摘 要：面對“低慢小” （Ｌｏｗ Ｓｌｏｗ Ｓｍａｌｌ，ＬＳＳ） 無人機(jī)威脅挑戰(zhàn)，反無人機(jī)雷達(dá)的關(guān)鍵作用日益凸顯。在反無人機(jī)系統(tǒng)（ＣｏｕｎｔｅｒｉｎｇＵｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｓｙｓｔｅｍｓ，ＣＵＡＳ） 技術(shù)中，反無人機(jī)雷達(dá)作為ＣＵＡＳ 的核心傳感器，承擔(dān)著關(guān)鍵任務(wù)，包括探測和導(dǎo)引等。盡管其重要性顯而易見，反無人機(jī)雷達(dá)設(shè)計(jì)仍然存在概念上的不清晰，例如如何定義ＬＳＳ 無人機(jī)目標(biāo)，以及為何眾多反無人機(jī)雷達(dá)難以探測無人機(jī)等問題。通過探討雷達(dá)自動目標(biāo)識別（Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＴＲ）技術(shù)在反無人機(jī)雷達(dá)中的應(yīng)用，從目標(biāo)特性和探測技術(shù)２ 個方面明確了關(guān)鍵問題。強(qiáng)調(diào)了雷達(dá)探測的獨(dú)立過程，將其分為“信號檢測” 和“目標(biāo)識別”，并指出反無人機(jī)雷達(dá)的主要探測對象是ＬＳＳ 無人機(jī)目標(biāo)。ＡＴＲ 性能等級被明確定義，涵蓋了“Ｄｅｔｅｃｔｉｏｎ 探測” “Ｃｌａｓｓｉｆｉｃａｔｉｏｎ 分類” “Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ 識別” “Ｄｅｓｃｒｉｐｔｉｏｎ 描述”４ 個等級。整合ＡＴＲ 功能顯著提升了無人機(jī)的探測距離和識別能力，推動了反無人機(jī)雷達(dá)系統(tǒng)的性能升級。

關(guān)鍵詞：反無人機(jī)雷達(dá)；自動目標(biāo)識別；態(tài)勢感知；４Ｄ 雷達(dá)

中圖分類號：ＴＮ９５ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０４－０７６５－１５

０ 引言

近年來，隨著“低慢小”（Ｌｏｗ Ｓｌｏｗ Ｓｍａｌｌ，ＬＳＳ）無人機(jī)的威脅日益嚴(yán)峻，對于反無人機(jī)雷達(dá)的需求日益迫切［１－３］。然而，無論在學(xué)術(shù)界還是實(shí)踐應(yīng)用中，對于反無人機(jī)雷達(dá)的研究仍然存在問題。隨著多種反無人機(jī)雷達(dá)的出現(xiàn)，它們各自宣稱在探測無人機(jī)雷達(dá)回波方面表現(xiàn)出色，且一些系統(tǒng)已被客戶采購，并成功部署在關(guān)鍵設(shè)施中。盡管取得這些進(jìn)展，但某些政府對反無人機(jī)雷達(dá)的功能和價值仍持謹(jǐn)慎態(tài)度，因此已啟動有些項(xiàng)目以驗(yàn)證此類系統(tǒng)的有效性。

在這一背景下，本文旨在探討雷達(dá)自動目標(biāo)識別（Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＴＲ）技術(shù)在反無人機(jī)雷達(dá)領(lǐng)域中的應(yīng)用。通過從ＡＴＲ 技術(shù)角度對現(xiàn)有反無人機(jī)雷達(dá)技術(shù)進(jìn)行分析和探索，進(jìn)一步研究了現(xiàn)有技術(shù)的關(guān)鍵問題。分別從目標(biāo)特性和探測技術(shù)兩方面進(jìn)行了論述：

① 明確了雷達(dá)探測的概念，將其劃分為“信號檢測”和“目標(biāo)識別”２ 個獨(dú)立的過程，并強(qiáng)調(diào)了目標(biāo)識別技術(shù)不應(yīng)僅限于基于目標(biāo)跟蹤的方法。

② 明確指出反無人機(jī)雷達(dá)的主要探測對象是ＬＳＳ 無人機(jī)目標(biāo)，通常指雷達(dá)散射截面積（ＲａｄａｒＣｒｏｓｓ Ｓｅｃｔｉｏｎ，ＲＣＳ）值低于２ ｍ２ 、飛行速度低于２００ ｋｍ ／ ｈ、在１ ０００ ｍ 高度以下操作的小型空中物體，若按現(xiàn)有量化分類標(biāo)準(zhǔn)來界定，則主要包括Ｇｒｏｕｐ １＆２ 類別的無人機(jī)。

③ 對ＡＴＲ 性能等級進(jìn)行了明確定義，包括４ 個等級：“探測（Ｄｅｔｅｃｔｉｏｎ）”“分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）”“識別（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）”“描述（Ｄｅｓｃｒｉｐｔｉｏｎ）”，并從ＡＴＲ技術(shù)的角度分析了“航跡判別”和“微多普勒識別”２ 種方法的差異。

④ 通過案例展示了整合ＡＴＲ 技術(shù)的效能倍增器功能。ＡＴＲ 技術(shù)不僅顯著增強(qiáng)了無人機(jī)的探測距離和識別能力，也進(jìn)一步強(qiáng)化了態(tài)勢感知能力。最終，ＡＴＲ 技術(shù)有望將傳統(tǒng)的３Ｄ 反無人機(jī)雷達(dá)升級為４Ｄ 雷達(dá)系統(tǒng)（提供３Ｄ 位置和１Ｄ 屬性），以此提升無人機(jī)探測性能。該技術(shù)的進(jìn)步預(yù)示著未來在軍事、民用和商業(yè)領(lǐng)域中，反無人機(jī)雷達(dá)性能將得到有效提升。

１ 無人機(jī)威脅

無人機(jī)的威脅可以簡單分為針對民用設(shè)施的威脅和對于軍用目標(biāo)的威脅。對于無人機(jī)威脅的處理，前者強(qiáng)調(diào)管理，后者更強(qiáng)調(diào)打擊，但是２ 種應(yīng)用場景的基本前提仍舊是有效、高效、準(zhǔn)確地實(shí)時探測無人機(jī)威脅。

１． １ 民用方面

無人機(jī)“黑飛”對民航機(jī)場的正常運(yùn)行造成干擾是典型的無人機(jī)威脅，近年來頻繁發(fā)生。其中最著名的案例之一是英國倫敦蓋特威克機(jī)場的無人機(jī)“黑飛”事件。２０１８ 年１２ 月１９ 日晚，英國倫敦蓋特威克機(jī)場附近報(bào)告發(fā)現(xiàn)無人機(jī)飛行［４］，機(jī)場當(dāng)局為預(yù)防而暫停了所有航班操作，這一措施導(dǎo)致超過１４ 萬名乘客遭受重大影響，超過１ ０００ 個航班被取消，機(jī)場運(yùn)營中斷了３６ ｈ。此事件凸顯了全球機(jī)場需采取安全措施和戰(zhàn)略，以防范潛在的無人機(jī)威脅。作為回應(yīng)，英國政府實(shí)施了幾項(xiàng)措施，包括在５ ｋｍ半徑內(nèi)設(shè)立無人機(jī)禁飛空域（如圖１ 所示），并部署了反無人機(jī)系統(tǒng)（ＣｏｕｎｔｅｒｉｎｇＵｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｓｙｓｔｅｍｓ，ＣＵＡＳ）解決方案，其中包括以色列開發(fā)的無人機(jī)穹頂系統(tǒng)（ＤｒｏｎｅＤｏｍｅ ｓｙｓｔｅｍ）。然而，隨后在２０１９ 年蓋特威克機(jī)場再次發(fā)生無人機(jī)干擾事件，這表明無人機(jī)穹頂系統(tǒng)并非是１００％ 可靠的解決方案。其他因素也可能導(dǎo)致了這一事件。例如，無人機(jī)操作員可能發(fā)現(xiàn)了規(guī)避系統(tǒng)檢測和干擾能力的方法，或者可能有多個操作者參與，使得定位和消除所有無人機(jī)威脅變得困難。

１． ２ 軍事教訓(xùn)

俄羅斯對烏克蘭的特別軍事行動引發(fā)了無人機(jī)與ＣＵＡＳ 在戰(zhàn)爭中的激烈對抗［５－７］。近期烏克蘭軍隊(duì)對持續(xù)沖突中的無人機(jī)襲擊進(jìn)行了重要實(shí)踐，這提供了寶貴的見解和教訓(xùn)。那些配備先進(jìn)傳感器、攝像頭和精密定位能力的無人機(jī)在與重型裝甲車輛和步兵的交戰(zhàn)中表現(xiàn)出色，使烏克蘭軍隊(duì)在戰(zhàn)場上與俄羅斯軍隊(duì)相抗衡。烏克蘭的無人機(jī)作戰(zhàn)展現(xiàn)了非對稱戰(zhàn)爭的特點(diǎn)，通過采用創(chuàng)新戰(zhàn)術(shù)，挑戰(zhàn)更強(qiáng)大的對手，并極大地減少了直接參與戰(zhàn)斗的風(fēng)險。此外，更重要的變化在于民用無人機(jī)靈活、廣泛軍事化應(yīng)用。市場上不到１ 萬美元的微型無人機(jī)提供了廣泛的應(yīng)用可能性，包括信息搜集、伏擊策劃、炮兵目標(biāo)指示以及追蹤部隊(duì)活動和戰(zhàn)斗機(jī)起降等。這些無人機(jī)為烏克蘭提供了經(jīng)濟(jì)有效的手段來挑戰(zhàn)俄羅斯的軍事優(yōu)勢，擾亂了他們的軍隊(duì)并削弱了他們的士氣。例如，在與俄羅斯的持續(xù)戰(zhàn)爭中，烏克蘭使用的國產(chǎn)Ｒ１８ 無人機(jī)（如圖２ 所示）已經(jīng)造成了大約１． ３ 億美元的各種敵方物資損失，這相當(dāng)于每花費(fèi)一美元生產(chǎn)無人機(jī)就能摧毀約６７０ 美元的軍事資產(chǎn)。Ｒ１８ 無人機(jī)可以從１００ ～ ３００ ｍ 高度投擲手榴彈，有效懸停在目標(biāo)上方。它使用蘇式反坦克手榴彈ＲＫＧ３ 或ＲＫＧ１６００ 作為炸彈，配備熱像儀，其攻擊難以預(yù)測且高度有效。視頻圖像顯示，一架多旋翼無人機(jī)追蹤并攻擊了俄羅斯坦克群。烏克蘭的無人機(jī)技術(shù)突顯了其對戰(zhàn)爭不斷變化性質(zhì)的適應(yīng)能力和創(chuàng)新能力。通過擁抱新興技術(shù)，烏克蘭展示了利用新途徑獲取戰(zhàn)略優(yōu)勢的能力，并有可能激勵其他國家效仿。與此同時，現(xiàn)代戰(zhàn)場對ＣＵＡＳ 解決方案的需求也愈發(fā)迫切。

