句彥偉，張仕元

(南京電子技術(shù)研究所, 南京 210039)

·總體工程·

反導(dǎo)系統(tǒng)與目標識別技術(shù)發(fā)展綜述

句彥偉，張仕元

(南京電子技術(shù)研究所, 南京 210039)

彈道導(dǎo)彈目標識別是導(dǎo)彈防御系統(tǒng)中的核心問題之一，直接關(guān)系到彈道導(dǎo)彈防御的成敗。文中首先對世界上先進的反導(dǎo)防御系統(tǒng)特點和典型裝備進行了介紹，然后對雷達反導(dǎo)目標識別中使用的各種特征提取、識別算法及策略進行綜述，最后對彈道目標識別技術(shù)重要發(fā)展方向進行展望，并指出彈道目標識別技術(shù)是一項長期的系統(tǒng)工程。

反導(dǎo)系統(tǒng)；特征提??；目標識別

0 引 言

彈道導(dǎo)彈具有重大的戰(zhàn)略、戰(zhàn)術(shù)威懾作用，已經(jīng)成為影響世界政治格局、左右戰(zhàn)場態(tài)勢，甚至決定戰(zhàn)爭勝負的重要因素。當前世界各國競相研制和發(fā)展了多種射程、高精度、大威力彈道導(dǎo)彈，彈道導(dǎo)彈的發(fā)展呈擴散態(tài)勢。美國已構(gòu)建了世界上最為先進的反導(dǎo)防御體系，雖然該體系仍在不斷發(fā)展之中，但其龐大的規(guī)模、復(fù)雜的測量體系、完整的測試手段是反導(dǎo)目標識別技術(shù)的典范?？v觀美國彈道導(dǎo)彈防御系統(tǒng)發(fā)展，美國彈道導(dǎo)彈防御系統(tǒng)主要呈現(xiàn)出兩個特點：一是多傳感器多平臺的多元化反導(dǎo)，二是網(wǎng)絡(luò)化作戰(zhàn)路線。美國的彈道導(dǎo)彈防御系統(tǒng)包括地基雷達、?；走_、天基紅外、機載預(yù)警雷達等手段，雷達波段涵蓋了P、L、S、X等頻段[1-2]。2002年，美國在彈道導(dǎo)彈防御系統(tǒng)中提出了指揮控制、作戰(zhàn)管理和通信(C2BMC)項目，可以看出美國正朝著彈道導(dǎo)彈防御系統(tǒng)(BMDS)網(wǎng)絡(luò)化作戰(zhàn)方向發(fā)展。C2BMC系統(tǒng)具有協(xié)同謀劃、危機時刻的規(guī)劃和預(yù)先態(tài)勢感知能力，并能融合整個BMDS中所有信息，形成當前的交戰(zhàn)態(tài)勢以便準確進行指揮決策。在導(dǎo)彈飛行的全過程，在各種空基、海基、陸基雷達的配合下，天基紅外系統(tǒng)STSS能實現(xiàn)對導(dǎo)彈的偵察和定位，并完成引導(dǎo)攔截的功能。

隨著彈道導(dǎo)彈目標突防手段的不斷提升，反導(dǎo)目標識別技術(shù)成為彈道導(dǎo)彈防御系統(tǒng)最為關(guān)鍵的技術(shù)之一，對導(dǎo)彈防御系統(tǒng)的成敗起著決定性的作用。彈道導(dǎo)彈目標識別的正確與否關(guān)系到目標預(yù)警、精密跟蹤、目標攔截、殺傷評估等各個階段的性能，沒有正確的目標識別信息，就無法給出正確的威脅評估和警報，也無法進行精密跟蹤，沒有對導(dǎo)彈目標的跟蹤信息，就無法進行落點預(yù)報，也就不能實現(xiàn)對目標的有效攔截和殺傷評估。在彈道導(dǎo)彈飛行的整個階段，均伴隨著彈體、碎片、輕重誘餌、箔條等，目標識別的任務(wù)正是在彈道導(dǎo)彈所處的復(fù)雜電磁環(huán)境下，通過合適的目標特征提取和識別方法將真彈頭識別出來，從而將其成功應(yīng)用于反導(dǎo)系統(tǒng)[2-5]。因此，彈道導(dǎo)彈目標的綜合識別是反導(dǎo)防御系統(tǒng)中的關(guān)鍵技術(shù)，貫穿于反導(dǎo)防御系統(tǒng)的全過程。

1 典型反導(dǎo)系統(tǒng)

縱觀反導(dǎo)技術(shù)的發(fā)展，離不開不同平臺傳感器的成功研制，下面簡要介紹幾種國外典型的地基反導(dǎo)雷達、海基反導(dǎo)雷達和天基反導(dǎo)系統(tǒng)。

1.1 地基反導(dǎo)系統(tǒng)

