天波超視距雷達艦船目標檢測方法研究綜述

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(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對超視距目標的探測，可對地海表面以上、電離層以下800～3 000 km范圍內的各類目標實施超遠程預警監視。相比常規雷達，天波超視距雷達可以將海面目標的預警時間提高30～50倍，在民用和軍用方面都有巨大的應用價值。[1-3]

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

對艦船目標的檢測是這4類目標中檢測最困難的，主要由于：(1)不同的海態情況對艦船目標的影響即遮蔽效應不同[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。當前，長距離的天線陣列已經足以達到較高方位分辨力，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 研究現狀

到目前為止，關于天波超視距雷達艦船目標檢測方法的研究，國內外學者對基于海雜波背景的艦船目標做了大量工作，出現了大量專著[3]和論文。本文梳理了OTHR關于艦船目標檢測面臨的問題，并對當前現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，從而實現對檢測單元的浮動門限設置。

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變化緩慢，檢測單元及其周圍單元雜波譜相似。基于相鄰單元取平均及直接比較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的幅值約為1。對于待檢測艦船目標所在的距離單元，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。

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。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域有效，而在高多普勒頻率區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[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檢測概率。鄰域處理技術即在各個距離-多普勒數據點上把該數據點周圍的距離-多普勒數據點作為鄰域，目標峰值在該鄰域內選取最大值。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聯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的多普勒頻率分辨力，但存在一定的不足，主要是：(1)使雷達對各個子區重訪頻率降低，從而造成雷達觀測范圍與目標跟蹤的矛盾；(2)增大電離層不穩定對目標檢測造成的影響，使得海雜波譜展寬[7]，降低目標的檢測概率。因此，為了充分發揮OTHR大范圍的戰略預警能力，提高數據率，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省雷達系統的資源，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跟蹤的矛盾，減小電離層不穩定帶來的影響。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。

當前，短相干積累研究根據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,根據海雜波與目標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)基于參數估計的循環對消方法；(2)基于子空間分解的方法；(3)基于最優濾波的方法；(4)基于空時自適應處理的方法。

在短時間積累條件下，傳統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檢測，取得較好的效果。[12]所以，許多學者利用超分辨譜估計的方法替代FFT來檢測艦船目標。[13-14]超分辨譜估計方法主要是利用現代譜估計方法使雜波譜的分辨力提高進而凸顯艦船目標,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]、線性預測算法[16]、Capon法[17]等。文獻[18]通過改進協方差矩陣對雷達的回波數據進行譜估計。該方法的處理結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，但性能主要取決于假設的信號模型和實際數據之間的相似程度。因為該類方法中預測模型的階數選擇是關鍵。階數選擇高或者低都會對檢測性能出現影響，階數較低目標無法顯露，階數較高會出現偽譜，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，所以得到的檢測結果可信度比較低，需要采用其他輔助算法來估計相應的幅度和相位，增加海雜波重構與抑制的復雜程度。需要說明的是，在眾多超分辨譜估計方法中，改進協方差矩陣方法的數據處理結果最為有效可靠。[18]

基于參數估計的循環對消法就是在檢測艦船目標前將海雜波通過循環迭代法對消掉，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估計精度，提高海雜波抑制性能，一些改進的循環對消算法被提出：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諧波分量的頻率、幅度和相位參數的估計精度，且海雜波分量與艦船目標信號分量之間缺少可信的區別準則，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造協方差矩陣，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性要求較高，且雜波和目標子空間劃分難以準確確定[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，通過海雜波與目標空間相關性抑制雜波，其中HOSVD算法的信雜噪比最大。[33]

基于最優濾波的方法將雜波抑制問題轉為最優化問題，把最大化輸出信雜噪比作為優化函數，從而實現對海雜波的抑制。文獻[34]提出一種基于最優化理論的強雜波背景下目標檢測方法，將檢測問題轉為最優化問題。文獻[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警雷達的雜波抑制問題提出空時自適應處理(Space Time Adaptive Processing，STAP)以來[37]，該方法已經成為較為堅實的新技術。Fabrizio G A 等人將STAP方法引入高頻雷達雜波抑制中[38]。Oliver S等人對高頻地波雷達中STAP方法的應用做了一定研究[39]。文獻[11,40-41]對STAP在天波雷達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，相關研究表明，海雜波可以被看作一種混沌信號，而目標回波不是混沌信號，因此從海雜波中檢測艦船目標可以看作從混沌背景下對回波信號進行檢測。利用神經網絡對雜波進行抑制是一種典型的雜波抑制方法。神經網絡具有很高的容錯能力和任意精度逼近復雜的非線性關系的能力。基于神經網絡的研究很多，國內外學者在神經網絡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(Radial Basis Function, RBF)神經網絡[42]；(2)基于小波神經網絡(Wavelet Neural Network, WNN)的雜波抑制方法[43]；(3)基于回聲狀態網絡(Echo State Network, ESN)的雜波抑制方法[9]。

基于徑向基函數神經網絡的雜波抑制方法主要是通過海雜波數據對徑向基函數網絡訓練，使得訓練后的神經網絡對海雜波混沌特性產生記憶，然后建立雜波預測的模型，再利用訓練好的網絡模型對未知雜波序列進行預測，便可以進行雜波抑制、目標檢測。但是，該方法的不足是需要利用先驗信息手動調整參數。基于小波神經網絡的雜波抑制方法利用小波神經網絡來對海雜波混沌動態系統進行重構，實現對雜波信號預測。若預測信號誤差達到指定精度則較強的雜波信號轉為較弱的隨機噪聲信號，便可以從海雜波中檢測目標信號。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，則不能準確反映雜波混沌特性，雜波抑制效果不佳。文獻[9]利用回聲狀態網絡對海雜波進行抑制。該方法具有高精度、高穩定性的特點，可以把信號提取出來。

2 結論與展望

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

(1) 當慢速艦船目標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海雜波抑制方法問題；

(4) 基于STAP的天波超視距雷達海雜波抑制問題；

(5) 基于混沌理論等非線性理論和神經網絡等人工智能算法的雜波抑制問題。