２ 反無人機(jī)雷達(dá)

傳統(tǒng)的空中交通管制雷達(dá)、陣地防空雷達(dá)等并不適用于探測小型無人機(jī)。例如，俄羅斯的Ｓ３００ 防空系統(tǒng)主要針對高速大型飛機(jī)和彈道導(dǎo)彈，導(dǎo)致其無法有效地探測和追蹤小型無人機(jī)。盡管這些系統(tǒng)在探測、跟蹤和對付快速移動和大型目標(biāo)方面表現(xiàn)出色，但在處理小型、緩慢移動和低空飛行的無人機(jī)時效率較低。

傳統(tǒng)防空雷達(dá)采用多種策略來減少小型和緩慢移動目標(biāo)的干擾，這些措施包括：① 提高波束俯仰角以優(yōu)先處理高空目標(biāo)；② 提高速度閾值以關(guān)注快速移動目標(biāo)；③ 增加信號檢測振幅閾值以強(qiáng)調(diào)具有強(qiáng)回波散射的大型目標(biāo)。因此，這些調(diào)整會漏掉小型無人機(jī)目標(biāo)。這些無人機(jī)由復(fù)合材料構(gòu)成并展現(xiàn)出與周圍大氣溫度相似的，它們相對較低的速度（約為１５０ ｋｍ ／ ｈ）進(jìn)一步增加了探測的難度，因?yàn)樗鼈兣c云的速度相近。當(dāng)防空雷達(dá)系統(tǒng)試圖消除云干擾時，也會同時濾除諸如無人機(jī)之類的低速目標(biāo)，因?yàn)檫@些目標(biāo)不在雷達(dá)設(shè)計(jì)的預(yù)期范圍內(nèi)。這種過濾對于防止因各種非威脅對象（如鳥類）而引起的誤報(bào)至關(guān)重要。為了有效解決傳統(tǒng)雷達(dá)系統(tǒng)在探測無人機(jī)方面的不足，迫切需要發(fā)展專用的無人機(jī)探測雷達(dá)（或反無人機(jī)雷達(dá)）。這些反無人機(jī)雷達(dá)應(yīng)針對小型、慢速、低空無人機(jī)目標(biāo)的特性，從而在各種操作環(huán)境下可靠地探測和跟蹤無人機(jī)，以應(yīng)對無人機(jī)威脅。

全球許多國家正在積極推進(jìn)反無人機(jī)雷達(dá)的開發(fā)、采購和部署，以利用不斷擴(kuò)大的反無人機(jī)市場。盡管雷達(dá)頻段、系統(tǒng)設(shè)計(jì)和其他技術(shù)方面存在差異，但這些系統(tǒng)通常遵循基本的雷達(dá)原理。表１ 提供了市場上一些知名的反無人機(jī)雷達(dá)。盡管雷達(dá)參數(shù)存在差異，但它們的設(shè)計(jì)思路和彈性性能在很大程度上保持一致：

① Ｘ 波段雷達(dá)是這些系統(tǒng)中最廣泛使用的頻段；

② 微多普勒與運(yùn)動學(xué)特征是主要識別特征；

③ 無人機(jī)目標(biāo)的最大探測距離在６ ｋｍ 以內(nèi)。

反無人機(jī)雷達(dá)主要設(shè)計(jì)用于監(jiān)測地面（ＡｂｏｖｅＧｒｏｕｎｄ Ｌｅｖｅｌ，ＡＧＬ）１ ０００ ｍ 以下的空域，能夠探測來自地面和空中物體的雜波（見圖２）。低空空域一般是１ ０００ ｍ 以下，而超低空空域是１００ ｍ 以下。以脈沖多普勒雷達(dá)為例，無人機(jī)的ＬＳＳ 特性明顯影響著雷達(dá)系統(tǒng)的探測（如圖３ 所示）。

首先，無人機(jī)的“低空”要求反無人機(jī)雷達(dá)能夠檢測包含地面、低空超低空等多種活動目標(biāo)的能力，例如人、車輛、鳥類和無人機(jī)等。一些反無人機(jī)雷達(dá)試圖通過調(diào)整雷達(dá)的俯仰角來減少地面雜波的影響。然而，這種方法存在著無人機(jī)探測高“漏警”的風(fēng)險，因?yàn)榇蠖鄶?shù)小型無人機(jī)通常在低于１００ ｍ 的超低空域內(nèi)操作。因此，一套高效的反無人機(jī)雷達(dá)必須具備自動目標(biāo)識別的能力。其次，無人機(jī)的“小尺寸”要求雷達(dá)探測器必須具備足夠的檢測靈敏性，以提取微弱信號并獲得廣泛的探測范圍。這一先決條件要求具備較高的檢測和識別可信度。最后，無人機(jī)的“緩慢速度”對雷達(dá)跟蹤構(gòu)成挑戰(zhàn)，可能誤導(dǎo)光學(xué)／ 紅外等傳感器，誤導(dǎo)ＣＵＡＳ 解決方案中的反制單元。這種情況要求雷達(dá)掃描具有高更新速率和快速識別速度。

綜上所述，要建立一個可靠、高效的反無人機(jī)雷達(dá)，必須具備強(qiáng)大的自動目標(biāo)識別功能。通過應(yīng)對這些挑戰(zhàn)并整合適當(dāng)?shù)哪芰Γ礋o人機(jī)雷達(dá)可以提升其性能，并在反無人機(jī)作戰(zhàn)領(lǐng)域發(fā)揮重要作用。２０２３ 年，歐盟委員會發(fā)布了一份新手冊，旨在幫助企業(yè)和公共部門減輕無人駕駛飛機(jī)系統(tǒng)的威脅［８－９］。該手冊強(qiáng)調(diào)了ＣＵＡＳ 系統(tǒng)需要在２ ｍｉｎ 的時間窗內(nèi)探測、跟蹤、確認(rèn)和打擊無人機(jī)威脅（圖３（ｃ））。舉例來說，假設(shè)無人機(jī)的飛行速度為６０ ｋｍ ／ ｈ，在２ ｋｍ 的飛行距離，時間約為１２０ ｓ。因此，ＣＵＡＳ 系統(tǒng)的反應(yīng)時間僅為１２０ ｓ，而反無人機(jī)雷達(dá)的響應(yīng)時間甚至更短。

３ ＡＴＲ

雷達(dá)在目標(biāo)識別方面需要特定技術(shù)。ＡＴＲ 技術(shù)被定義為一種利用雷達(dá)獲得的信息，通過信號處理和信息解譯手段，以獲取目標(biāo)的物理特性、散射特性等詳細(xì)信息，并最終確定目標(biāo)屬性的過程。

目標(biāo)識別是雷達(dá)信號處理的核心步驟，但也是傳統(tǒng)雷達(dá)工程所忽視的關(guān)鍵。將“探測”定義為一個包含２ 個步驟的過程：首先是信號檢測（ｓｉｇｎａｌｅｘｔｒａｃｔｉｏｎ），采用基本的門限檢測原理；其次是回波識別（ｅｃｈｏ ｒｅｃｏｇｎｉｔｉｏｎ），需要解答過門限的回波代表什么目標(biāo)的問題。因此，雷達(dá)探測是從“信號檢測”到“回波識別”的過程。ＡＴＲ 技術(shù)被廣泛認(rèn)為是雷達(dá)領(lǐng)域的前沿技術(shù)。由于其敏感性，許多關(guān)于ＡＴＲ 的技術(shù)細(xì)節(jié)并不公開。然而，參考表１ 可知，許多反無人機(jī)雷達(dá)方案具備目標(biāo)識別功能。

３． １ 目標(biāo)特點(diǎn)

就反無人機(jī)雷達(dá)探測目標(biāo)而言，小型無人機(jī)具備獨(dú)特的特征，包括較低的雷達(dá)截面（Ｒａｄａｒ ＣｒｏｓｓＳｅｃｔｉｏｎ，ＲＣＳ）、慢速和低飛行高度；因此，這些無人機(jī)也被稱為ＬＳＳ 目標(biāo)。但是，仍舊需要一個量化參考來描述無人機(jī)的類型，否則難以指導(dǎo)反無人機(jī)雷達(dá)設(shè)計(jì)。２００８ 年，中國相關(guān)部門提出了ＬＳＳ 雷達(dá)目標(biāo)的概念，用于描述具有通常ＲＣＳ 值低于２ ｍ２ 、飛行速度低于２００ ｋｍ ／ ｈ、在１ ０００ ｍ 以下高度操作的小型空中物體。

與此同時，也可以參考美國國防部所指定無人機(jī)分類標(biāo)準(zhǔn)，即Ｇｒｏｕｐ １＆２ 無人機(jī)［１０］，如表２ 所示。Ｇｒｏｕｐ １＆２ 無人機(jī)通常具有的雷達(dá)截面范圍在０． ０１ ～ ０． １ ｍ２ ，其大小約為典型飛機(jī)的１ ／ １０ ０００ ～１ ／ １ ０００（如圖４ 所示）。Ｇｒｏｕｐ １＆２ 無人機(jī)通常輕便、緊湊，并用于短程偵察和監(jiān)視任務(wù)。此外，它們在民用領(lǐng)域有著廣泛的應(yīng)用，例如航拍、制圖和檢測。這些遠(yuǎn)程操控的無人機(jī)能夠搭載各種傳感器、攝像頭和有效載荷，以便收集數(shù)據(jù)并完成特定任務(wù)。總體而言，Ｇｒｏｕｐ １＆２ 無人機(jī)在當(dāng)代軍事和民用運(yùn)用中扮演著重要角色，為各種應(yīng)用提供了經(jīng)濟(jì)實(shí)惠且多功能的平臺，也是反無人機(jī)雷達(dá)主要的探測對象。

３． ２ 識別方法

１９５８ 年，美國Ｂａｒｔｏｎ 教授使用雷達(dá)回波信號分析成功識別了前蘇聯(lián)ＳｐａｒｋＩＩ 上的角反射器結(jié)構(gòu)［１２－１３］，這標(biāo)志著雷達(dá)ＡＴＲ 技術(shù)的開端。一般來說，雷達(dá)ＡＴＲ 功能通常被視為集成到現(xiàn)有雷達(dá)系統(tǒng)中的額外模塊，這意味著ＡＴＲ 模塊必須在雷達(dá)參數(shù)所施加的限制內(nèi)運(yùn)行。值得注意的是，英國ＢＡＥ 公司學(xué)者Ｐｅｔｅｒ Ｔｒａｉｔ 編寫了一本涵蓋雷達(dá)ＡＴＲ 解決方案基本原理的書籍，詳細(xì)介紹了這一主題［１１］。類似地，Ｄａｖｉｄ Ｂｌａｃｋｎｅｌｌ 和Ｈｕｇｈ Ｇｒｉｆｆｉｔｈｓ 合著了一本關(guān)于雷達(dá)ＡＴＲ 的綜合書籍［１１］，深入探討了地面目標(biāo)、空中目標(biāo)和海上目標(biāo)的各個方面。在過去的幾十年里，多個ＡＴＲ 學(xué)派都認(rèn)識到了在特定情況下實(shí)現(xiàn)成功的ＡＴＲ 應(yīng)用所需的雷達(dá)特征的重要性［１４－１７］。雷達(dá)ＡＴＲ 技術(shù)根據(jù)特征可以分為多個流派，包括ＲＣＳ、高分辨率距離像（Ｈｉｇｈ Ｒａｎｇｅ Ｒｅｓｏｌｕｔｉｏｎ Ｐｒｏｆｉｌｅ，ＨＲＲＰ）、多極化、微多普勒和航跡判別等。