美國的GBR雷達是彈道導(dǎo)彈防御系統(tǒng)中的核心成員。1999年, GBR-P雷達作為美國彈道導(dǎo)彈防御系統(tǒng)中的核心雷達之一部署在夸賈林，并參加了多次反導(dǎo)飛行試驗, 該雷達是集搜索、截獲、跟蹤、制導(dǎo)、殺傷效果評估等為一體的多功能地基雷達，最重要的功能是目標識別，可對付具有各種突防手段的彈道導(dǎo)彈，從彈頭目標群中識別出真彈頭和誘餌。該雷達工作在X頻段，中心頻率為10GHz，具有極化測量能力，其寬帶距離分辨率為0.15 m，對1 m2目標的作用距離為2 000 km，對10 m2目標的作用距離為4 000 km。圖1是GBR-P雷達圖片。

圖1 GBR-P雷達

XBR雷達是GBR-P雷達的發(fā)展型號，其陣面口徑為123 m2，天線單元數(shù)為81 000個。2004年底，有一部實戰(zhàn)用的XBR部署在阿拉斯加格里利堡軍事基地，第二部雷達部署在加州范登堡軍事基地。

1.2 ?；磳?dǎo)系統(tǒng)

?；?SBX)雷達是為美國彈道導(dǎo)彈防御系統(tǒng)而研制，是美國導(dǎo)彈防御網(wǎng)絡(luò)的一個重要組成部分，2006年3月投入使用，部署在阿拉斯加州的阿達克港。該雷達可提供彈道導(dǎo)彈監(jiān)視、截獲、精密跟蹤、精確識別和殺傷評估。SBX具有先進的跟蹤能力及假目標識別能力，可同時與多個攔截導(dǎo)彈發(fā)射平臺、北美空天戰(zhàn)略防御指揮中心保持實時聯(lián)系，幫助陸基或?；鶖r截導(dǎo)彈成功攔截針對美國本土的敵方洲際彈道導(dǎo)彈(ICBM)?？勺杂神偼渌胤剑С諦MD計劃的先進試驗與防御性行動，幫助對付針對美國本土、海外駐軍、盟國的其他敵方導(dǎo)彈。SBX雷達總質(zhì)量2 000 t(1 t=1 000 kg)，天線呈八角形排列，T/R組件34 816個，直徑22 m，在役的SBX雷達有效天線面積為192m2，作用距離為4000km，瞬時帶寬為1GHz；升級后雷達天線面積為384m2，作用距離為5 045 km，瞬時帶寬為2 GHz。圖2是?；鵖BX雷達圖片。

圖2 海基SBX雷達

美國海軍裝備的“宙斯盾”艦已超過100艘，AN/SPY-1 是“宙斯盾”系統(tǒng)的核心，SPY-1相控陣雷達采用了4個八邊形固定陣面，可提供方位360°、仰角90°的覆蓋范圍，能對空中和海面目標進行自動搜索，可跟蹤200個目標，并制導(dǎo)多枚導(dǎo)彈與18個目標交戰(zhàn)，抗干擾能力強。美國軍方對SPY-1不斷進行升級改進，已采用 UYK-43(V)/44(V)計算機以提高目標容量和處理器速度，系統(tǒng)具有為戰(zhàn)區(qū)彈道導(dǎo)彈識別產(chǎn)生與處理新的、復(fù)雜波形的能力。第二代“宙斯盾”系統(tǒng)裝備一種新型的集成信號處理器，能夠改善系統(tǒng)辨別目標的能力，以攔截更加復(fù)雜的BM目標，并應(yīng)對目標的反制措施。圖3是艦載SPY-1雷達圖片。

圖3 艦載SPY-1雷達

美國為了收集世界各國的彈道導(dǎo)彈數(shù)據(jù)用于建庫識別，由林肯實驗室于1999年完成了陸海兩用可移動測量雷達(Cobra Gemini雷達)的研制，其海用型已安裝在“無敵號”上投入使用，如圖4所示“無敵號”上的大天線罩就是該雷達，該雷達工作在X頻段，帶寬為1 GHz，分辨率達到0.25 m，可用于對目標寬帶二維成像。

圖4 Cobra Gemini雷達

1.3 天基反導(dǎo)系統(tǒng)

天基反導(dǎo)系統(tǒng)的關(guān)鍵傳感器是紅外系統(tǒng)，由于美國第三代國防支援計劃系統(tǒng)(DSP)對中短程彈道導(dǎo)彈的探測能力不足，2009年9月25日，美國德爾塔-2火箭成功發(fā)射的兩顆空間跟蹤監(jiān)視系統(tǒng)(STSS)試驗演示衛(wèi)星能實時跟蹤分辨100個目標，對彈道作實時計算，可識別彈頭和誘餌，可處理高達2.1 Gb/s的數(shù)據(jù)；STSS衛(wèi)星分布在三個不同平面的太陽同步軌道上，每顆STSS衛(wèi)星攜帶兩個紅外探測器，一個捕獲探測器用于探測助推段的導(dǎo)彈尾焰，另一個跟蹤探測器用于在中段和再入段跟蹤導(dǎo)彈。STSS可以實現(xiàn)對雜波和噪聲中跟蹤彈頭分離并具有分辨彈頭、母艙、輕重誘餌的能力。

