基于RCS序列的空間目標識別技術綜述

王鵬達,曲 衛

(1.航天工程大學 研究生院，北京 101416；2.航天工程大學 電子與光學工程系，北京 101416)

1 引言

雷達目標識別技術是利用雷達等探測設備對目標的雷達回波進行分析判斷，可以提供目標的數量、大小、形狀和類型等信息，對于提高軍隊和國防能力水平具有非常重要的作用[1]。雷達目標識別的主要研究方向是基于窄帶雷達的目標識別與基于寬帶雷達的高分辨率目標識別，其中基于高分辨率成像雷達的目標識別是目前主要的發展趨勢，但是窄帶雷達的作用同樣不可忽視[2]。雖然目前雷達發展趨勢是超寬帶和高分辨率，但我國現役雷達大部分都是窄帶低分辨雷達。因此，基于低分辨雷達目標識別無需對有源雷達的結構模塊進行大量改動就可以實現目標識別，具有重要的現實意義[3]。與寬帶雷達目標識別相比，窄帶雷達在一些方面具有一些優勢：① 窄帶雷達信號處理所需求的資源較少，在信號資源有限的條件下，實時性較寬帶雷達更好。② 窄帶雷達的探測距離大于寬帶，對于目標探測范圍更廣。③ 窄帶雷達成本低廉，可利用目標的窄帶特征對目標進行粗分類，提供先驗信息，給后續獲取更加精細目標特征打下基礎。

隨著航天器技術和空間技術的快速進步，人類航天活動的愈發頻繁，現代戰爭對于空間這個“制高點”的爭奪已經收到越來越多國家的重視，空間目標識別技術應運而生，其主要用途是對于太空中衛星、箭體、碎片甚至是彈道導彈進行探測，提取出目標的特征，進而實現對各種空間目標的識別，從而為保護航天器安全，反衛星、反彈道導彈武器等活動提供情報信息。

雷達散射截面積(radar cross section，RCS)是一種表征目標對入射雷達信號電磁散射能力的物理量，目標RCS是雷達目標識別的重要特征之一。而RCS信息是幾乎所有雷達都能獲得的窄帶信息。RCS序列的特點有數據量小、實時性好和處理技術相對簡單。由于目前空間目標數量越來越巨大，數以萬計的空間目標需要監測，如果都采用高分辨成像技術對目標進行監測耗費成本太高。因此基于RCS序列的特點，可以大大提高空間目標監測的效率，也實現了信息和資源的充分利用。對于空間目標識別和監測來說，基于RCS序列的空間目標識別具有重要的現實意義[3]。

2 空間目標RCS序列的獲得

2.1 RCS的定義

雷達散射截面積是雷達目標識別的重要特征，其定義為單位立體角內目標散射的功率與照射到該目標的平面波功率密度之比的4π倍[5]。其定義式為：

(1)

式(1)中：σ為雷達散射截面積；R為雷達與目標的距離；Es為雷達接收到的目標散射電場強度；Ei為目標處入射雷達波電場強度。

RCS的單位是m2，它和目標的物理的幾何截面積有關，但不是目標實際物理幾何截面積，它僅僅表示目標的一種等效散射面積。

2.2 影響RCS的主要因素

實際上影響RCS的因素有很多，從RCS的定義式中我們無法看出影響RCS的因素具體有哪些。由上邊RCS的定義式可以看出，測量是在遠場條件下進行的，因此入射波和散射波都是平面波，RCS與距離沒有關系。影響目標RCS的因素主要有：目標外形和結構、目標表面材料的電磁散射特性、雷達工作波長和雷達入射角等等。因此，目標RCS值是一個受多種因素影響的復雜函數。

其中雷達信號波長是一個十分重要的影響因素。根據目標尺寸與雷達信號波長比值大小，可以將目標散射分為3個區域：① 在瑞利區，RCS主要與目標體積有關，通常與λ-4成正比；② 在振蕩區，RCS由于目標各個散射分量存在干涉現象，所以RCS值隨頻率變化在極限值之間來回振蕩；③ 在光學區，RCS主要取決于目標幾何形狀，在該區域RCS趨于某一固定值。對于大部分空間目標測量雷達來說，大部分空間目標均處于光學區。

