(méi)有特殊要求，被廣泛應(yīng)用于分布式融合中。假定融合來(lái)自傳感器∈N 的后驗(yàn)多目標(biāo)概率分布()，GCI融合計(jì)算為

(3)

式中：表示指向傳感器的多目標(biāo)密度權(quán)重，并且∑∈N =1。

(4)

其中:

(5)

(6)

(7)

由上可知，融合后的單目標(biāo)概率密度()是各節(jié)點(diǎn)概率密度()的加權(quán)幾何均值，融合后的勢(shì)分布()則較為復(fù)雜，與各節(jié)點(diǎn)概率密度()和勢(shì)分布()均相關(guān)。

由式(4)可知，融合后的結(jié)果仍然存在復(fù)雜的積分計(jì)算，因此需要采用數(shù)值近似的方法進(jìn)行計(jì)算，本文選取基于高斯混合(Gaussian Mixture, GM)實(shí)現(xiàn)方法。GM數(shù)值計(jì)算將目標(biāo)的密度函數(shù)用一組加權(quán)的高斯分量近似表示，與序貫蒙特卡洛(Sequential Monte Carlo, SMC)方法相比，無(wú)需進(jìn)行大量復(fù)雜的粒子變換，計(jì)算量大大降低。關(guān)于CPHD濾波器GCI融合的高斯混合具體實(shí)現(xiàn)方法，可參見(jiàn)文獻(xiàn)[21]。此外，針對(duì)雷達(dá)量測(cè)的非線性問(wèn)題，可將無(wú)跡卡爾曼濾波器(Unscented Kalman Filter)集成至CPHD濾波器的更新步驟，具體實(shí)現(xiàn)步驟可參見(jiàn)文獻(xiàn)[16，22]。

3 基于GCI融合的抗欺騙干擾算法

3.1 GCI融合抗欺騙干擾原理

本節(jié)證明了GCI融合具有類似于密度近似中-收斂的迫零性質(zhì)，并提出利用該性質(zhì)抑制欺騙干擾。

單傳感器下的迫零性質(zhì)表示： 在狀態(tài)空間中，假設(shè)()為一給定的已知分布，根據(jù)變分法則得到其近似分布()，對(duì)于?∈，若()=0，則()=0。簡(jiǎn)而言之，迫零性質(zhì)會(huì)強(qiáng)制近似分布()在源分布()零點(diǎn)處的值置零。

在多傳感器多目標(biāo)跟蹤領(lǐng)域，融合是在已知一系列多目標(biāo)概率分布前提下，求解近似多目標(biāo)概率分布，故可將迫零性質(zhì)引入多目標(biāo)融合領(lǐng)域。假定表示狀態(tài)空間X所有有限子集的集合，對(duì)于節(jié)點(diǎn)，融合多目標(biāo)概率分布(),∈N 得到分布()，則多傳感器多目標(biāo)跟蹤領(lǐng)域的迫零性質(zhì)定義如下：

?∈，若?∈N且()=0，則()=0。

根據(jù)定義以及GCI融合公式可知，GCI融合具有迫零性質(zhì)。

使用GCI融合密度()(∈N)，得到()。對(duì)于任意，若?∈N使得()=0，則()=0。

GCI迫零性質(zhì)表明，沒(méi)有被雷達(dá)檢測(cè)到的目標(biāo)將被融合結(jié)果舍棄，即在任意融合中漏檢的目標(biāo)將不會(huì)包含在GCI最終融合結(jié)果中。與此同時(shí)，所有雷達(dá)的本地檢測(cè)中存在的虛警同樣也會(huì)被消除，原因在于虛警是隨機(jī)產(chǎn)生的，其往往位于各個(gè)雷達(dá)節(jié)點(diǎn)檢測(cè)區(qū)域的不同位置，融合時(shí)同樣會(huì)被消除。對(duì)于根據(jù)迫零性質(zhì)被置零的目標(biāo)，其概率質(zhì)量將會(huì)轉(zhuǎn)移到各個(gè)雷達(dá)均能夠檢測(cè)到的目標(biāo)估計(jì)當(dāng)中，會(huì)使剩余目標(biāo)融合后的概率質(zhì)量得到進(jìn)一步提高，呈現(xiàn)出“尖峰”狀，從而達(dá)到比融合前更好的檢測(cè)效果。

