高頻地波雷達海雜波背景下目標檢測研究綜述*

楊 童，尚 尚，劉 明，何康寧

（江蘇科技大學電子信息學院 鎮(zhèn)江 212003）

引 言

高頻地波雷達（HF Surface Wave Radar）作為一種新興的海面目標探測雷達，輻射高頻電磁波，利用短波（3MHz～30MHz）沿導電海洋平面繞射傳播衰減小且不受地球曲率影響等特點，實現對雷達站水平視線以下艦船、導彈和低空飛機等目標的超視距探測[1]。因其具有探測距離遠、全天候、實時準確探測等優(yōu)點被人們廣泛應用于目標檢測的兩大方向：一是海面移動目標探測與跟蹤；二是從雷達回波中提取現場海態(tài)信息。

在高頻地波雷達對海面移動目標進行探測時，許多干擾信號混雜在回波中，其中，諧振產生的強一階回波稱為“海雜波”[2]。海雜波會淹沒周圍的目標信息，進而影響目標檢測的精度。當高頻電磁波以趨于零的擦地角入射時，只有高頻無線電波長一半的正弦海浪與雷達發(fā)射的高頻電磁波諧振產生的一階回波占海雜波主要分量。因此，本文研究對象主要是一階海雜波。海雜波會受洋流切變等因素影響，出現頻譜展寬現象，這也成為有效目標檢測的一大挑戰(zhàn)。

近年來，國內外開展了很多海雜波抑制方面的研究，主要有非線性預測類、分形類、子空間分解類、對消類等方法。本文將在海雜波背景下目標檢測問題進行深入探討，并對前人提出的相關方法進行綜述，最后，總結目前算法存在的缺陷，并對研究前景進行展望。

1 海雜波背景下目標檢測方法

1.1 非線性預測類

最初的研究中，海雜波被假設為平穩(wěn)的隨機過程，但實際海雜波會更加復雜。針對海雜波的內在特性進行線性建模，涌現出如對數正態(tài)分布、韋伯分布、復合K分布等統(tǒng)計分布的海雜波模型[3-6]。由于海洋環(huán)境復雜，線性建模難以契合地描述海雜波的特征，不具有普適性。隨著非線性概念引入海雜波建模中，為海雜波內在特性研究另辟蹊徑。近年來，將海雜波的非線性預測應用于目標檢測的方法已風起泉涌，取得了一定進展。

由于神經網絡具有較強的學習和非線性逼近能力，基于神經網絡的非線性預測方法應運而生。傳統(tǒng)的神經網絡預測方法，如RBF（Radial Basis Function）和SVM（Support Vector Machine），其訓練時間長且預測精度不高，導致應用不廣。韓長喜[7]等人基于混沌理論，用RBF對海雜波進行建模，提出基于預測誤差對微弱目標進行檢測，對信噪比有一定的改善。司文濤[8]等人提出RBFRW（Radial Basis Function With Regression Weight）網絡預測誤差方法，在低信噪比情況下也能使用，優(yōu)于傳統(tǒng)RBF網絡。由于GRNN（General Regression Neural Network）網絡具有更強的運算速度和預測能力，盧寧[9]等學者將其引入到混沌背景下進行目標檢測。但只使用GRNN對回波中的海雜波分量預測對消，會有短時尖峰出現。文獻[10]加入時間窗方差濾波，在提高信噪比的同時解決尖峰問題?；芈暊顟B(tài)網絡憑借計算時間短、不易于陷入局部最優(yōu)等優(yōu)勢，被鄭紅利[11]等人用于目標檢測，該算法流程如圖1所示。同時，用遺傳算法對網絡參數進行優(yōu)化，實驗結果表明，該算法優(yōu)于其他傳統(tǒng)神經網絡算法。徐婷[12]等人對遺傳小波神經網絡的混沌時間預測進行了相關研究。隨著研究進一步深入，深度學習為海雜波中目標檢測拓寬了思路。樓奇哲[13]等人將卷積神經網絡和定向懲罰方法相結合用于多目標檢測，不僅加快了網絡學習效率還改善了目標檢測效果。基于混沌理論或神經網絡的非線性預測方法，模型參數的選擇問題一直是其未攻克的難題，參數選擇不當，模型預測的效果將受到限制。另外，神經網絡需要對參數進行訓練，計算量較高，未來需要在訓練時間上做進一步提升，增加時效性。

