多功能相控陣?yán)走_(dá)行為辨識(shí)綜述

付雨欣,黃 潔,王建濤,黨同心,李一鳴,孫震宇

(1.信息工程大學(xué) 數(shù)據(jù)與目標(biāo)工程學(xué)院,鄭州 450001;2.中國(guó)人民解放軍63896部隊(duì),河南 洛陽(yáng) 471000)

0 引 言

雷達(dá)電子偵察能夠以非合作方式截獲目標(biāo)雷達(dá)輻射信號(hào),并通過(guò)電子信號(hào)分析與處理獲得雷達(dá)型號(hào)、信號(hào)樣式、工作模式、威脅等級(jí)等信息,受到了各國(guó)的高度重視[1]。常規(guī)體制雷達(dá)主要采用機(jī)械掃描方式工作,輻射信號(hào)時(shí)序確定,旁瓣電平較高,雷達(dá)功能單一,信號(hào)樣式簡(jiǎn)單,因此傳統(tǒng)偵察接收機(jī)能夠以較高概率截獲信號(hào),提取信號(hào)脈沖描述字(Pulse Describe Word,PDW)并進(jìn)行后續(xù)的分選與識(shí)別[2]。然而多功能相控陣?yán)走_(dá)(Multi-function Phased Array Radar,MPAR)采用電掃描方式工作,具有高速靈活的波束調(diào)度和切換能力,具備多種工作模式且其信號(hào)樣式復(fù)雜多變[3],不僅使得傳統(tǒng)偵察接收機(jī)截獲MPAR信號(hào)的概率大大降低,也給后續(xù)信號(hào)的分選和識(shí)別帶來(lái)挑戰(zhàn)。由于本文研究對(duì)象是經(jīng)過(guò)脈沖分選、型號(hào)識(shí)別后的單部雷達(dá),因此僅關(guān)注最新的雷達(dá)輻射源識(shí)別方法而非分選技術(shù)。

雷達(dá)行為辨識(shí)是雷達(dá)輻射源識(shí)別的重要技術(shù)之一,能從信號(hào)層級(jí)表征和識(shí)別多功能相控陣?yán)走_(dá)行為,挖掘隱藏在截獲信號(hào)背后的目標(biāo)雷達(dá)行為規(guī)律,從而提高偵察系統(tǒng)的智能決策能力[4]。根據(jù)文獻(xiàn)[5]對(duì)電磁輻射行為學(xué)的定義,本文將MPAR在一段時(shí)間內(nèi)執(zhí)行某種任務(wù)的工作模式及轉(zhuǎn)換規(guī)律的總和稱(chēng)為雷達(dá)行為。實(shí)際上,MPAR不僅能實(shí)現(xiàn)對(duì)目標(biāo)的探測(cè)跟蹤,還具有通信數(shù)據(jù)鏈和高功能干擾等功能[6],但考慮到目前大部分偵察接收機(jī)在對(duì)進(jìn)行通信和高功能干擾的MPAR信號(hào)前期截獲和分選效果較差,因此本文主要針對(duì)雷達(dá)對(duì)抗中經(jīng)過(guò)分選之后與雷達(dá)探測(cè)跟蹤功能相關(guān)的工作模式進(jìn)行分析與識(shí)別。

目前,國(guó)內(nèi)外學(xué)者開(kāi)展了大量MPAR行為辨識(shí)的相關(guān)研究。文獻(xiàn)[7]分析了非合作條件下的雷達(dá)輻射源數(shù)據(jù)特點(diǎn),但對(duì)數(shù)據(jù)集調(diào)研不夠全面,沒(méi)有總結(jié)對(duì)應(yīng)的信號(hào)模型。文獻(xiàn)[8]對(duì)國(guó)內(nèi)外的雷達(dá)工作模式識(shí)別方法進(jìn)行了綜述,缺乏對(duì)深度學(xué)習(xí)算法的對(duì)比分析,且沒(méi)有歸納不同算法的適用場(chǎng)景。文獻(xiàn)[9]總結(jié)了雷達(dá)工作狀態(tài)識(shí)別的研究現(xiàn)狀,但分類(lèi)較為粗糙,且缺乏算法性能對(duì)比。文獻(xiàn)[10]梳理了基于機(jī)器學(xué)習(xí)的輻射源識(shí)別方法,但并未區(qū)分雷達(dá)型號(hào)識(shí)別和工作模式識(shí)別。國(guó)外的綜述[11-12]多集中于對(duì)雷達(dá)系統(tǒng)的正向機(jī)理性分析,上述文獻(xiàn)的局限性在于沒(méi)有對(duì)MPAR脈沖列模型、行為辨識(shí)關(guān)鍵技術(shù)、仿真數(shù)據(jù)集進(jìn)行系統(tǒng)的歸納總結(jié)。

本文根據(jù)MPAR偵察脈沖列在復(fù)雜電磁環(huán)境下呈現(xiàn)出的信號(hào)特點(diǎn),從數(shù)據(jù)壓縮和數(shù)據(jù)修復(fù)兩方面總結(jié)已有的信號(hào)建模方法。梳理了目前國(guó)內(nèi)外進(jìn)行MPAR行為辨識(shí)的一般工作流程,并對(duì)比分析了PDW序列單元提取和工作模式識(shí)別的典型算法性能和適用場(chǎng)景;歸納了目前常用的仿真數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn);最后針對(duì)性提出了當(dāng)前行為辨識(shí)技術(shù)在信號(hào)建模、PDW序列單元提取、工作模式識(shí)別以及仿真數(shù)據(jù)集構(gòu)建方面存在的問(wèn)題,并展望了未來(lái)研究方向。

1 MPAR信號(hào)建模

MPAR信號(hào)建模是指通過(guò)數(shù)學(xué)語(yǔ)言抽象出最具代表性的信號(hào)特征。目前,國(guó)內(nèi)外進(jìn)行MPAR行為辨識(shí)的一般工作流程是偵察方首先從接收機(jī)截獲的中頻信號(hào)提取出脈內(nèi)和脈間參數(shù),進(jìn)行信號(hào)分選與型號(hào)識(shí)別,然后通過(guò)信號(hào)建模方法,構(gòu)建MPAR截獲脈沖列特征空間和行為的解空間相對(duì)應(yīng)的映射關(guān)系,最后進(jìn)行PDW序列單元提取和工作模式識(shí)別,如圖1所示。

