智能化雷达关键技术的发展

母政 王昀

【摘要】    雷达技术和人工智能技术的迅速发展和深度融合，将为智能化雷达的发展提供有力的技术支撑。本文重点讨论了智能化雷达所涉及的信息处理、波形优化、抗干扰、目标识别等关键技术发展，认为必须加强对于智能化雷达及其关键技术的研究，这既是雷达技术发展的需要，更是提高雷达作战能力的关键。

【关键词】    雷达    人工智能    关键技术

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：

當今国内外雷达研究领域科研人员聚焦于将现代雷达技术与人工智能技术进行深度融合，智能化雷达技术得到了进一步发展。现代化战争中，高科技武器的信息化和智能化程度在不断提高。雷达在面对低空及超低空突防、敌方电子干扰、隐型战机及高速反辐射导弹等常规威胁的同时，还需要具备多功能特性，如处理多目标、执行多任务以及具有多种工作模式等。因此，雷达需要具备更高的跟踪精度、更大的探测范围、更高的抗干扰性能及更强的目标识别能力。传统雷达基本不具备随环境和目标的变化而自动改变工作模式的能力。为满足当前及未来作战需求，必须对雷达体制及技术不断地进行创新及发展，采用智能、高效、稳健的工作模式及信息处理方法，进一步提升雷达的探测能力，从而适应日益复杂的作战环境。因此，加强智能化雷达及其关键技术研究，既是雷达技术发展的需要，更是提高雷达作战能力的关键[1][2]。

智能化雷达是人工智能相关技术与雷达技术进行融合而形成的新型雷达系统。智能化雷达的根本是对知识进行学习并不断积累，从而实现高度自主化及精确化的目标及环境感知，其基于信息熵理论，通过自适应优化发射接收的方式工作，基于目标特征进行探测。其功能特性主要体现在以下三个方面：一是能够通过持续性自主学习及能力优化来提升雷达系统对于环境的适应能力;二是能够基于数据提取特征来降低模型误差，进一步提升雷达对于目标的探测及识别能力;三是能够将历史数据与多源数据进行融合，实现精细化的处理。智能化雷达的概念目前正在发展和形成过程中，对智能化雷达的理解与认识随着研究的深入将会逐步深化[3]。

一、智能化雷达关键技术发展概况

在智能化雷达向更为高级的智能形态演进的过程中，需要对以下关键技术给予高度关注及深入研究，以进一步推动智能化雷达的发展，使其具备智能化环境感知、信息处理、决策反应及行动控制等自主能力。

1.1智能信息处理技术

在当前的战场环境中，雷达容易受到山地、海面及城市等因素造成的强杂波及噪声的干扰，当对机动性强、隐身性好目标的进行探测时，会产生不利影响;此外，雷达应对低空突防的需求愈加突出，使得雷达在目标跟踪技术的发展方面面临前所未有的挑战。因此，雷达系统需要在传统技术的基础上引入智能化技术来提高雷达的检测、跟踪能力以及实战性。因此，需要深入研究在较低信噪比及信杂比情况下，有效地对弱目标进行检测及跟踪的理论及方法。

此类问题常用的改进方法，一是诸如提高发射机功率及信噪比、增大发射信号带宽、采用窄波束、增大天线孔径等对于雷达前端进行的性能提升。但这些方法在具体实施上存在局限性;二是在雷达后端的信号数据处理部分寻求方法并加以改进，以提高雷达弱目标跟踪能力。近年来，相关的研究人员在该领域开展了大量的探索研究，并取得了一定成果，其中包括检测前跟踪（TBD）技术以及知识辅助（KA）跟踪方法。TBD与传统的检测后再跟踪的不同之处在于，其不对数据进行门限判决，而是对积累的多帧雷达数据进行统一处理，在更高维的空间内，分离目标回波及杂波噪声，从而能更好的挖掘目标信息、改善检测跟踪性能。然而，TBD也具有一定的局限性，其处理难度随着数据点迹的增多而不断加大，必将消耗大量的系统资源。因此，少有国家将其应用于实际军事行动中。

近年来，知识辅助跟踪技术（见图1）受到的关注度也较高，这是一种在较低信噪比及信杂的情比况下运用目标跟踪技术。知识辅助跟踪技术可通过调整虚警概率来保留更多的目标点迹，在传统的检测跟踪中将各种知识（如多普勒信息、目标特征信息以及地形分布信息等）进行融合，调整参数及结构、区分目标及背景回波，可实现强杂波环境下弱目标跟踪性能的提升或改善，较传统检测跟踪技术而言具有较大优势。