關(guān)于反無人機(jī)雷達(dá)應(yīng)用，值得注意的是，利用ＨＲＲＰ 檢測和識別小型無人機(jī)存在一些挑戰(zhàn)，因?yàn)樾枰獊喞迕准壍木嚯x分辨率來捕捉長度小于１ ｍ 的無人機(jī)目標(biāo)的結(jié)構(gòu)［１６－１７］，這就要求雷達(dá)發(fā)射帶寬在ＧＨｚ 級別，傳統(tǒng)反無人機(jī)雷達(dá)難以滿足。常見的反無人機(jī)雷達(dá)采用窄帶、低距離分辨力，迫使ＲＣＳ 特性、微多普勒和運(yùn)動學(xué)特征等成為識別的主要選擇之一。

理論上，目標(biāo)的固有頻率是由其形狀和材料成分決定的函數(shù)，由于固有頻率不受距離和高度的影響，因此具有增強(qiáng)目標(biāo)識別魯棒性的特點(diǎn)［１７－２２］。假設(shè)雷達(dá)發(fā)射的Ｓｈｖ ＝ Ｓｖｈ，那么目標(biāo)的后向散射矩陣Ｓ可以表示為［１７］：

散射矩陣的統(tǒng)計(jì)分布展示了一定的目標(biāo)信息，但需要注意的是，利用這種方法需要對“極點(diǎn)”理論中諧振區(qū)域的散射極化理論有基本的了解。然而，提取固有頻率并將其與特定物體聯(lián)系起來是有挑戰(zhàn)的。目前市場上實(shí)際采用這種方法的實(shí)用雷達(dá)非常罕見。由于諧振區(qū)域的散射機(jī)制缺乏明確性，大多數(shù)關(guān)于這個主題的研究仍然停留在實(shí)驗(yàn)室階段。多極化可能更常見地適用于密集集群類目標(biāo)，例如一定規(guī)模鳥群、云雨和箔條等。

目標(biāo)ＲＣＳ 的統(tǒng)計(jì)特性是常見的分類特性之一。ＲＣＳ 度量目標(biāo)的散射能力大小，σ 的表達(dá)式為：

式中：ｒ 為距離，Ｅｓ 為散射場，Ｅｉ 為入射場。因此，ＲＣＳ 是一個統(tǒng)計(jì)平均值。例如，噴氣式飛機(jī)通常具有約１００ ｍ２ 的ＲＣＳ，而小型四旋翼無人機(jī)的ＲＣＳ 約為０． １ ｍ２ 。目標(biāo)的測量ＲＣＳ 隨時間、波段和目標(biāo)姿態(tài)等因素會波動，可以表示為波形或時間序列。此外，目標(biāo)ＲＣＳ 的統(tǒng)計(jì)特性可以提供有關(guān)目標(biāo)的寶貴信息，例如大小、形狀等，有助于目標(biāo)的識別。

另一類特征是運(yùn)動學(xué)特征，包括速度和軌跡?？紤]目標(biāo)的速度為Ｖｂ，這是通過雷達(dá)系統(tǒng)中的多普勒測量確定的。多普勒頻移可表示為：

Ｌ（ｔ） ＝ Ｖｂ ｔ， （４）

式中：ｔ 為測得時間?；镜倪\(yùn)動學(xué)特征包括測量軌跡的微分函數(shù)，考慮了速度、時間和距離等因素。從數(shù)學(xué)上講，可以表示為：

式中：Ｄ（ｒ，ｔ）表示一般的運(yùn)動學(xué)特征，Ｒ 表示目標(biāo)的偵測距離，ｒ 表示雷達(dá)的距離分辨率。這些特征也稱為軌跡分類，長期以來已在雷達(dá)系統(tǒng)中使用，特別用于對空中目標(biāo)進(jìn)行分類。當(dāng)雷達(dá)系統(tǒng)探測到空中目標(biāo)時，會生成一個軌跡，記錄了目標(biāo)在時間上的移動。通過對這些軌跡進(jìn)行軌跡分類算法的分析，可以確定各種目標(biāo)特征，包括其大小、速度和飛行模式［２３］。這些信息在目標(biāo)分類中起著重要的作用，理論上能夠區(qū)分無人機(jī)、飛機(jī)、直升機(jī)或其他類型的空中目標(biāo)。然而，在利用運(yùn)動學(xué)特征時需要考慮一些因素。首先，成功的目標(biāo)檢測對提取運(yùn)動學(xué)特征至關(guān)重要。由于無人機(jī)通常發(fā)出較弱的雷達(dá)信號，檢測概率顯著影響著軌跡分類的性能，存在鳥類等其他干擾，其軌跡模式與無人機(jī)相似，這為ＡＴＲ 性能帶來了額外的挑戰(zhàn)。此外，航跡判別需要更長的處理時間，并且具有較短的識別范圍，因?yàn)檫\(yùn)動學(xué)特征并不具有魯棒性。

微多普勒效應(yīng)是指目標(biāo)表現(xiàn)出的微小運(yùn)動所產(chǎn)生的額外多普勒頻移，例如直升機(jī)旋轉(zhuǎn)的葉片運(yùn)動或鳥類翅膀的振動［２４］。假設(shè)無人機(jī)的速度為Ｖｂ，微多普勒頻移可以近似為考慮到葉片速度在雷達(dá)視線上的徑向分量。其關(guān)系可以表示為：

式中：Ｒ 為雷達(dá)距離，Ｌ 為葉片長度，ω 為葉片的旋轉(zhuǎn)速率，α 為方位角，β 為俯仰角。根據(jù)上式，微多普勒頻移由２ 個正弦函數(shù)調(diào)制。因此，對微多普勒特征的全面描述包括調(diào)制函數(shù)，其本質(zhì)上取決于觀測時間。微多普勒分析能夠提取微結(jié)構(gòu)信息，可用于目標(biāo)識別。雖然微多普勒特征通常被視為運(yùn)動學(xué)特征，但在這種情況下，將一些特定的微多普勒特征視為結(jié)構(gòu)／ 幾何特征。

微多普勒理論之父，Ｃｈｅｎ 博士提出了微多普勒方法所面臨的關(guān)鍵挑戰(zhàn)是對提取特征的有效解釋以及這些特征與目標(biāo)結(jié)構(gòu)方面的相關(guān)性［２４］。在無人機(jī)微多普勒的情況下，微多普勒現(xiàn)象主要源于葉片的一致旋轉(zhuǎn)運(yùn)動或旋轉(zhuǎn)結(jié)構(gòu)的存在，如圖５ （ｂ）所示。這種典型現(xiàn)象使得能夠提取與無人機(jī)相關(guān)的獨(dú)特雷達(dá)特征，例如葉片數(shù)量和旋轉(zhuǎn)速率，大大促進(jìn)了對無人機(jī)的識別。因此，如表１ 所示，許多反無人機(jī)雷達(dá)利用微多普勒分析來識別無人機(jī)信號。

盡管微多普勒分類具有優(yōu)勢，但也面臨著一些挑戰(zhàn)。首先，微多普勒更多的是一種現(xiàn)象而不是特征。微多普勒現(xiàn)象的３ 種形式（如圖６ 所示）：噴氣發(fā)動機(jī)調(diào)制（Ｊｅｔ Ｅｎｇｉｎｅ Ｍｏｄｕｌａｔｉｏｎ，ＪＥＭ）或直升機(jī)旋翼調(diào)制（Ｈｅｌｉｃｏｐｔｅｒ Ｅｎｇｉｎｅ Ｒｏｔｏｒ Ｍｏｄｕｌａｔｉｏｎ，ＨＥＲＭ）線在頻譜中的調(diào)制，通過短時傅立葉變換（Ｓｈｏｒｔ Ｔｉｍｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ，ＳＴＦＴ）獲得的“槳葉反射信號（ｂｌａｄｅ ｆｌａｓｈ）”圖案的譜圖，以及距離－微多普勒像。ＪＥＭ 譜指的是頻譜中具有一定相鄰間隔和類似幅度的譜峰［２５］，而ｂｌａｄｅ ｆｌａｓｈ 模式描述了譜圖上的微多普勒頻率正弦跡；其次，增強(qiáng)微多普勒信號是有代價的，并非所有的雷達(dá)停留時間都適合檢測無人機(jī)雷達(dá)信號中旋轉(zhuǎn)葉片產(chǎn)生的微多普勒信號。雷達(dá)停留時間既不能太長也不能太短，以有效地檢測微多普勒信號［２６］。同時，需要足夠高的采樣頻率以獲取足夠的微多普勒信息以分離微多普勒信號。微多普勒數(shù)據(jù)不足可能會導(dǎo)致葉片數(shù)量的錯誤估計(jì)［２７］。此外，利用機(jī)器學(xué)習(xí)算法獲得微多普勒圖像的高信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ）對于準(zhǔn)確識別無人機(jī)至關(guān)重要［２８］。綜合而言，微多普勒方法識別無人機(jī)回波具有挑戰(zhàn)性。

３． ３ 識別等級

對于一個ＡＴＲ 系統(tǒng)或者一個ＡＴＲ 方法而言，ＡＴＲ 識別性能首先是需要量化指標(biāo)來約束。北約（Ｎｏｒｔｈ Ａｔｌａｎｔｉｃ Ｔｒｅａｔｙ Ｏｒｇａｎｉｚａｔｉｏｎ，ＮＡＴＯ）提供了一個全面的框架，用于理解ＡＴＲ 并評估目標(biāo)屬性。目標(biāo)獲取被定義為涉及檢測、識別和精確定位目標(biāo)的過程，旨在實(shí)現(xiàn)有效的武器利用。相反，識別涉及確定被探測到的人員、物體或現(xiàn)象的性質(zhì)、類別、類型以及在可行的情況下亞類別。根據(jù)ＮＡＴＯ ＡＡＰ６ 術(shù)語和定義詞匯表［３３］，“識別（Ｒｅｃｏｇｎｉｔｉｏｎ）”這一術(shù)語具有更具體的含義。這個過程可以想象成一個分類樹，在這個樹狀結(jié)構(gòu)中，目標(biāo)按照逐步細(xì)化的子類別進(jìn)行系統(tǒng)分類，包括：

