智能化時代雷達導引頭信號處理關鍵技術展望

陳偉 孫洪忠 齊恩勇

摘要：隨著電磁及干擾技術的飛速發展，戰場環境日益復雜，尤其是網絡化技術以及人工智能技術的大量應用，現代戰爭越來越呈現出信息化、網絡化、智能化特點。對雷達型空空導彈而言，智能空戰時代智能組網、協同攻擊將會成為雷達彈的主要作戰模式，此時傳統的基于個體的雷達探測、識別、抗干擾方法局限性愈加明顯;協同智能化探測、智能抗干擾將逐步成為雷達導引頭發展的重要方向，開發高效的反隱身、智能化抗干擾抗雜波方法將直接關系到智能時代雷達型空空導彈的成敗。從目前歐美的發展趨勢來看，將人工智能技術用于雷達導引技術可進一步提升雷達導引頭智能化水平，有助于提升其抗干擾、抗雜波、反隱身能力。

關鍵詞：雷達導引頭;智能化;環境感知;深度學習;智能決策;雜波智能抑制;智能抗干擾

中圖分類號：TJ765.3+31;TN93文獻標識碼：A文章編號：1673-5048（2019）01-0076-07[SQ0]

0引言

隨著軍事裝備技術的飛速發展，雷達彈面臨著越來越嚴酷的作戰環境。反隱身、抗干擾、抗雜波及抗低空突防已經成為雷達彈面臨的重要挑戰[1-4]。對于雷達型空空導彈而言，其對抗對象已由傳統的三代機逐步擴展為四代隱身戰機（如F-22，F-35，T-50等）、無人機、巡航導彈在內的各類目標，甚至包括部分地面、海面作戰單元。美國在2004年提出了“聯合雙任務制空導彈”（JDRADM）計劃以及美國國防預先研究計劃局（DARPA）2010年發起的T3項目，均對隱身戰機、巡航導彈和防空目標提出了具體的作戰需求。與常規的三代作戰飛機相比，隱身戰機、無人機等目標的RCS數量級降低，回波信號急劇降低，目標更加難以被探測。此外，隱身戰機、無人機的大量裝備使得傳統的高空突防模式正逐步演變為低空/超低空突防，此時強地海雜波將不可避免地影響到雷達導引頭的檢測跟蹤性能。提高雷達導引頭反隱身、抗雜波能力將成為探測隱身、低空突防目標的不二選擇，直接關系到是否可以先敵發現和先敵攻擊以及未來空戰中制空權奪取問題[5]。因此，開發高效的、智能化的弱小信號檢測算法將具有重要意義。

電磁干擾技術的快速發展，尤其是射頻存儲轉發技術（DRFM）的廣泛應用，使得干擾設備的性能得到了極大提升，DRFM通過射頻截獲、存儲、調制、轉發敵方雷達信號，在距離或速度上生成大量高度逼真的假目標，使得雷達導引頭無法在時、頻、極化域等分辨目標和干擾，影響、欺騙或者阻礙雷達導引頭對真實目標的檢測識別，甚至從角度上誘偏導引頭，進而直接影響導彈武器精確打擊效果。為了提升導引頭抗干擾能力，目前國內外在相關方面進行了大量研究，如時頻分解、極化信息、相關函數、多階矩等統計特征以及距離超分辨、前沿跟蹤、多域聯合估計、復雜波形調制、多模等技術進行干擾對抗，然而上述技術或方法抗干擾能力有限[5-9]。尤其近年來干擾網絡化、智能化發展新趨勢，傳統的基于預置抗干擾策略已經越來越難以滿足實際作戰需求。面對干擾智能化發展趨勢，從干擾-抗干擾博弈角度來看，抗干擾技術也必須實現智能化，實現干擾-抗干擾智能化博弈。

