天波超視距雷達(dá)艦船目標(biāo)檢測方法研究綜述

張 澤，石 靖，熊書軻

(95838部隊,呼和浩特 010090)

0 引 言

天波超視距雷達(dá)(Over The Horizon Radar，OTHR)工作在高頻短波波段(3～30 MHz)，利用電離層對高頻短波信號的折射來實現(xiàn)對超視距目標(biāo)的探測，可對地海表面以上、電離層以下800～3 000 km范圍內(nèi)的各類目標(biāo)實施超遠(yuǎn)程預(yù)警監(jiān)視。相比常規(guī)雷達(dá)，天波超視距雷達(dá)可以將海面目標(biāo)的預(yù)警時間提高30～50倍，在民用和軍用方面都有巨大的應(yīng)用價值。[1-3]

自上個世紀(jì)50年代開始研究超視距雷達(dá)以來，經(jīng)過60多年的發(fā)展，超視距雷達(dá)的功能不斷拓展完善，其主要探測目標(biāo)有飛機、彈道導(dǎo)彈、巡航導(dǎo)彈和艦船目標(biāo)。對于飛機目標(biāo)來說，其速度較快，因此多普勒頻率距離海雜波波峰較遠(yuǎn)，主要是在噪聲背景下進行檢測，很容易將飛機目標(biāo)檢測出來。對于彈道導(dǎo)彈類目標(biāo)而言，其速度也很快，且物理尺寸大，所以對導(dǎo)彈的檢測也比較容易實現(xiàn)。對于巡航導(dǎo)彈類目標(biāo)來說，其尺寸較小，且相對于彈道導(dǎo)彈速度較小，一般通過采用較高載頻以提高多普勒頻率，利于將目標(biāo)回波與雜波分離。

對艦船目標(biāo)的檢測是這4類目標(biāo)中檢測最困難的，主要由于：(1)不同的海態(tài)情況對艦船目標(biāo)的影響即遮蔽效應(yīng)不同[4]；(2)為了降低雜波強度，需要大的工作帶寬提升距離分辨力；(3) 提高頻率分辨力需要有足夠長的相干積累時間。當(dāng)前，長距離的天線陣列已經(jīng)足以達(dá)到較高方位分辨力，也可以采取寬的信號帶寬使距離分辨力得到提高。但是，對于頻率分辨力的提高仍然是需要解決的問題，當(dāng)前主要是采取長相干積累或者短相干積累兩種方案。本文主要對這兩種方案分別進行闡述。

1 研究現(xiàn)狀

到目前為止，關(guān)于天波超視距雷達(dá)艦船目標(biāo)檢測方法的研究，國內(nèi)外學(xué)者對基于海雜波背景的艦船目標(biāo)做了大量工作，出現(xiàn)了大量專著[3]和論文。本文梳理了OTHR關(guān)于艦船目標(biāo)檢測面臨的問題，并對當(dāng)前現(xiàn)有研究方法進行分類，并探討下一步的研究方向。

1.1 長相干積累檢測

在海雜波背景下對艦船目標(biāo)進行檢測，采用長時間的相干積累能夠提高多普勒頻率的分辨率，進而提高艦船目標(biāo)檢測概率。由于海洋的時變特性，不適合使用固定門限進行檢測，通常采取單元平均恒虛警處理，即計算在檢測單元周圍的若干參考單元的平均幅度，將其作為檢測單元的雜波強度估值，從而實現(xiàn)對檢測單元的浮動門限設(shè)置。

1.1.1 基于相鄰單元取平均及直接比較的檢測方法

由于在相鄰的距離單元和方位單元海態(tài)變化緩慢，檢測單元及其周圍單元雜波譜相似?；谙噜弳卧∑骄爸苯颖容^的檢測方法就是將被檢測單元的回波譜與周圍單元得到的平均多普勒譜相比較[5]，即可以將被檢測單元與平均多普勒譜相減，可以看作將雜波減去，就可以將艦船目標(biāo)檢測出來。

