雷达目标识别技术综述
1引言
目标识别是现代雷达技术发展的一个重要组成部分。对雷达目标识别的研究，在国内外已经形成热点，但由于问题本身的复杂性，以及多干扰信号，特别是多噪声干扰源存在的复杂电磁环境，雷达目标识别问题至今还没有满意的答案，尚无成熟的技术和方法。因此，对雷达目标识别技术的研究具有极其重要的军事应用价值。 本文将对雷达自动目标识别技术进行简要回顾，讨论目前理论研究和应用比较成功的几类目标识别方法，以及应用于雷达目标识别中的模式识别技术，分析和讨论问题的可能解决思路。
2雷达目标识别模型
雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属性。它根据目标的后向电磁散射来鉴别目标，是电磁散射的逆问题。利用目标在雷达远区所产生的散射场的特征，可以获得用于目标识别的信息，回波信号的幅值、相位、频率和极化等均可被利用。对获取的目标信息进行计算机处理，与已知目标的特性进行比较，从而达到自动识别目标的目的。识别过程分成三个步骤：目标的数据获取、特征提取和分类判决。相应模型如图\"所示。
整个识别过程可以分为两个阶段：训练（或设计）阶段和识别阶段。前者用一定数量的训练样本进行分类器的设计或训练，后者用所设计或训练的分类器对待识别的样本进行分类决策。
训练数据获取是对各已知目标进行测量，取得目标的训练数据。测试数据获取是获得未知种类目标的测量数据；测量数据的获得可采用目标的靶场动态测量、外场静态测量、微波暗室缩比模型等。特征提取模块从目标回波数据中提取出对分类识别有用的目标特征信息。特征空间压缩与变换模块对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性的训练样本进行分类器的设计。类间可分离性的特征。分类器设计模块根据已知类别目标分类模块完成对未知目标的分类判决。
3雷达目标识别技术回顾
雷达目标识别的研究始于\"#世纪$#年代。早期雷达目标特征信号的研究工作主要是研究雷达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射截面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。近年来理论研究和实际应用比较成功的目标识别方法有以下4类。
3.1基于目标运动的回波起伏和调制谱特性的目标识别
这类方法大都基于目前广泛使用的雷达时域一维目标回波波形，抽取波形序列中包含的目标特征信息来实现目标分类。这类研究已获得一些成功应用。 (1)利用目标回波起伏特性的识别
空中目标对低分辨力雷达来讲可以看作点目标，其运动过程中，目标回波的幅度相位随目标对雷达的相对姿态的不同而变化，根据目标回波的幅度与相位的变化过程，判断其形状，对复信息数据进一步分析，可以判断目标的运动情况 (2)利用动态目标的调制谱特性的识别
动态目标如飞机的螺旋桨或喷气发动机旋转叶片、直升机的旋翼等目标结构的周期运动，产生对雷达回波的周期性调制。不同目标的周期性调制谱差异很大，因而可用于目标识别。详细分析了喷气发动机的调制现象，并建立了相应的数学模型，为利用JEM效应进行目标识别奠定了理论基础。
3.2基于极点分布的目标识别
目标的自然谐振频率又称为目标极点，“极点”和“散射中心”分别是在谐振区和光学区建立起来的基本概念。目标极点分布只决定于目标形状和固有特性，与雷达的观测方向（目标姿态）及雷达的极化方式无关，因而给雷达目标识别带来了很大方便。
除了直接求目标的极点外，由于目标的极点与目标的频率响应存在一一对应的关系，人们还研究了由目标的频域响应来识别目标的方法，典型方法有，从目标的频域响应来识别目标的方法；获取目标极点的频域Prony法；由于频域法的目标极点估算精度同样受到噪声和杂波的限制，具有改善作用的数据多重组合法被提出。