圖1 偵察系統(tǒng)行為辨識(shí)工作流程Fig.1 Workflow of behavior identification of reconnaissance system

已有的信號(hào)建模方法多以多功能雷達(dá)(Multi-function Radar,MFR)為建模對(duì)象,但MPAR作為MFR的主要體制,兩者具有相似的工作原理,因此本節(jié)合理擴(kuò)大MPAR信號(hào)模型的適用范圍,認(rèn)為對(duì)MFR信號(hào)的建模方法也適用于MPAR,不對(duì)其進(jìn)行區(qū)分。從21世紀(jì)起,陸續(xù)有學(xué)者對(duì)MPAR信號(hào)建模方法進(jìn)行研究,但目前尚缺乏對(duì)不同建模方法的系統(tǒng)總結(jié)。由于MPAR具有高數(shù)據(jù)率、波束捷變、低截獲等特點(diǎn),刻畫(huà)其輻射信號(hào)規(guī)律需要大量的長(zhǎng)時(shí)間片段的數(shù)據(jù),因此每段MPAR脈沖列的采集時(shí)長(zhǎng)一般大于1 s,包含大量脈沖且信噪比較低。本節(jié)根據(jù)MPAR截獲脈沖列的數(shù)據(jù)特點(diǎn),將已有MPAR信號(hào)模型分為兩類(lèi)：一類(lèi)是針對(duì)長(zhǎng)周期信號(hào)片段的數(shù)據(jù)壓縮模型;另一類(lèi)是針對(duì)低信噪比脈沖列的數(shù)據(jù)修復(fù)模型。在實(shí)際工程應(yīng)用中,兩者可相互借鑒。

1.1 針對(duì)長(zhǎng)周期信號(hào)片段的數(shù)據(jù)壓縮模型

現(xiàn)代電子戰(zhàn)中,隨著接收機(jī)靈敏度的提升,經(jīng)過(guò)分選后的單部雷達(dá)脈沖列可高達(dá)每秒2萬(wàn)個(gè),給信號(hào)的實(shí)時(shí)處理和長(zhǎng)期存儲(chǔ)帶來(lái)了極大的挑戰(zhàn)?？紤]到偵察脈沖列本質(zhì)上屬于非平穩(wěn)時(shí)間序列,可以借鑒時(shí)間序列分析領(lǐng)域的實(shí)數(shù)序列“符號(hào)化”的處理思想,有利于降低后續(xù)PDW序列單元提取的計(jì)算量[13]。典型的符號(hào)序列模型有后綴樹(shù)[14]、決策樹(shù)[15]、Hash表[16]、Markov模型[17]等。Lavoie等[18]于2002年最早將Markov模型引入對(duì)MPAR信號(hào)的建模領(lǐng)域,將MPAR脈沖列視為隱馬爾可夫模型(Hidden Markov Model,HMM),對(duì)采樣后的脈沖列進(jìn)行量化編碼,將其轉(zhuǎn)換為“01”符號(hào)序列。作為HMM模型的觀測(cè)值,該符號(hào)序列不僅能反應(yīng)出信號(hào)的動(dòng)態(tài)特性,并且大大降低了數(shù)據(jù)量。在此基礎(chǔ)上,Visnevski等[19-21]通過(guò)分析MPAR信號(hào)產(chǎn)生機(jī)理從而提出句法模型,將信號(hào)解構(gòu)為雷達(dá)字、雷達(dá)短語(yǔ)和雷達(dá)從句3個(gè)層級(jí),采用對(duì)應(yīng)的隨機(jī)上下文無(wú)關(guān)語(yǔ)法(Stochastic Context-Free Grammars,SCFG)來(lái)描述信號(hào)的產(chǎn)生和變化規(guī)律。該模型能從雷達(dá)信號(hào)發(fā)射的視角,通過(guò)有限語(yǔ)法規(guī)則集來(lái)分層描述從信號(hào)到行為的映射,與HMM模型相比,以較小的模型復(fù)雜度實(shí)現(xiàn)了對(duì)MPAR信號(hào)規(guī)律的表征能力的優(yōu)化,進(jìn)一步實(shí)現(xiàn)了數(shù)據(jù)壓縮。進(jìn)一步地,Visnevski等[22]提出了非自嵌入式上下文無(wú)關(guān)文法(Non-self Embedding Context-free Grammar,NSECFG)來(lái)分析MPAR系統(tǒng)中不容易被SCFG捕獲到的復(fù)雜雷達(dá)行為。Apfeld等[23]將雷達(dá)字拆分為雷達(dá)音節(jié)和字母,分別表示調(diào)制類(lèi)型和調(diào)制參數(shù),這種兩級(jí)參數(shù)擴(kuò)展使該模型具備更細(xì)粒度的表征能力。在句法模型的基礎(chǔ)上,國(guó)內(nèi)學(xué)者也開(kāi)展了一系列建模研究。劉章孟等[24]根據(jù)復(fù)雜度最小化準(zhǔn)則提出了偵察環(huán)境中MPAR脈沖列的字符串表達(dá)形式與語(yǔ)義編碼模型,降低了MPAR偵察脈沖的層次化結(jié)構(gòu)列復(fù)雜度,得到了更簡(jiǎn)潔的語(yǔ)義信息。馬爽[25]建立了針對(duì)MPAR信號(hào)的層級(jí)結(jié)構(gòu)模型,將信號(hào)按結(jié)構(gòu)要素和功能要素進(jìn)行形式化表示,創(chuàng)新性地提出了將信號(hào)產(chǎn)生系統(tǒng)與生物體細(xì)胞類(lèi)比的思想。

1.2 針對(duì)低信噪比脈沖列的數(shù)據(jù)修復(fù)模型

雷達(dá)偵察方面臨的另一主要挑戰(zhàn)是如何減小測(cè)量噪聲對(duì)截獲信號(hào)造成的巨大影響。測(cè)量噪聲帶來(lái)的影響主要包括以高斯白噪聲為典型代表的環(huán)境噪聲造成的信號(hào)參數(shù)值抖動(dòng)、接收機(jī)和雷達(dá)發(fā)射機(jī)的異步性以及前期分選算法無(wú)法準(zhǔn)確分離不同雷達(dá)輻射源信號(hào)從而造成的漏脈沖和偽脈沖等情況[26]。因此,一些學(xué)者從偵察的角度出發(fā),將建模對(duì)象從MPAR系統(tǒng)本身轉(zhuǎn)移到MPAR截獲脈沖列,希望通過(guò)逆向建模重構(gòu)反映MPAR脈沖列層次化結(jié)構(gòu)和變化規(guī)律的數(shù)據(jù)修復(fù)模型。