① 檢測（Ｄｅｔｅｃｔｉｏｎ）：將目標(biāo)與場景中的其他物體分離。

② 分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）：將一個元類別賦予目標(biāo)，比如飛機(jī)或輪式車輛。

③ 識別（Ｒｅｃｏｇｎｉｔｉｏｎ）：確定目標(biāo)的類別，比如戰(zhàn)斗機(jī)或卡車。

④ 確認(rèn)（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）：指定目標(biāo)的子類別，例如米格２９ 戰(zhàn)斗機(jī)或Ｔ７２ 坦克。

⑤ 描述（Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ）：考慮子類別變種，例如帶有燃料桶的米格２９ ＰＬ 或沒有燃料桶的Ｔ７２ 坦克。

⑥ 指紋（Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ）：進(jìn)行更精確的技術(shù)分析，例如帶有偵察吊艙的米格２９ ＰＬ。

必須承認(rèn)的是，這些分解步驟之間的界限可能對所有問題和目標(biāo)并非普遍嚴(yán)格。但是，在現(xiàn)有研究中，通常存在ＡＴＲ 性能層級劃分的不準(zhǔn)確性，有時在討論主題時會非正式地濫用“分類”“識別”這些術(shù)語。這種缺乏清晰度可能會導(dǎo)致對雷達(dá)ＡＴＲ解決方案的有效性產(chǎn)生困惑。此外，僅依賴單一雷達(dá)能力可能無法實(shí)現(xiàn)更高級別的功能，比如“Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ”。因此，面向反無人機(jī)雷達(dá)需求，針對雷達(dá)ＡＴＲ 技術(shù)層級，提議對ＮＡＴＯ 的識別層級進(jìn)行以下修訂，僅依靠雷達(dá)這個單一傳感器，ＡＴＲ 技術(shù)能判別目標(biāo)的性能為：

① 檢測（Ｄｅｔｅｃｔｉｏｎ）：提取場景中目標(biāo)的雷達(dá)信號。

② 分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）：為目標(biāo)分配一個元類別，比如無人機(jī)或鳥類。

③ 識別（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）：確定目標(biāo)的子類別，比如固定翼無人機(jī)或四軸飛行器無人機(jī)。

④ 描述（Ｄｅｓｃｒｉｐｔｉｏｎ）：進(jìn)行更精確的技術(shù)分析，比如四軸飛行器無人機(jī)ＤＪＩ Ｐｈａｎｔｏｍ ４、配備ＧｏＰｒｏ相機(jī)的有效負(fù)載。

４ 分析與討論

盡管很少有反無人機(jī)雷達(dá)廠商公開承認(rèn)，但是實(shí)際上ＡＴＲ 技術(shù)在一定基礎(chǔ)上指導(dǎo)了反無人機(jī)雷達(dá)設(shè)計(jì)方案。本節(jié)基于ＡＴＲ 觀點(diǎn)來研究表１ 中典型反無人機(jī)雷達(dá)設(shè)計(jì)思路。

在某種程度上，反無人機(jī)雷達(dá)的性能直接影響著整個ＣＵＡＳ 的效能，因?yàn)樗?fù)責(zé)執(zhí)行早期的探測預(yù)警和目標(biāo)位置導(dǎo)引等２ 項(xiàng)任務(wù)。選擇英國ＡＶＥＩＬＬＡＮＴ 公司的Ｇａｍｅｋｅｅｐｅｒ 雷達(dá)和法國Ｔｈａｌｅｓ公司的ＳＱＵＩＲＥ 雷達(dá)作為比較的典型代表。在本文中，基于不同ＡＴＲ 方法視角，前者被稱為“航跡雷達(dá)”和“微多普勒雷達(dá)”。此外，還將課題組開發(fā)的多功能雷達(dá)（如圖７ 所示）作為第３ 個參考雷達(dá)。

２０１９ 年，英國ＡＶＥＩＬＬＡＮＴ 公司推出用于保護(hù)民用敏感設(shè)施的ＣＵＡＳ 方案ＥａｇｌｅＳＨＩＥＬＤ。其中，雷達(dá)采用了Ｇａｍｅｋｅｅｐｅｒ 雷達(dá)，全息（Ｈｏｌｏｇｒａｐｈｉｃ）雷達(dá)體制，接收通道為４ ×１６ 個，工作在Ｌ 波段，ＰＲＦ為１８ ｋＨｚ，距離分辨率為７５ ｍ，俯仰角范圍為３０°，數(shù)據(jù)更新時長為０． ２５ ｓ，對典型ＲＣＳ 為０． ０１ ｍ２ 的無人機(jī)探測距離５ ｋｍ［３４－３５］。２０２２ 年，法國Ｔｈａｌｅｓ公司在ＥａｇｌｅＳＨＩＥＬＤ 框架下展示了新一代的ＣＵＡＳ 方案ＨｏｒｕｓＳｈｉｅｌｄ。其中，雷達(dá)是ＳＱＵＩＲＥ 雷達(dá)，ＦＭＣＷ 體制，工作在Ｘ 波段，對典型ＲＣＳ 為０． ０１ ｍ２ 的無人機(jī)探測距離３ ｋｍ［１６，２８，３６］。自２０２０年起，武漢大學(xué)ＡＴＲ 課題組與合作單位共同研發(fā)了新一代多功能智能雷達(dá)方案ＷＨＵＸ００１。該雷達(dá)工作在Ｘ 波段，具有約２０ ｍｓ 的相干處理間隔（Ｃｏｈｅｒｅｎｔ Ｐｕｌｓｅ Ｉｎｔｅｇｒａｔｉｏｎ，ＣＰＩ）以及５ ｋＨｚ 的脈沖重復(fù)頻率（Ｐｕｌｓｅ Ｒｅｐｅｔｉｔｉｏｎ Ｆｒｅｑｕｅｎｃｙ，ＰＲＦ）。傳輸帶寬約為１２． ５ ＭＨｚ，能提供約１２ ｍ 的距離分辨率。該雷達(dá)系統(tǒng)配備了主動電子掃描相控陣（Ａｃｔｉｖｅ Ｅｌｅｃｔｒｏｎｉｃａｌｌｙ Ｓｃａｎｎｅｄ Ａｒｒａｙ，ＡＥＳＡ）天線，并安裝在旋轉(zhuǎn)桌上，實(shí)現(xiàn)３６０°方位掃描覆蓋。利用全系統(tǒng)軟件可編程功能，具備實(shí)時ＡＴＲ 識別能力，可在探測距離達(dá)到１２ ｋｍ 時識別典型ＲＣＳ 為０． ０１ ｍ２ 的無人機(jī)。該雷達(dá)方案可用于機(jī)場鳥類探測雷達(dá)、反無人機(jī)雷達(dá)和海岸監(jiān)視雷達(dá)等領(lǐng)域。

傳統(tǒng)的雷達(dá)信號處理流程通常包括信號檢測、目標(biāo)跟蹤以及目標(biāo)識別單元［３９］。信號處理流程呈現(xiàn)為串行、單向方式：首先進(jìn)行信號檢測以偵測回波信號，隨后將其傳遞給目標(biāo)跟蹤單元，最后才進(jìn)入識別單元進(jìn)行目標(biāo)識別（如圖８（ａ）所示）。

４． １ 探測距離

探測距離通常被認(rèn)為是衡量雷達(dá)信號檢測能力的一項(xiàng)指標(biāo)，也是最重要的雷達(dá)性能參數(shù)之一。雷達(dá)方程假設(shè)目標(biāo)可以被視為具有平均雷達(dá)截面積的點(diǎn)目標(biāo)。這個方程可以計(jì)算ＳＮＲ，該比率用于衡量雷達(dá)系統(tǒng)在特定范圍內(nèi)檢測特定目標(biāo)的能力，方法是將目標(biāo)的散射功率與背景噪聲進(jìn)行比較。雷達(dá)方程的數(shù)學(xué)表達(dá)式如下［４０］：

式中：Ｔｓ 為系統(tǒng)噪聲溫度，Ｂｎ 為接收機(jī)的噪聲帶寬，Ｌ 為總系統(tǒng)損耗，ｋ 為波茲曼常數(shù)，Ｐｔ 為發(fā)射功率，Ｇｒ 為接收增益，Ｇｔ 為發(fā)射增益，Ｒ 為測量范圍，σ為目標(biāo)的雷達(dá)截面積，λ 為雷達(dá)波長。雷達(dá)方程說明雷達(dá)設(shè)計(jì)的基本原則是雷達(dá)探測原理。對于單脈沖探測，如果檢測概率超過５０％ ，則目標(biāo)的ＳＮＲ 至少應(yīng)為１３． １ ｄＢ。要達(dá)到９５％ 的檢測概率，ＳＮＲ 應(yīng)為１６． ８ ｄＢ ［４０］。簡單來說，具有較低雷達(dá)ＲＣＳ 的較小目標(biāo)將具有較低的ＳＮＲ，導(dǎo)致檢測距離范圍縮小。因此，雷達(dá)系統(tǒng)在檢測具有較小雷達(dá)ＲＣＳ 的無人機(jī)和其他物體時通常會遇到“漏警”和“虛警”的挑戰(zhàn)。

針對距離方面，“航跡雷達(dá)”（如圖７（ａ）所示）采用了Ｌ 波段用于偵測無人機(jī)目標(biāo)，可能是考慮利用了諧振效應(yīng)來增強(qiáng)無人機(jī)回波信號的能量。理論上，Ｌ 波段雷達(dá)與無人機(jī)目標(biāo)（表２ 中的Ｇｒｏｕｐ１＆２）的尺寸大致相近，因此，回波位于諧振區(qū)域。由于諧振效應(yīng)的能量放大作用，無人機(jī)的ＲＣＳ 會被放大。相對于Ｘ 波段雷達(dá)，Ｌ 波段雷達(dá)接收到的無人機(jī)回波信號具有更高的ＳＮＲ，或可超過２０ ｄＢ。這樣的設(shè)計(jì)可以大幅提高無人機(jī)目標(biāo)的探測距離。此外，基于航跡判別的ＡＴＲ 方法實(shí)際上涉及２ 個主要問題：① 如何檢測微弱信號；② 如何進(jìn)行航跡關(guān)聯(lián)。在諧振區(qū)，無人機(jī)的ＲＣＳ 被放大，因此其回波信號不再微弱。當(dāng)能夠穩(wěn)定、快速繪制無人機(jī)回波的軌跡時，也有助于進(jìn)行航跡關(guān)聯(lián)，最終有助于目標(biāo)跟蹤，利用航跡判別也有助于目標(biāo)識別。

