天波超视距雷达舰船目标检测方法研究综述

张 泽，石 靖，熊书轲

(95838部队,呼和浩特 010090)

0 引 言

天波超视距雷达(Over The Horizon Radar，OTHR)工作在高频短波波段(3～30 MHz)，利用电离层对高频短波信号的折射来实现对超视距目标的探测，可对地海表面以上、电离层以下800～3 000 km范围内的各类目标实施超远程预警监视。相比常规雷达，天波超视距雷达可以将海面目标的预警时间提高30～50倍，在民用和军用方面都有巨大的应用价值。[1-3]

自上个世纪50年代开始研究超视距雷达以来，经过60多年的发展，超视距雷达的功能不断拓展完善，其主要探测目标有飞机、弹道导弹、巡航导弹和舰船目标。对于飞机目标来说，其速度较快，因此多普勒频率距离海杂波波峰较远，主要是在噪声背景下进行检测，很容易将飞机目标检测出来。对于弹道导弹类目标而言，其速度也很快，且物理尺寸大，所以对导弹的检测也比较容易实现。对于巡航导弹类目标来说，其尺寸较小，且相对于弹道导弹速度较小，一般通过采用较高载频以提高多普勒频率，利于将目标回波与杂波分离。

对舰船目标的检测是这4类目标中检测最困难的，主要由于：(1)不同的海态情况对舰船目标的影响即遮蔽效应不同[4]；(2)为了降低杂波强度，需要大的工作带宽提升距离分辨力；(3) 提高频率分辨力需要有足够长的相干积累时间。当前，长距离的天线阵列已经足以达到较高方位分辨力，也可以采取宽的信号带宽使距离分辨力得到提高。但是，对于频率分辨力的提高仍然是需要解决的问题，当前主要是采取长相干积累或者短相干积累两种方案。本文主要对这两种方案分别进行阐述。

1 研究现状

到目前为止，关于天波超视距雷达舰船目标检测方法的研究，国内外学者对基于海杂波背景的舰船目标做了大量工作，出现了大量专著[3]和论文。本文梳理了OTHR关于舰船目标检测面临的问题，并对当前现有研究方法进行分类，并探讨下一步的研究方向。

1.1 长相干积累检测

在海杂波背景下对舰船目标进行检测，采用长时间的相干积累能够提高多普勒频率的分辨率，进而提高舰船目标检测概率。由于海洋的时变特性，不适合使用固定门限进行检测，通常采取单元平均恒虚警处理，即计算在检测单元周围的若干参考单元的平均幅度，将其作为检测单元的杂波强度估值，从而实现对检测单元的浮动门限设置。

1.1.1 基于相邻单元取平均及直接比较的检测方法

由于在相邻的距离单元和方位单元海态变化缓慢，检测单元及其周围单元杂波谱相似。基于相邻单元取平均及直接比较的检测方法就是将被检测单元的回波谱与周围单元得到的平均多普勒谱相比较[5]，即可以将被检测单元与平均多普勒谱相减，可以看作将杂波减去，就可以将舰船目标检测出来。

1.1.2 基于相邻单元取平均及相除比较的检测方法

基于相邻单元取平均及相除比较的检测方法[6]，即将每个距离单元上的回波谱与平均多普勒谱相除。由于海杂波在相邻单元的杂波谱基本一致，所以各个距离的杂波谱与平均多普勒谱相除后在杂波区的幅值约为1。对于待检测舰船目标所在的距离单元，除以平均多普勒谱之后海杂波被有效地抑制掉，待检测距离单元的峰值进一步突出，进而将目标检测出来。这比基于相邻单元取平均及直接比较的检测方法的杂波抑制效果更优。

但是，这种方法由噪声引起的峰值也会更突出，可能淹没目标。通常的解决方案是首先对相干处理后的回波谱进行能量非相干积累，从而平滑噪声引起的峰值，最后对非相干积累后多普勒谱作相邻单元取平均及相除比较的处理。需要指出的是，该方法在低多普勒频率区域有效，而在高多普勒频率区域噪声的影响将进一步提高，检测效果不佳。

1.1.3 采用邻域处理技术的检测方法

相邻单元取平均可以得到浮动门限和降低虚警率，而邻域处理技术[6]是为了在恒虚警条件下提高对各种杂波和噪声的抑制能力，在相邻单元取平均及检测后进一步处理以提高目标检测概率。邻域处理技术即在各个距离-多普勒数据点上把该数据点周围的距离-多普勒数据点作为邻域，目标峰值在该邻域内选取最大值。需要指出的是，将相邻单元取平均及相除比较和邻域处理技术联合使用对射频干扰和非瑞利噪声有较好的消除作用。[6]