Haykin等[27]指出,MPAR信號(hào)的觀測(cè)序列被視為來(lái)自句法模型的字符串,被測(cè)量噪聲破壞,因此提出利用局部可觀測(cè)馬爾可夫決策過(guò)程(Partially Observable Markov Decision Processes,POMDP)理論,建立一個(gè)能被動(dòng)感應(yīng)和操作非合作MPAR信號(hào)的電子戰(zhàn)支援系統(tǒng)。相對(duì)于HMM模型,POMDP對(duì)信號(hào)的表征能力更強(qiáng)。歐健[13]引入了線性預(yù)測(cè)狀態(tài)表示模型(Predictive State Representation,PSR),考慮到偽脈沖可能被建模為僅出現(xiàn)一次的錯(cuò)誤雷達(dá)字串,其轉(zhuǎn)移到下一事件的概率均為1,但這些概率沒(méi)有實(shí)際意義,因此通過(guò)噪聲閾值實(shí)現(xiàn)對(duì)狀態(tài)轉(zhuǎn)移頻數(shù)矩陣的降噪處理。相對(duì)于HMM和POMDP模型,改進(jìn)的PSR完全根據(jù)可觀測(cè)的量來(lái)表現(xiàn)系統(tǒng)的狀態(tài),且加入了抗噪處理,魯棒性更強(qiáng)。

1.3 典型模型對(duì)比

本節(jié)總結(jié)了典型的MPAR信號(hào)模型特點(diǎn),如表1所示。從表中可以看出,無(wú)論是針對(duì)長(zhǎng)周期信號(hào)片段的數(shù)據(jù)壓縮模型還是針對(duì)低信噪比脈沖列的數(shù)據(jù)修復(fù)模型,其實(shí)質(zhì)都是動(dòng)態(tài)系統(tǒng)模型,各自有對(duì)應(yīng)的適用場(chǎng)景,并且隨著建模方法的不斷發(fā)展,MPAR信號(hào)模型對(duì)復(fù)雜電磁環(huán)境中的信號(hào)的表征能力也在逐漸增強(qiáng)。

表1 典型MPAR信號(hào)模型對(duì)比Tab.1 Comparison among typical MPAR signal models

2 PDW序列單元提取

傳統(tǒng)的信號(hào)分析方法是基于統(tǒng)計(jì)參數(shù)模型,以單脈沖為基本信息單元,而對(duì)MPAR這種具有復(fù)雜結(jié)構(gòu)的信號(hào)而言,其基本信息單元不再指單個(gè)脈沖,而是上一節(jié)所述的MPAR信號(hào)模型提出的波形單元(即PDW序列單元,是指有限個(gè)脈沖的一個(gè)優(yōu)化排列[25]),與句法模型提出的雷達(dá)字、語(yǔ)義編碼模型提出的脈組的表述相似。因此,本節(jié)將雷達(dá)字和脈組統(tǒng)一歸為PDW序列單元的范疇,MPAR信號(hào)規(guī)律可以用這些基本信息單元進(jìn)行簡(jiǎn)潔地表示。對(duì)于偵察方而言,行為辨識(shí)的首要工作就是提取截獲脈沖列中的PDW序列單元,從而實(shí)現(xiàn)對(duì)信號(hào)的初步分割。PDW序列單元提取作為一種時(shí)間序列切割技術(shù),其一般流程如圖2所示。可從是否掌握目標(biāo)先驗(yàn)知識(shí)的角度將其分為兩類(lèi)：一類(lèi)是針對(duì)已知目標(biāo)的匹配分類(lèi)技術(shù);一類(lèi)是針對(duì)未知目標(biāo)的變換點(diǎn)檢測(cè)技術(shù)。

圖2 PDW序列單元提取一般流程Fig.2 General process of PDW sequence unit extraction

2.1 針對(duì)已知目標(biāo)的匹配分類(lèi)技術(shù)

在早期研究PDW序列單元提取技術(shù)時(shí),多假設(shè)MPAR為已知目標(biāo),即偵察方已經(jīng)掌握一定的信號(hào)調(diào)制類(lèi)型、信號(hào)參數(shù)范圍、工作模式轉(zhuǎn)換規(guī)律等先驗(yàn)信息,因此可采用有監(jiān)督學(xué)習(xí)框架下的匹配分類(lèi)技術(shù)。該方法原理簡(jiǎn)單,工程實(shí)踐性強(qiáng),最先得到發(fā)展并趨于成熟。Visnevski等[19,28]最早提出了兩種有監(jiān)督的雷達(dá)字提取方法：一種是將脈沖前沿量化編碼后構(gòu)建各雷達(dá)字的HMM模板,再利用維特比算法將其與待提取的編碼序列匹配,求解最優(yōu)的雷達(dá)字序列[19];另一種稱(chēng)為事件驅(qū)動(dòng)的雷達(dá)字提取算法[28],通過(guò)計(jì)算編碼序列與模板的匹配概率實(shí)現(xiàn)雷達(dá)字提取,其精度與量化時(shí)鐘周期無(wú)關(guān),復(fù)雜度較低。

沿用HMM模板匹配的思路,劉海軍等[29]考慮到虛假脈沖和漏脈沖的影響,針對(duì)模板匹配方法依賴(lài)于時(shí)鐘周期所描述的量化精度并且對(duì)模型參數(shù)敏感不易工程實(shí)現(xiàn)的缺點(diǎn),提出一種基于三級(jí)匹配的雷達(dá)字提取方法,將匹配過(guò)程分為數(shù)據(jù)庫(kù)級(jí)的濾波、脈沖級(jí)的基于脈沖到達(dá)時(shí)間(Time of Arrival,TOA)的粗匹配,和編碼序列級(jí)的基于序列相關(guān)技術(shù)的精細(xì)匹配。Li等[30]對(duì)該方法進(jìn)行改進(jìn)和擴(kuò)展,將由TOA生成的脈沖重復(fù)間隔(Pulse Repetition Interval,PRI)信息與PDW中的其他參數(shù)相結(jié)合,得到雷達(dá)字聯(lián)合識(shí)別多維圖,從而提取編碼到脈沖列中的雷達(dá)字。該方法稱(chēng)為改進(jìn)的TTP(TOA to PRI)變換。歐健[13]引入了脈寬(Pulse Width,PW)信息改善編碼過(guò)程,并根據(jù)雷達(dá)字模板構(gòu)造匹配濾波器,匹配濾波后的峰值所對(duì)應(yīng)的一段脈沖即為待提取的雷達(dá)字。