航空武器技術的不斷發展以及信息化、網絡化技術的大量應用，作戰模式已由傳統單一作戰單元間的對抗逐步過渡為多機、多彈之間的協同、體系對抗，單機/彈作戰模式已經無法滿足日益復雜的空戰任務需求。美國早在MKV（MultipleKillVehicles）計劃中就披露：現有的地基和海基系統很難準確識別帶誘餌的低空突防目標，但可通過多枚攔截器協同工作對真假目標進行攔截，多攔截器協同工作時大大降低了對單個探測系統目標識別能力的需求[10];俄羅斯也在這方面進行了大量研究，并取得了一定的成果，其研發的П-700導彈具備協同探測與攻擊能力。從信息化戰爭以及導彈戰術使用角度來看，多彈信息共享、協同作戰不僅可以利用群體優勢對敵進行協同探測、多層次全方位打擊，還能實現戰術隱身，增強目標識別及抗干擾能力，提升導引頭戰場環境感知能力[11-12]。然而現役導彈大都獨立工作，信息共享能力差，融合方式簡單。因此，面向未來的體系化空戰需求，導引頭首先要解決多彈/多平臺信息共享、信息融合、智能決策等問題，也就是說雷達導引頭必須努力提升其智能化水平。實際上，近年來空空導彈的技術發展已經對智能信息處理方法提出了需求，隨著作戰需求不斷提升、多模技術發展以及電子元器件集成度提高，導引頭的復雜度及信息感知能力越來越強，信息量越來越大，此時傳統的基于專家經驗知識的信號處理手段的局限性愈來愈明顯，尤其在處理異構、多域、高維度信息方面，局限性已經越來越明顯，開發高效的、基于數據驅動的智能化信號處理方法已經成為雷達信號處理領域的重要研究方向及研究熱點[13-15]。

1雷達導引頭信號處理發展趨勢

人工智能是一門基于計算機科學、生物學、神經科學、數學等多學科的科學和技術，通過計算機模擬人類行為，使之能夠獲取新的知識和技能、重組已有知識并使之不斷完善。機器學習作為人工智能技術的核心，經過60余年的不斷發展，目前已經取得了長足進步。近年來，隨著大數據技術、機器學習技術的發展，以深度學習為代表的人工智能技術掀起了一股研究熱潮，其在語音識別、手寫識別、自動駕駛、人臉識別等領域均顯示了良好的生命力，尤其是在處理高維度、復雜數據方面的優越性日益明顯[16-18]。

航空兵器2019年第26卷第1期

陳偉，等：智能化時代雷達導引頭信號處理關鍵技術展望

從軍事領域的發展及應用需求來看，人工智能技術也是未來解決復雜戰場環境下目標探測、抗干擾的重要發展方向之一。實際上歐美國家早已經在相關領域開展了研究工作[14，18-21]。如美國DRPRA，NASA等在20世紀90年代就持續支持人工智能技術在空中偵察、雷達抗干擾等領域的應用研究，并且取得了一定的研究成果，其中遠程反艦導彈（LRASM）是人工智能技術在軍事領用應用的一個典范。此外，DARPA在自適應電子戰、自適應波形設計、自適應雷達對抗領域也開展了大量研究，部分項目已經進入演示驗證階段，但由于軍事技術保密原因，智能化抗干擾技術一直屬于敏感方向，國外相關技術及實現途徑鮮見公開發表或報道。國內高校及一些研究機構近年也興起了一股以深度學習為代表的智能識別研究熱潮，并取得了不錯的成果，但主要集中在自動駕駛、語音識別等領域;在軍事應用領域，目前尚處于借鑒階段及理論研究階段，且主要集中在有源干擾識別等領域，具體到空空導彈應用領域，從目前公開資料來看，大都尚處于概念論證階段，距離工程應用還有很長的一段路程。

從未來空戰形式以及雷達彈反隱身、抗干擾、抗雜波等需求來看，雷達導引頭必須努力提高信息共享、智能雜波抑制、智能檢測、自適應波形設計以及大數據處理能力，具備環境感知、自主決策功能。因此，在未來雷達導引頭發展及設計過程中，以下幾項關鍵技術需要重點關注及突破。