3.2 GCI融合抗欺騙干擾算法設(shè)計(jì)

對(duì)于非協(xié)同假目標(biāo)，其位置參數(shù)統(tǒng)一轉(zhuǎn)換到公共坐標(biāo)系時(shí)呈現(xiàn)出量測(cè)的不一致性，這類似于雷達(dá)檢測(cè)中的虛警，可通過(guò)GCI融合的方法將其置零； 對(duì)于協(xié)同假目標(biāo)，其僅產(chǎn)生于主動(dòng)雷達(dá)的視場(chǎng)中，而處于被動(dòng)工作模式下的雷達(dá)不主動(dòng)對(duì)外輻射射頻信號(hào)，無(wú)法被干擾機(jī)捕獲、 調(diào)制、 轉(zhuǎn)發(fā)，故可采取添加處于被動(dòng)工作模式雷達(dá)的方法，使得假目標(biāo)位置信息經(jīng)由被動(dòng)工作模式下雷達(dá)剔除。綜上，可利用基于GCI融合的方法消除假目標(biāo)。

圖2利用仿真驗(yàn)證了以上結(jié)論。為了易于理解和方便討論，仿真中對(duì)目標(biāo)的狀態(tài)估計(jì)形式做了簡(jiǎn)化處理。由圖可知，主動(dòng)工作模式雷達(dá)間融合只能抑制非協(xié)同假目標(biāo)，而主/被動(dòng)工作模式下的雷達(dá)融合可同時(shí)抑制協(xié)同和非協(xié)同假目標(biāo)。此外，融合使得目標(biāo)的估計(jì)分布更加集中，達(dá)到了更好的跟蹤效果。

圖2 GCI融合抗假目標(biāo)示意圖

在對(duì)抗協(xié)同假目標(biāo)時(shí)，為了將被動(dòng)雷達(dá)的鑒假信息傳遞給所有主動(dòng)雷達(dá)，需要采用一致性算法。一致性GCI融合在鄰居節(jié)點(diǎn)間迭代使用GCI融合，將整個(gè)網(wǎng)絡(luò)信息(包括多目標(biāo)狀態(tài)、 真假目標(biāo)標(biāo)記)不斷傳播，并最終達(dá)成全局一致性，其收斂性已由文獻(xiàn)[23]證明。根據(jù)GCI融合的迫零性質(zhì)，非協(xié)同假目標(biāo)在迭代前通過(guò)多個(gè)主動(dòng)雷達(dá)融合即被抑制，而協(xié)同假目標(biāo)將隨著被動(dòng)雷達(dá)信息的傳遞而逐步被抑制。

綜上，非協(xié)同和協(xié)同假目標(biāo)同時(shí)存在情況下的抗欺騙干擾多目標(biāo)跟蹤算法如圖3所示。

1.輸入: k時(shí)刻各雷達(dá)本地所有的目標(biāo)量測(cè)值: {Zk, i}Ni=1; k-1時(shí)刻各雷達(dá)融合后真實(shí)目標(biāo)的強(qiáng)度函數(shù)和勢(shì)分布: {DGCI, k-1, i(x); pGCI, k-1, i(n)}Ni=1; 2. 步驟1: 各雷達(dá)本地執(zhí)行高斯混合CPHD濾波器; 3. for雷達(dá)i=1, 2, …, N do4. 求解本地濾波后的強(qiáng)度函數(shù)Dk, i(x)和勢(shì)分布pk, i(n); 5. end for; 6. 步驟2: 各雷達(dá)進(jìn)行GCI融合, 并進(jìn)行一致性迭代; 7. for一致性迭代次數(shù)l=1, 2, …, L do; 8. 傳感器信息交換; 將接收到的信息轉(zhuǎn)換至本地坐標(biāo)系下; 9. for雷達(dá)i=1, 2, …, N do; 10. 執(zhí)行CPHD濾波器的GCI融合算法; 11. end for; 12. end for; 13. 輸出: k時(shí)刻各雷達(dá)融合后目標(biāo)的強(qiáng)度函數(shù)和勢(shì)分布為 {DGCI, k, i(x); pGCI, k, i(n)}Ni=1。

4 仿真分析

4.1 參數(shù)設(shè)置

考慮在2 500 m×2 500 m的二維平面中跟蹤3個(gè)在場(chǎng)景中做小角度轉(zhuǎn)彎運(yùn)動(dòng)的目標(biāo)。分布式雷達(dá)網(wǎng)絡(luò)由6個(gè)雷達(dá)站點(diǎn)構(gòu)成，包括4部主動(dòng)雷達(dá)和2部主/被動(dòng)模式可自由切換的雷達(dá)，在仿真中這2部雷達(dá)工作于被動(dòng)模式。分布式雷達(dá)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4所示，黃色虛線表示雷達(dá)間的通信鏈路。各雷達(dá)具體參數(shù)如表1所示。

圖4 分布式雷達(dá)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

表1 雷達(dá)站點(diǎn)參數(shù)

=-1+[-1,, ]

(8)

(9)