STSS衛(wèi)星利用多顆衛(wèi)星所提供的多幅圖像得到各飛行體的運動軌跡，以釋放前軌跡為參考，描繪出飛行體的相對運動速度和方向，運用動量守恒原理可識別真彈頭。據(jù)美國航天網(wǎng)2010年7月26日報道，兩顆美國導(dǎo)彈防御衛(wèi)星測定了3枚導(dǎo)彈發(fā)射，全部成功向地面觀測站傳回了追蹤的彈道數(shù)據(jù)，4次導(dǎo)彈防御試驗全部成功。圖5為低軌道STSS衛(wèi)星示意圖。

圖5 低軌道的STSS衛(wèi)星

2 目標識別技術(shù)的發(fā)展

隨著越來越多國家對彈道導(dǎo)彈技術(shù)的掌握和導(dǎo)彈的大范圍擴散，必須進行反導(dǎo)攔截，而目標識別是實現(xiàn)有效攔截和防御的關(guān)鍵技術(shù)之一。下面從特征提取和目標識別技術(shù)兩方面對目標識別技術(shù)的發(fā)展進行闡述。

2.1 特征提取技術(shù)

基于雷達信號特征提取技術(shù)包括運動特征提取、RCS特征提取、窄帶特征提取、寬帶成像特征提取、極化特征提取等。

2.1.1 運動特征提取

目標的運動軌跡反映了目標隨時間的變化情況，真彈頭、假彈頭、輕誘餌等運動軌跡有可能不同，通過對目標精確測距測速等參數(shù)估計算法，可以跟蹤目標發(fā)生的各種事件，如主發(fā)動機關(guān)機、彈頭彈體分離、誘餌及子彈頭釋放、姿態(tài)角調(diào)整等，并從中提取目標的各種運動特征，包括彈道軌跡、發(fā)落點預(yù)報、彈道系數(shù)(質(zhì)阻比)、速度與加速度特征(再入時的減速特性)以及質(zhì)心的運動特征(自旋、進動、章動)，這樣基于先驗信息和數(shù)據(jù)庫，可以識別真假彈頭、誘餌、彈體、助推器或末級碎片等。例如，輕誘餌與彈頭的速度在再入時差異很大，大氣的過濾作用可以將彈頭從干擾絲、充氣假目標一類與彈頭運動特征差別明顯的干擾中區(qū)別出來，這就是基于再入減速特征的速度識別方法[3]。

2.1.2 RCS特征提取

目標的雷達散射截面(RCS)是表征雷達目標對照射電磁波散射能力的一個物理量，其大小與目標形狀、質(zhì)量、表面材質(zhì)、姿態(tài)角等因素有關(guān)，因此RCS序列包含了目標的散射特征信息。

利用RCS測量數(shù)據(jù)不僅可以提取目標的均值、方差、極值、峰度等統(tǒng)計特征，而且可以提取目標的微動頻率。傳統(tǒng)的微動頻率特征提取方法主要有相關(guān)法、循環(huán)自相關(guān)法(CAUTOC)、循環(huán)平均幅度差法(CAMDF)和方差分析法[3,6]。其中，CAMDF、CAUTOC方法算法簡單，實現(xiàn)方便，但要受分頻誤判的影響，估計效果差，抗噪性能差；方差分析法雖然克服了CAUTOC和CAMDF方法的缺陷，同時具有很強的抗噪性能，但需要較長觀測時間和較高數(shù)據(jù)率，這對于有限的雷達資源來說是不可接受的。因此，學者張仕元[7]提出了基于三角函數(shù)擬合的RCS序列進動周期估計方法，該方法先利用特定頻率附近的三角函數(shù)來擬合RCS序列，再求得使擬合誤差最小的RCS序列進動頻率。與常規(guī)方法相比較，該方法具有所需資源少，估計精度高的特點。

2.1.3 窄帶特征提取

利用窄帶回波可以提取目標微動特征[8]。微多普勒概念首先由美國海軍實驗室CHEN V C提出，將目標或目標的組成部分的振動或轉(zhuǎn)動對雷達回波頻譜產(chǎn)生的調(diào)制稱為微多普勒效應(yīng)。微多普勒從瞬時頻率上描述了目標微動的雷達特征，表征了目標瞬時微動速度，對目標平動速度和加速度補償預(yù)處理后，利用先進的時頻分析、時變自回歸模型等信號處理手段，可以從微動目標的雷達回波中提取目標微動信息，如利用時頻變換所得時頻二維像可提取目標的微動周期、瞬時頻率、不變矩特征、時頻熵特征、SVD特征等[9-12]。