综上所述，知识辅助目标跟踪技术能够在占用更少雷达资源的情况下有效提高跟踪性能。当前，对低空飞行目标进行监视受到越来越多的关注，因此，有必要对复杂环境下的基于知识辅助的弱目标跟踪算法进行深入研究。

1.2自适应发射波形优化技术

发射波形自适应概念的雏形是雷达系统在多种工作模式中使用不同的工作波形。2002年，波形分集概念及技术一经出现就引发了研究人员的极大关注，在雷达学术界掀起了发射分集和发射波形自适应的研究浪潮。从2004年开始，美国IEEE每两年召开一次“waveform Diversity and Design”国际会议，旨在完善波形分集的概念并推动其理论研究，届时还会积极推动通信、雷达、声呐等各方专家展示其专业领域内波形方面的研究成果。2007年IEEE Journal of Selected Topics in Signal Processing出版的面向捷变传感和通信的自适应波形设计（Adaptive Waveform Design for Agile Sensing and Communication）专刊以及2009年IEEE Signal Processing Magazine出版的雷达系统中的波形捷变（Waveform Agility in Radar Systems）专刊，更是极大地促进了自适应发射波形优化技术的发展，并进一步深化了其对于行业的影响。

目前针对雷达任务的自适应发射波形优化技术研究主要集中于雷达目标检测、跟踪和识别方面的自适应波形优化，具体包括检测波形优化技术、估计波形优化技术、识别波形优化设计技术、抗干扰波形优化技术等几个方面[3]。

1.3智能抗干扰技术

应不断提升雷达对于电磁环境的感知能力来适应战场复杂多变的电磁环境，可通过综合协调雷达系统的各类技术来形成优化的抗干扰体系，解决雷达的抗干扰问题。在设计中，可分别对天线、接收、信号处理、数据处理等各环节进行综合的抗干扰处理，从而高层次、全方位地解决雷达的抗干扰问题。传统的单项抗干扰措施难以从大量的雷达抗干扰技术及算法中选取适合的抗干扰措施，因此需要使用智能化的处理方式。

雷达智能化抗干扰技术的关键在于能够自主识别干扰的类型并采取相应的抗干扰措施，实现抗干扰的目标。其主要体系构成如图2所示。

雷达智能化抗干扰体系具有显著的智能化技术特征：以宽带侦察与窄带通道为基础进行干扰环境的认知;抗干扰技术通过对雷达系统进行综合设计来实现;首先对干扰进行分类识别，再调度及处理相应的抗干扰措施。

就当前的抗干扰技术而言，自适应频率捷变技术通过对外部干扰频率分布进行侦察，自动将雷达工作频点跳转至干扰功率最小的频点，该闭环过程可视为智能化的过程。因此，此类技术可视为雷达智能化抗干扰技术的初级形态[4]。

1.4智能目标识别技术

针对实际作战环境对目标类型、属性、数量等的分类和识别要求，采用深度学习、支持向量机等机器学习理论和方法，提取目标和环境特征并进行模式识别等，从而可有效识别非合作目标。其中包括基于深度网络的目标特征学习与识别方法、基于大数据小样本的目标分类识别方法、人机协同目标识别方法等。

1.基于深度网络的目标特征学习与识别方法

近年来，人们利用深度学习网络自主学习并表示特征，在智能识别任务中表现优异。研究表明，由于深度网络可很好的挖掘图像的低层特征（如边界）及中层特征（如形状），因此在图像去噪分类识别方面效果显著。将深度学习的模型用于合成孔径雷达（SAR）图像目标识别，就可以很好的解决机器学习的方法在识别SAR目标方面的局限性[5][6]。

2.基于大数据小样本的目标分类识别方法

支持向量机（SVM）是基于统计学理论发展起来的一种新的模式识别方法，可以看作是一种广义的线性分类器。SVM具有鲁棒性强、泛化能力好、算法复杂度与特征空间维度不相关以及局部最优解即为全局最优解等特性。因此，SVM在解决非线性、小样本及高维模式识别中具备特有的优势，可较好地解决雷达目标识别中的小样本学习问题。国外许多院校及科研机构，如贝尔实验室、伦敦大学、麻省理工大学及微软研究院等已对SVM的理论和应用开展了大量研究，并取得了一定成果[7]。

3.人机协同目标识别方法

在目前的技术水平下，高度复杂SAR ATR系统如果融入了人的识别能力，再结合计算机的智能化处理及强大的运算能力，可实现识别系统的高效化。目标识别系统的半自动或人机交互识别是一种人机协同的方案，是指操作人员始终参与并控制整个识别过程，而由计算机自动执行并实时处理。然而，近些年通过对多信息源融合技术的研究，认为该技术与实际应用还存在差距。因此，有研究人员提出可通过相关领域的专家来进行多信息源的融合并对智能决策算法（包括自动融合技术）加以干预[8]。