沿用事件驅(qū)動(dòng)的思路,林令民[31]針對(duì)傳統(tǒng)方法只利用了TOA這一個(gè)特征參數(shù)的局限性,引入了相參處理間隔(Coherent Processing Interval,CPI)信息。根據(jù)CPI先對(duì)全脈沖數(shù)據(jù)進(jìn)行分割,將具有相同PRI的CPI視為一類(lèi)雷達(dá)字,利用訓(xùn)練好的HMM模型對(duì)分割后的脈沖列進(jìn)行雷達(dá)字提取,并且建立觀測(cè)狀態(tài)的哈希索引表以提高算法時(shí)效性。但當(dāng)PRI調(diào)制類(lèi)型為參差時(shí),該算法會(huì)將同一類(lèi)雷達(dá)字錯(cuò)分為多類(lèi)。針對(duì)上述問(wèn)題,王勇軍等[13,32]通過(guò)引入PW改進(jìn)脈沖前沿量化編碼方式,再計(jì)算事件驅(qū)動(dòng)概率,最后利用決策準(zhǔn)則提取概率最高所對(duì)應(yīng)的雷達(dá)字,帶來(lái)的好處是隨著碼元長(zhǎng)度的增加,降低了脈沖前沿量化誤差的影響。

除此之外,陳維高等[33]引入深度學(xué)習(xí)技術(shù),摒棄傳統(tǒng)依賴(lài)脈沖列分析技術(shù)對(duì)MPAR信號(hào)進(jìn)行處理的方法,將棧式降噪自編碼器(Stacked Denoising Auto Encoders,SDAE)與常用的支持向量機(jī)(Support Vector Machine,SVM)分類(lèi)算法結(jié)合,借助參數(shù)間的聯(lián)合變化特征,提高了PDW序列單元識(shí)別的魯棒性和泛化能力,但算法準(zhǔn)確率對(duì)樣本波形庫(kù)參數(shù)設(shè)置敏感,且存在網(wǎng)絡(luò)過(guò)擬合、運(yùn)算復(fù)雜度高等問(wèn)題。

2.2 針對(duì)未知目標(biāo)的切換點(diǎn)檢測(cè)技術(shù)

隨著低截獲概率雷達(dá)技術(shù)發(fā)展,偵察方對(duì)非合作MPAR先驗(yàn)知識(shí)的獲取難度陡增,促使研究重點(diǎn)轉(zhuǎn)為在無(wú)監(jiān)督學(xué)習(xí)框架下利用參數(shù)變化特點(diǎn)進(jìn)行PDW序列單元提取的切換點(diǎn)檢測(cè)技術(shù)。需要說(shuō)明的是,有的學(xué)者將PDW序列單元視為參數(shù)值不同、調(diào)制類(lèi)型相同的子工作模式[34-35],但其實(shí)質(zhì)仍然是對(duì)切換點(diǎn)進(jìn)行檢測(cè)。因此,本文認(rèn)為該類(lèi)方法實(shí)質(zhì)是對(duì)PDW序列單元的提取,而非更具一般意義的工作模式的識(shí)別。目前,切換點(diǎn)檢測(cè)技術(shù)大致分為兩類(lèi)：一類(lèi)是聚類(lèi)分析;一類(lèi)是統(tǒng)計(jì)分析。

聚類(lèi)分析希望對(duì)MPAR脈沖列中具有相同參數(shù)特征的脈沖點(diǎn)進(jìn)行聚類(lèi),從而獲取類(lèi)間切換點(diǎn)。張雙圖[36]、陽(yáng)榴等[37]、高天昊等[38-39]均利用MPAR脈沖列包含的載頻(Radio Frequency,RF)、PRI、PW多維參數(shù),采用不同聚類(lèi)算法提取PDW序列單元。其中,陽(yáng)榴等將多個(gè)變化點(diǎn)檢測(cè)問(wèn)題轉(zhuǎn)化為二分類(lèi)問(wèn)題,利用參數(shù)自適應(yīng)的密度聚類(lèi)算法(Density Adaptive Density-Based Spatial Clustering of Applications with Noise,DA-DBSCAN)進(jìn)行PDW序列單元的提取;高天昊等引入一種改進(jìn)的基于網(wǎng)格的聚類(lèi)(Clustering in QUEst,CLIQUE)算法,利用基于密度調(diào)整的邊界擴(kuò)展提高聚類(lèi)準(zhǔn)確性,但該算法僅適用于接收雷達(dá)信號(hào)工作模式種類(lèi)較為均勻的場(chǎng)景,因此針對(duì)偵察設(shè)備在只能采集到某些工作模式下的少量數(shù)據(jù)的特殊場(chǎng)景下,獲得雷達(dá)樣本數(shù)據(jù)非均衡這一問(wèn)題,通過(guò)構(gòu)建虛擬聚類(lèi)中心和簇合并,引入改進(jìn)的基于層次密度的聚類(lèi)算法(K-means-Ordering Points To Identify The Clustering structure,K-OPTICS),很好地解決了非均衡樣本下的雷達(dá)字提取問(wèn)題。Zhu等[40]則根據(jù)目標(biāo)MPAR工作模式數(shù)量、調(diào)制參數(shù)模型、標(biāo)簽序列3類(lèi)先驗(yàn)知識(shí)是否已知,提出了在全先驗(yàn)、半先驗(yàn)、和無(wú)先驗(yàn)知識(shí)3種漸進(jìn)假設(shè)下的子算法,其中,在半先驗(yàn)下和無(wú)先驗(yàn)知識(shí)的情況下分別采用基于動(dòng)態(tài)規(guī)劃的自頂向下的分割聚類(lèi)和基于滑動(dòng)窗口的脈沖列聚類(lèi)算法。以上聚類(lèi)算法雖然原理易懂,工程實(shí)現(xiàn)難度低,但存在的共性問(wèn)題是需要遍歷全部數(shù)據(jù),運(yùn)算量較大,且對(duì)聚類(lèi)參數(shù)依賴(lài)性強(qiáng)。