基于目標微動時頻變化特性，文獻[13]提出了一種用于估計多散射點瞬時多普勒的線性和的方法，通過對該線性和作傅里葉變換，能夠有效地估計目標自旋、錐旋、進動頻率、周期等運動參數(shù)，進一步地，多普勒線性和的傅里葉譜的波形熵特征可以很好地用于實際中彈頭和誘餌的識別。另外，文獻[9]使用時頻分析技術(shù)、多普勒濾波技術(shù)和變采樣濾波技術(shù)，提出了基于微多普勒的微動參數(shù)估計方法，引入帶通譜寬和低通譜寬的概念，以FFT為工具，提出了多普勒譜的微動參數(shù)估計方法。微動特征也可以基于經(jīng)驗?zāi)B(tài)分解方法得到，基于經(jīng)驗?zāi)B(tài)分解算法的多分量正弦調(diào)頻信號分離方法，使用短時傅里葉變換得到了每個本征模態(tài)函數(shù)的瞬時頻率，可提取進動周期、進動角、不同散射點間的微動幅度比值等微動特征及目標縱橫比，暗室數(shù)據(jù)驗證了其效果[14]。

2.1.4 寬帶成像特征提取

目標寬帶一維距離像相當于目標對應(yīng)的三維散射點在雷達射線上的投影，揭示了目標沿視線方向散射強度的分布，反映了目標精細的結(jié)構(gòu)特征，是一種較好的目標識別特征。利用寬帶一維像可以提取目標的徑向尺寸、微動周期特征，也可以提取雙譜、高階譜等特征。一般地，尺寸估計是根據(jù)目標在一維距離像中所占據(jù)的距離單元數(shù)和雷達距離分辨率，估算出目標在雷達視線上的投影長度，微動周期則可以利用相關(guān)法、改進的Viterbi算法、曲線擬合法等得到[15-16]。文獻[17]對進動目標的一維距離像的尺寸序列進行了建模，并采用Levenburg Marquadt算法直接估計目標的真實尺寸等多個參數(shù)，但對多個參數(shù)同時優(yōu)化會陷入局部極值點，且對初值敏感而得不到目標正確尺寸。由于進動目標的高分辨尺寸序列模型可等效為四參數(shù)正弦信號[18]，所以可以先對進動目標尺寸模型采用四參數(shù)模型曲線擬合方法，估計出目標進動頻率、幅度、直流偏移和相位后，得到包含了目標尺寸、進動角和視線角三個參數(shù)的兩個方程，再根據(jù)再入目標的零攻角特性，可以得到視線角，從而求得目標的真實尺寸和進動角，估計出目標的物理和運動參數(shù)[19]。

目標二維ISAR像含有更多的結(jié)構(gòu)信息，這對于識別是十分有利的。與飛機相比彈頭尺寸小，單憑視覺效果難以實現(xiàn)對彈頭目標的有效分類，因此特征提取就成為基于ISAR二維像目標識別中的一個不可避免的環(huán)節(jié)。由于雷達二維像存在噪聲等因素干擾，在對ISAR圖像特征提取前，需要對圖像進行去噪、干擾抑制、連通以及圖像分割等處理[20]。常用的ISAR圖像特征包括目標尺寸特征、面積特征、緊密度特征、周長特征、矩特征、離心度、體態(tài)比等。在頻域可提取圓形度、細長度、密集度、凹度、形心偏差度等。在實際應(yīng)用中，幾種幾何特征提取方法可結(jié)合使用。大部分特征能多方面、多層次地反映目標的幾何結(jié)構(gòu)特性，而且具有清楚的物理意義，因此它們將是判斷目標真假的有效圖像特征[21]。隨著高頻段大帶寬雷達的出現(xiàn)，雷達成像足以對彈道類目標進行高分辨細節(jié)辨識，則基于二維像的識別優(yōu)勢會越來越大[22]。

2.1.5 極化特征提取

極化特征可獲取目標表面的粗糙度、對稱性等其他特征難以提供的信息，是完整刻畫目標特性所不可或缺的。極化不變量大致反映了目標的粗細、對稱性差異、散射中心的數(shù)目、目標的俯仰姿態(tài)等信息，因此是一種良好的特征信息[23]。

極化特征可以從窄帶和寬帶中提取，窄帶中基于單個極化散射矩陣可以提取目標的極化不變量，如功率散射矩陣的跡、去極化系數(shù)、散射矩陣的行列式值、本征極化角、本征極化橢圓率和極化異性度，也可以提取目標極化分解系數(shù)，還可以利用連續(xù)觀測的一組極化散射矩陣估計目標微動周期。寬帶極化特征包括極化色散度、穩(wěn)定度熵等，另外可將極化與寬帶的高分辨能力相結(jié)合，提取目標各距離單元的極化信息[24]。隨著雷達技術(shù)的不斷發(fā)展，國內(nèi)外學者對極化技術(shù)進行了大量的理論研究[25]。