1.1環境感知技術

對雷達型空空導彈而言，作戰環境復雜多變，作戰背景一般可分為山區、丘陵、城市、海洋、沙漠等，而且環境中還包含各種人為及自然干擾;作戰目標類型也復雜多變，如彈道導彈、巡航導彈、隱身戰機、無人飛行器、海面艦艇、地面炮車等。復雜多變的戰場環境對雷達導引頭探測、抗干擾性能提出了更加嚴苛的需求。雷達導引頭的基本任務是從包含噪聲、雜波、干擾的回波信號中提取目標信息。在實際設計過程中，其需要在控制虛警前提下，盡可能提高檢測概率，這本身就是一對矛盾命題。雷達導引頭檢測算法與背景密切相關，如雜波抑制算法、恒虛警算法等均需要根據實時態勢進行設計或動態調整，如自適應低副瓣雜波抑制方法需要根據回波特征實時調整權重系數;恒虛警算法需要依據噪聲、雜波、干擾分布選擇合適算法，否則不僅不會改善檢測性能，還會惡化檢測結果;基于能量/幅度的目標檢測算法需要預估目標尺寸、機動特性，否則也會因為模型失配惡化檢測跟蹤性能。此外，抗干擾策略的設計也需要實時根據干擾特點進行動態調整，否則抗干擾性能將會下降。簡而言之，反隱身、抗雜波、抗干擾算法設計都依賴于對背景環境的準確了解與估計。

現有雷達導引頭大都按照預定邏輯完成目標探測、識別及跟蹤，不具備環境感知能力，難以依據當前所處環境動態調整信息及信號處理算法。而在實際設計過程中，也不可能對所有可能環境、態勢進行遍歷建模，一一設計出對應信號處理算法。為了盡可能適應多種環境，現有設計在不同態勢下進行折中處理，因此，其環境適應性會受到限制。而在信息化、網絡化作戰環境下戰場環境瞬息萬變，雷達導引頭必須具有根據作戰任務及環境態勢“智能”調整工作參數、選擇合適的對抗策略，否則就很難起到戰術作用。從匹配設計原則可知：要提升導引頭在不同環境下的適應性并獲得最大信號處理增益，導引頭信號處理方法必須與環境態勢匹配。因此，未來導引頭必須具備的環境感知及學習能力，通過環境感知學習實現高維度目標與環境的全面描述，從而智能的調整工作參數、選擇合適的信號處理方法及抗干擾策略，進而全面提升導引頭在各種環境下的適應性及關鍵技術指標。

從深度學習在圖像識別、圖像理解、圖像重構等領域的應用經驗來看，其不依賴于專家經驗知識且對數據格式無嚴格要求，避免了大量的人工特征提取及優選過程，具有極高的識別概率與極低的重構誤差[22]。從任務需求、數據規模及格式來看，雷達信號處理與圖像信號處理高度相似，深度學習是解決環境感知學習的一個重要途徑。通過多層神經網絡等模型對導引頭獲取信息進行訓練積累、歸納和學習，快速發現雜波、干擾、目標特征，通過機器學習對環境態勢進行判斷評估，引導雷達系統自主地調整工作模式、參數、信號處理算法等，獲得最優解，提高雷達導引頭環境適應性。