統(tǒng)計(jì)分析希望對(duì)MPAR脈沖列不同片段服從的特定分布進(jìn)行似然比檢驗(yàn),從而獲取分布模型切換點(diǎn)。馬爽等[41]建立了幅度序列的統(tǒng)計(jì)變化點(diǎn)模型,引入生物染色體分析中的循環(huán)二分算法來(lái)檢測(cè)幅度變化點(diǎn)。鮑加迪等[34]則建立自回歸模型進(jìn)行數(shù)據(jù)預(yù)處理,并根據(jù)PRI調(diào)制特征提出了參數(shù)未知的定長(zhǎng)取樣(Unknown-Fixed-Size-Sample,U-FSS)算法和參數(shù)未知的累積和(Unknown-CUmulative SUM,U-CUSUM)算法,不僅可以實(shí)現(xiàn)調(diào)制參數(shù)級(jí)的雷達(dá)字在線切換點(diǎn)檢測(cè),還可以給出切換點(diǎn)前后調(diào)制參數(shù)值的準(zhǔn)確估計(jì)。方旖等[42]用定長(zhǎng)的滑窗遍歷PDW序列,根據(jù)貝葉斯準(zhǔn)則逐步計(jì)算條件概率,通過(guò)滑窗數(shù)據(jù)的概率變化來(lái)劃分脈沖列,但對(duì)于如何選取滑窗長(zhǎng)度及步長(zhǎng)缺乏參考依據(jù)。以上統(tǒng)計(jì)分析方法以概率計(jì)算為基礎(chǔ),對(duì)時(shí)間序列的完整性和可靠性要求較高,在數(shù)據(jù)分布未知時(shí)具有較大局限性。

2.3 典型算法對(duì)比

本節(jié)總結(jié)了典型的PDW序列單元提取算法特點(diǎn),如表2所示。從表中可以看出,匹配分類(lèi)技術(shù)需要大量先驗(yàn)知識(shí)做支撐,但識(shí)別準(zhǔn)確率較高,即使存在測(cè)量噪聲,平均準(zhǔn)確率仍然能夠達(dá)到95%以上;而切換點(diǎn)檢測(cè)技術(shù)無(wú)需先驗(yàn)知識(shí),對(duì)于雷達(dá)偵察方而言,能解決對(duì)非協(xié)作目標(biāo)偵察的問(wèn)題,但識(shí)別準(zhǔn)確率較低,一般保持在90%左右。

表2 典型PDW序列單元提取算法對(duì)比Tab.2 Comparison among typical PDW sequence unit extraction algorithms

3 MPAR工作模式識(shí)別

MPAR工作模式是指MPAR為完成搜索、跟蹤、識(shí)別、導(dǎo)航等多種功能所處的不同工作狀態(tài),常見(jiàn)的工作模式有速度搜索(Velocity Search,VS)、邊跟蹤邊搜索(Tracking While Scan,TWS)、邊測(cè)距邊速度搜索(Velocity Search Range,VSR)、跟蹤加搜索(Track and Search,TAS)、邊測(cè)距邊跟蹤(Range While Search,RWS)、單目標(biāo)跟蹤(Single Target Track,STT)等[43]。面向行為辨識(shí)的MPAR工作模式識(shí)別就是根據(jù)不同工作模式下信號(hào)的參數(shù)特征和變換規(guī)律,可對(duì)經(jīng)過(guò)分割后的脈沖列中所屬同一工作模式的PDW序列單元進(jìn)行重組,也可直接從原始脈沖列中提取工作模式,流程如圖3所示。此外,根據(jù)句法模式的概念,本節(jié)認(rèn)為雷達(dá)短語(yǔ)與工作模式內(nèi)涵相同,不作區(qū)分。在此之前,已有文獻(xiàn)[8-9]對(duì)MPAR工作模式識(shí)別方法進(jìn)行歸納總結(jié),然而隨著研究不斷深入,上述文章已無(wú)法涵蓋該領(lǐng)域的新技術(shù)。尤其是近年來(lái),深度學(xué)習(xí)在MPAR工作模式識(shí)別領(lǐng)域得到了廣泛應(yīng)用[44]?；谏疃葘W(xué)習(xí)的智能算法能準(zhǔn)確描述高維信號(hào)參數(shù)特征空間內(nèi)各參數(shù)間的相互關(guān)系,具備較強(qiáng)的特征挖掘能力,可以有效改進(jìn)傳統(tǒng)工作模式識(shí)別存在的問(wèn)題：一是利用小樣本學(xué)習(xí)的典型算法改善傳統(tǒng)網(wǎng)絡(luò)由于缺乏標(biāo)簽樣本而造成的識(shí)別性能?chē)?yán)重下降;二是通過(guò)優(yōu)化網(wǎng)絡(luò)架構(gòu)等削弱測(cè)量噪聲給信號(hào)數(shù)據(jù)的結(jié)構(gòu)特征帶來(lái)的影響。本節(jié)按照上述兩類(lèi)改進(jìn)思路對(duì)已有文獻(xiàn)進(jìn)行梳理并對(duì)典型算法性能進(jìn)行對(duì)比分析。

圖3 基于深度學(xué)習(xí)的MPAR工作模式識(shí)別一般流程Fig.3 General process of MPAR work mode recognition based on deep learning

3.1 針對(duì)缺少標(biāo)簽樣本的深度學(xué)習(xí)算法

由于雷達(dá)偵察在軍事應(yīng)用上的特殊性,實(shí)際研究中,對(duì)MPAR進(jìn)行工作模式識(shí)別時(shí)往往缺乏帶標(biāo)簽的樣本數(shù)據(jù),此時(shí)利用傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)容易出現(xiàn)過(guò)擬合、欠擬合等問(wèn)題。因此,引入小樣本學(xué)習(xí)的思路應(yīng)運(yùn)而生,即通過(guò)數(shù)據(jù)增強(qiáng)和擴(kuò)充等手段使得在樣本有限的情況下,網(wǎng)絡(luò)也能快速理解新模式并將其泛化,獲得準(zhǔn)確且穩(wěn)定的識(shí)別性能[45]。小樣本學(xué)習(xí)目前主要包括3類(lèi)：一類(lèi)基于模型微調(diào);一類(lèi)基于數(shù)據(jù)增強(qiáng);一類(lèi)基于遷移學(xué)習(xí)[46]。目前,根據(jù)對(duì)已有雷達(dá)情報(bào)的分析,能夠獲知一些通用的不同工作模式下的MPAR信號(hào)變化規(guī)律,因此引入基于數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)的小樣本學(xué)習(xí)方法是行為辨識(shí)領(lǐng)域的前沿研究方向。