2.3 空間目標RCS的理論計算

對于球體、椎體、圓柱體等幾何形狀比較簡單的目標，他們的RCS可以通過理論計算直接獲得。其中球體是其中最簡單的目標，在光學區，其雷達散射截面積等于幾何投影面積πr2，與雷達視線角無關，與波長也無關。如果簡單目標的反射面曲率半徑大于雷達工作波長時，同樣可以應用幾何光學法來計算其雷達散射截面積。可以將反射面作包含實現的互相垂直的2個平面，2個平面的曲率半徑分別為ρ1和ρ2，則其雷達散射截面積為σ=πρ1ρ2[6]。空間目標的RCS觀測圖主要由目標的幾何外形決定的，隨雷達視線角變化。

如果能得到空間目標的RCS的反射圖，那么實現目標的特征提取和分類識別就比較容易了。但是對于大部分空間目標來說，其形狀是不規則的，要想理論推導其RCS反射圖就十分困難了。獲取復雜空間目標RCS序列一般有3種方法：① 外場全尺寸測量；② 微波暗室內的縮比測量[7]；③ 根據目標幾何外形進行理論建模預估。外場測量和微波暗室測量會受到許多實際條件限制，可以采用目標電磁散射理論建模來實現RCS的預估。圖1為美國林肯實驗室的內外場測量系統，圖2為美國海軍的室內緊縮場測量系統。

圖1 美國林肯實驗室的內外場測量系統圖

圖2 美國海軍的室內緊縮場測量系統圖

復雜目標在高頻區電磁散射效應變成局部效應，每一部分基本上是獨立地散射能量，各部分之間的相互作用明顯降低，這樣能很大程度上簡化復雜目標感應場的計算，不需要考慮其他部分散射場的影響[8]。目標RCS預估通常采用一些高頻近似散射場計算方法：① 幾何光學法(GO)；② 物理光學法(PO)；③ 幾何繞射理論(GTD)；④ 物理繞射理論(PTD)；⑤ 等效電磁流法(MEC)。

上述幾種高頻近似散射場計算方法，都有其優缺點和應用范圍，其特點和局限性如表1所示。

表1 高頻近似散射場特點及局限性分析

2.4 空間目標的RCS實際測量

雷達散射截面積測量分為目標動態測量、全尺寸目標靜態測量和縮比模型測量等3種方式。空間目標的RCS測量屬于目標動態測量，一般采用基于雷達方程的相對測量法。相對測量法具有以下優勢：由于相對穩定的項無需測量，因此可以明顯減小多項測量產生的誤差[9]。

獲得空間目標高精度RCS數據的關鍵是減少測量固定誤差，提高測量精度，一個重要手段是采取對RCS的測量進行校標。美國、俄羅斯等國家通過發射多顆形狀規則、表面光滑、結構堅硬的標定衛星來進行RCS標定，現已進入應用階段。

采用尺寸、材料和表面情況等物理屬性均已知的球體目標作為標準散射體，我們可以精確計算出標準球體的RCS值，從而來確定標定系數，進而用于一般空間目標的RCS測量[5]。并且因為影響RCS測量精度的因素都隨時間變化，所以需要定期進行標定校準過程，定期更新RCS標定系數。

3 基于RCS序列的空間目標尺寸估計

因為影響RCS的因素有很多，目標的RCS通常表述為一個受到雷達信號波長、目標表面材料、目標姿態等多種因素影響的復雜函數，如果直接對RCS序列進行解譯是十分困難的。但是空間目標的尺寸信息對于空間目標識別具有十分重要的現實意義。不少學者開展了在空間目標尺寸估計的研究，為后續進行空間目標識別提供先驗信息。