對反導(dǎo)識別中，高精度的極化散射矩陣測量是極化特性提取的基本前提，實際應(yīng)用中存在極化隔離度差、極化校準難、分時極化等問題，所以使得極化有效應(yīng)用受到一定限制，研究極化校準是一個非常重要的方向。

2.2 目標識別技術(shù)

彈道目標識別是反導(dǎo)防御系統(tǒng)的核心技術(shù)，能否將真彈頭從目標群中識別出來取決于彈道導(dǎo)彈突防場景復(fù)雜性、雷達性能資源、識別策略以及識別算法等。而在識別過程中，不僅可以利用雷達多個特征采用不同的識別算法進行識別，而且還可以將識別結(jié)果在空間域進行證據(jù)推理、在時間域進行序貫融合識別。

2.2.1 典型目標識別算法

基于提取到的特征，可以利用各種識別算法對真假彈頭進行分類識別，包括最近鄰分類識別算法、貝葉斯分類器、模糊分類器、支撐向量機(SVM)分類器、基于仿生學技術(shù)的分類方法等。

最近鄰分類識別是首先找到被分類對象在訓(xùn)練數(shù)據(jù)集中的k個最近的鄰居，然后根據(jù)這些鄰居的分類屬性進行投票，將得出的預(yù)測值賦給被分類對象的分類屬性[26]。貝葉斯分類器是一種簡單有效的分類器,該分類器需要先驗信息的輸入，在某些場合優(yōu)于神經(jīng)網(wǎng)絡(luò)分類器[27]。模糊模式識別技術(shù)特別適用于目標特征由于各種不確定因素影響引起的動態(tài)時變情況，模糊模式識別技術(shù)將目標特征量轉(zhuǎn)換成由模糊集及隸屬函數(shù)表征的合理的語言標記，與統(tǒng)計模式識別中的概率密度函數(shù)相比，模糊識別中的隸屬度函數(shù)對先驗信息的要求要少得多，這使得模糊模式識別器較統(tǒng)計分類識別器更容易建立，因此它十分適合于先驗信息較少時的模式識別場景[28]。SVM分類器在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出明顯的優(yōu)勢，應(yīng)用于雷達目標識別取得了一定的效果，在實現(xiàn)過程中，SVM模型優(yōu)化和最優(yōu)分類器的構(gòu)造過程非常重要[29]。SVDD方法是在SVM基礎(chǔ)上發(fā)展出的一種分類器，這種方法的特點是學習過程僅僅需要目標類樣本的參與，而與非目標類樣本沒有關(guān)系[30]?；诜律鷮W的分類方法包括神經(jīng)網(wǎng)絡(luò)、遺傳算法理論等。神經(jīng)網(wǎng)絡(luò)最大的特點是網(wǎng)絡(luò)具有自適應(yīng)能力，不但能自適應(yīng)地學習，而且還能自適應(yīng)地調(diào)整網(wǎng)絡(luò)的規(guī)模大小。此外，神經(jīng)網(wǎng)絡(luò)模式分類器還兼有對模式變換和模式特征提取的作用。采用BP算法、徑向基函數(shù)網(wǎng)絡(luò)、模糊ARTMAP網(wǎng)絡(luò)、自組織特征映射(SOFM)等在目標識別中都有成功的應(yīng)用[31]。

2.2.2 綜合識別算法和策略

在彈道目標的識別過程中，干擾和誘餌等復(fù)雜電磁環(huán)境常常影響回波信息的精確性和完整度，每種單一的識別技術(shù)或多或少地存在不足，難以達到對目標進行理想識別的效果。所以需要利用不同層次的數(shù)據(jù)、不同的識別方法進行融合識別。輸入層一般可以劃分為信號級融合、特征級融合和決策級融合。

基于目標雷達特征的識別方式包括RCS方式、RCS序列方式、寬帶一維像方式、寬帶一維像序列方式、微多普勒方式等。對于每個識別方式來說，可提取的特征很多，多個識別方式的特征就更多，太多的特征對于綜合識別處理，并不一定能取得好的效果，反而可能因維數(shù)災(zāi)難問題而使識別結(jié)果錯誤；此外，由于各個識別方式不是同時對目標進行測量的，相應(yīng)的各個特征量可能是完全沖突的，故需要對目標識別進行分層處理。對于單識別方式的多個特征，一般采用特征級融合方式，只輸出該方式下各個類型的隸屬度或置信度，以盡量減少后續(xù)處理的負擔；而對于多個識別方式的識別置信度，則采用決策級融合，以形成有效的判決。

D-S證據(jù)理論是一種在不確定條件下進行推理的強有力融合識別方法，但D-S證據(jù)理論在實際應(yīng)用中存在證據(jù)的沖突等問題。文獻[32-34]主要從兩個方面對證據(jù)理論進行修正，一類是對證據(jù)合成規(guī)則進行改進，本質(zhì)上都是將沖突系數(shù)在各個子集上進行重新分配；另一類則是基于模型修正的方法，即先對證據(jù)本身進行修正，然后再合成[35-36]。