1.2 短相干积累检测

长相干积累检测虽然可以提高天波雷达的多普勒频率分辨力，但存在一定的不足，主要是：(1)使雷达对各个子区重访频率降低，从而造成雷达观测范围与目标跟踪的矛盾；(2)增大电离层不稳定对目标检测造成的影响，使得海杂波谱展宽[7]，降低目标的检测概率。因此，为了充分发挥OTHR大范围的战略预警能力，提高数据率，可以采用短相干积累检测方法。和长相干积累检测方法相比，短相干积累检测能够有效地节省雷达系统的资源，使OTHR可以同时对空、海进行探测[3-4,8]，同时缓解长相干积累观测范围与目标跟踪的矛盾，减小电离层不稳定带来的影响。但是，短相干积累也存在相干处理增益较低、使多普勒分辨力降低造成海杂波展宽的问题。

当前，短相干积累研究根据海杂波的特征主要分为两大类[9]：(1)将海杂波看作随机信号,根据海杂波与目标信号的空时频特征不同来抑制海杂波；(2)将海杂波视为一种非线性运动过程，根据海杂波的混沌特性来抑制。[10-11]

1.2.1 基于空时频特性

基于海杂波的空时频特征检测目标的方法主要包括两大类：(1)超分辨谱估计方法；(2)海杂波抑制方法。海杂波抑制方法还可以分为：(1)基于参数估计的循环对消方法；(2)基于子空间分解的方法；(3)基于最优滤波的方法；(4)基于空时自适应处理的方法。

在短时间积累条件下，传统的傅里叶变换方法分辨力太低。1986年Barnum将超分辨谱估计方法引入舰船目标检测，取得较好的效果。[12]所以，许多学者利用超分辨谱估计的方法替代FFT来检测舰船目标。[13-14]超分辨谱估计方法主要是利用现代谱估计方法使杂波谱的分辨力提高进而凸显舰船目标,包括超分辨谱估计方法的MUSIC算法[15]、自回归(AR)模型谱估计法[15]、线性预测算法[16]、Capon法[17]等。文献[18]通过改进协方差矩阵对雷达的回波数据进行谱估计。该方法的处理结果有效性和可靠性都有提高，然而在低信噪比和小频率间隔情况下的分辨力不足。超分辨谱估计方法在短相干积累时间下检测目标十分有效。这类方法主要通过提高杂波谱的分辨力来凸显舰船目标，但性能主要取决于假设的信号模型和实际数据之间的相似程度。因为该类方法中预测模型的阶数选择是关键。阶数选择高或者低都会对检测性能出现影响，阶数较低目标无法显露，阶数较高会出现伪谱，各谱峰的幅度代表的物理意义(功率或者能量)可信度有所损失，所以得到的检测结果可信度比较低，需要采用其他辅助算法来估计相应的幅度和相位，增加海杂波重构与抑制的复杂程度。需要说明的是，在众多超分辨谱估计方法中，改进协方差矩阵方法的数据处理结果最为有效可靠。[18]

基于参数估计的循环对消法就是在检测舰船目标前将海杂波通过循环迭代法对消掉，之后利用FFT进行检测。此类方法以Root法[19]为代表，因为海杂波的主分量作为一阶近似时可被看作正弦信号。Root通过对该正弦信号的幅度、频率以及初始相位进行准确估计，然后在时域减去正弦信号的方法来对海杂波进行对消。为了进一步提高参数估计精度，提高海杂波抑制性能，一些改进的循环对消算法被提出：基于FFT相位分析的对消法[20]、基于Clean算法的对消法[21]、基于幅度相位估计的对消法[17]、基于参考单元的对消法[22]、基于频率高精度估计的对消法[23]、基于压缩感知的对消法[24]，以及其他一些改进方法[25]。此类杂波抑制方法的特点是性能主要取决于杂波对应谐波分量的频率、幅度和相位参数的估计精度，且海杂波分量与舰船目标信号分量之间缺少可信的区别准则，容易造成海杂波抑制不充分而虚警，或者对消充分而漏警。

