智能化雷達關鍵技術的發(fā)展

母政 王昀

【摘要】? ? 雷達技術和人工智能技術的迅速發(fā)展和深度融合，將為智能化雷達的發(fā)展提供有力的技術支撐。本文重點討論了智能化雷達所涉及的信息處理、波形優(yōu)化、抗干擾、目標識別等關鍵技術發(fā)展，認為必須加強對于智能化雷達及其關鍵技術的研究，這既是雷達技術發(fā)展的需要，更是提高雷達作戰(zhàn)能力的關鍵。

【關鍵詞】? ? 雷達? ? 人工智能? ? 關鍵技術

Development of key technologies in intelligent radar

Abstract：? ? rapid development and deep integration of radar and AI technologies are the solid foundation for the development of intelligent radar. In this paper， concept and development conditions are introduced at first， and then focus on key technologies of intelligent radar. It is important and necessary to promote the development and research on intelligent radar and its key technologies since this is critical to the development of radar technologies and enhancement of radar operation capability

Key words：? ?radar， AI， key technology，

引言：

當今國內外雷達研究領域科研人員聚焦于將現(xiàn)代雷達技術與人工智能技術進行深度融合，智能化雷達技術得到了進一步發(fā)展?，F(xiàn)代化戰(zhàn)爭中，高科技武器的信息化和智能化程度在不斷提高。雷達在面對低空及超低空突防、敵方電子干擾、隱型戰(zhàn)機及高速反輻射導彈等常規(guī)威脅的同時，還需要具備多功能特性，如處理多目標、執(zhí)行多任務以及具有多種工作模式等。因此，雷達需要具備更高的跟蹤精度、更大的探測范圍、更高的抗干擾性能及更強的目標識別能力。傳統(tǒng)雷達基本不具備隨環(huán)境和目標的變化而自動改變工作模式的能力。為滿足當前及未來作戰(zhàn)需求，必須對雷達體制及技術不斷地進行創(chuàng)新及發(fā)展，采用智能、高效、穩(wěn)健的工作模式及信息處理方法，進一步提升雷達的探測能力，從而適應日益復雜的作戰(zhàn)環(huán)境。因此，加強智能化雷達及其關鍵技術研究，既是雷達技術發(fā)展的需要，更是提高雷達作戰(zhàn)能力的關鍵[1][2]。

智能化雷達是人工智能相關技術與雷達技術進行融合而形成的新型雷達系統(tǒng)。智能化雷達的根本是對知識進行學習并不斷積累，從而實現(xiàn)高度自主化及精確化的目標及環(huán)境感知，其基于信息熵理論，通過自適應優(yōu)化發(fā)射接收的方式工作，基于目標特征進行探測。其功能特性主要體現(xiàn)在以下三個方面：一是能夠通過持續(xù)性自主學習及能力優(yōu)化來提升雷達系統(tǒng)對于環(huán)境的適應能力;二是能夠基于數(shù)據(jù)提取特征來降低模型誤差，進一步提升雷達對于目標的探測及識別能力;三是能夠將歷史數(shù)據(jù)與多源數(shù)據(jù)進行融合，實現(xiàn)精細化的處理。智能化雷達的概念目前正在發(fā)展和形成過程中，對智能化雷達的理解與認識隨著研究的深入將會逐步深化[3]。

一、智能化雷達關鍵技術發(fā)展概況

在智能化雷達向更為高級的智能形態(tài)演進的過程中，需要對以下關鍵技術給予高度關注及深入研究，以進一步推動智能化雷達的發(fā)展，使其具備智能化環(huán)境感知、信息處理、決策反應及行動控制等自主能力。

1.1智能信息處理技術

在當前的戰(zhàn)場環(huán)境中，雷達容易受到山地、海面及城市等因素造成的強雜波及噪聲的干擾，當對機動性強、隱身性好目標的進行探測時，會產生不利影響;此外，雷達應對低空突防的需求愈加突出，使得雷達在目標跟蹤技術的發(fā)展方面面臨前所未有的挑戰(zhàn)。因此，雷達系統(tǒng)需要在傳統(tǒng)技術的基礎上引入智能化技術來提高雷達的檢測、跟蹤能力以及實戰(zhàn)性。因此，需要深入研究在較低信噪比及信雜比情況下，有效地對弱目標進行檢測及跟蹤的理論及方法。