為消除單次識別的隨機性影響，那么目標識別應(yīng)該是連續(xù)識別的過程，不僅要根據(jù)當前的識別結(jié)果，還需要參考歷史的識別結(jié)果。因此，可以按時序?qū)Ω鲿r刻獲得的識別結(jié)果進行序貫融合，既保留歷史識別信息又根據(jù)當前識別結(jié)果進行調(diào)整，這樣通過對多次的識別結(jié)果序貫融合來獲得穩(wěn)定可靠的識別結(jié)果。

3 展 望

美國彈道導(dǎo)彈防御系統(tǒng)發(fā)展進程表明，從來襲導(dǎo)彈目標群中識別出真彈頭是主要技術(shù)瓶頸之一。彈道導(dǎo)彈攻防的強對抗，決定了導(dǎo)彈防御系統(tǒng)中的目標識別需要建立在彈道導(dǎo)彈不同階段呈現(xiàn)出來的物理特性和對抗條件基礎(chǔ)之上，綜合運用各種識別手段，進行多傳感器、多平臺、多特征的綜合識別。認為需要從以下四方面著手提高彈道導(dǎo)彈目標識別技術(shù)。

(1)不完備智能化建庫技術(shù)

從目標識別技術(shù)研究的難點來看，其中之一就是數(shù)據(jù)庫建庫問題，不同雷達由于對目標特征的測量存在差異，導(dǎo)致了不同雷達的數(shù)據(jù)庫特征不能直接相互應(yīng)用。所以，研究不同雷達特征庫之間的差異，研究相同特征的等價性，如RCS倍數(shù)關(guān)系、一維像尺寸關(guān)系等等，此時目標識別就必須具有自學習功能，即能夠自動建立目標特征庫，這樣不同雷達之間的數(shù)據(jù)庫具有一定的通用性，最終使得目標識別技術(shù)更加實用化。

(2)面向目標識別的波形資源配置和穩(wěn)健識別技術(shù)

目前，目標識別算法已經(jīng)趨于成熟，急需從識別資源需求與系統(tǒng)波形設(shè)計、復(fù)雜電磁環(huán)境下對識別技術(shù)進行驗證和優(yōu)化。傳統(tǒng)雷達波形設(shè)計主要為滿足目標跟蹤精度需求，兼顧目標識別需求相對較少。面對彈道導(dǎo)彈防御的復(fù)雜性，應(yīng)當以提高目標識別率為目標來設(shè)計雷達波形。因此，需要研究面向目標識別的雷達波形設(shè)計方法，在不同的反導(dǎo)場景，保證跟蹤的情況下，根據(jù)場景復(fù)雜性和目標匹數(shù)靈活采用不同的波形進行高效識別，從仿真和實測數(shù)據(jù)出發(fā)，研究基于貝葉斯框架的有效、穩(wěn)健的特征提取方法，研究采用隱馬爾可夫模型、自適應(yīng)高斯分類器等雷達目標識別算法，提高目標識別率。

(3)多平臺/多頻段信息融合識別

對目標進行識別時，利用多個傳感器，如天基雷達、地基雷達、紅外探測器、?；走_、超視距雷達和導(dǎo)彈制導(dǎo)雷達等多種傳感器提取獨立、互補的特征向量，基于綜合處理的技術(shù)思路，采用逐層分類過濾和識別策略提高識別的正確率。多傳感器抗干擾的性能大大優(yōu)于單個傳感器，能夠降低或消除欺騙和干擾，改善識別系統(tǒng)穩(wěn)定性，利用多基地多頻段雷達獲取的信息提取多角度、不同頻段的目標散射特性，并進行穩(wěn)健有效的特征組合，最終利用D-S證據(jù)和時間序貫融合進行識別，提高識別結(jié)果的有效性、可靠性及容錯性。

(4)目標識別技術(shù)的外敵導(dǎo)彈識別

在實際應(yīng)用中，需要對國外彈道導(dǎo)彈進行識別攔截，而不是對我方導(dǎo)彈攔截，所以目標識別的一項重要工作是建立國外導(dǎo)彈的數(shù)據(jù)庫，在充分研究對我國彈道導(dǎo)彈識別的基礎(chǔ)上，可以通過兩種方式進行：一種是通過仿真和其他手段獲取敵方導(dǎo)彈參數(shù)，基于這些參數(shù)對彈道導(dǎo)彈進行目標識別研究；另一種是在有條件下基于收集的國外導(dǎo)彈數(shù)據(jù)進行彈道導(dǎo)彈目標識別技術(shù)研究。只有這樣，彈道導(dǎo)彈目標識別技術(shù)才會進一步走向?qū)嵱没?/p>