美國NASA開發了一種將空間目標簡化成等效球體的尺寸估計模型，建立從目標RCS到等效球體直徑的一一對應的映射函數，由測得的RCS得出等效球體直徑作為目標估計尺寸[10]。但是這樣簡化誤差較大，軌道上空間目標不能只簡單等效為球體，實際上RCS序列與等效球體的RCS序列差異巨大。考慮到空間目標受到姿態動力學和運動軌道的限制，其形狀一般比較簡單，文獻[11]將空間目標等效為具有長軸和短軸的橢球體，雖然這樣假設會損失一些目標信息，但相較于一維的直徑信息更加豐富，可以獲得空間目標的長軸和短軸信息，為后續空間目標識別提供信息。當使用橢球模型對空間目標進行尺寸估計時，對于目標的長軸和短軸的估計是否準確關鍵在于長軸和短軸的門限設置，傳統常規方法是通過計算均值或者中位數作為門限值，文獻[12]提出了一種基于歸一化方差的門限確定法，通過在使用均值門限作為基礎門限的基礎上增加了修正因子，實驗表明增加了尺寸估計結果的可信度和穩定性。文獻[10]根據RCS均值將RCS數據分成兩部分后，根據最小方差準則估計目標長短軸尺寸信息，仿真實驗結果驗證了該方法的有效性。文獻[4]采用一種基于深度學習的空間目標RCS序列尺寸估計方法，仿真結果顯示優于傳統的基于橢球模型的目標尺寸估計方法，減小了估計誤差。總體而言，利用RCS數據進行空間目標尺寸估計的結果存在很大的局限性，準確度和精度都不高，工程實用價值還不高，僅僅只能作為一個數量級的參考值。

4 基于RCS序列的空間目標分類識別研究

4.1 空間目標姿態判斷和周期提取

雖然基于RCS序列的雷達目標識別技術已經經過了幾十年的發展，但在實際應用方面還存在許多沒有解決的問題，目前在工程上主要用于完成目標的姿態判斷和旋轉周期提取。由于受到運動軌道和姿態動力學的限制，空間目標若想在軌道上正常工作，必須保持某種穩定的姿態，一般可以分為自旋穩定和三軸穩定等2種方式，而在軌道上不能保持某種穩定的姿態，如碎片或者已經失效的衛星等，則認為其是進行“翻滾”運動。在一定觀測條件下，對于像三軸穩定的空間目標，雷達波束的指向我們可認為基本不變，那么其RCS測量值理論上應該為一常數，但是由于受到其他一些因素的影響，RCS觀測值會有一定的變化。而對于自旋穩定或翻滾類的空間目標，其RCS觀測值會有一定的周期變化，盡管也會受到其他因素影響，但包含在RCS序列中的周期特征肯定不會消失。從RCS序列中提取的序列隨機性特征和周期性特征，可以用于空間目標的姿態判斷和周期提取，在工程上具有重要的實用價值，圖3為基于RCS的空間目標姿態判斷研究思路。文獻[13]采用了非參數統計學的隨機游程檢驗理論對空間目標的姿態進行判斷，仿真結果證明可以識別繞質心旋轉的自旋穩定或翻滾狀態與非繞質心旋轉的三軸穩定狀態。

圖3 基于RCS的空間目標姿態判別研究思路框圖

而空間目標運動的自旋穩定和自由翻滾等2種狀態的判斷則主要是通過RCS序列的周期提取來實現的。在相同測量條件下，對于同種型號自旋穩定和自由翻滾姿態目標的RCS數據在0.25 Hz以上的頻域信號幅度有較大差別，自由翻滾狀態的頻譜噪聲較大。目前，對于空間目標的RCS數據周期特征提取的方法有頻譜分析法、自相關法、平均幅度差函數法和最小熵法等等。頻譜分析法實際上是一種譜估計方法，其精度取決于數據長度，想要獲得較高的精度則對數據長度有一定的要求，抗噪性能較差，估計精度的魯棒性也無法保證[14]；自相關法是周期估計中經常使用的方法，抗噪性能比較好，運算比較簡單，但常會造成半倍或雙倍誤差，且在偏移值較大時，自相關函數峰值明顯下降，在RCS序列較短時更加明顯，容易造成周期估計錯誤；平均幅度差法較自相關法估計精度較好，但是同樣存在偏移值較大時，平均幅度差函數出現多個谷值，從而造成周期誤判。最小熵法也是周期估計中采用較多的方法，它通過不同時延對熵值進行搜索，尋找熵值最小所對應的值即可求得估計的周期值。除這些方法以外，一些學者還使用了一些組合方法來進行空間目標運動的周期估計。馮德軍等[16]提出一種將循環平均幅度差函數和循環自相關函數結合的方法，克服了傳統方法的不足，使得峰值點更加突出，具有較好的精度和穩健性。文獻[4]采用了一種對平均幅度差函數和自相關函數進行改進的方法，將重疊部分減為序列長度的一半，仿真結果證明該方法提高了周期估計的精度，并且具有較好的穩定性。崔雄文等[17]提出了融合聚類和自相關的RCS周期估計方法，驗證了該方法具有較強的抗噪性能和較好的估計精度。

