弹道目标微动特征提取研究*

李玉玺，许 丹

（1.空军工程大学防空反导学院，西安 710051；2.解放军32147 部队，陕西 宝鸡 721000）

0 引言

目前，弹道导弹防御主要分3 个阶段：助推段防御、中段防御和末端防御。在中段防御中，导弹飞行时间长，约为整个飞行时间的70%左右，与助推段和末端相比，有充足的防御时间，且作战位置不受限，可以部署多级中段拦截系统。下页图1为弹道导弹多段拦截示意图。

图1 弹道导弹多段拦截示意图

近年来，弹道导弹的突防技术得到了长足的发展。在弹道导弹飞行过程中，母舱会释放与弹头形状近似的诱饵、箔条、碎片等具有电磁干扰的物质，同时有些导弹还具有携带多枚弹头的能力，这些突防技术的运用使得基于表面材料特征和结构特征的识别效果很难满足要求。2000 年，V.C.Chen教授将微动拓展到雷达观测领域中，指出目标的微动特征是目标的固有属性，因此，可以利用该特性对弹道导弹进行识别。

弹道目标的微动具有多样性，包括旋转、锥旋、摆动、振动等简单微运动和进动、章动等复杂微运动。在高频散射条件下，目标可以等效为几个强散射中心，其在雷达回波中表现为复杂调制的多分量信号。不同的微动方式对雷达回波产生不同的调制作用，得到不同的微多普勒信息，通过对这些微多普勒信息进行提取可实现弹道目标的真假识别。

基于上述分析，从微动信号补偿与分离、微动目标识别以及组网雷达中弹道目标微动信息，提取3 个部分对弹道中段目标的微动特性进行了分析。

1 微动信号的补偿与分离

弹道中段存在着大量的目标，包括弹头、诱饵和碎片等。这些目标具有近似的平动速度，同时还具有不同的微运动。其中平动分量会使目标多普勒结构出现折叠、倾斜，影响微动信号分离与提取。为了有效地提取出目标的微动信息，需要对平动分量进行补偿。同时为了研究目标的特性，还需对群目标回波信号进行分离，单独提取出子目标的微动信号。

目前，国内学者对弹道目标平动补偿进行了一系列研究，所提算法主要有分解法、投影变换法。

图2 弹道中段目标群

1）分解法，主要指小波分解、经验模式分解等。李彦兵对轮式和履带式车辆目标进行了微多普勒分析，利用小波分解分离出了车辆目标的平动分量和微动分量。许旭光利用了高阶模糊函数的平动补偿算法，搜索回波模糊函数的峰值，实现了平动补偿。

2）投影变换，主要指Hough 变换，Radon 变换等。杨有春利用多级延迟共轭相乘的方法在时域中对回波信号进行处理，用Hough 变换将能量不同的各个分量进行了提取，实现了平动分量和微动分量的提取。胡晓伟运用Radon 变换和熵值确定法，得到了平动分量的参数估计值。

多分量微动信号分离方法主要有Viterbi 算法、EMD 分解法。

1）Viterbi 算法：韩立粦采用分段Viterbi 算法对补偿后的时频曲线进行了分离。李靖卿将Viterbi算法与自适应视野聚类匹配相结合，得到了目标微多普勒曲线最优匹配路径，实现了信号分离。

2）EMD 分解：EMD 分解法具有表征不同频率分量的能力。赵盟盟利用滑动窗轨迹与EMD 相结合的方法实现了多目标的分辨。李阳利用EMD算法对飞机的微多普勒特性进行分解，实现了目标的分辨。

2 微动目标识别

目标的微动会对雷达发射信号的频率进行调制，在载频中心附近产生边带多普勒频移，被称为微多普勒。这种调制含有目标微动信息、结构尺寸信息和雷达信息，因此，可以通过对其微多普勒进行处理来获得目标的相关信息，进而达到目标识别。

2006 年，美国海军实验室的V.C.Chen 教授在前人的基础上通过理论分析，对微动的运动模型进行了统一描述，奠定了利用微动信息进行雷达目标识别的理论基础。目前，关于利用微动进行目标识别的研究，国外有许多研究机构，如美国海军实验室、美国Towson 大学、加拿大Montenegro 大学、英国伦敦大学学院、法国航空实验室等。

国内的主要研究机构有：国防科学技术大学、北京航空航天大学、西安电子科技大学、空军工程大学、航空二院等。2016 年，李靖卿构建出了目标最强散射中心对应的微动信息矩阵，提出了一种基于宽/窄带混合体制雷达的弹道目标特征提取算法，满足反导作战的现实需求，同时解决了在强噪声环境下弹道目标特征的提取问题。2017 年，南京航空航天大学的孙善丽研究了一维距离像序列的周期性以及弹头径向长度，对弹道导弹的微动特征参数进行了提取。后续研究学者在弹道目标的种类、雷达信号的体制和雷达构成上均进行了微动特性分析与识别，并取得了丰硕的成果。