基于子空间分解的方法主要包括：(1)特征分解(Eigen Value Decomposition，EVD)算法[26]及改进的特征分解(Modified Eigen Value Decomposition，MEVD)算法[27]。此类方法将多个相邻的距离单元作为参考单元来构造协方差矩阵，然后通过特征子空间投影方式来对海杂波进行抑制。此类方法对海杂波的空间相关性要求较高，且杂波和目标子空间划分难以准确确定[24]；(2)奇异值分解(Singular Value Decomposition，SVD)算法[28]。此类方法直接对待检测单元进行时域滑窗处理，利用奇异值空间来对海杂波进行抑制，也存在目标和杂波的奇异值界限划分的问题；(3)高奇异值分解(High-Order SVD，HOSVD)算法[29-30]。此类方法可以提高信号与杂波加噪声的比值，可以更加有效地对杂波进行抑制；(4)通过多普勒频率估计杂波子空间(Estimate Subspace Via Doppler，ESVID)算法[31]；(5)通过相关性估计杂波(Estimate Clutter Via Correlation，ECVC)算法[32]。基于子空间分解的方法，该类方法不需要任何先验知识，通过海杂波与目标空间相关性抑制杂波，其中HOSVD算法的信杂噪比最大。[33]

基于最优滤波的方法将杂波抑制问题转为最优化问题，把最大化输出信杂噪比作为优化函数，从而实现对海杂波的抑制。文献[34]提出一种基于最优化理论的强杂波背景下目标检测方法，将检测问题转为最优化问题。文献[35-36]提出了基于知识辅助的杂波抑制方法，充分利用先验知识提升海杂波的抑制性能。

自1973年Brennan等人针对相控阵体制机载预警雷达的杂波抑制问题提出空时自适应处理(Space Time Adaptive Processing，STAP)以来[37]，该方法已经成为较为坚实的新技术。Fabrizio G A 等人将STAP方法引入高频雷达杂波抑制中[38]。Oliver S等人对高频地波雷达中STAP方法的应用做了一定研究[39]。文献[11,40-41]对STAP在天波雷达中面临的问题及降维方法做了研究。此类方法十分依赖海杂波的空时耦合性，需要对杂波特性进行深入研究。

1.2.2 基于混沌特性

近年来，相关研究表明，海杂波可以被看作一种混沌信号，而目标回波不是混沌信号，因此从海杂波中检测舰船目标可以看作从混沌背景下对回波信号进行检测。利用神经网络对杂波进行抑制是一种典型的杂波抑制方法。神经网络具有很高的容错能力和任意精度逼近复杂的非线性关系的能力。基于神经网络的研究很多，国内外学者在神经网络对杂波的抑制方面取得了一定的成果，主要包括：(1)基于径向基函数(Radial Basis Function, RBF)神经网络[42]；(2)基于小波神经网络(Wavelet Neural Network, WNN)的杂波抑制方法[43]；(3)基于回声状态网络(Echo State Network, ESN)的杂波抑制方法[9]。

基于径向基函数神经网络的杂波抑制方法主要是通过海杂波数据对径向基函数网络训练，使得训练后的神经网络对海杂波混沌特性产生记忆，然后建立杂波预测的模型，再利用训练好的网络模型对未知杂波序列进行预测，便可以进行杂波抑制、目标检测。但是，该方法的不足是需要利用先验信息手动调整参数。基于小波神经网络的杂波抑制方法利用小波神经网络来对海杂波混沌动态系统进行重构，实现对杂波信号预测。若预测信号误差达到指定精度则较强的杂波信号转为较弱的随机噪声信号，便可以从海杂波中检测目标信号。该类方法的不足是若确定嵌入维和嵌入延迟方法选取不当，则不能准确反映杂波混沌特性，杂波抑制效果不佳。文献[9]利用回声状态网络对海杂波进行抑制。该方法具有高精度、高稳定性的特点，可以把信号提取出来。

2 结论与展望

通过上文分析可以看出，由于舰船航行速度缓慢，而海杂波状态复杂多变，导致杂波很容易淹没目标，基于海杂波背景下的舰船目标检测仍然是亟待解决的难题。下面列出几个需要继续研究的方向：

(1) 当慢速舰船目标多普勒峰位于海杂波Bragg峰之间时的检测问题；

(2) 海杂波模型的构建、海杂波特性分析以及对海杂波分量的精确估计问题；

(3) 基于先验知识的天波超视距雷达海杂波抑制方法问题；

(4) 基于STAP的天波超视距雷达海杂波抑制问题；

(5) 基于混沌理论等非线性理论和神经网络等人工智能算法的杂波抑制问题。