1.5智能资源分配与调度技术

雷达所面临的环境不断变化且自身的资源有限，因此雷达资源调度是一个非常复杂的问题。自适应资源调度算法是最为有效的雷达资源调度策略，这一调度方法是在雷达的资源约束范围内，实时地在各种请求的时间、能量以及计算机资源中寻求并确定最佳的资源分配方案，并在一个调度间隔内选择最佳的一组雷达事件序列。

国内外将人工智能算法运用到雷达资源分配研究方面。有研究人员提出利用神经网络来进行调度优先级的划分，即利用一组学习数据来训练神经网络的权重，从而得出雷达任务的优先级;还提出可利用专家系统来处理雷达的调度、参数设置及优先级的划分;也有相关学者提出运用模糊邏辑的方法解决自适应调度中的冲突问题，以模糊值作为任务优先级因素，有利于雷达任务的优先级划分。人工智能算法具有易于实现、寻优效率高、全局捜索能力强等诸多优势，在科研工作及实际应用中都取得了较为理想的调度结果[9]。

1.6智能多源数据挖掘技术

随着数据库技术的发展和应用，将积累大量的雷达数据，对其进行有效利用，可从繁杂且分散的海量数据资源中提取有价值的信息以供决策使用，数据挖掘技术应运而生。将其应用到雷达的信息融合、探测误差仿真建模、火控解算、杂波信息处理等方面可以优化雷达系统性能，充分发挥作战效能。

在多雷达信息融合系统中，可充分挖掘出隐藏在海量数据中的有助于数据处理的方法、规则等知识[10];在雷达探测误差仿真建模方面，可从海量测数据中发现隐含的雷达探測误差与目标真实航迹之间的关系，从而提高雷达仿真的逼真度[11];在雷达火控解算的实际应用中，构建包括大量雷达实测数据以及相应理论值在内的数据库，对其中的海量数据进行挖掘及研究，进而发现、分析并总结其中的规律及知识。这将有利于雷达目标状态估计的数据处理以及火控系统精度的提高[12]。在雷达杂波信息处理方面，可通过挖掘并研究杂波信息与平台、环境数据间的关系来得到最有价值的信息及知识，从而为雷达的使用提供指导并对其系统性能进行优化;在雷达装备保障方面，可以利用数据挖掘技术适用于大数据量的特性来构建雷达装备保障的辅助决策系统，该系统能够准确、高效地为决策者提供装备保障及使用所需的重要信息，有助于充分发挥装备作战效能。

二、结束语

当前，雷达装备和技术发展面临许多重大挑战，必须紧随先进技术发展潮流，融合新兴技术、推动创新进程。雷达技术和人工智能技术的快速发展及深度融合极大地促进了智能化雷达的发展。智能化雷达能够实现认知、决策、执行、评估及优化等功能，可全面优化及提升雷达系统的能力，必将成为未来雷达技术及系统架构发展的重要方向。虽然目前智能化雷达的发展尚不成熟，且在工程实现上会面临许多巨大挑战，但智能化雷达将随着人工智能技术的进步而不断发展，应引起我们高度关注。

参  考  文  献

[1]  郭明明，贺丰收，邓晓波，智能化雷达形态初探，测控技术2018年第37卷增刊P1-3

[2]  孙俊，智能化认知雷达中的关键技术，现代雷达，2014年10月第36卷第10期P14

[3] 王建明，面向下一代战争的雷达系统与技术，现代雷达，2017年12月，第39卷第12期

[4]  陈振兴，基于知识辅助的弱目标跟踪算法研究，电子科技大学，2013

[5]  王建涛，面向参数估计的认知雷达自适应发射波形优化技术研究，国防科学技术大学，2014

[6]  王峰，雷志勇，黄桂根，雷达智能抗干扰体系研究，现代雷达，2014年第36卷第1期，P80-81

[7]  张国祥，基于深度神经网络的人车分类算法，西安电子科技大学，2015

[8]  耿杰，范剑超，初佳兰，基于深度协同稀疏编码网络的海洋浮筏SAR 图像目标识别，自动化学报，2016年4月第42卷第4期

[9]  邢开颜，李梅，数据挖掘分类算法在信号分类中的应用，软件，2016年第37卷第6期，P2

[10]  杨文，孙洪，曹永锋，合成孔径雷达图像目标识别问题研究，航天返回与遥感，2004年3月第25卷第1期

[11]  相控阵雷达增程工作方式下资源调度算法研究与实现，刘正萍，北京理工大学，2016

[12]  徐建平，李晓冬，数据分析技术在指挥信息系统中的应用，第三届中国指挥控制大会论文集（上册），北京，中国指挥与控制学会，2015，P437