Zhang等[47]借鑒數(shù)據(jù)增強(qiáng)的思想,提出了一種包含局部對(duì)齊、交叉對(duì)齊和分布對(duì)齊的復(fù)合對(duì)齊特征(Compound Alignments,Containing Local,Cross,and Distribution Alignments,LACADA)算法,將MPAR在不同工作模式下生成的長(zhǎng)脈沖列、短脈沖列和輔助語(yǔ)義信息映射到一個(gè)共享的潛在變量空間,利用變分自編碼器學(xué)習(xí)樣本增強(qiáng)后的真實(shí)分布,最終實(shí)現(xiàn)在僅檢測(cè)到少量脈沖列時(shí)即可完成工作模式的快速識(shí)別。雖然目前沒(méi)有學(xué)者在行為辨識(shí)領(lǐng)域引入數(shù)據(jù)增強(qiáng)中的經(jīng)典生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Net,GAN),但Liu等[48]運(yùn)用邊際化堆棧降噪自動(dòng)編碼器(Marginalizing Stacked Denoising Auto-encoder,MSDA)模型提取信號(hào)幅度特征,從而實(shí)現(xiàn)無(wú)監(jiān)督條件下的快速識(shí)別。利強(qiáng)等[49]借鑒遷移學(xué)習(xí)的思想,提出了一種在原型網(wǎng)絡(luò)(Prototypical Network,PN)中融合先驗(yàn)知識(shí)的模式識(shí)別方法,通過(guò)訓(xùn)練原型網(wǎng)絡(luò),中心網(wǎng)絡(luò)映射知識(shí)向量,重新訓(xùn)練融合先驗(yàn)知識(shí)的原型網(wǎng)絡(luò),實(shí)現(xiàn)先驗(yàn)知識(shí)與MPAR信號(hào)脈沖數(shù)據(jù)的深層融合。Zhai等[50]考慮到噪聲影響,引入自動(dòng)機(jī)器學(xué)習(xí)框架進(jìn)一步優(yōu)化關(guān)系網(wǎng)絡(luò),引入了高效神經(jīng)結(jié)構(gòu)搜索(Efficient Neural Architecture Search,ENAS),通過(guò)ENAS自適應(yīng)生成最優(yōu)特征提取網(wǎng)絡(luò),將提取到的信號(hào)調(diào)制特征送入連接的相似度網(wǎng)絡(luò)實(shí)現(xiàn)最終分類(lèi)。Zhai等[51]同時(shí)還提出一種編碼細(xì)化原型隨機(jī)游走網(wǎng)絡(luò)(Coding Refined Prototype Random walk Network,C-RPRWN),通過(guò)增加TOA量化編碼和正則化預(yù)處理模塊,提升了算法的準(zhǔn)確性。

3.2 針對(duì)非理想觀測(cè)的深度學(xué)習(xí)算法

非理想觀測(cè)指存在測(cè)量噪聲的信號(hào)環(huán)境。非理想觀測(cè)下,信號(hào)數(shù)據(jù)會(huì)呈現(xiàn)出長(zhǎng)度不固定、數(shù)值缺失、數(shù)值抖動(dòng)、數(shù)值異常等特點(diǎn),給識(shí)別算法帶來(lái)巨大挑戰(zhàn)。為了克服這類(lèi)問(wèn)題,學(xué)者們針對(duì)損壞數(shù)據(jù)特點(diǎn),引入相應(yīng)網(wǎng)絡(luò)并進(jìn)行結(jié)構(gòu)優(yōu)化,有效提高了識(shí)別性能。Li等[35]將長(zhǎng)短時(shí)網(wǎng)絡(luò)引入工作模式識(shí)別領(lǐng)域,提出了一種層次化序列到序列的長(zhǎng)短時(shí)網(wǎng)絡(luò)(Hierarchical Seq2Seq Long Short Term Network,HSSLSTM),利用固定閾值歸一化后帶標(biāo)簽的MPAR脈沖列構(gòu)建數(shù)據(jù)集,輸入雙向長(zhǎng)短期記憶網(wǎng)絡(luò),最終確定工作模式轉(zhuǎn)換的邊界,對(duì)復(fù)雜長(zhǎng)序列擁有較強(qiáng)識(shí)別能力。Tian等[52]利用基于形狀下降正則化雙路徑注意力時(shí)間卷積網(wǎng)絡(luò)(ShakeDrop-regularized Dual-path Attention Temporal Convolution Network,DP-ATCN)延長(zhǎng)PDW特征保存時(shí)間,進(jìn)一步改善對(duì)短時(shí)序列識(shí)別效果差的問(wèn)題。Du等[53]將概率圖模型引入工作模式識(shí)別領(lǐng)域,提出了貝葉斯注意信念網(wǎng)絡(luò)(Bayes Attention Belief Networks,BABN),將原始卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks,CNN)模塊權(quán)重建模為概率分布,在所提出的BABN中結(jié)合填充操作和注意模塊,使得該網(wǎng)絡(luò)能處理可變長(zhǎng)度的序列數(shù)據(jù)。Pan等[54]提出了一種基于深度殘差網(wǎng)絡(luò)和SVM級(jí)聯(lián)的框架,從參數(shù)范圍、功能指標(biāo)、數(shù)據(jù)規(guī)律等3個(gè)維度中提取特征,對(duì)同時(shí)存在漏脈沖、偽脈沖、測(cè)量誤差的信號(hào)也能達(dá)到高識(shí)別精度。Chen等[55]提出了一種編碼器-解碼器架構(gòu)下的基于門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)的識(shí)別方法,利用編碼器提取脈沖列時(shí)間特征和工作模式轉(zhuǎn)換規(guī)則,利用解碼器來(lái)解碼特征和轉(zhuǎn)換規(guī)則,并采用標(biāo)簽替代解碼器結(jié)構(gòu)提高了在非理想情況下對(duì)工作模式的識(shí)別能力。Xu等[56]最早構(gòu)建了基于GRU的工作模式識(shí)別方法,與預(yù)測(cè)模型[57]相比具有更好的識(shí)別性能。進(jìn)一步地,為了能直接處理原始MPAR脈沖列損壞數(shù)據(jù)并自動(dòng)進(jìn)行特征提取,Xu等[58]提出了一種由兩個(gè)GRU級(jí)聯(lián)的網(wǎng)絡(luò),第一個(gè)GRU從輸入MPAR脈沖列中提取雷達(dá)字的向量表示,第二個(gè)GRU作為狀態(tài)識(shí)別器。此外,惠曉龍[59]將多層感知器引入了工作模式識(shí)別領(lǐng)域,贠潔[60]利用CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)分別提取數(shù)據(jù)空間特征和時(shí)序信息。上述方法在仿真時(shí)均能實(shí)現(xiàn)低信噪比下的工作模式識(shí)別。方旖等[61]則利用誤差反傳(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò),在構(gòu)造樣本時(shí)對(duì)原始脈沖列進(jìn)行數(shù)據(jù)分割、數(shù)據(jù)補(bǔ)齊、數(shù)據(jù)推理以消除噪聲影響,但是網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于簡(jiǎn)單,識(shí)別準(zhǔn)確率不高。

