1.4 雷达目标识别发展概况

雷达用于目标识别的最初构想始于1934年。当时，前苏联列宁格勒无线电物理学院的B. K. Shembel，利用耳机监听从Rapid连续波雷达的目标回波中解调出来的“声音”信号，可在3km～7km的距离上识别不同类型的飞机目标。

在第二次世界大战期间，类似的“声音”监听识别装置在其他雷达上也得到应用。而直接利用目标回波进行雷达目标识别的工作可追溯至1958年，当时，美国的D．K．Barton通过分析AN/FPS-l6型跟踪雷达记录的前苏联人造卫星Sputnik II的回波信号，推断出该人造卫星上带有角反射器，并由此推断当时前苏联的卫星跟踪网是由第二次世界大战时使用的低威力雷达所组成。Barton的推断标志着雷达目标识别的开始，从而使雷达的功能从单纯的发现和定位进入了目标识别阶段。

雷达目标识别是指根据雷达回波获取目标的特征信息，利用已掌握的各种目标的先验知识判别未知目标的类别属性。它的研究主要包括目标特征分析和提取方法，以及基于目标特征的分类识别方法的研究。按目标是否与雷达合作，目标识别可分为合作式目标识别和非合作式目标识别。合作式目标识别最常见的是采用敌我识别器，通过雷达和敌我识别器的配合，既可获得目标的位置和运动特征，也可获得目标的敌我属性特征。合作式目标识别以外的其他目标识别都称为非合作式目标识别，我们通常所说的雷达目标识别，均指非合作式目标识别。

雷达目标识别是现代雷达技术的一个十分重要的发展方向，经过国内外学者的不懈努力，雷达目标识别的理论和技术应用都取得了许多重要的进展。

雷达目标识别是根据目标雷达回波中所携带的信息来鉴别目标。原则上，一个目标识别系统均可表示为如图1.12所示的基本结构，图中上半部分为实时识别过程，下半部分为训练过程。训练过程的目的是对实际工作中可能遇到的各种目标，获取探测数据，进行目标识别的特征提取和判别算法研究，为上半部分的实时识别过程提供支持。在实际作战使用过程中，就可以按照训练时预先得到的有效特征和判决算法进行实时提取和判决。

总体而言，目标识别主要在四个空间开展研究：目标空间、参数空间、特征空间和判决与分类空间。目标空间表征目标的物理参数，如形状、体积、质量、介电常数、导磁率、导电率、运动姿态以及动力学参数等；参数空间为雷达获得目标散射的幅度、相位与极化信息等；参数空间经特征提取得到的目标特征构成特征空间，再经过空间映射变换、压缩特征空间维数等处理后，得到更高的同类聚合性和异类可分离性，便于判决和分类；最后进入判决空间，根据各种判别算法和准则进行目标的分类与识别。

训练过程首先要对已知目标进行测量，取得目标的训练数据。获取训练数据有多种手段，如目标的靶场动态测量、外场静态测量、微波暗室缩比模型和风洞模型测量等。这些训练数据经特征提取与特征空间变换，存入样本空间供分类判决使用。一般来说，训练中的目标要覆盖实际作战中可能遇到的目标，目标识别系统也需要具备自我学习的功能，如图1.12中的虚线部分，通过对新数据进行处理，调整分类器参数及样本空间目标的类域范围，优化识别分类性能，并适应新的目标类型和识别环境。

目标特征信号提取技术包括RCS起伏特征、多频测量、目标瞬态响应特征、波形综合技术、高分辨成像技术（一维距离高分辨、逆合成孔径雷达技术、三维成像技术）、极化特征、目标运动调制与非线性散射特征等。

特征空间变换是目标识别中的重要环节。应用各种优化的变换技术可以改善特征空间中不同目标模式下的数据分布结构，使特征信号更有效地应用于目标识别。把参数空间的信息映射到特征空间，不但要解决维数压缩问题，还要把每类统计上最有用的特征保留下来，实现高速与高效分类。特征空间变换技术主要包括卡南-洛伊夫（K-L）变换、沃尔什（Walsh）变换、梅林（Melin）变换、基于离散度准则（Fisher准则）的维数压缩方法等。

雷达目标分类器的结构有许多种，主要包括贝叶斯（Bayes）分类器、线性分类器、最近邻分类器、序贯分类器等。

随着信息融合、模式识别等技术的不断发展，再加上雷达信息获取能力逐渐提高，当前反导系统雷达目标识别技术发展迅速。概括起来，主要朝以下几个方向发展。

一是大力丰富信息获取技术。准确、充分的信息获取技术是雷达目标识别的前提和基础。随着硬件性能的不断提高，反导系统雷达信息获取能力不断增强。日渐丰富的信息获取手段是中段雷达目标识别发展的重要方向，不论是硬件还是软件目前均处于快速的发展阶段，它们将为目标识别的方案设计和选择提供更大的空间。

二是深入挖掘有效特征。有效、稳健的特征提取是雷达目标识别的关键技术环节。随着研究的深入，人们认识到，采用先进的信号处理技术，可以从回波中获得更多的运动信息和结构信息。例如采用微多普勒技术，可以获得目标运动的细节信息，这对识别具有复杂空间运动的弹头类目标具有重要的借鉴意义。另外，研究利用极化信息提取目标结构的形体特征，同样具有非常重要的意义。

三是采用稳健的模式识别技术。快速、高效的模式识别技术是雷达目标识别的中心环节。雷达目标识别是模式识别技术的一个具体应用领域，因此也受益于模式识别技术的快速发展。例如，从20世纪90年代初发展起来的支持矢量机（Support Vector Machine，SVM）技术在雷达目标识别中获得了良好的应用。此外，关于采用隐马尔可夫模型（Hidden Markov Model，HMM）、自适应高斯分类器的雷达目标识别算法也有报道。雷达目标识别算法的多样性有利于选择高效、稳健的识别器。

四是努力采用先进的信息融合技术。多层次、多传感器的信息融合技术是改善雷达目标识别性能的重要手段。单传感器提取的特征往往是待识别目标的不完全描述，而利用多个传感器提取独立、互补的特征有利于提高正确识别率，降低错误率。由于信息融合技术的特有优势，可以预见，这将是反导系统目标识别中一个极具魅力的发展方向。