4 結(jié)束語

導(dǎo)彈技術(shù)與反導(dǎo)系統(tǒng)的發(fā)展決定了彈道防御系統(tǒng)中的目標識別技術(shù)是一個龐大復(fù)雜的系統(tǒng)工程。本文總結(jié)了國外彈道防御系統(tǒng)的特點，并介紹了典型反導(dǎo)裝備。從技術(shù)層面對反導(dǎo)目標識別技術(shù)進行闡述，在實際反導(dǎo)應(yīng)用中，需要根據(jù)雷達系統(tǒng)資源和反導(dǎo)場景對特征提取和識別算法進行綜合設(shè)計，并且隨著世界導(dǎo)彈和反導(dǎo)系統(tǒng)的不斷發(fā)展，目標識別技術(shù)將是一項長期不斷完善、與時俱進、螺旋上升的系統(tǒng)工程。

[1] DELANEY W P, WARD W W. Radar development at Lincoln laboratory: An overview of the first fifty years[J]. Lincoln Laboratory Journal, 2000, 12(2): 147-166.

[2] INGWERSEN P A, LEMNIOS W Z. Radars for ballistic missile defense research[J]. Lincoln Laboratory Journal, 2002, 12(2): 245-266.

[3] 周萬幸. 彈道導(dǎo)彈雷達目標識別技術(shù)[M]. 北京：電子工業(yè)出版社，2011. ZHOU Wanxing. BMD radar target recognition technology[M]. Beijing: Publishing House of Electronics Industry, 2011.

[4] 金 林. 彈道導(dǎo)彈目標識別技術(shù)[J]. 現(xiàn)代雷達，2008，30(2)：1-5. JIN Lin. Overview of ballistic missle defence system[J]. Modern Radar, 2008，30(2)：1-5.

[5] 李 明. 雷達目標識別技術(shù)研究進展及發(fā)展趨勢分析[J]. 現(xiàn)代雷達，2010，32(10)：1-8. LI Ming. Research of progress and development trend analysis on radar target recognition technique[J]. Modern Radar, 2010，32(10)：1-8.

[6] ROSS M, SHARER H．Average magnitude difference function pitch extractor[J]．IEEE Transactions on Acoustic，Speech and Signal Processing，1974，22(5)：355-362．

[7] 張仕元. 基于三角函數(shù)擬合的RCS序列進動周期估計[J]．電子與信息學報，2014，36(6)：1389-1393. ZHANG Shiyuan. Procession period estimation of RCS sequences based on trigonometric function fitting[J]. Journal of Electronics & Information Technology, 2014，36(6)：1389-1393.

[8] CHEN V C. The micro-Doppler effect in radar[M]. Norwood: Artech House Publishers, 2011.

[9] 陳行勇. 微動目標雷達特征提取技術(shù)研究[D]. 長沙: 國防科技大學，2006. CHEN Hangyong. Research on radar signature extraction from target with micro-motions[D]. Changsha: National University of Defense Technology，2006.

[10] YAO H Y, LI X X, SUN W F, et al. Micro-Doppler analysis of nutation target in ballistic midcourse[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013: 1-5.

[11] ZHANG Gang, SUN Jiajia. Reseach on micro-Doppler feature of precession target based on bistatic radar[C]// 4th International Conference on Digital Manufacturing & Automation. Qingdao, China: IEEE Press, 2013: 1086-1089.

[12] HAN Xun, DU Lan, LIU Hangwei, et al. A micro-Doppler frequency estimation method for micro-motion object using TVAR model[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013.

[13] 王 璐，劉宏偉. 基于時頻圖的微動目標運動參數(shù)提取和特征識別的方法[J]．電子與信息學報，2010，32(8)：1812-1817． WANG Lu, LIU Hongwei. Method for micro-motion target recognition and motion parameter extraction based on time-frequency analysis[J]. Journal of Electronics & Information Technology, 2010，32(8)：1812-1817.

[14] 牛 杰, 劉永祥, 秦玉亮, 等. 一種基于經(jīng)驗?zāi)B(tài)分解的錐體目標雷達微動特征提取新方法[J]. 電子學報，2011，39(7)：1712-1716． NIU Jie, LIU Yongxiang, QIN Yuliang, et al. A new method of radar micro-motion feature extraction of cone target based on empirical mode decomposition[J]. Acta Electronica Sinica, 2011，39(7)：1712-1716．

[15] CHEN Daqing, XIE Sudao, WANG Yongchen, et al. Micro-motion analysis based on HRRP sequence[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013.

[16] MING Da, ZHOU Daiying. Precession parameters extraction of midcourse target based on HRRP sequence[C]// IEEE 4th International Conference on Electronics Information and Emergency Communication. Beijing China: IEEE Press, 2013: 156-159.