然而，航跡判別方案也存在一些缺陷。首先，“航跡雷達(dá)”系統(tǒng)的成本較高，需要對目標(biāo)坐標(biāo)進(jìn)行精確測量。為此，“航跡雷達(dá)”采用了多輸入多輸出（ＭｕｌｔｉｐｌｅＩｎｐｕｔ ＭｕｌｔｉｐｌｅＯｕｔｐｕｔ，ＭＩＭＯ）方案，并需要持續(xù)跟蹤狀態(tài)進(jìn)行探測。因此，該雷達(dá)也稱為“凝視（Ｓｔａｒｉｎｇ）雷達(dá)”，實(shí)際上也是固定方位角，對目標(biāo)進(jìn)行持續(xù)掃描和連續(xù)跟蹤（如圖９ （ａ）所示）。據(jù)稱，這可以高精度地測量目標(biāo)的三維位置并用于目標(biāo)識別。其次，許多干擾目標(biāo)，尤其是鳥類，也會由于諧振效應(yīng)而導(dǎo)致ＲＣＳ 增大，進(jìn)而干擾無人機(jī)回波的檢測。由于鳥類的航跡往往與無人機(jī)的航跡重疊，航跡判別的魯棒性仍然需要提高。再者，相較于Ｘ 波段（光學(xué)區(qū)波段），Ｌ 波段的波長大約是其１０ 倍，在相同條件下，其多普勒分辨率大致為Ｘ 波段雷達(dá)的１ ／ １０。較差的頻率分辨率不利于檢測微多普勒信號等特征，也不利于多維特征（如聯(lián)合微多普勒、航跡等）識別。最后，航跡判別仍然受限于探測距離，當(dāng)無人機(jī)距離較遠(yuǎn)時，其回波能量仍然很低，可能產(chǎn)生虛警，而且考慮到無人機(jī)飛行速度較慢，跨越距離單元也很困難。這導(dǎo)致在遠(yuǎn)距離情況下，很難穩(wěn)定跟蹤無人機(jī)，更難以進(jìn)行目標(biāo)識別。

４． ２ 識別能力

針對航跡判別能力的局限性，理論上，它能夠區(qū)分目標(biāo)類型，但在實(shí)際應(yīng)用中其識別性能等級有限，可能僅限于那些能穩(wěn)定跟蹤的目標(biāo)，例如鳥類和無人機(jī)等，即達(dá)到“Ｔｉｅｒ２ 分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）”的能力。為了提升目標(biāo)識別性能，在反無人機(jī)雷達(dá)領(lǐng)域，相對航跡判別，“微多普勒雷達(dá)”（如圖７（ｂ）所示）是主要研究方向。

微多普勒特征雖然在傳統(tǒng)上被視為運(yùn)動學(xué)特征，但實(shí)際上也捕捉了目標(biāo)的特定結(jié)構(gòu)特征?？紤]到結(jié)構(gòu)特征，光學(xué)區(qū)雷達(dá)波段比諧振區(qū)更為有利。微結(jié)構(gòu)是附著在目標(biāo)主體上的小結(jié)構(gòu)，相比主體本身要小。因此，諧振區(qū)內(nèi)的諧振效應(yīng)可能會放大主體的散射能力，但卻壓制了微多普勒的散射信號。其次，較短的波長將產(chǎn)生更好的多普勒頻移，更高的多普勒分辨率將增強(qiáng)微多普勒特征，提高主體多普勒頻移與微多普勒頻移之間的差異。因此，更短的波段、更長的雷達(dá)駐留時間和更高的頻率分辨率有助于獲得更好的多普勒分辨率，或帶來更好的微多普勒信號。

從識別的角度來看，“微多普勒雷達(dá)”（如圖７（ｂ）所示）采用了Ｘ 波段來探測無人機(jī)目標(biāo)，采用Ｆｒｅｑｕｅｎｃｙ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ Ｍｏｄｕｌａｔｉｏｎ （ＦＣＷＭ）體制，峰值功率低至１ Ｗ，成本較低，但可以獲得很高的頻率分辨率。通過對微多普勒圖像（基于ＳＴＦＴ算法或其他算法得到的時頻圖、倒譜圖等）應(yīng)用深度學(xué)習(xí)分類器（如卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）、長期短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭＲＮＮ）等），除了區(qū)分鳥類和無人機(jī)這一基礎(chǔ)之外，也能夠?qū)崿F(xiàn)無人機(jī)類型的區(qū)分，例如直升機(jī)無人機(jī)、固定翼無人機(jī)和多旋翼無人機(jī)等［４１－４２］（如圖９（ｂ）所示）。此外，還具備一定的系統(tǒng)識別性能自適應(yīng)和升級能力。然而，微多普勒方案也存在著一些問題。首先，為了獲得較好質(zhì)量的微多普勒成像，需要較短的探測距離（大概在幾千米以內(nèi)），并要求較高的回波ＳＮＲ。這意味著在實(shí)際的雷達(dá)系統(tǒng)布置中，雷達(dá)需保持在跟蹤凝視狀態(tài)，具有足夠長的駐留時間，進(jìn)行足夠多次的跟蹤與非相參累積，才能保證圖像質(zhì)量，否則將無法獲得有效的微多普勒圖像，降低識別性能。其次，基于深度學(xué)習(xí)算法的分類器是隱式地提取特征，無法提供有效解釋，其訓(xùn)練結(jié)果依賴于樣本質(zhì)量，可能存在系統(tǒng)風(fēng)險。

４． ３ 態(tài)勢感知

目前，由于成本限制，大多數(shù)反無人機(jī)雷達(dá)方案無法采用多面陣天線，而只能利用單面陣監(jiān)視特定區(qū)域。因此，針對需要全方位３６０°覆蓋的情況，這些反無人機(jī)雷達(dá)面臨著一個不完美的三角形問題，即在檢測、跟蹤和識別之間如何取得平衡。一方面，為了提高檢測概率，需要較長的雷達(dá)駐留時間；另一方面，為了提高跟蹤效率，需要更快的重訪速率。這二者存在相互制約的關(guān)系，快速的３６０°周視掃描意味著單位雷達(dá)駐留時間更短，這將降低檢測概率，反之亦然。此外，如果使用跟蹤信息和微多普勒特征等多維信息進(jìn)行目標(biāo)識別，快速的航跡更新將有利于目標(biāo)識別，但較短的雷達(dá)駐留時間則會降低頻率分辨率，影響微多普勒信號的質(zhì)量，進(jìn)而影響目標(biāo)識別性能，反之亦然。這種不平衡三角關(guān)系嚴(yán)重限制了反無人機(jī)雷達(dá)的系統(tǒng)性能。“航跡雷達(dá)”和“微多普勒雷達(dá)”在實(shí)際應(yīng)用中，都在識別單元引入了航跡信息，無法達(dá)到平衡，可能不是最佳的反無人機(jī)雷達(dá)方案，仍然存在性能升級空間。

解決這種矛盾的關(guān)鍵在于改變傳統(tǒng)的雷達(dá)信號處理流程，將圖８（ａ）中的串行、單向信號流程轉(zhuǎn)變?yōu)閳D８（ｂ）中的并行、雙向信號流程。首先，跟蹤單元與識別單元需要分離運(yùn)作，也就是說，目標(biāo)識別可以專注于當(dāng)前雷達(dá)波束內(nèi)的回波識別，而不使用跟蹤信息；接著，識別后的屬性信息可以反饋到信號檢測單元，進(jìn)行“檢測識別一體化（Ｉｎｔｅｇｒａｔｅｄ Ｄｅｔｅｃｔｉｏｎａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ，ＩＤＲ）”處理，以提高檢測概率，或反饋至跟蹤單元，“先識別后跟蹤（Ｔｒａｃｋ ａｆｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ，ＴＡＲ）”處理，提高跟蹤效率；最后，通過這種方式，雷達(dá)可以在“邊掃描、邊識別、邊跟蹤”的同時操作，實(shí)時展示監(jiān)視區(qū)域內(nèi)的全部目標(biāo)。這種方法將傳統(tǒng)的三維測量雷達(dá)（距離、速度和位置）升級為四維感知雷達(dá)（距離、速度、位置和屬性），從而增強(qiáng)雷達(dá)的態(tài)勢感知能力，使其成為一個“所見即所得”系統(tǒng)。

反無人機(jī)雷達(dá)最初的關(guān)注焦點(diǎn)是ＬＳＳ 無人機(jī)目標(biāo)的漏警，而非虛警。因此，提高探測距離可以通過降低檢測門限來實(shí)現(xiàn)，盡管這可能會增加虛警。但是，利用ＡＴＲ 技術(shù)處理虛警，從而在保持不漏檢的前提下降低虛警，進(jìn)而提升探測距離。實(shí)驗(yàn)表明，利用ＡＴＲ 功能處理虛警［４４］，可以有效地剔除大量的雜波物體，實(shí)現(xiàn)了雷達(dá)（圖７ （ｃ））能探測ＲＣＳ 在０． ０１ ～ ０． １ ｍ２ 的小型無人機(jī)，其探測范圍可延伸至１２ ｋｍ，甚至超過１４ ｋｍ，并且可以識別包括但不限于船只、鳥類（大鳥、小鳥和鳥群）和無人機(jī)（固定翼無人機(jī)、多旋翼無人機(jī)和垂直起降無人機(jī)）等［３７－３８，４４－４７］。ＡＴＲ 功能有效地與跟蹤信息相關(guān)聯(lián)，使雷達(dá)監(jiān)測區(qū)域獲得全面的態(tài)勢感知。圖１０ 展示了態(tài)勢感知的典型應(yīng)用場景，包括鳥類追逐船只捕食魚類的情況。白色虛線描述了對象的跟蹤軌跡，圖標(biāo)周圍的數(shù)字表示對象的跟蹤編號。具體來說，跟蹤編號為６２６４ 的鳥類被觀察到繞著編號為６２８３的船只飛行，導(dǎo)致鳥類的雷達(dá)回波干擾了對船只的檢測。有時，識別過程會將數(shù)據(jù)分類為鳥類或船只，特別是當(dāng)它們出現(xiàn)在同一個雷達(dá)單元時。鳥類通常會追逐海上船只捕食被螺旋槳攪動起來的魚類，這種態(tài)勢感知展示了海鳥的生物學(xué)習(xí)性行為。此外，整個雷達(dá)檢測響應(yīng)時間（Ｄｅｔｅｃｔｉｏｎ Ｒｅｓｐｏｎｓｅ Ｔｉｍｅ，ＤＲＴ）約為１０ ｍｓ，表明目標(biāo)回波返回、檢測和最終顯示之間的延遲在毫秒級。因此，態(tài)勢感知能夠?qū)崿F(xiàn)實(shí)時連續(xù)更新，提升了雷達(dá)系統(tǒng)作為“所見即所得”系統(tǒng)或?qū)崟r感知警報(bào)系統(tǒng)的能力。