4.2 空間目標分類識別的特征提取

對雷達目標識別中該提取怎么樣的特征，目前尚沒有形成完備地理論體系，如何選擇類內聚性和類間差異性的特征，如何量化一個特征對目標識別的作用仍然是個研究熱點。現階段的雷達目標識別都是通過針對目標特點選擇合適的識別特征，然后根據分類效果對目標特征進行選擇分類效果好的特征。目標特征數量絕對不是越多越好，由于從同一目標提取的特征往往存在著一定的相關性，且這種相關性往往很難察覺，只有我們選擇的特征之間的相關程度盡可能小，這樣的特征分類效果才會好。要避免冗余特征，盡可能找到與目標特點直接相關的特征，且各個特征之間的相關程度也要盡可能小，盡可能使每個特征得到合理的解釋，但在實際中很難做到這一點。目前，已經被證明可以用來進行空間目標識別的特征有許多，主要可以分為以下幾類：

1)基于概率分布的統計特征提取

在工程上已經驗證，對于三軸穩定的空間目標，RCS數據的統計特性是較穩定的識別特征量[18]。最常用的統計量參數主要有：① 位置特征參數：均值、極小值、極大值、中位數等；② 散布特征參數：極差、標準差、變異系數等；③ 分布特征參數：標準峰度系數、標準偏度系數等；④ 相關特征系數：線性時關系數、線性相關系數等。

2)基于時頻圖特征參數提取

空間目標的RCS序列是一種非平穩的時間序列，而對非平穩信號主要關注其局部統計特征上，對非平穩信號進行時頻分析是研究非平穩信號的一個重要工具。對空間目標的RCS序列進行時頻分析，將RCS序列特征以二維的方式展現出來，然后利用矩陣分析和圖像處理的特征提取方式提取以下特征參數：矩陣的最大奇異值特征、矩陣的均值特征、矩陣的方差特征、圖像的尺度重心特征、圖像的中心矩特征、圖像的不變矩特征等。

3)基于小波變換特征參數提取

小波變換是近年來新發展的一種時頻分析方法，是一種時間窗和頻率窗都可以改變的方法，可以達到高頻處時間細分，低頻處頻率細分的效果。經過小波變換后的RCS序列，一般可提取最大奇異值、有效秩、均值、方差、尺度重心等作為特征參數。

4)分形特征參數提取

分形的研究對象是具有自相似性的無序系統，其維數是連續變化的，分形理論以相似性和維數的非整數限制作為特征。分形作為一種新的概念和方法,在許多領域已經得到研究和應用。空間目標RCS序列由于空間目標軌道特性和姿態特性，其多圈RCS測量結果具有一定的自相似性，而單圈RCS又是非平穩序列。所以空間目標的RCS序列是自相似性的無序系統，利用分形理論來研究空間目標RCS序列為空間目標RCS序列特征提取提供一種新的技術手段。其中，盒維數是應用最廣泛的維數之一[19]。

4.3 空間目標識別分類器算法研究

在雷達目標識別中，分類器將學習類別已知的數據樣本，以獲得更準確的分類判斷準則，并以此來推測未知數據樣本的類別。分類器的分類性能與應用場合、提取的特征息息相關，很難有可應用于所有場合或者對于所有的特征都能保證具有良好的分類識別效果的特定分類器[20]。分類器實現分類功能的基本原理是樣本特征本身的可區分性和訓練測試樣本特征的一致性。分類器通過經驗性方法構造的映射規則，并使用有限的樣本確定訓練模型參數，進而得到樣本識別結果,目前廣泛使用的分類器有以下幾類。

1)傳統分類器

經過了很多年的發展，傳統分類器的應用已經非常廣泛了，已經出現許多成熟的機器學習算法。傳統分類器分為單分類器和融合分類器，常用的單分類器算法有KNN、相關匹配、支持向量機、隨機森林等等。融合分類器由多個單分類器組成，充分利用了不同分類器的性能，提高了分類效果極其穩定性[20]。常用的融合算法有Bagging算法、Boosting算法和AdaBoost算法[21]等。