此類問題常用的改進方法，一是諸如提高發(fā)射機功率及信噪比、增大發(fā)射信號帶寬、采用窄波束、增大天線孔徑等對于雷達前端進行的性能提升。但這些方法在具體實施上存在局限性;二是在雷達后端的信號數(shù)據(jù)處理部分尋求方法并加以改進，以提高雷達弱目標跟蹤能力。近年來，相關的研究人員在該領域開展了大量的探索研究，并取得了一定成果，其中包括檢測前跟蹤（TBD）技術以及知識輔助（KA）跟蹤方法。TBD與傳統(tǒng)的檢測后再跟蹤的不同之處在于，其不對數(shù)據(jù)進行門限判決，而是對積累的多幀雷達數(shù)據(jù)進行統(tǒng)一處理，在更高維的空間內，分離目標回波及雜波噪聲，從而能更好的挖掘目標信息、改善檢測跟蹤性能。然而，TBD也具有一定的局限性，其處理難度隨著數(shù)據(jù)點跡的增多而不斷加大，必將消耗大量的系統(tǒng)資源。因此，少有國家將其應用于實際軍事行動中。

近年來，知識輔助跟蹤技術（見圖1）受到的關注度也較高，這是一種在較低信噪比及信雜的情比況下運用目標跟蹤技術。知識輔助跟蹤技術可通過調整虛警概率來保留更多的目標點跡，在傳統(tǒng)的檢測跟蹤中將各種知識（如多普勒信息、目標特征信息以及地形分布信息等）進行融合，調整參數(shù)及結構、區(qū)分目標及背景回波，可實現(xiàn)強雜波環(huán)境下弱目標跟蹤性能的提升或改善，較傳統(tǒng)檢測跟蹤技術而言具有較大優(yōu)勢。

綜上所述，知識輔助目標跟蹤技術能夠在占用更少雷達資源的情況下有效提高跟蹤性能。當前，對低空飛行目標進行監(jiān)視受到越來越多的關注，因此，有必要對復雜環(huán)境下的基于知識輔助的弱目標跟蹤算法進行深入研究。

1.2自適應發(fā)射波形優(yōu)化技術

發(fā)射波形自適應概念的雛形是雷達系統(tǒng)在多種工作模式中使用不同的工作波形。2002年，波形分集概念及技術一經出現(xiàn)就引發(fā)了研究人員的極大關注，在雷達學術界掀起了發(fā)射分集和發(fā)射波形自適應的研究浪潮。從2004年開始，美國IEEE每兩年召開一次“waveform Diversity and Design”國際會議，旨在完善波形分集的概念并推動其理論研究，屆時還會積極推動通信、雷達、聲吶等各方專家展示其專業(yè)領域內波形方面的研究成果。2007年IEEE Journal of Selected Topics in Signal Processing出版的面向捷變傳感和通信的自適應波形設計（Adaptive Waveform Design for Agile Sensing and Communication）?？约?009年IEEE Signal Processing Magazine出版的雷達系統(tǒng)中的波形捷變（Waveform Agility in Radar Systems）?？?，更是極大地促進了自適應發(fā)射波形優(yōu)化技術的發(fā)展，并進一步深化了其對于行業(yè)的影響。

目前針對雷達任務的自適應發(fā)射波形優(yōu)化技術研究主要集中于雷達目標檢測、跟蹤和識別方面的自適應波形優(yōu)化，具體包括檢測波形優(yōu)化技術、估計波形優(yōu)化技術、識別波形優(yōu)化設計技術、抗干擾波形優(yōu)化技術等幾個方面[3]。

1.3智能抗干擾技術

應不斷提升雷達對于電磁環(huán)境的感知能力來適應戰(zhàn)場復雜多變的電磁環(huán)境，可通過綜合協(xié)調雷達系統(tǒng)的各類技術來形成優(yōu)化的抗干擾體系，解決雷達的抗干擾問題。在設計中，可分別對天線、接收、信號處理、數(shù)據(jù)處理等各環(huán)節(jié)進行綜合的抗干擾處理，從而高層次、全方位地解決雷達的抗干擾問題。傳統(tǒng)的單項抗干擾措施難以從大量的雷達抗干擾技術及算法中選取適合的抗干擾措施，因此需要使用智能化的處理方式。

雷達智能化抗干擾技術的關鍵在于能夠自主識別干擾的類型并采取相應的抗干擾措施，實現(xiàn)抗干擾的目標。其主要體系構成如圖2所示。

雷達智能化抗干擾體系具有顯著的智能化技術特征：以寬帶偵察與窄帶通道為基礎進行干擾環(huán)境的認知;抗干擾技術通過對雷達系統(tǒng)進行綜合設計來實現(xiàn);首先對干擾進行分類識別，再調度及處理相應的抗干擾措施。