圖1 基于GA-ESN的混沌背景下微弱信號檢測流程Fig.1 Weak signal detection process under chaotic background based on GA-ESN

1.2 分形類

分形理論能夠直觀地反映海雜波的內在特性，在雷達信號處理研究中廣泛運用。Lo[14]等人首次采用單一分形維數反映海雜波非線性特征，檢測目標的局部區(qū)域相對純海雜波區(qū)域的分形維數出現變化，根據這一差異實現海雜波背景下的目標檢測。海情不同分形特性也會隨之改變，單一分形維數在高海情條件下難以將海雜波背景下的目標檢測出來。

由于單一分形適用的局限性，Kaplan[15]等人首次提出擴展自相似過程，即創(chuàng)建一個參數化的結構函數以得到多尺度Hurst參數。鑒于擴展分形參數比單一分形維數值信息量多，許多相關學者提出基于擴展分形的目標檢測方法（DBEFT）來對海雜波中微弱目標進行檢測。李秀友[16]等人從時域角度研究海雜波的擴展分形特性，把多尺度Hurst指數作為區(qū)分目標和海雜波的特征矢量，并通過模式識別中Bayes方法較大地提升了目標檢測效果。但其只是從時域上進行分析，沒有涉及到相干積累，信噪比提升效果受到限制。文獻[17]在最優(yōu)頻域尺度下，利用海雜波單元和目標單元頻譜的Hurst指數差異明顯的特點來實現目標檢測，但傅里葉變換只對勻速運動目標才產生較好的SCR（Signal-to-Clutter Ratio）提升效果。在此基礎上，劉寧波[18]等人將擴展分形方法運用到海雜波FRFT譜分析中，對具有加速度的運動目標進行能量聚集，有效提升其信噪比，進一步提高海雜波和目標的區(qū)分精度。為克服傅里葉分析將觀測序列以外數據默認為零所導致頻譜分辨率低的缺點，范一飛[19]等人提出基于AR譜擴展分形的目標檢測方法，適用于低信噪比條件下微弱目標檢測，該算法流程由圖2給出。

圖2 基于AR譜多尺度Hurst指數的目標檢測Fig.2 Target detection based on multi-scale Hurst index of AR spectrum

將多重分形理論引入到海雜波背景下的目標檢測中，為深刻揭示非線性信號內在結構提供又一思路，進一步提升了目標檢測概率。文獻[20]改良了海雜波無標度范圍客觀自動確定方法，減少了依靠人的經驗觀察等不確定因素，同時能夠自動估算多重分形維數。但時域多重分形運用到目標檢測時，在低SCR情況下目標檢測較差。為此，劉寧波[21,22]等人在頻域和FRFT域中研究海雜波多重分形特征并提出目標檢測方法。多重分形關聯在單點多重分形基礎上研究了奇異性強度的空間關聯特征。關鍵[23]等學者利用多重分形關聯譜和SVM聯合來進行目標檢測，計算量較大導致實時性不強，且未考慮到海情的多變因素。行鴻彥[24,25]提出通過分形差量來實現目標檢測，將多重分形尺度進一步擴大，解決了復雜海情下的目標檢測難題。

1.3 子空間分解類

子空間分解類方法是將雷達回波信號投影到海雜波子空間的空集抑制海雜波[26]，可分為特征值分解（EVD）和奇異值分解（SVD）方法。

雷達信號進行時域采樣構造Hankel矩陣H，對其奇異值分解得

圖3 基于奇異值分解的微小目標檢測流程Fig.3 Small target detection process based on singular value decomposition