[17] 畢 莉，趙 鋒，高勛章，等．基于一維像序列的進動目標尺寸估計研究[J]．電子與信息學報，2010，32(8)：1825-1830． BI Li, ZHAO Feng, GAO Xunzhang, et al. Study on precessional target′s dimension estimation based on HRRPs[J]. Journal of Electronics & Information Technology, 2010，32(8)：1825-1830．

[18] JENG Y C，CROSBY P B．Sinewave parameter estimation algorithm with application to waveform digitizer effective bits measurement [J]．IEEE Transactions on Instrumentation and Measurement，1988，37(4)：529-532．

[19] 孫 俊, 戴蓓荷, 劉 洋. 基于聚類中心GDA的一維距離像目標識別方法[J]. 現(xiàn)代雷達，2009，31(6)：47-50． SUN Jun, DAI Beihe，LIU Yang. HRRP target recognition method based on cluster centers for GDA[J]. Moder Radar, 2009，31(6)：47-50．

[20] 馮德軍. 彈道中段目標雷達識別與評估研究[D]. 長沙：國防科技大學，2006. FENG Dejun. Study on radar target recognition and its evaluation in ballistic midcourse[D]. Changsha: National University of Defense Technology，2006.

[21] PERSOON E, FU K S. Shape discrimination using Fourier descriptors[J]. IEEE Transactions on Systems, Man and Cybernetics，1977，7(3): 170-179.

[22] ESHBAUGH J V. HUSIR signal processing[J]. Lincoln Laboratory Journal, 2014, 21(1): 115-134.

[23] 黃培康，殷紅成，許小劍. 雷達目標特性[M]. 北京: 電子工業(yè)出版社, 2005. HUANG Peikang, YIN Hongcheng, XU Xiaojian. Radar target characteristics[M]. Beijing: Publishing House of Electronics Industry, 2005.

[24] 郭桂蓉, 莊釗文, 陳曾平. 電磁特征抽取與目標識別[M]. 長沙: 國防科技大學出版社, 1996. GUO Guirong, ZHUANG Zhaowen, CHEN Zengping. Electromagnetic signature extraction and target recognition[M]. Changsha: Publishing House of National University of Defense Technology, 1996.

[25] 陳 強. 雷達極化中若干理論問題研究[D]. 長沙: 國防科技大學，2010. CHEN Qiang. Study on theoretical problems in radar polarimetry[D]. Changsha: National University of Defense Technology，2010.

[26] WEINBERGER K Q, FEI S, SAUL L K. Convex optimizations for distance metric learning and pattern classification[J]. IEEE Signal Processing Magazine, 2010, 27(3): 146-158.

[27] FRIEDMAN N, GEIGER D, GOLDSZMIDT M. Bayesian network classifiers[J]. Machine Learning, 1997, 29(2) : 131-163.

[28] 郭桂蓉. 模糊模式識別[M].長沙:國防科技大學出版社，1992. GUO Guirong. Fuzzy pattern recognition[M]. Changsha: Publishing House of National University of Defense Technology, 1992.

[29] VAPNIK V N. The nature of statistical learning theory[M]. NewYork: Springer, 2000.

[30] TAX D M J, DUIN R P W. Support vector data description[J]. Machine Learning, 2004, 54(1): 45-66.

[31] DUDA R O, HART P, STORK D. Pattern classification[M]. NewYork: John Wiley and Sons, 2001.

[32] YAGER R R. On the dempster-shafer framework and new combination rules[J]．Information Science，1987，41(2)：93-137．

[33] INAGAKI T．Interdependence between safety-control policy and multiple sensor schemes via dempster-shafer theory[J]．IEEE Transaction on Reliability，1991，40(2): 182-188．

[34] 孫 全，葉秀清，顧偉康．一種新的基于證據(jù)理論的合成公式[J]．電子學報，2000，28(8)：117-119． SUN Quan, YE Xiuqing, GU Weikang. A new combination rules of evidence theory[J]. Acta Electronica Sinica, 2000，28(8)：117-119．

[35] MURPHY C K．Combining belief functions when evidence conflicts[J]．Decision Support Systems，2000，29(1)：1-9．

[36] JOUSSELME A L, GRENIER D，BOSSE E．A new distance between two bodies of evidence[J]．Information Fusion，2001(2)：91-101．

句彥偉 男，1978年生，博士，高級工程師。研究方向為ISAR成像與目標識別等。

張仕元 男，1975年生，博士，高級工程師。研究方向為目標識別與雷達信號處理等。

Overview of Development for Anti-missile System and Target Recognition Technique

JU Yanwei，ZHANG Shiyuan

(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)

Target recognition is a key prob1em in the ballistic missile defence system(BMDS), which determines whether the anti-missle radar can recognize the warhead or not in the BMD. Firstly, the advanced anti-missile systems and their characteristic are introduced in this paper. Then, all kinds of feature extraction algorithms and target recognition techniques are overviewed in radar anti-missile systems. Finally, the future developing tendency and long-term course of target recognition technique are pointed out.

anti-missle system; feature extraction; target recognition

10.16592/ j.cnki.1004-7859.2016.04.002

句彥偉 Email：juyanwei@126.com

2015-11-16

2016-01-28

TN911.7

A

1004-7859(2016)04-0008-07