就當前的抗干擾技術而言，自適應頻率捷變技術通過對外部干擾頻率分布進行偵察，自動將雷達工作頻點跳轉至干擾功率最小的頻點，該閉環(huán)過程可視為智能化的過程。因此，此類技術可視為雷達智能化抗干擾技術的初級形態(tài)[4]。

1.4智能目標識別技術

針對實際作戰(zhàn)環(huán)境對目標類型、屬性、數(shù)量等的分類和識別要求，采用深度學習、支持向量機等機器學習理論和方法，提取目標和環(huán)境特征并進行模式識別等，從而可有效識別非合作目標。其中包括基于深度網絡的目標特征學習與識別方法、基于大數(shù)據(jù)小樣本的目標分類識別方法、人機協(xié)同目標識別方法等。

1.基于深度網絡的目標特征學習與識別方法

近年來，人們利用深度學習網絡自主學習并表示特征，在智能識別任務中表現(xiàn)優(yōu)異。研究表明，由于深度網絡可很好的挖掘圖像的低層特征（如邊界）及中層特征（如形狀），因此在圖像去噪分類識別方面效果顯著。將深度學習的模型用于合成孔徑雷達（SAR）圖像目標識別，就可以很好的解決機器學習的方法在識別SAR目標方面的局限性[5][6]。

2.基于大數(shù)據(jù)小樣本的目標分類識別方法

支持向量機（SVM）是基于統(tǒng)計學理論發(fā)展起來的一種新的模式識別方法，可以看作是一種廣義的線性分類器。SVM具有魯棒性強、泛化能力好、算法復雜度與特征空間維度不相關以及局部最優(yōu)解即為全局最優(yōu)解等特性。因此，SVM在解決非線性、小樣本及高維模式識別中具備特有的優(yōu)勢，可較好地解決雷達目標識別中的小樣本學習問題。國外許多院校及科研機構，如貝爾實驗室、倫敦大學、麻省理工大學及微軟研究院等已對SVM的理論和應用開展了大量研究，并取得了一定成果[7]。

3.人機協(xié)同目標識別方法

在目前的技術水平下，高度復雜SAR ATR系統(tǒng)如果融入了人的識別能力，再結合計算機的智能化處理及強大的運算能力，可實現(xiàn)識別系統(tǒng)的高效化。目標識別系統(tǒng)的半自動或人機交互識別是一種人機協(xié)同的方案，是指操作人員始終參與并控制整個識別過程，而由計算機自動執(zhí)行并實時處理。然而，近些年通過對多信息源融合技術的研究，認為該技術與實際應用還存在差距。因此，有研究人員提出可通過相關領域的專家來進行多信息源的融合并對智能決策算法（包括自動融合技術）加以干預[8]。

1.5智能資源分配與調度技術

雷達所面臨的環(huán)境不斷變化且自身的資源有限，因此雷達資源調度是一個非常復雜的問題。自適應資源調度算法是最為有效的雷達資源調度策略，這一調度方法是在雷達的資源約束范圍內，實時地在各種請求的時間、能量以及計算機資源中尋求并確定最佳的資源分配方案，并在一個調度間隔內選擇最佳的一組雷達事件序列。

國內外將人工智能算法運用到雷達資源分配研究方面。有研究人員提出利用神經網絡來進行調度優(yōu)先級的劃分，即利用一組學習數(shù)據(jù)來訓練神經網絡的權重，從而得出雷達任務的優(yōu)先級;還提出可利用專家系統(tǒng)來處理雷達的調度、參數(shù)設置及優(yōu)先級的劃分;也有相關學者提出運用模糊邏輯的方法解決自適應調度中的沖突問題，以模糊值作為任務優(yōu)先級因素，有利于雷達任務的優(yōu)先級劃分。人工智能算法具有易于實現(xiàn)、尋優(yōu)效率高、全局捜索能力強等諸多優(yōu)勢，在科研工作及實際應用中都取得了較為理想的調度結果[9]。

1.6智能多源數(shù)據(jù)挖掘技術

隨著數(shù)據(jù)庫技術的發(fā)展和應用，將積累大量的雷達數(shù)據(jù)，對其進行有效利用，可從繁雜且分散的海量數(shù)據(jù)資源中提取有價值的信息以供決策使用，數(shù)據(jù)挖掘技術應運而生。將其應用到雷達的信息融合、探測誤差仿真建模、火控解算、雜波信息處理等方面可以優(yōu)化雷達系統(tǒng)性能，充分發(fā)揮作戰(zhàn)效能。