基于EVD的海雜波抑制方法，是將估計的協(xié)方差矩陣進行EVD，通過特征值的函數來劃分數據投影到各個特征子空間的大小，進而使海雜波得到抑制。當目標頻率接近雜波多普勒頻率時，為抑制雜波必須在雜波頻率上設置零點。為此，傅里葉譜會產生目標譜峰分裂或偏移的問題，虛警概率和速度測量誤差也會受到影響。文獻[30]引入一種基于數據阻塞預處理的空域主瓣干擾抑制技術，優(yōu)化改進得到MEVD海雜波抑制方法，較好地解決了目標譜峰分裂或偏移問題。蔚娜[31]等人根據相鄰群距離單元上回波時域信號矢量的相關系數大小來選擇群距離單元構造協(xié)方差矩陣，并結合EVD和滑動模板濾波方法抑制海雜波。該方法針對雜波譜展寬嚴重問題有一定效果，且方法簡單易于在工程中應用。

子空間分解類方法在海雜波展寬與目標多普勒譜區(qū)發(fā)生混疊時，目標檢測效果不佳。當前空間分解要求目標與海雜波空間要滿足正交的關系，不然效果會相應地發(fā)生下降。另外，子空間抑制效果也會由相關參數選擇直接影響。

1.4 對消類

對消類根據處理域不同，分為時域對消和譜圖對消。時域對消將海雜波近似用復正弦信號表征，通過對正弦信號參數的估計，選擇性地循環(huán)迭代抵消掉海雜波。該類方法一直致力于提高正弦信號的參數估計精度來改善對消效果。傳統(tǒng)的對消法只利用傅里葉譜的幅度參數來估計正弦信號，效果不好。郭欣[32]等人提出FFT相位分析對消法，考慮了海雜波分量的幅度和相位參數，提高目標檢測效果。但是該方法需要全局搜尋對消最強信號，易將與海雜波幅度相近的目標誤消。另外，在短相干積累時間內，FFT不能使多普勒分辨率達到較高的標準。為此，文獻[33]提出邊界約束循環(huán)對消方法，將海雜波理論與實測雷達回波特性相結合作為邊界條件，較好地解決目標誤消的問題。同時，提高SCR對海雜波抑制的效果更加明顯。楊煉[34]等人提出基于擴展Prony對消法，取代傳統(tǒng)FFT取用擴展Prony進行多普勒分析，較好地對消掉海雜波分量，提高了目標檢測精度。當目標與海雜波多普勒頻移相近時，對消后目標分量也會部分減弱，進而海雜波背景下的目標難以被檢測出來。尹德強[35]等人鑒于海雜波的FRFT模函數在FRFT域中都有分布，利用回波的FRFT模值減去移位后的值，并通過構造檢測統(tǒng)計量來確定是否有目標。該方法可以在不削減信號的情況下使海雜波的幅度顯著降低，在低SCR條件下同樣有效。

譜圖對消是在圖像域對不同單元的海雜波進行對消。不同于時域對消需要短相干積累時間內優(yōu)化正弦信號的參數估計精度提高對消成效，譜圖對消就海雜波的幅度分布有一定限制，需隨著頻譜多普勒和距離近似或緩慢變化。陳多芳[36]等人提出將空時二維譜變換成圖像，再在圖像域對消海雜波，該流程如圖4所示。

圖4 圖像域海雜波抑制流程Fig.4 Sea clutter suppression process in the image domain

時域對消法在用正弦信號近似表示海雜波分量時，需要對正弦信號的幅度、頻率和相位參數進行精準估計，否則海雜波抑制不充分會使雜波剩余并發(fā)生擴散，降低目標檢測性能。此外，判斷循環(huán)迭代次數的門限由以往經驗得出，門限參數選擇不當會造成目標誤消，導致海雜波背景下目標檢測性能變差。

2 結束語

①當前海雜波背景下目標檢測方法，僅在目標位于海雜波譜區(qū)外時，才具有較好的海雜波抑制效果。當目標與海雜波回波參數相同時，單一域的信號差異不足以檢測出目標，目前，還沒有提出行之有效的海雜波譜內目標算法。因此，未來將結合多個域處理、引入現場海態(tài)信息等來提高目標檢測效果。

②子空間抑制效果會受到矩陣維數等參數選擇直接影響，相關參數優(yōu)化還需深入探討。循環(huán)迭代次數的門限由以往經驗得出，門限參數選擇不當會導致目標也會被剔除。非線性預測方法中，模型參數的自適應選擇問題還需解決。因此，有必要對海雜波理論進行深入研究，優(yōu)化參數以減少海雜波對目標的干擾作用。