５ 結(jié)論

反無人機(jī)雷達(dá)的重要性在于其需要比傳統(tǒng)的防空雷達(dá)更多的ＡＴＲ 功能。傳統(tǒng)雷達(dá)操作員能夠憑借航跡、雷達(dá)散射截面等信息對大型、高速、高空目標(biāo)進(jìn)行“人在回路”分類判別。然而，ＬＳＳ 無人機(jī)目標(biāo)則呈現(xiàn)為空中閃爍的幽靈，很難依靠傳統(tǒng)方法從包括鳥類在內(nèi)的雜波中進(jìn)行有效檢測、跟蹤和分類。未來反無人機(jī)雷達(dá)系統(tǒng)的研究方向涵蓋了推動ＡＴＲ 技術(shù)發(fā)展的諸多方面，其中包括通過集成多模態(tài)特征、探索多樣化雷達(dá)站和整合多傳感器功能。這種全面的系統(tǒng)工程方法對于制定有效的ＣＵＡＳ解決方案至關(guān)重要。本文的結(jié)論如下：

① 對于反無人機(jī)雷達(dá)而言，ＡＴＲ 技術(shù)是必不可少的，尤其對于屬于Ｇｒｏｕｐ １＆２ 類別的無人機(jī)。

② 從ＡＴＲ 技術(shù)角度出發(fā)，本文分析了２ 類典型反無人機(jī)雷達(dá)設(shè)計(jì)。無論是航跡判別還是微多普勒識別，在實(shí)際應(yīng)用中往往都需要雷達(dá)處于凝視、跟蹤狀態(tài)，這可能導(dǎo)致整個ＣＵＡＳ 反應(yīng)延遲較長，不利于提升反無人機(jī)雷達(dá)的整體性能。

③ 通過整合ＡＴＲ 功能，可以顯著提升無人機(jī)的探測距離、識別能力，并增強(qiáng)態(tài)勢感知能力。這種整合能將傳統(tǒng)的３Ｄ 反無人機(jī)雷達(dá)升級為４Ｄ 反無人機(jī)雷達(dá)（提供３Ｄ 位置和１Ｄ 屬性），從而提高無人機(jī)探測性能。這些進(jìn)步有望提高軍事、民用和商業(yè)領(lǐng)域的反無人機(jī)雷達(dá)性能。

參考文獻(xiàn)

［１］ 軒書哲，柯良軍． 基于多智能體強(qiáng)化學(xué)習(xí)的無人機(jī)集群攻防對抗策略研究［Ｊ］． 無線電工程，２０２１，５１（５）：３６０－３６６．

［２］ 陳鏡． 無人機(jī)蜂群作戰(zhàn)特點(diǎn)和對抗體系設(shè)想［Ｊ］． 無線電工程，２０２０，５０（７）：５８６－５９１．

［３］ ＷＥＬＬＩＧ Ｐ，ＳＰＥＩＲＳ Ｐ，ＳＣＨＵＥＰＢＡＣＨ Ｃ，ｅｔ ａｌ． ＲａｄａｒＳｙｓｔｅｍｓ ａｎｄ Ｃｈａｌｌｅｎｇｅｓ ｆｏｒ ＣＵＡＶ［Ｃ］∥２０１８ １９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｒａｄａｒ Ｓｙｍｐｏｓｉｕｍ． Ｂｏｎｎ：ＩＥＥＥ，２０１８：１－８．

［４］ Ｏ’ＭＡＬＬＥＹ Ｊ． Ｔｈｅ Ｎｏ Ｄｒｏｎｅ Ｚｏｎｅ ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ ＆Ｔｅｃｈｎｏｌｏｇｙ，２０１９，１４（２）：３４－３８．

［５］ ＨＥＣＨＴ Ｅ． Ｄｒｏｎｅｓ ｉｎ ｔｈｅ ＮａｇｏｒｎｏＫａｒａｂａｋｈ Ｗａｒ：Ａｎａｌｙｚｉｎｇ ｔｈｅ Ｄａｔａ［Ｊ］． Ｍｉｌｉｔａｒｙ Ｓｔｒａｔｅｇｙ Ｍａｇａｚｉｎｅ，２０２２，７（４）：３１－３７．

［６］ ＫＵＮＥＲＴＯＶＡ Ｄ． Ｔｈｅ Ｗａｒ ｉｎ Ｕｋｒａｉｎｅ Ｓｈｏｗｓ ｔｈｅ Ｇａｍｅｃｈａｎｇｉｎｇ Ｅｆｆｅｃｔ ｏｆ Ｄｒｏｎｅｓ Ｄｅｐｅｎｄｓ ｏｎ ｔｈｅ Ｇａｍｅ［Ｊ］． Ｂｕｌｌｅｔｉｎ ｏｆ ｔｈｅ Ａｔｏｍｉｃ Ｓｃｉｅｎｔｉｓｔｓ，２０２３，７９（２）：９５－１０２．

［７］ ＰＯＮＧ Ｂ． Ｔｈｅ Ａｒｔ ｏｆ Ｄｒｏｎｅ Ｗａｒｆａｒｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｗａｒａｎｄ Ｃｕｌｔｕｒｅ Ｓｔｕｄｉｅｓ，２０２２，１５（４）：３７７－３８７．

［８］ Ｊｏｉｎｔ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｒｅ （Ｅｕｒｏｐｅａｎ Ｃｏｍｍｉｓｓｉｏｎ）． ＰｒｏｔｅｃｔｉｏｎＡｇａｉｎｓｔ Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ ＳｙｓｔｅｍｓＨａｎｄｂｏｏｋ ｏｎ ＵＡＳＰｒｏｔｅｃｔｉｏｎ ｏｆ Ｃｒｉｔｉｃａｌ Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｎｄ Ｐｕｂｌｉｃ ＳｐａｃｅＡＦｉｖｅ Ｐｈａｓｅ Ａｐｐｒｏａｃｈ ｆｏｒ ＣＵＡＳ Ｓｔａｋｅｈｏｌｄｅｒｓ［Ｍ］． Ｌｕｘｅｍｂｏｕｒｇ：Ｐｕｂｌｉｃａｔｉｏｎｓ Ｏｆｆｉｃｅ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｕｎｉｏｎ，２０２３．

［９］ Ｊｏｉｎｔ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｒｅ （Ｅｕｒｏｐｅａｎ Ｃｏｍｍｉｓｓｉｏｎ ）．Ｐｒｏｔｅｃｔｉｏｎ Ａｇａｉｎｓｔ Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ ＳｙｓｔｅｍｓＨａｎｄｂｏｏｋｏｎ ＵＡＳ Ｒｉｓｋ Ａｓｓｅｓｓｍｅｎｔ ａｎｄ Ｐｒｉｎｃｉｐｌｅｓ ｆｏｒ ＰｈｙｓｉｃａｌＨａｒｄｅｎｉｎｇ ｏｆ Ｂｕｉｌｄｉｎｇｓ ａｎｄ Ｓｉｔｅｓ［Ｍ］． Ｌｕｘｅｍｂｏｕｒｇ：Ｐｕｂｌｉｃａｔｉｏｎｓ Ｏｆｆｉｃｅ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｕｎｉｏｎ，２０２３．

［１０］ Ａｒｍｙ Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ Ｓｙｓｔｅｍｓ Ｃｅｎｔｅｒ ｏｆ Ｅｘｃｅｌｌｅｎｃｅ． ＵＳＡｒｍｙ Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ Ｓｙｓｔｅｍｓ Ｒｏａｄｍａｐ ２０１０－２０３５［Ｒ／ＯＬ］（２０１０－０４－０９）［２０２３－１１－２５］． ｈｔｔｐｓ：∥ｎｔｒｌ． ｎｔｉｓ． ｇｏｖ／ＮＴＲＬ／ ｄａｓｈｂｏａｒｄ／ ｓｅａｒｃｈＲｅｓｕｌｔｓ／ ｔｉｔｌｅＤｅｔａｉｌ／ ＡＤＡ５１８４３７．ｘｈｔｍｌ．

［１１］ Ｕ． Ｓ． Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ． Ａｉｒｐｏｒｔ Ａｖｉａｎ ＲａｄａｒＳｙｓｔｅｍｓＡｄｖｉｓｏｒｙ Ｃｉｒｃｕｌａｒ ［Ｒ ／ ＯＬ ］． （２０１０ － １１ － ２３ ）［２０２３－１１－２５］． ｈｔｔｐｓ：∥ｗｗｗ． ｆａａ． ｇｏｖ ／ ｄｏｃｕｍｅｎｔＬｉｂｒａｒｙ ／ｍｅｄｉａ ／ Ａｄｖｉｓｏｒｙ＿Ｃｉｒｃｕｌａｒ ／ １５０＿５２２０＿２５． ｐｄｆ．

［１２］ ＢＡＲＴＯＮ Ｄ Ｋ． ＳｐｕｔｎｉｋＩＩ ａｓ Ｏｂｓｅｒｖｅｄ ｂｙ Ｃｂａｎｄ Ｒａｄａｒ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｒａｄｉｏ Ｅｎｇｉｎｅｅｒｓ．［Ｓ． ｌ． ：ｓ． ｎ． ］，１９５９：４６７．

［１３］ ＢＡＲＴＯＮ Ｄ Ｋ． Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ ＡＮ ／ ＦＰＳ１６ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ Ｒａｄａｒ［Ｊ ／ ＯＬ］． ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ ＥｌｅｃｔｒｏｎｉｃＳｙｓｔｅｍｓ Ｍａｇａｚｉｎｅ，２０１１，２６（４）：Ｂ１－Ｂ１６．

［１４］ ＴＡＩＴ Ｐ． Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｒａｄａｒ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｍ］．［Ｓ． ｌ． ］：Ｉｎｓｔｉｔｕｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｓ，２００６．［１５］ ＳＫＯＬＮＩＫ Ｍ． Ｒａｄａｒ Ｈａｎｄｂｏｏｋ ［Ｍ ］． ３ｒｄ ｅｄ． ［Ｓ． ｌ． ］：ＭｃＧｒａｗＨｉｌｌ Ｅｄｕｃａｔｉｏｎ，２００８．

［１６］ ＭＯＬＣＨＡＮＯＶ Ｐ，ＥＧＩＡＺＡＲＩＡＮ Ｋ，ＡＳＴＯＬＡ Ｊ，ｅｔ ａｌ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｓｍａｌｌ ＵＡＶｓ ａｎｄ Ｂｉｒｄｓ ｂｙ ＭｉｃｒｏＤｏｐｐｌｅｒＳｉｇｎａｔｕｒｅｓ［Ｃ］∥２０１３ Ｅｕｒｏｐｅａｎ Ｒａｄａｒ Ｃｏｎｆｅｒｅｎｃｅ． Ｎｕｒｅｍｂｅｒｇ：ＩＥＥＥ，２０１４：１７２－１７５．