3.3 典型算法對(duì)比

本節(jié)總結(jié)了典型的工作模式識(shí)別的深度學(xué)習(xí)算法特點(diǎn),如表3所示。從表中可以看出,針對(duì)缺少標(biāo)簽樣本的深度學(xué)習(xí)算法希望在訓(xùn)練中利用有限標(biāo)簽樣本數(shù)據(jù)挖掘到更多的信息,因此數(shù)據(jù)預(yù)處理手段更為豐富,往往是對(duì)信號(hào)參數(shù)進(jìn)行拓展,而針對(duì)非理想觀測(cè)的深度學(xué)習(xí)算法希望實(shí)現(xiàn)對(duì)損壞脈沖數(shù)據(jù)的自動(dòng)特征提取與高精度識(shí)別,數(shù)據(jù)預(yù)處理手段更有針對(duì)性,往往是對(duì)信號(hào)參數(shù)進(jìn)行壓縮,兩者準(zhǔn)確率均能達(dá)到90%以上,在MPAR工作模式識(shí)別領(lǐng)域的應(yīng)用情況良好。

4 MPAR仿真數(shù)據(jù)集現(xiàn)狀

由于MPAR行為辨識(shí)技術(shù)的保密性,目前大多數(shù)文獻(xiàn)中使用的均為自行構(gòu)建的仿真數(shù)據(jù)集,存在3類(lèi)問(wèn)題：一是多數(shù)文獻(xiàn)未結(jié)合MPAR工作機(jī)理,生成的仿真數(shù)據(jù)往往與實(shí)際應(yīng)用不符合;二是缺乏描述參數(shù)變化規(guī)律的數(shù)學(xué)公式,數(shù)據(jù)選取隨機(jī)性過(guò)大;三是缺乏從偵察方的視角出發(fā),統(tǒng)一提出的數(shù)據(jù)集和識(shí)別魯棒性與準(zhǔn)確率的評(píng)估標(biāo)準(zhǔn),導(dǎo)致不同算法性能對(duì)比存在困難。因此,為了減小因仿真數(shù)據(jù)集的不規(guī)范給行為辨識(shí)技術(shù)發(fā)展帶來(lái)的影響[63],本節(jié)對(duì)已構(gòu)建的典型數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)進(jìn)行歸納總結(jié),為后續(xù)學(xué)者在行為辨識(shí)領(lǐng)域構(gòu)建統(tǒng)一、公開(kāi)、合理的MPAR數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)提供參考。

4.1 數(shù)據(jù)集簡(jiǎn)介

目前已建立的仿真數(shù)據(jù)集主要可分為3類(lèi)。

第一類(lèi)是真實(shí)雷達(dá)數(shù)據(jù)集,以防空多功能雷達(dá)“水星”為代表,明確給出了不同工作模式下的PDW序列單元排列組合方式,以符號(hào)化的形式描述PDW序列單元,但并未給出對(duì)應(yīng)的脈沖級(jí)參數(shù)。在實(shí)際應(yīng)用中,該類(lèi)數(shù)據(jù)集一般用于需要仿真“符號(hào)化”信號(hào)的仿真環(huán)境。

第二類(lèi)是波形庫(kù),有不同工作模式和PDW序列單元對(duì)應(yīng)的PRI、RF、PW的脈間調(diào)制類(lèi)型、參數(shù)值和脈沖數(shù)。在實(shí)際應(yīng)用中,該類(lèi)數(shù)據(jù)集涵蓋信息較為完備,應(yīng)用范圍最廣。

第三類(lèi)是調(diào)制參數(shù)表,有明確的PRI、RF、PW的調(diào)制類(lèi)型、參數(shù)范圍。在實(shí)際應(yīng)用中,該類(lèi)數(shù)據(jù)集缺少調(diào)制參數(shù)具體值和PDW序列單元、工作模式的對(duì)應(yīng)關(guān)系,因此一般用于產(chǎn)生少量樣本或信號(hào)樣式變化較為簡(jiǎn)單的仿真環(huán)境。

上述3類(lèi)仿真數(shù)據(jù)集的典型示例可微信掃描本文OSID碼查看。

4.2 評(píng)估標(biāo)準(zhǔn)

在測(cè)量噪聲量化指標(biāo)方面,Visnevski等[19]最早提出脈沖雜散率的概念,將其定義為出現(xiàn)的偽脈沖總數(shù)與總觀測(cè)時(shí)間的比值：

(1)

劉海軍[27]提出了RDP和RFP的概念,定義如下：

(2)

(3)

式中：Ni為無(wú)噪聲模板脈沖列中的脈沖數(shù);ni為在無(wú)噪聲序列中隨機(jī)丟棄的脈沖數(shù);ξi為在無(wú)噪聲序列中隨機(jī)添加的脈沖數(shù)。

由于MPAR仿真信號(hào)的數(shù)據(jù)形式不同,因此目前的噪聲也可分為直接對(duì)原始脈沖信號(hào)添加的不同方差和均值的高斯白噪聲,和添加在脈沖參數(shù)值上的EDL[26],定義如下：