在多雷達信息融合系統(tǒng)中，可充分挖掘出隱藏在海量數(shù)據(jù)中的有助于數(shù)據(jù)處理的方法、規(guī)則等知識[10];在雷達探測誤差仿真建模方面，可從海量測數(shù)據(jù)中發(fā)現(xiàn)隱含的雷達探測誤差與目標真實航跡之間的關系，從而提高雷達仿真的逼真度[11];在雷達火控解算的實際應用中，構建包括大量雷達實測數(shù)據(jù)以及相應理論值在內的數(shù)據(jù)庫，對其中的海量數(shù)據(jù)進行挖掘及研究，進而發(fā)現(xiàn)、分析并總結其中的規(guī)律及知識。這將有利于雷達目標狀態(tài)估計的數(shù)據(jù)處理以及火控系統(tǒng)精度的提高[12]。在雷達雜波信息處理方面，可通過挖掘并研究雜波信息與平臺、環(huán)境數(shù)據(jù)間的關系來得到最有價值的信息及知識，從而為雷達的使用提供指導并對其系統(tǒng)性能進行優(yōu)化;在雷達裝備保障方面，可以利用數(shù)據(jù)挖掘技術適用于大數(shù)據(jù)量的特性來構建雷達裝備保障的輔助決策系統(tǒng)，該系統(tǒng)能夠準確、高效地為決策者提供裝備保障及使用所需的重要信息，有助于充分發(fā)揮裝備作戰(zhàn)效能。

二、結束語

當前，雷達裝備和技術發(fā)展面臨許多重大挑戰(zhàn)，必須緊隨先進技術發(fā)展潮流，融合新興技術、推動創(chuàng)新進程。雷達技術和人工智能技術的快速發(fā)展及深度融合極大地促進了智能化雷達的發(fā)展。智能化雷達能夠實現(xiàn)認知、決策、執(zhí)行、評估及優(yōu)化等功能，可全面優(yōu)化及提升雷達系統(tǒng)的能力，必將成為未來雷達技術及系統(tǒng)架構發(fā)展的重要方向。雖然目前智能化雷達的發(fā)展尚不成熟，且在工程實現(xiàn)上會面臨許多巨大挑戰(zhàn)，但智能化雷達將隨著人工智能技術的進步而不斷發(fā)展，應引起我們高度關注。

參? 考? 文? 獻

[1]? 郭明明，賀豐收，鄧曉波，智能化雷達形態(tài)初探，測控技術2018年第37卷增刊P1-3

[2]? 孫俊，智能化認知雷達中的關鍵技術，現(xiàn)代雷達，2014年10月第36卷第10期P14

[3] 王建明，面向下一代戰(zhàn)爭的雷達系統(tǒng)與技術，現(xiàn)代雷達，2017年12月，第39卷第12期

[4]? 陳振興，基于知識輔助的弱目標跟蹤算法研究，電子科技大學，2013

[5]? 王建濤，面向參數(shù)估計的認知雷達自適應發(fā)射波形優(yōu)化技術研究，國防科學技術大學，2014

[6]? 王峰，雷志勇，黃桂根，雷達智能抗干擾體系研究，現(xiàn)代雷達，2014年第36卷第1期，P80-81

[7]? 張國祥，基于深度神經網絡的人車分類算法，西安電子科技大學，2015

[8]? 耿杰，范劍超，初佳蘭，基于深度協(xié)同稀疏編碼網絡的海洋浮筏SAR 圖像目標識別，自動化學報，2016年4月第42卷第4期

[9]? 邢開顏，李梅，數(shù)據(jù)挖掘分類算法在信號分類中的應用，軟件，2016年第37卷第6期，P2

[10]? 楊文，孫洪，曹永鋒，合成孔徑雷達圖像目標識別問題研究，航天返回與遙感，2004年3月第25卷第1期

[11]? 相控陣雷達增程工作方式下資源調度算法研究與實現(xiàn)，劉正萍，北京理工大學，2016

[12]? 徐建平，李曉冬，數(shù)據(jù)分析技術在指揮信息系統(tǒng)中的應用，第三屆中國指揮控制大會論文集（上冊），北京，中國指揮與控制學會，2015，P437