1.1.2 基于相鄰單元取平均及相除比較的檢測方法

基于相鄰單元取平均及相除比較的檢測方法[6]，即將每個距離單元上的回波譜與平均多普勒譜相除。由于海雜波在相鄰單元的雜波譜基本一致，所以各個距離的雜波譜與平均多普勒譜相除后在雜波區(qū)的幅值約為1。對于待檢測艦船目標(biāo)所在的距離單元，除以平均多普勒譜之后海雜波被有效地抑制掉，待檢測距離單元的峰值進一步突出，進而將目標(biāo)檢測出來。這比基于相鄰單元取平均及直接比較的檢測方法的雜波抑制效果更優(yōu)。

但是，這種方法由噪聲引起的峰值也會更突出，可能淹沒目標(biāo)。通常的解決方案是首先對相干處理后的回波譜進行能量非相干積累，從而平滑噪聲引起的峰值，最后對非相干積累后多普勒譜作相鄰單元取平均及相除比較的處理。需要指出的是，該方法在低多普勒頻率區(qū)域有效，而在高多普勒頻率區(qū)域噪聲的影響將進一步提高，檢測效果不佳。

1.1.3 采用鄰域處理技術(shù)的檢測方法

相鄰單元取平均可以得到浮動門限和降低虛警率，而鄰域處理技術(shù)[6]是為了在恒虛警條件下提高對各種雜波和噪聲的抑制能力，在相鄰單元取平均及檢測后進一步處理以提高目標(biāo)檢測概率。鄰域處理技術(shù)即在各個距離-多普勒數(shù)據(jù)點上把該數(shù)據(jù)點周圍的距離-多普勒數(shù)據(jù)點作為鄰域，目標(biāo)峰值在該鄰域內(nèi)選取最大值。需要指出的是，將相鄰單元取平均及相除比較和鄰域處理技術(shù)聯(lián)合使用對射頻干擾和非瑞利噪聲有較好的消除作用。[6]

1.2 短相干積累檢測

長相干積累檢測雖然可以提高天波雷達(dá)的多普勒頻率分辨力，但存在一定的不足，主要是：(1)使雷達(dá)對各個子區(qū)重訪頻率降低，從而造成雷達(dá)觀測范圍與目標(biāo)跟蹤的矛盾；(2)增大電離層不穩(wěn)定對目標(biāo)檢測造成的影響，使得海雜波譜展寬[7]，降低目標(biāo)的檢測概率。因此，為了充分發(fā)揮OTHR大范圍的戰(zhàn)略預(yù)警能力，提高數(shù)據(jù)率，可以采用短相干積累檢測方法。和長相干積累檢測方法相比，短相干積累檢測能夠有效地節(jié)省雷達(dá)系統(tǒng)的資源，使OTHR可以同時對空、海進行探測[3-4,8]，同時緩解長相干積累觀測范圍與目標(biāo)跟蹤的矛盾，減小電離層不穩(wěn)定帶來的影響。但是，短相干積累也存在相干處理增益較低、使多普勒分辨力降低造成海雜波展寬的問題。

當(dāng)前，短相干積累研究根據(jù)海雜波的特征主要分為兩大類[9]：(1)將海雜波看作隨機信號,根據(jù)海雜波與目標(biāo)信號的空時頻特征不同來抑制海雜波；(2)將海雜波視為一種非線性運動過程，根據(jù)海雜波的混沌特性來抑制。[10-11]

1.2.1 基于空時頻特性

基于海雜波的空時頻特征檢測目標(biāo)的方法主要包括兩大類：(1)超分辨譜估計方法；(2)海雜波抑制方法。海雜波抑制方法還可以分為：(1)基于參數(shù)估計的循環(huán)對消方法；(2)基于子空間分解的方法；(3)基于最優(yōu)濾波的方法；(4)基于空時自適應(yīng)處理的方法。