窄带雷达和宽带雷达获取的微多普勒信息形式是不同的。窄带雷达获得的是目标微多普勒频率信息，通过在时域、频域和时频域中对其进行处理可得到相应的微动信息；宽带雷达获得的是目标距离像信息或者距离-多普勒信息，刻画的是目标精细的微运动特征。通过对距离值信息提取，不仅可以得到微动特征，甚至可以得到目标结构特征。

2.1 窄带雷达微动目标识别

V.C.Chen 指出，目标的微多普勒特征不受限于雷达的距离分辨能力。因此，窄带雷达也具有获取目标微动信息的能力，一般为强散射中心的微多普勒特征。梁复台提出了深度迁移学习模型Inception-v3，应用到群目标回波上，从而实现窄带雷达对群目标的识别。魏文博提出一种支持向量机分类的算法，从回波数据中提取出群目标特征，实现了群目标的初步分类识别。

2.2 宽带雷达微动目标识别

宽带雷达距离分辨率一般小于目标尺寸，具有目标成像的能力，典型的宽带雷达成像包括一维距离像，二维ISAR 像，三维高分辨像。其中，一维距离像较二维ISAR 像和三维高分辨像更容易获取，且与目标结构参数和微动参数有直接的关系。张钧淞利用循环神经网络RNN，将神经网络与宽带雷达的一维距离像结合起来，对目标进行识别。雷刚提出了一种结合S 变换和改进人工蜂群算法的目标探测识别技术，可以快速地识别目标。

3 组网雷达微动信号提取

随着战场环境的日趋复杂，单部雷达暴露出了对目标姿态敏感、由于遮挡效应不能获取目标完整微动信息、部分参数无法解耦等缺点。组网雷达不仅能够避免单一视角带来的上述缺点，而且可以得到不同视角下的目标微动信息，在抗干扰、区域搜索等方面具有较大的优势，还可以为弹道目标识别提供一个较好的解决途径。因此，利用组网雷达进行目标识别，更有利于微动特征的提取和防御系统性能的提升。

雷达观测得到的信号与距离分辨率没有必然的关系，分辨率有限的窄带雷达也具有获取目标微动特征的能力，而宽带雷达在获取目标距离像的基础上还可以进行成像。关于利用雷达网进行弹道目标识别的研究，美国一直处于领先的水平，已经建立了由PAVE.PAWS 雷达、BMEWAS 雷达、GBR-N雷达和海基X 波段（SBX）雷达构成的中段预警雷达网，如下页图3 所示。目前，除美国外，俄罗斯和一些欧洲强国也开展了关于雷达网的研究，国内虽然起步晚，但也取得了部分研究成果。

图3 中段预警雷达网

3.1 基于窄带组网雷达微动信息提取

肖金国采用参数化时频分析的方法研究了锥体目标的微多普勒曲线提取问题。朱健东从回波时频图的角度出发，利用图像处理的相关算法求解微动参数。由于窄带雷达分辨率不高，当诱饵的尺寸结构与真弹头接近时，窄带雷达获取的诱饵微多普勒与真弹头微多普勒接近，难以区分，且易受信噪比的影响。因此，需要引入宽带雷达对弹道目标特征提取分析。

3.2 基于宽带组网雷达微动信息提取

宽带高分辨雷达可以实现目标的精分辨。现有的研究大多基于一维高分辨距离像和二维ISAR像，目标三维微动成像由于空间运动的复杂性，目前相关的研究较少。

3.2.1 基于一维距离像的微动信息提取

宽带组网雷达微动信息提取的方法，主要分为两类：一类是利用多视角一维距离像联立方程组进行微动参数求解，此时将多视角一维距离像信息作为参数求解的已知条件，可以提高参数提取精度；一类是利用多视角一维距离像与弹道目标散射中心空间位置之间的关系，将散射中心空间位置重构出来。周毅采用深度神经网络，提取一维距离像的特征，并使用经典子空间方法，对一维距离像的子空间特征进行了提取。赵振冲提出了基于差分算法的目标投影长度提取方法，利用峰值效应准确地对散射中心进行了提取。

弹道目标一维距离像与雷达观测视角有关。当雷达观测视角变化0.2°时，一维距离像就不再相同，需要用新的距离像来描述目标。弹道目标在中段高速飞行，雷达观测视角变化快，需要对目标一维距离像进行及时更新，这就意味着需要很大的计算量。同时雷达网之间还需要对观测信息进行同步，因此，利用宽带雷达网观测的一维距离像进行参数提取，对计算机的存储和计算能力要求很高。