为避开需要实时地直接从含噪的目标散射数据中提取目标的极点，基于波形综合技术的目标识别方法被得到广泛重视。它将接收到的目标散射信号回波与综合出来的代表目标的特征波形进行数字卷积，再根据卷积输出的特征来判别目标。E-脉冲法、频域极大极小拟合匹配法等，都避开了直接提取目标极点，减小了运算量。
3.3基于高分辨力雷达成像的目标识别
借助高分辨力雷达对目标进行一维或二维距离成像，或采用合成孔径雷达或逆合成孔径雷达对目标成像得到二维雷达图像，可获取目标的形状结构信息。
由于一维距离像的获取相对简单，利用一维距离像进行目标识别的方法在;#年代以后被得到广泛重视和深入研究。基于一维距离像的目标识别方法，在舰船目标、坦克、车辆等地面目标、飞机目标识别中分别获得了较高的正确识别率。由于目标的一维距离像常会受目标之间、目标各散射点之间的相互干涉、合成等交叉项的影响，限制了识别率的提高，因而双距离像方法被提出并获得了较高的识别率。为改善目标识别的性能，可以将目标一维距离像与其它目标特征（如极化特征）相结合。 对于基于二维雷达图像的目标识别，可利用图象识别技术来进行，这是目标识别领域中最为直观的识别方法，但是如何获得高质量的目标二维图像是进行目标识别的首先要解决的问题。
3.4基于极化特征的目标识别
极化是描述电磁波的重要参量之一，它描述了电磁波的矢量特征。极化特征是与目标形状本质有密切联系的特征。任何目标对照射的电磁波都有特定的极化变换作用，其变换关系由目标的形状、尺寸、结构和取向所决定。测量出不同目标对各种极化波的变极化响应，能够形成一个特征空间，就可对目标进行识别。极化散射矩阵（复二维矩阵）完全表征了目标在特定姿态和辐射源频率下的极化散射特性。对目标几何形状与目标极化特性的关系的研究结果表明，光学区目标的极化散射矩阵反映了目标镜面曲率差等精密物理结构特性。
经过近20年的发展，已经出现了许多种利用极化信息进行雷达目标识别的方法，其主要方法分为：
1）根据极化散射矩阵识别目标根据极化散射矩阵来识别目标是利用极化信息识别目标的基本方法。具体分为：根据不同极化状态下目标截面积的对比来识别目标；根据从目标极化散射矩阵中导出的目标极化参数集（极化不变量）来识别目标；根据目标的最佳极化或极化叉来识别目标。
由于不同姿态角下目标极化特性的改变，限制了根据极化散射矩阵及其派生参数识别目标的有效性，使之只能应用于简单几何形体目标，或与其它识别方法结合使用。
2)利用目标形状的极化重构识别目标对低分辨力雷达，不能区分目标上各个散射中心的回波，只能从它们的综合信号中提取极化特征，因而只能从整体上对简单形体的目标加以粗略的识别。
对高分辨力雷达，目标回波可分解为目标上各个主要散射中心的回波分量。对复杂形状目标的极化重构，就是利用高分辨力雷达区分出各个散射中心的回波，分别提取其极化信息。在对各个散射中心分别作出形状判断（可以利用目标的极化散射矩阵，或利用目标的缪勒矩阵中各个元素同目标形状的关系）后，依据其相对位置关系，组合成目标的整体形状。最后同已知目标数据库相比较，得到识别结果。
3)与成像技术相结合的目标识别结合SAR和ISAR成像，在相应雷达上加装变极化装置，从而可以利用极化信息或将极化信息与已有的图象识别技术相结合，对每一像素进行更有效的识别。
3.5各种特征识别方法对雷达的要求
不同的识别方法对雷达系统有着不同的要求。基于目标运动的回波起伏和调制谱特性的目标识别方法对雷达没有特殊的要求，它是在现有雷达的基础上，利用目标运动所引起的回波起伏特性和动态目标的调制谱特性，并结合雷达所能获取的目标空间坐标及运动参数（如目标高度、速度、航迹等）来进行目标识别，因而主要用于低分辨雷达的目标识别。