在短時間積累條件下，傳統(tǒng)的傅里葉變換方法分辨力太低。1986年Barnum將超分辨譜估計方法引入艦船目標(biāo)檢測，取得較好的效果。[12]所以，許多學(xué)者利用超分辨譜估計的方法替代FFT來檢測艦船目標(biāo)。[13-14]超分辨譜估計方法主要是利用現(xiàn)代譜估計方法使雜波譜的分辨力提高進而凸顯艦船目標(biāo),包括超分辨譜估計方法的MUSIC算法[15]、自回歸(AR)模型譜估計法[15]、線性預(yù)測算法[16]、Capon法[17]等。文獻(xiàn)[18]通過改進協(xié)方差矩陣對雷達(dá)的回波數(shù)據(jù)進行譜估計。該方法的處理結(jié)果有效性和可靠性都有提高，然而在低信噪比和小頻率間隔情況下的分辨力不足。超分辨譜估計方法在短相干積累時間下檢測目標(biāo)十分有效。這類方法主要通過提高雜波譜的分辨力來凸顯艦船目標(biāo)，但性能主要取決于假設(shè)的信號模型和實際數(shù)據(jù)之間的相似程度。因為該類方法中預(yù)測模型的階數(shù)選擇是關(guān)鍵。階數(shù)選擇高或者低都會對檢測性能出現(xiàn)影響，階數(shù)較低目標(biāo)無法顯露，階數(shù)較高會出現(xiàn)偽譜，各譜峰的幅度代表的物理意義(功率或者能量)可信度有所損失，所以得到的檢測結(jié)果可信度比較低，需要采用其他輔助算法來估計相應(yīng)的幅度和相位，增加海雜波重構(gòu)與抑制的復(fù)雜程度。需要說明的是，在眾多超分辨譜估計方法中，改進協(xié)方差矩陣方法的數(shù)據(jù)處理結(jié)果最為有效可靠。[18]

基于參數(shù)估計的循環(huán)對消法就是在檢測艦船目標(biāo)前將海雜波通過循環(huán)迭代法對消掉，之后利用FFT進行檢測。此類方法以Root法[19]為代表，因為海雜波的主分量作為一階近似時可被看作正弦信號。Root通過對該正弦信號的幅度、頻率以及初始相位進行準(zhǔn)確估計，然后在時域減去正弦信號的方法來對海雜波進行對消。為了進一步提高參數(shù)估計精度，提高海雜波抑制性能，一些改進的循環(huán)對消算法被提出：基于FFT相位分析的對消法[20]、基于Clean算法的對消法[21]、基于幅度相位估計的對消法[17]、基于參考單元的對消法[22]、基于頻率高精度估計的對消法[23]、基于壓縮感知的對消法[24]，以及其他一些改進方法[25]。此類雜波抑制方法的特點是性能主要取決于雜波對應(yīng)諧波分量的頻率、幅度和相位參數(shù)的估計精度，且海雜波分量與艦船目標(biāo)信號分量之間缺少可信的區(qū)別準(zhǔn)則，容易造成海雜波抑制不充分而虛警，或者對消充分而漏警。

基于子空間分解的方法主要包括：(1)特征分解(Eigen Value Decomposition，EVD)算法[26]及改進的特征分解(Modified Eigen Value Decomposition，MEVD)算法[27]。此類方法將多個相鄰的距離單元作為參考單元來構(gòu)造協(xié)方差矩陣，然后通過特征子空間投影方式來對海雜波進行抑制。此類方法對海雜波的空間相關(guān)性要求較高，且雜波和目標(biāo)子空間劃分難以準(zhǔn)確確定[24]；(2)奇異值分解(Singular Value Decomposition，SVD)算法[28]。此類方法直接對待檢測單元進行時域滑窗處理，利用奇異值空間來對海雜波進行抑制，也存在目標(biāo)和雜波的奇異值界限劃分的問題；(3)高奇異值分解(High-Order SVD，HOSVD)算法[29-30]。此類方法可以提高信號與雜波加噪聲的比值，可以更加有效地對雜波進行抑制；(4)通過多普勒頻率估計雜波子空間(Estimate Subspace Via Doppler，ESVID)算法[31]；(5)通過相關(guān)性估計雜波(Estimate Clutter Via Correlation，ECVC)算法[32]。基于子空間分解的方法，該類方法不需要任何先驗知識，通過海雜波與目標(biāo)空間相關(guān)性抑制雜波，其中HOSVD算法的信雜噪比最大。[33]

基于最優(yōu)濾波的方法將雜波抑制問題轉(zhuǎn)為最優(yōu)化問題，把最大化輸出信雜噪比作為優(yōu)化函數(shù)，從而實現(xiàn)對海雜波的抑制。文獻(xiàn)[34]提出一種基于最優(yōu)化理論的強雜波背景下目標(biāo)檢測方法，將檢測問題轉(zhuǎn)為最優(yōu)化問題。文獻(xiàn)[35-36]提出了基于知識輔助的雜波抑制方法，充分利用先驗知識提升海雜波的抑制性能。