3.2.2 基于二维ISAR 像的微动信息提取

与基于微多普勒谱和基于一维距离像的微动信息识别方法相比，二维ISAR 像对姿态角的敏感程度不强，可以获得目标更为精细的结构和方位向信息，一段时间内的连续ISAR 像能直观地反映目标的运动规律。基于二维ISAR 像提取目标的结构特征，首先需要获得微动目标聚焦的ISAR 像。董会旭提出一种相同距离单元横向聚焦的成像方法，最后实现了横向聚焦。刘记红采用基于压缩感知的进动目标成像方法，进行二维联合处理和分频处理，实现了进动目标的高分辨成像。

关于三维成像，目前国内外的研究还比较少。胡晓伟在宽带雷达体制下，分析了成像所需的4 个微动参数并给出了相应的参数估计方法，通过构建相位补偿因子，使得时间-距离像上的所有数据同相叠加，实现有翼目标三维成像。

以上分析验证了宽带组网雷达进行目标观测识别的可行性。

3.3 基于混合组网雷达微动信息提取

反导预警雷达网是集预警、分辨识别、反导打击于一体的雷达网。雷达网中不仅包括数量较多的窄带雷达，还包括数量较少的宽带雷达。下页图4 为利用宽窄带雷达组建的反导预警雷达网示意图。

图4 反导预警雷达网示意图

文献［6］指出对于同一散射中心，其时频曲线是距离像序列的导函数，这就给综合利用反导预警雷达网中宽窄带雷达信息提供了理论依据。关于混合体制雷达网的组建，国外很早就进行了研究，且部分成果已经应用到了实际装备中。美国林肯实验室就利用窄带雷达获取的RCS 特征，去评估宽带雷达对目标形成的ISAR 像，实现了宽窄雷达的融合识别。俄罗斯装备的C-400 武器系统中就将多种不同型号的雷达进行组网联合，同时对观测数据进行融合处理。目前，国内对宽窄带混合体制雷达进行组网的研究还较少，其中，利用微动信息进行弹道目标识别的研究还处在理论阶段。空军工程大学的李靖卿利用宽窄雷达对弹头目标进行联合观测，通过对散射中心进行关联与分类，实现了不同雷达体制下同一散射中心微动信息的融合处理，得到了精确的目标参数。

通过上述分析可以看出，窄带雷达和宽带雷达具有不同的优势，组建混合体制雷达网能够更有效地发挥各自优势，获取目标更多的微动信息，提升反导预警雷达网的性能。

4 需解决的问题和发展趋势

4.1 需解决的问题

1）弹道群目标平动补偿问题。现有的平动补偿大多基于单一目标且假定其在短时间内做二阶匀加速运动，考虑的较为理想。如何在群目标中实现目标平动的精确补偿，是下阶段亟需解决的问题。

2）复杂目标和多目标微动信号分离问题。目前弹道群目标研究多为两个目标，实际群目标数量远远多于两个子目标，而且弹头存在有翼和锥柱体等复杂结构，其雷达回波中的微多普勒分量更为复杂。如何在多子目标和复杂目标中进行微动信号分离是下阶段深入解决的问题。

3）不同性能雷达组网与优化问题。组网雷达在微动特征提取上较单部雷达具有明显优势，目前组网雷达研究多基于单一体制和宽窄带体制，然而实际雷达网中各雷达在带宽、载频、重频、脉冲形式等方面存在着差异。如何对性能不一的雷达进行组网联合，是下阶段重点研究的问题。

4.2 发展趋势

结合国内外研究现状和新技术的发展，未来弹道目标微动特征提取呈现如下发展趋势：

1）微动特征作为识别特征融入弹道目标识别特征层。目前仅仅依靠目标单一特征很难达到准确识别，在未来弹道导弹防御体系中必然是联合体系下的多特征融合，是集目标RCS 特征、微动特征、红外特征、运动特征、质阻比等为一体的目标识别体系。

2）人工智能技术运用到弹道导弹识别中。主要体现在3 个方面：一是数据融合。利用人工智能技术对雷达不同时刻获取的同一特征数据进行融合处理。考虑到雷达之间同步和信号差异等原因，对某一雷达不同时刻获取的数据进行数据层融合；对不同雷达提取得到的特征进行特征层融合，并与前一阶段得到的特征信息比对验证。二是目标择优。利用人工智能技术对不同目标不同特征进行加权处理，剔除不可信特征，得到不同目标的可信度值，可信度大的可确定为弹头。三是对比学习。对不同弹道导弹整个飞行阶段不同特征数据进行存储，建立数据库。利用人工智能技术对比学习，可做到尽早识别目标。

5 结论

本文对弹道目标微动信号分离与特征提取技术进行了研究，重点分析了信号补偿与分离、微动目标识别以及组网雷达中弹道目标微动特征提取，总结了现有的国内外研究成果和存在的不足并分析了下阶段的发展趋势，为后续弹道目标特征提取研究提供了新的方向。