基于极点分布的目标识别方法可分为时域和频域方法。时域方法提取目标极点要求雷达的发射信号带宽足够宽，以保证由目标的瞬态响应中能够获得正确的目标极点；频域方法则要求雷达能够发射多种频率的电磁波以获取目标的频率响应。
基于高分辨力雷达成像的目标识别方法要求雷达不仅具有高的距离分辨力（对于一维距离像方法）而且具有高的角分辨力（对于二维距离像方法），这就要求采用宽带高分辨、合成孔径或逆合成孔径雷达。 基于目标极化特征的目标识别方法要求雷达能够测量目标对不同极化方向的入射电磁波的极化散射特性、雷达具有变极化特性，这增加了雷达系统的复杂性，限制了其应用。
4用于雷达目标识别中的模式识别技术
进行雷达目标识别，必须依靠有效的目标特征分类技术（模式识别技术）。模式识别技术的发展为雷达目标识别的研究提供了有利的条件。统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法等在雷达目标识别中均有成功的应用。
4.1统计模式识别方法
统计模式识别是传统的模式识别方法，也是雷达目标识别中最常用到的特征分类方法，它是一种根据已知样本的统计特性来对未知类别样本进行分类的方法。其基本思想是用\"维特征矢量表征目标模式，并通过对样本的学习，估计出特征矢量的概率分布密度函数，在某种最优准则下，利用特征矢量的统计知识来构造判别函数，从而在保证分类误差概率最小的条件下，对目标进行分类。
4.2模糊模式识别方法
在雷达目标识别中，由于噪声对目标背景的污染，目标信息转换过程中特征信息的随机交迭，目标信息随时间、距离、方位和姿态等因素的变化都可引起信息的模糊及目标特征的畸变，影响目标识别的效果。
在模糊集理论基础上发展起来的模糊模式识别技术，适于描述目标特征存在不同程度的不确定性。在目标识别过程中，模糊模式识别技术通过将数值变换提取的目标特征转换成由模糊集及隶属函数表征，再通过模糊关系和模糊推理等对目标的所属关系加以判定。
因此，模糊模式识别技术可以有效地完成一些传统模式识别中遇到的难题，近年来得到了广泛的研究。
4.3基于模型和基于知识的模式识别方法
基于模型的模式识别方法是用一种数学模型来表示从目标样本空间或特征空间中获取的、描述目标固有特性的各种关系准则。在建模过程中，除了利用目标的物理特性外，还运用了特征之间的符号关系准则，如特征随姿态角变化的规律等，因此，基于模型的的模式识别方法在一定程度上改善了传统的统计模式识别方法中信息利用率不高的缺点。目前也有不少人在致力于基于模型的目标识别方法的研究.基于知识的模式识别方法是结合人工智能技术的识别方法。它把人们在实践中逐步积累的知识和经验用简单的推理规则加以表述，并转换为计算机语言，利用这些规则可以获得与专家有同样识别效果的模式识别结果。
基于模型的方法常与基于知识的方法相结合，通过建立的目标模型库与相应的推理规则相结合完成目标的分类识别。
4.4神经网络模式识别方法
人工神经网络ANN和生物神经系统之间有着内在的联系，能够在有限领域内模拟人脑加工、存储与搜索信息的机制来解决某些特定的问题。它具有自适应、自组织、自学习能力，可以处理一些环境信息十分复杂、背景知识不清楚的问题，通过对样本的学习建立起记忆，然后将未知模式判为其最为接近的记忆。由于其自身的上述特点，模式识别是神经网络技术应用得最为广泛的领域之一。
由于雷达目标特征信息在模式空间中的分布常常极为复杂，要获得其先验统计知识并用传统的模式识别方法来实现目标识别很困难。ANN可以通过学习获得目标特征信号在模式空间中的分布，因此在目标识别的预处理、特征提取、模式分类的整个过程中均有初步的应用。近%1年来，ANN用于雷达目标识别得到了广泛的重视。
总之，先进的模式识别方法对于提高、改善雷达自动目标识别系统的性能将起到至关重要的作用，对它的进一步研究将具有重要的意义。