自1973年Brennan等人針對相控陣體制機載預(yù)警雷達(dá)的雜波抑制問題提出空時自適應(yīng)處理(Space Time Adaptive Processing，STAP)以來[37]，該方法已經(jīng)成為較為堅實的新技術(shù)。Fabrizio G A 等人將STAP方法引入高頻雷達(dá)雜波抑制中[38]。Oliver S等人對高頻地波雷達(dá)中STAP方法的應(yīng)用做了一定研究[39]。文獻(xiàn)[11,40-41]對STAP在天波雷達(dá)中面臨的問題及降維方法做了研究。此類方法十分依賴海雜波的空時耦合性，需要對雜波特性進行深入研究。

1.2.2 基于混沌特性

近年來，相關(guān)研究表明，海雜波可以被看作一種混沌信號，而目標(biāo)回波不是混沌信號，因此從海雜波中檢測艦船目標(biāo)可以看作從混沌背景下對回波信號進行檢測。利用神經(jīng)網(wǎng)絡(luò)對雜波進行抑制是一種典型的雜波抑制方法。神經(jīng)網(wǎng)絡(luò)具有很高的容錯能力和任意精度逼近復(fù)雜的非線性關(guān)系的能力?；谏窠?jīng)網(wǎng)絡(luò)的研究很多，國內(nèi)外學(xué)者在神經(jīng)網(wǎng)絡(luò)對雜波的抑制方面取得了一定的成果，主要包括：(1)基于徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)[42]；(2)基于小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network, WNN)的雜波抑制方法[43]；(3)基于回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network, ESN)的雜波抑制方法[9]。

基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的雜波抑制方法主要是通過海雜波數(shù)據(jù)對徑向基函數(shù)網(wǎng)絡(luò)訓(xùn)練，使得訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對海雜波混沌特性產(chǎn)生記憶，然后建立雜波預(yù)測的模型，再利用訓(xùn)練好的網(wǎng)絡(luò)模型對未知雜波序列進行預(yù)測，便可以進行雜波抑制、目標(biāo)檢測。但是，該方法的不足是需要利用先驗信息手動調(diào)整參數(shù)?；谛〔ㄉ窠?jīng)網(wǎng)絡(luò)的雜波抑制方法利用小波神經(jīng)網(wǎng)絡(luò)來對海雜波混沌動態(tài)系統(tǒng)進行重構(gòu)，實現(xiàn)對雜波信號預(yù)測。若預(yù)測信號誤差達(dá)到指定精度則較強的雜波信號轉(zhuǎn)為較弱的隨機噪聲信號，便可以從海雜波中檢測目標(biāo)信號。該類方法的不足是若確定嵌入維和嵌入延遲方法選取不當(dāng)，則不能準(zhǔn)確反映雜波混沌特性，雜波抑制效果不佳。文獻(xiàn)[9]利用回聲狀態(tài)網(wǎng)絡(luò)對海雜波進行抑制。該方法具有高精度、高穩(wěn)定性的特點，可以把信號提取出來。

2 結(jié)論與展望

通過上文分析可以看出，由于艦船航行速度緩慢，而海雜波狀態(tài)復(fù)雜多變，導(dǎo)致雜波很容易淹沒目標(biāo)，基于海雜波背景下的艦船目標(biāo)檢測仍然是亟待解決的難題。下面列出幾個需要繼續(xù)研究的方向：

(1) 當(dāng)慢速艦船目標(biāo)多普勒峰位于海雜波Bragg峰之間時的檢測問題；

(2) 海雜波模型的構(gòu)建、海雜波特性分析以及對海雜波分量的精確估計問題；

(3) 基于先驗知識的天波超視距雷達(dá)海雜波抑制方法問題；

(4) 基于STAP的天波超視距雷達(dá)海雜波抑制問題；

(5) 基于混沌理論等非線性理論和神經(jīng)網(wǎng)絡(luò)等人工智能算法的雜波抑制問題。