［１７］ ＴＯＲＶＩＫ Ｂ，ＯＬＳＥＮ Ｋ Ｅ，ＧＲＩＦＦＩＴＨＳ Ｈ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆＢｉｒｄｓ ａｎｄ ＵＡＶｓ Ｂａｓｅｄ ｏｎ Ｒａｄａｒ Ｐｏｌａｒｉｍｅｔｒｙ ［Ｊ］． ＩＥＥＥＧｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１６，１３ （９ ）：１３０５－１３０９．

［１８］ ＶＡＮ ＢＬＡＲＩＣＵＭ Ｍ Ｌ，ＭＩＴＴＲＡ Ｒ． Ａ Ｔｅｃｈｎｉｑｕｅ ｆｏｒ Ｅｘｔｒａｃｔｉｎｇ ｔｈｅ Ｐｏｌｅｓ ａｎｄ Ｒｅｓｉｄｕｅｓ ｏｆ ａ Ｓｙｓｔｅｍ Ｄｉｒｅｃｔｌｙ ｆｒｏｍＩｔｓ Ｔｒａｎｓｉｅｎｔ Ｒｅｓｐｏｎｓｅ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＡｎｔｅｎｎａｓ ａｎｄ Ｐｒｏｐａｇａｔｉｏｎ，１９７５，２３（６）：７７７－７８１．

［１９］ ＢＲＩＴＴＩＮＧＨＡＭ Ｊ Ｎ，ＭＩＬＬＥＲ Ｅ Ｋ，ＷＩＬＬＯＷＳ Ｊ Ｌ． ＰｏｌｅＥｘｔｒａｃｔｉｏｎ ｆｒｏｍ Ｒｅａｌｆｒｅｑｕｅｎｃｙ Ｉｎｆｏｒｍａｔｉｏｎ ［Ｊ ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，１９８０，６８（２）：２６３－２７３．

［２０］ ＬＥＥ Ｊ Ｈ，ＣＨＯＩ Ｉ Ｓ，ＫＩＭ Ｈ Ｔ． Ｎａｔｕｒａｌ ＦｒｅｑｕｅｎｃｙｂａｓｅｄＮｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｐｐｒｏａｃｈ ｔｏ Ｒａｄａｒ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００３，５１（１２）：３１９１－３１９７．

［２１］ ＦＥＮＧ Ｔ Ｔ，ＹＡＮＧ Ｊ，ＧＥ Ｐ Ｃ，ｅｔ ａｌ． Ａｎ Ｉｍｐｒｏｖｅｄ Ｐｏｌｅ Ｅｘｔｒａｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｗｉｔｈ Ｌｏｗ ＳｉｇｎａｌｔｏＮｏｉｓｅ Ｒａｔｉｏ［Ｃ］∥ＩＭＣＥＣ ２０２１ － ＩＥＥＥ ４ｔｈ Ａｄｖａｎｃｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ，Ｃｏｍｍｕｎｉｃａｔｅｓ，Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ａｕｔｏｍａｔｉｏｎ ＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ． Ｃｈｏｎｇｑｉｎｇ：ＩＥＥＥ，２０２１：１１４６－１１５０．

［２２］ ＹＡＮＧ Ｙ，ＢＡＩ Ｙ，ＷＵ Ｊ Ｎ，ｅｔ ａｌ． Ｅｘｐｅｒｉｍｅｎｔａｌ Ａｎａｌｙｓｉｓ ｏｆＦｕｌｌｙ Ｐｏｌａｒｉｍｅｔｒｉｃ Ｒａｄａｒ Ｒｅｔｕｒｎｓ ｏｆ ａ Ｆｉｘｅｄｗｉｎｇ ＵＡＶ［Ｊ］． ＩＥＴ Ｒａｄａｒ，Ｓｏｎａｒ ａｎｄ Ｎａｖｉｇａｔｉｏｎ，２０２０，１４ （４ ）：５２５－５３１．

［２３］ ＤＯＵＭＡＲＤ Ｔ，ＲＩＥＳＣＯ Ｆ Ｇ，ＰＥＴＲＵＮＩＮ Ｉ，ｅｔ ａｌ． ＲａｄａｒＤｉｓｃｒｉｍｉｎａｔｉｏｎ ｏｆ Ｓｍａｌｌ Ａｉｒｂｏｒｎｅ Ｔａｒｇｅｔｓ Ｔｈｒｏｕｇｈ Ｋｉｎｅｍａｔｉｃ Ｆｅａｔｕｒｅｓ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０２２ ＩＥＥＥ ／ＡＩＡＡ Ｄｉｇｉｔａｌ Ａｖｉｏｎｉｃｓ Ｓｙｓｔｅｍｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｐｏｒｔｓｍｏｕｔｈ：ＩＥＥＥ，２０２２：１－１０．

［２４］ ＣＨＥＮ Ｖ． Ｔｈｅ ＭｉｃｒｏＤｏｐｐｌｅｒ Ｅｆｆｅｃｔ ｉｎ Ｒａｄａｒ ［Ｍ］． ２ｎｄｅｄ． Ｎｏｒｗｏｏｄ：Ａｒｔｅｃｈ Ｈｏｕｓｅ，２０１９．

［２５］ ＧＯＮＧ Ｊ Ｋ，ＹＡＮ Ｊ，ＬＩ Ｄ Ｒ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＭｉｃｒｏＤｏｐｐｌｅｒＳｉｇｎａｔｕｒｅｓ Ｒｅｇｉｓｔｅｒｅｄ Ｕｓｉｎｇ ＲＢＭ ｏｆ Ｈｅｌｉｃｏｐｔｅｒｓ ａｎｄＷＳＭ ｏｆ Ｖｅｈｉｃｌｅｓ［Ｊ］． ＩＥＴ Ｒａｄａｒ，Ｓｏｎａｒ ａｎｄ Ｎａｖｉｇａｔｉｏｎ，２０１９，１３（１１）：１９５１－１９５５．

［２６］ ＧＯＮＧ Ｊ Ｋ，ＹＡＮ Ｊ，ＬＩ Ｄ Ｒ，ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ＭｉｃｒｏＤｏｐｐｌｅｒ Ｓｉｇｎａｌｓ ｏｆ Ｄｒｏｎｅｓ Ｕｓｉｎｇ Ｒａｄａｒ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ Ｒａｄａｒ Ｄｗｅｌｌ Ｔｉｍｅｓ［Ｊ］． Ｄｒｏｎｅｓ，２０２２，６（９）：２６２.

［２７］ ＹＡＮＧ Ｗ Ｙ，ＫＩＭ Ｈ Ｊ，ＬＥＥ Ｊ Ｈ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ Ｉｎｓｕｆｆｉｃｉｅｎｔ ＪＥＭ Ｓｉｇｎａｌｓ Ｂａｓｅｄ ｏｎ ＣｏｍｐｒｅｓｓｅｄＳｅｎｓｉｎｇ Ｍｅｔｈｏｄ ［Ｃ ］∥ ２０１５ ＡｓｉａＰａｃｉｆｉｃ ＭｉｃｒｏｗａｖｅＣｏｎｆｅｒｅｎｃｅ Ｐｒｏｃｅｅｄｉｎｇｓ（ＡＰＭＣ）． Ｎａｎｊｉｎｇ：ＩＥＥＥ，２０１６：１－３．

［２８］ ＨＵＩＺＩＮＧ Ａ，ＨＥＩＬＩＧＥＲＳ Ｍ，ＤＥＫＫＥＲ Ｂ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ＭｉｎｉＵＡＶｓ Ｕｓｉｎｇ ＭｉｃｒｏＤｏｐｐｌｅｒ Ｓｐｅｃｔｒｏｇｒａｍｓ ｉｎ Ｃｏｇｎｉｔｉｖｅ Ｒａｄａｒ［Ｊ］． ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ Ｍａｇａｚｉｎｅ，２０１９，３４ （１１）：４６－５６．

［２９］ ＭＯＨＡＪＥＲＩＮ Ｎ，ＨＩＳＴＯＮ Ｊ，ＤＩＺＡＪＩ Ｒ，ｅｔ ａｌ． Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ａｎｄ Ｒａｄａｒ Ｔｒａｃｋ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ＤｅｔｅｃｔｉｎｇＵＡＶｓ ｉｎ Ｃｉｖｉｌｉａｎ Ａｉｒｓｐａｃｅ ［Ｃ］∥ ＩＥＥＥ Ｎａｔｉｏｎａｌ ＲａｄａｒＣｏｎｆｅｒｅｎｃｅ． Ｃｉｎｃｉｎｎａｔｉ：ＩＥＥＥ，２０１４：６７４－６７９．

［３０］ ＧＯＮＧ Ｊ Ｋ，ＬＩ Ｄ Ｒ，ＹＡＮ Ｊ，ｅｔ ａｌ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｔｗｏ Ｔｙｐｉｃａｌ Ｄｒｏｎｅ Ｄｅｔｅｃｔｉｏｎ Ｒａｄａｒ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ ＲａｄａｒＤｗｅｌｌ Ｔｉｍｅ［Ｃ］∥ＩＣＡＵＳ ２０２２：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０２２ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｕｔｏｎｏｍｏｕｓ Ｕｎｍａｎｎｅｄ Ｓｙｓｔｅｍｓ．［Ｓ． ｌ． ］：Ｓｐｒｉｎｇｅｒ，２０２２：２８９７－２９１０．

［３１］ ＫＡＮＧ Ｋ Ｂ，ＣＨＯＩ Ｊ Ｈ，ＣＨＯ Ｂ Ｌ，ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆＭｉｃｒｏＤｏｐｐｌｅｒ Ｓｉｇｎａｔｕｒｅｓ ｏｆ Ｓｍａｌｌ ＵＡＶｓ Ｂａｓｅｄ ｏｎＤｏｐｐｌｅｒ Ｓｐｅｃｔｒｕｍ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｅｒｏｓｐａｃｅａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２０２１，５７（５）：３２５２－３２６７．

［３２］ ＳＵＮ Ｈ Ｂ，ＯＨ Ｂ Ｓ，ＧＵＯ Ｘ，ｅｔ ａｌ． Ｉｍｐｒｏｖｉｎｇ ｔｈｅ ＤｏｐｐｌｅｒＲｅｓｏｌｕｔｉｏｎ ｏｆ Ｇｒｏｕｎｄｂａｓｅｄ Ｓｕｒｖｅｉｌｌａｎｃｅ Ｒａｄａｒ ｆｏｒ ＤｒｏｎｅＤｅｔｅｃｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２０１９，５５（６）：３６６７－３６７３．

［３３］ ＢＬＡＣＫＮＥＬＬ Ｄ，ＧＲＩＦＦＩＴＨＳ Ｈ． Ｒａｄａｒ Ａｕｔｏｍａｔｉｃ ＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ （ＡＴＲ）ａｎｄ Ｎｏｎｃｏｏｐｅｒａｔｉｖｅ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ （ＮＣＴＲ）［Ｍ］． ［Ｓ． ｌ． ］：ＩＥＴ，２０１３．