圖5展示了該仿真場(chǎng)景下的真實(shí)目標(biāo)與假目標(biāo)軌跡。圖中黑色細(xì)實(shí)線點(diǎn)跡表示真實(shí)目標(biāo)軌跡，紅色點(diǎn)跡表示主動(dòng)工作模式雷達(dá)S3視角下的非協(xié)同假目標(biāo)軌跡，藍(lán)色點(diǎn)跡為協(xié)同假目標(biāo)點(diǎn)跡。點(diǎn)跡上的空心圓圈標(biāo)記表示各目標(biāo)起點(diǎn)，空心三角標(biāo)記表示各目標(biāo)終點(diǎn)。各目標(biāo)運(yùn)動(dòng)參數(shù)如表2所示。

圖5 目標(biāo)軌跡

表2 目標(biāo)參數(shù)

受欺騙干擾影響，仿真中假設(shè)每個(gè)主動(dòng)雷達(dá)在測(cè)得真實(shí)目標(biāo)的位置信息外，同時(shí)會(huì)生成一組與真實(shí)目標(biāo)相關(guān)的協(xié)同假目標(biāo)和非協(xié)同假目標(biāo)。具體生成方式： 協(xié)同假目標(biāo)在每個(gè)真實(shí)目標(biāo)的正北方向500 m處生成，非協(xié)同假目標(biāo)在每個(gè)雷達(dá)的真實(shí)目標(biāo)量測(cè)角度維增加1°、 距離維增加300 m處生成。

其他參數(shù)的具體設(shè)定： 目標(biāo)存活概率為0.99，所有雷達(dá)對(duì)目標(biāo)的檢測(cè)概率均為0.95，主動(dòng)雷達(dá)對(duì)干擾的檢測(cè)概率為1。新生目標(biāo)的強(qiáng)度函數(shù)以均勻分布的高斯混合形式布滿整個(gè)仿真場(chǎng)景。一致性算法中的迭代次數(shù)為3，蒙特卡洛仿真次數(shù)為100。

4.2 實(shí)驗(yàn)結(jié)果

目前研究中尚缺乏對(duì)多目標(biāo)跟蹤下的分布式抗欺騙干擾算法，因此實(shí)驗(yàn)僅分析本文所提出算法的欺騙干擾抑制能力以及多目標(biāo)跟蹤的能力。

圖6展示了利用本文算法估計(jì)目標(biāo)數(shù)目的情況。由圖可知，本文所提算法可以抑制欺騙干擾，除在濾波初始階段因航跡生成存在抖動(dòng)外，其余時(shí)刻估計(jì)目標(biāo)數(shù)目均與真實(shí)目標(biāo)數(shù)目基本相符。

圖6 平均估計(jì)目標(biāo)數(shù)目

圖7展示了蒙特卡洛仿真后的平均最優(yōu)子模式分配(Optimal Subpattern Assignment, OSPA)誤差。仿真中設(shè)定OSPA誤差的截止參數(shù)=600 m，距離敏感參數(shù)=2。不難發(fā)現(xiàn)，除在航跡生成的初始階段誤差水平較高外，其余時(shí)刻均穩(wěn)定在較低水平，遠(yuǎn)低于截止參數(shù)，說(shuō)明本文算法在成功剔除假目標(biāo)的同時(shí)具有較高的跟蹤精度。

圖8展示了單次仿真中雷達(dá)節(jié)點(diǎn)S3跟蹤的目標(biāo)軌跡。由圖可知，除了在航跡生成階段估值不穩(wěn)定，以及極少數(shù)時(shí)刻的跟蹤結(jié)果出現(xiàn)野值外，絕大多數(shù)時(shí)刻的估計(jì)值均與對(duì)應(yīng)目標(biāo)軌跡相吻合，輸出的融合結(jié)果說(shuō)明其跟蹤的為真實(shí)目標(biāo)，而不是干擾，這進(jìn)一步驗(yàn)證了算法的正確性和有效性。

圖7 平均OSPA誤差

圖8 多目標(biāo)估計(jì)狀態(tài)

5 結(jié) 束 語(yǔ)

本文針對(duì)分布式雷達(dá)網(wǎng)絡(luò)，提出了GCI融合抗有源欺騙干擾多目標(biāo)跟蹤算法。仿真結(jié)果表明，在多目標(biāo)場(chǎng)景下，所提算法在有效抑制非協(xié)同和協(xié)同有源假目標(biāo)的同時(shí)，能夠保持對(duì)目標(biāo)數(shù)量和狀態(tài)的精確估計(jì)。目前，文章僅利用數(shù)據(jù)級(jí)融合方法，對(duì)分布式雷達(dá)網(wǎng)絡(luò)抗有源假目標(biāo)問(wèn)題進(jìn)行了研究。下一步計(jì)劃結(jié)合信號(hào)級(jí)融合方法，進(jìn)一步提高分布式雷達(dá)網(wǎng)絡(luò)的抗干擾能力。