文獻[4]使用了K近鄰、支持向量機和決策樹分類器算法，提取空間目標的RCS序列的周期特征、尺寸特征和統計特征組成的向量，仿真結果顯示，識別準確率高，識別效果比較穩定。文獻[20]使用了K近鄰、支持向量機和隨機森林分類器算法以及它們的融合器算法，對3類臨近空間目標進行分類識別，仿真結果表示基于小波變換的特征提取方式提取的特征具有更好的可分性。

2)人工神經網絡分類器

近年來，人工神經網絡分類器在許多領域得到了廣泛的應用并且得到了較好的分類效果。神經網絡具有信息的分布儲存與并行計算、儲存與處理一體化、較快的處理速度和較強的容錯能力等結構特征和自學習、自組織與自適應等能力特征[22]。常用的有BP神經網絡、概率神經網絡及遺傳算法等，都在實際中得到了應用，并取得了不錯的效果。

文獻[23]使用了BP神經網絡分類器對基于小波變換的特征、分形特征和統計特征進行了分類識別，實驗結果顯示，神經網絡分類器識別效果比傳統分類器好。文獻[24]運用了BP神經網絡建立了多個單分類器，解決了單一分類器易受噪聲影響和易發生過擬合問題，增強了算法魯棒性，有效提高了識別準確率。

3)模糊分類器

在目標識別過程中，模糊模式識別技術將目標特征量轉換成由模糊集及隸屬函數表征的合理語言標記，然后再通過模糊集理論中模糊關系和模糊推理等模型對于客體和語言標記之間的關系加以有效地判定。由于模糊識別的隸屬度函數對先驗信息要求較少，因此非常適用于先驗信息比較少的場景。文獻[25]提出了一種模糊識別的方法，仿真結果表明能有效識別彈道導彈真假目標，且對先驗知識的要求較低，方法穩健性好。文獻[26]使用了模糊最優聚類中心算法，分析了歐氏距離法、模糊K近鄰法和基于樣本間緊密度方法等3種隸屬度函數，實驗結果表明，有效提高了3類目標的正確識別率。

5 基于RCS序列的空間目標識別發展方向

多年來國內外學者已經證明了RCS序列在空間目標識別的價值，基于RCS序列的空間目標識別研究也取得了一定的成果。但距離實際應用還存在許多問題，我們需要從以下方面進行研究：

1)由于真實數據的保密性要求，要想獲得真實數據比較困難。因此，我們需要從提高電磁仿真的精度的角度考慮，盡可能獲得更加真實的仿真數據，獲得能夠精細反映目標真實散射特性的數據。

2)算法的穩健性：空間目標識別算法應能在低數據率、低信噪比等復雜應用條件下的保證算法的穩定性。

3)提取特征的有效性：提取的目標特征是否可以在不同的應用條件下表征目標從而能夠區分目標，是能夠完成空間目標識別的基礎。

4)模板庫的實用性：模板庫的建立要盡可能的完備，除此以外，還應具有自動建模和自動更新等功能，這樣的模板庫才會有實際應用的可能。

5)在識別方法上，我們可以從2個方面考慮：一是如何獲得有效性和穩健性的特征，已滿足不同復雜應用環境的要求；二是要想實現更加精細分類識別要求，一個有效的途徑是采用多特征融合的方法，高分辨一維距離像、二維ISAR像、極化信息等都可以為空間目標識別提供更加詳細更加豐富的信息。

6 結論

空間目標識別是雷達目標識別的重要組成部分，隨著科技水平的進步，空間目標識別越來越重要。多年來國內外學者對于基于RCS序列的空間目標識別的研究已經得到了一定的成果，其在空間目標識別的價值越來越大。但是由于RCS序列作為窄帶信息，本身攜帶的信息不豐富，要想獲得更加精細更加豐富的空間目標信息，需要考慮基于RCS序列與其他比如高分辨一維距離像、極化信息、ISAR像等雷達目標識別技術相結合，為解決空間目標識別問題實現獲得更加豐富、更加精細的目標信息提供了一條可選擇的途徑。