［３４］ ＷＨＩＴＥ Ｄ，ＪＡＨＡＮＧＩＲ Ｍ，ＡＮＴＯＮＩＯＵ Ｍ，ｅｔ ａｌ． Ｍｕｌｔｉｒｏｔｏｒ Ｄｒｏｎｅ ＭｉｃｒｏＤｏｐｐｌｅｒ Ｓｉｍｕｌａｔｉｏｎ Ｉｎｃｏｒｐｏｒａｔｉｎｇ Ｇｅｎｕｉｎｅ Ｍｏｔｏｒ Ｓｐｅｅｄｓ ａｎｄ Ｖａｌｉｄａｔｉｏｎ ｗｉｔｈ Ｌｂａｎｄ ＳｔａｒｉｎｇＲａｄａｒ［Ｃ］∥ ２０２２ ＩＥＥＥ Ｒａｄａｒ Ｃｏｎｆｅｒｅｎｃｅ． Ｎｅｗ Ｙｏｒｋ：ＩＥＥＥ，２０２２：１－６．

［３５］ ＬＩＡＮＧ Ｊ，ＡＨＭＡＤ Ｂ Ｉ，ＪＡＨＡＮＧＩＲ Ｍ，ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ ｏｆＭａｌｉｃｉｏｕｓ Ｉｎｔｅｎｔ ｉｎ Ｎｏｎｃｏｏｐｅｒａｔｉｖｅ Ｄｒｏｎｅ Ｓｕｒｖｅｉｌｌａｎｃｅ［Ｃ］∥２０２１ Ｓｅｎｓｏｒ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｆｏｒ Ｄｅｆｅｎｃｅ Ｃｏｎｆｅｒｅｎｃｅ，ＳＳＰＤ．Ｅｄｉｎｂｕｒｇｈ：ＩＥＥＥ，２０２１：１－５．

［３６］ ＪＡＮＫＩＲＡＭＡＮ Ｍ． ＦＭＣＷ Ｒａｄａｒ Ｄｅｓｉｇｎ ［Ｍ］． ［Ｓ． ｌ． ］：Ａｒｔｅｃｈ Ｈｏｕｓｅ，２０１９．

［３７］ ＧＯＮＧ Ｊ Ｋ，ＬＩ Ｄ Ｒ，ＹＡＮ Ｊ，ｅｔ ａｌ． Ｕｓｉｎｇ ＣｌａｓｓｉｆｙＷｈｉｌｅＳｃａｎ （ＣＷＳ ） Ｔｅｃｈｎｏｌｏｇｙ ｔｏ Ｅｎｈａｎｃｅ Ｕｎｍａｎｎｅｄ ＡｉｒＴｒａｆｆｉｃ Ｍａｎａｇｅｍｅｎｔ （ＵＴＭ）［Ｊ］． Ｄｒｏｎｅｓ，２０２２，６（９）：２２４．

［３８］ ＧＯＮＧ Ｊ Ｋ，ＬＩ Ｄ Ｒ，ＹＡＮ Ｊ，ｅｔ ａｌ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＲａｄａｒＳｉｇｎａｔｕｒｅｓ ｆｒｏｍ ａ Ｈｙｂｒｉｄ ＶＴＯＬ Ｆｉｘｅｄｗｉｎｇ Ｄｒｏｎｅ ａｎｄＱｕａｄｒｏｔｏｒ Ｄｒｏｎｅ［Ｊ］． Ｄｒｏｎｅｓ，２０２２，６（５）：１１０．

［３９］ ＡＨＭＡＤ Ｂ Ｉ，ＲＯＧＥＲＳ Ｃ，ＨＡＲＭＡＮ Ｓ，ｅｔ ａｌ． Ａ Ｒｅｖｉｅｗ ｏｆＡｕｔｏｍａｔｉｃ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｄｒｏｎｅｓ Ｕｓｉｎｇ Ｒａｄａｒ：Ｋｅｙ Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ，Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ａｎｄ Ｐｒｏｓｐｅｃｔｓ ［Ｊ］．ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ Ｍａｇａｚｉｎｅ，２０２４，３９（２）：１８－３３．

［４０］ ＳＫＯＬＮＩＫ Ｍ Ｉ． Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｒａｄａｒ Ｓｙｓｔｅｍｓ［Ｊ］． ＳｅｎｓｏｒＲｅｖｉｅｗ，１９９９，１９（２）：００１．

［４１］ ＤＥ ＷＩＴ Ｊ，ＨＡＲＭＡＮＮＹ Ｒ． Ｓｍａｌｌ ＵＡＶｓ ａｎｄ Ｔｈｅｉｒ Ｂｕｚｚ．Ｈｏｗ ＭｉｃｒｏＤｏｐｐｌｅｒ Ｍａｋｅｓ ｔｈｅ Ｄｉｆｆｅｒｅｎｃｅ！ ［ＥＢ ／ ＯＬ］．［２０２３－１１－２０］． ｈｔｔｐｓ：∥ｒｅｐｏｓｉｔｏｒｙ． ｔｕｄｅｌｆｔ． ｎｌ ／ ｉｓｌａｎｄｏｒａ ／ｏｂｊｅｃｔ ／ ｕｕｉｄ：ｆ６ｂ４３６ｂ９－ｂ２７ｆ－４８７９－ａｃ１２－ｃｄｂ９ｅ４ｂ０１ｂ８０？ｃｏｌｌｅｃｔｉｏｎ ＝ ｒｅｓｅａｒｃｈ．

［４２］ ＨＡＲＭＡＮＮＹ Ｒ Ｉ Ａ，ＤＥ ＷＩＴ Ｊ Ｊ Ｍ，ＰＲＥＭＥＬＣＡＢＩＣ Ｇ．Ｒａｄａｒ ＭｉｃｒｏＤｏｐｐｌｅｒ ＭｉｎｉＵＡＶ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｓｐｅｃｔｒｏｇｒａｍｓ ａｎｄ Ｃｅｐｓｔｒｏｇｒａｍｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｉｃｒｏｗａｖｅ ａｎｄ Ｗｉｒｅｌｅｓｓ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１５，７（３／ ４）：４６９－４７７．

［４３］ ＪＡＨＡＮＧＴＲ Ｍ，ＡＴＫＩＮＳＯＮ Ｇ Ｍ，ＡＮＴＯＮＩＯＵ Ｍ，ｅｔ ａｌ．Ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ Ｂｉｒｄｓ ａｎｄ Ｄｒｏｎｅｓ ｗｉｔｈ Ｌｂａｎｄ ＳｔａｒｉｎｇＲａｄａｒ［Ｃ］∥２０２１ ２１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｒａｄａｒ Ｓｙｍｐｏｓｉｕｍ．Ｂｅｒｌｉｎ：ＩＥＥＥ，２０２１：１－１０．

［４４］ ＧＯＮＧ Ｊ Ｋ，ＹＡＮ Ｊ，ＨＵ Ｈ Ｐ，ｅｔ ａｌ． Ｉｍｐｒｏｖｅｄ Ｒａｄａｒ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｍａｌｌ Ｄｒｏｎｅｓ Ｕｓｉｎｇ Ｄｏｐｐｌｅｒ ＳｉｇｎａｌｔｏＣｌｕｔｔｅｒ Ｒａｔｉｏ（ＤＳＣＲ）Ｄｅｔｅｃｔｏｒ［Ｊ］． Ｄｒｏｎｅｓ，２０２３，７（５）：３１６．

［４５］ ＹＡＮ Ｊ，ＨＵ Ｈ Ｐ，ＧＯＮＧ Ｊ Ｋ，ｅｔ ａｌ． Ｅｘｐｌｏｒｉｎｇ ＲａｄａｒＭｉｃｒｏＤｏｐｐｌｅｒ Ｓｉｇｎａｔｕｒｅｓ ｆｏｒ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｄｒｏｎｅ Ｔｙｐｅｓ［Ｊ］． Ｄｒｏｎｅｓ，２０２３，７（４）：２８０．

［４６］ ＧＯＮＧ Ｊ Ｋ，ＹＡＮ Ｊ，ＬＩ Ｄ Ｒ． Ｔｈｅ Ｒａｄａｒ Ｄｅｔｅｃｔｉｏｎ ＭｅｔｈｏｄＢａｓｅｄ ｏｎ Ｄｅｔｅｃｔｉｎｇ Ｓｉｇｎａｌ ｔｏ Ｃｌｕｔｔｅｒ Ｒａｔｉｏ （ＳＣＲ）ｉｎ ｔｈｅＳｐｅｃｔｒｕｍ［Ｃ］∥２０１９ ＰｈｏｔｏｎＩｃｓ ＆ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｓ Ｒｅｓｅａｒｃｈ Ｓｙｍｐｏｓｉｕｍ － Ｓｐｒｉｎｇ （ＰＩＥＲＳ － Ｓｐｒｉｎｇ ）． Ｒｏｍｅ：ＩＥＥＥ，２０１９：１８７６－１８８２．

［４７］ ＧＯＮＧ Ｊ Ｋ，ＹＡＮ Ｊ，ＬＩ Ｄ Ｒ，ｅｔ ａｌ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＲａｄａｒＳｉｇｎａｔｕｒｅｓ Ｂａｓｅｄ ｏｎ Ｆｌｉｇｈｔ Ｍｏｒｐｈｏｌｏｇｙ ｆｏｒ Ｌａｒｇｅ Ｂｉｒｄｓａｎｄ Ｓｍａｌｌ Ｂｉｒｄｓ ［Ｊ］． ＩＥＴ Ｒａｄａｒ，Ｓｏｎａｒ ａｎｄ Ｎａｖｉｇａｔｉｏｎ，２０２０，１４（９）：１３６５－１３６９．

作者簡介

李德仁 男，（１９３９—），中國科學(xué)院院士、中國工程院院士，國際歐亞科學(xué)院院士。主要研究方向：空間信息科學(xué)及通信、全球?qū)Ш叫l(wèi)星系統(tǒng)和遙感融合。

龔江昆 男，（１９８９—），博士后。主要研究方向：“低慢小”雷達(dá)目標(biāo)自動目標(biāo)檢測與識別技術(shù)、目標(biāo)電磁散射特性測量、反無人機(jī)雷達(dá)、雷達(dá)鳥類學(xué)、認(rèn)知雷達(dá)信號處理等。

（通信作者）閆 軍 男，（１９７４—），博士，教授，博士生導(dǎo)師。主要研究方向：雷達(dá)自動目標(biāo)識別、抗干擾等。

孔德永 男，（１９７６—），博士，副教授。主要研究方向：計(jì)算機(jī)仿真、雷達(dá)信號處理、自動控制方法和軟件工程。

基金項(xiàng)目：湖北省自然科學(xué)基金－青年項(xiàng)目（２０２３ＡＦＢ１３０）