(4)

式中：xpi為無(wú)誤差數(shù)據(jù);ξpi為隨機(jī)測(cè)量誤差。

在算法性能評(píng)價(jià)方面,根據(jù)算法的不同特點(diǎn),可以利用多分類(lèi)任務(wù)常用的混淆矩陣來(lái)評(píng)價(jià)算法對(duì)不同類(lèi)型的PDW序列單元和工作模式的檢測(cè)能力,典型的參數(shù)有準(zhǔn)確率、PR曲線、F值等[63]。

5 問(wèn)題與展望

5.1 存在問(wèn)題

MPAR系統(tǒng)的不斷發(fā)展創(chuàng)新,給MPAR行為辨識(shí)領(lǐng)域(與探測(cè)跟蹤功能相關(guān)的部分)帶來(lái)的問(wèn)題主要體現(xiàn)在以下方面：

1)在行為建模方面,一是數(shù)據(jù)壓縮模型在對(duì)雷達(dá)行為層的信號(hào)特征進(jìn)行細(xì)粒度劃分時(shí)缺乏統(tǒng)一的數(shù)學(xué)定義,難以對(duì)雷達(dá)行為到發(fā)射信號(hào)參數(shù)的映射關(guān)系進(jìn)行直接、簡(jiǎn)潔的表示,因此無(wú)法同時(shí)滿足模型低復(fù)雜度和高精度求解;二是數(shù)據(jù)修復(fù)模型缺乏對(duì)測(cè)量噪聲的定量分析,因此求解時(shí)無(wú)法根據(jù)噪聲特性自適應(yīng)地尋優(yōu)去噪。

2)在PDW序列單元提取方面,一是匹配分類(lèi)技術(shù)在缺乏先驗(yàn)知識(shí)的情況下挖掘高維信號(hào)特征的能力大幅度下降,難以分析時(shí)敏性非協(xié)作目標(biāo);二是變換點(diǎn)檢測(cè)技術(shù)缺乏對(duì)算法性能下限、運(yùn)算復(fù)雜度以及實(shí)時(shí)性的討論,難以平衡信號(hào)分析時(shí)效和識(shí)別準(zhǔn)確性的關(guān)系,而這是雷達(dá)偵察方關(guān)注的重要指標(biāo)。

3)在工作模式識(shí)別方面,一是小樣本學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)在多功能雷達(dá)工作模式識(shí)別領(lǐng)域應(yīng)用才剛起步,模型的泛化能力還無(wú)法保證,且對(duì)超參數(shù)的確定存在依賴(lài)人工和計(jì)算量龐大等問(wèn)題;二是在非理想觀測(cè)條件下未能充分利用MPAR脈沖列中前后脈沖的強(qiáng)相關(guān)性,缺乏對(duì)受噪聲影響的殘缺數(shù)據(jù)的有效處理。

4)在數(shù)據(jù)集構(gòu)建方面,數(shù)據(jù)構(gòu)造主觀性較強(qiáng),缺乏統(tǒng)一的構(gòu)造標(biāo)準(zhǔn),導(dǎo)致數(shù)據(jù)格式和評(píng)價(jià)指標(biāo)多樣,給后續(xù)研究中算法性能對(duì)比、算法優(yōu)化造成了阻礙。

5.2 未來(lái)展望

基于以上分析,梳理出以下未來(lái)多功能雷達(dá)行為辨識(shí)(與探測(cè)跟蹤功能相關(guān)的部分)技術(shù)的發(fā)展方向：

1)在行為建模方面,需要結(jié)合數(shù)據(jù)壓縮模型和數(shù)據(jù)修復(fù)模型的優(yōu)缺點(diǎn),進(jìn)一步改進(jìn)已有典型模型,提出適應(yīng)日益復(fù)雜脈沖列形式的新模型。

2)在PDW序列單元提取方面,可以引入時(shí)間序列異常點(diǎn)檢測(cè)領(lǐng)域的最新技術(shù),如深度學(xué)習(xí)中的多模態(tài)特征融合[64]、注意力機(jī)制[65]等,以實(shí)現(xiàn)在復(fù)雜電磁環(huán)境中能快速提取隱藏在MPAR脈沖列時(shí)序結(jié)構(gòu)中的PDW序列單元。

3)在工作模式識(shí)別方面,需要充分考慮不同神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)與適用場(chǎng)景：一是可以引入經(jīng)典的無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)如生成對(duì)抗網(wǎng)絡(luò)[66],以進(jìn)一步降低智能算法對(duì)數(shù)據(jù)集的依賴(lài)性;二是可以在數(shù)據(jù)預(yù)處理時(shí)引入時(shí)序數(shù)據(jù)異常檢測(cè)和修復(fù)的典型算法,以消除非理想觀測(cè)給信號(hào)序列帶來(lái)的影響,并可通過(guò)輕量化設(shè)計(jì)[67]、硬件加速提升智能算法的收斂速度。

4)在數(shù)據(jù)集構(gòu)建方面,亟需構(gòu)建一個(gè)具有統(tǒng)一數(shù)據(jù)結(jié)構(gòu)的、符合雷達(dá)正向工作原理的仿真行為辨識(shí)數(shù)據(jù)集,以方便后續(xù)模型構(gòu)建與算法研究。

6 結(jié)束語(yǔ)

本文對(duì)目前國(guó)內(nèi)外的多功能相控陣?yán)走_(dá)行為辨識(shí)技術(shù)進(jìn)行了總結(jié),并對(duì)比分析了典型算法的性能與適用場(chǎng)景,梳理出該領(lǐng)域目前存在的問(wèn)題以及可能的發(fā)展方向。

此外,具有認(rèn)知能力的MPAR的出現(xiàn)是目前雷達(dá)技術(shù)發(fā)展的大勢(shì)所趨,該類(lèi)新型雷達(dá)能在人工智能的輔助下具有行為演化與環(huán)境自適應(yīng)能力[5],對(duì)該類(lèi)雷達(dá)行為的準(zhǔn)確辨識(shí)與預(yù)測(cè)是未來(lái)雷達(dá)領(lǐng)域亟需重點(diǎn)研究的內(nèi)容,需要結(jié)合不斷積累的雷達(dá)行為知識(shí)庫(kù)與人工智能手段進(jìn)行更深入的研究。