1.2智能雜波抑制技術

現代及未來空戰中，打擊低空突防目標是雷達導引頭的基本任務之一，此時強地/海雜波將不可避免地影響導引頭探測性能。

雜波的幅度譜是指幅度服從固定的概率密度函數，通常與地形或海情相關。早期的低精度雷達，功率譜可看作高斯譜;而現代高精度雷達，其發射的波束很窄且擦地角很小，功率譜分布并不能近似看作高斯譜，而是近似看作柯西譜或立方譜。實際中，雜波的分布特性更加復雜，雜波分布與彈體飛行姿態、擦地角、地貌、海情等多種因素強相關。目前廣泛使用的自適應雜波抑制方法大都建立在廣義平穩假設基礎之上，通過樣本的統計協方差矩陣優化權重，實現最優濾波器設計。實際應用中，空空導彈下視工作時所面臨的雜波通常都不是廣義平穩的，使得自適應處理性能急劇惡化。雜波協方差等統計特征準確估計直接關系到自適應處理成敗。近年來，雜波積累數據的不斷增長，為雜波協方差、分布等準確估計提供了可能，此外導引頭信息感知能力的不斷增長，也為雜波自適應抑制提供了更多可供參考的先驗信息，利用先驗輔助信息進行自適應設計是當前研究的熱點[23-24]。然而，現有的基于統計學方法已經越來越難以滿足實際需求，一方面海量雜波數據加大了人工統計難度;另一方面也對專家知識提出了更高挑戰。開發高效面向大數據的雜波學習算法就顯得尤為重要。不妨借鑒深度學習圖像降噪思想，利用積累的目標和雜波數據，采用卷積神經網絡、分層神經網絡等實現目標及雜波深度特征的表示學習和雜波類型的智能學習，從而確定雜波類型及特征，形成雜波環境的先驗知識，進而以雜波類型、特征及其他相關先驗知識為基礎，實現基于深度學習技術自適應雜波抑制方法。此外，還可以利用深度學習、支持向量機等方法完成對目雜波等的特征提取和模式識別任務，實現雜波和目標可靠鑒別，提高導引頭雜波下的檢測性能。

1.3智能目標檢測識別技術

1.3.1多源信息處理技術

對于空空導彈而言，雷達導引頭可視作導彈信息獲取的一類傳感器。隨著技術進步，導引頭獲取的信息及信號形式不再單一，回波信號可以是一維信號，如高分辨一維距離像，也可以是二維信號，如時頻二維譜或二維距離像，甚至是更高維的信號，如時-頻-極化信息等;此外，導引頭覆蓋頻段也不再單一，可以跨越兩個甚至多個頻段，如C+X，X+Ku+Ka等，回波信號中包含更多波段的電磁特性信息。與此同時，隨著抗干擾需求提升以及復合技術的進步，雷達導引頭通常可與紅外、激光復合，也可以是主動與被動復合，此時導引頭獲取的信息更加豐富，不僅含有目標電磁散射特性信息，還包含目標的光學信息。

與單一信源相比，多源信息不僅可以降低模糊程度，提高時空分辨率，還能增強系統的容錯性及可靠性。近年來，國內外在相關領域開展了大量研究工作，如融合識別、融合信息診斷、多源融合定位等，但大都集中在融合結構、準則及算法選擇與優化上面，對深層次的高效異構融合問題較少涉及[25-27]。從導引頭信號處理領域來看，在同源或異源信息處理方面，工程實現上尚未找到特別好的處理方法，目前仍然是以決策層融合為主，首先對不同的異類傳感器數據/信息設計專門的信號處理算法，然后在決策層對結果進行融合，如加權平均、置信度選取、選舉決策、分時切換等，一方面對專家經驗知識依賴較高，另一方面信息綜合利用率極低。

如何充分利用導引頭獲取的同源同構/同源異構信息提高其綜合性能已成為當前急需解決的關鍵問題。一方面可嘗試開發新的方法對獲取的同構/異構進行深度融合，如特征級融合，甚至是數據級融合，提高信息利用率。另外一方面也需要積極探索研究新的理論，在新的框架下對多源數據融合進行統一的、抽象層級描述，實現深度信息融合。此外，對傳感器信息缺失、連續性以及交叉提示等方面的研究也較少涉及，后續需要繼續加強該方面的研究以提高協同探測及隱身目標探測能力。

深度學習通過模擬人腦神經網絡進行學習，借助復雜的多層網絡拓撲結構，完成了數據從低層次到高層次的抽象表示，實現了數據到結果端到端學習，解決了同構、異構信息在統一框架下描述及聯合學習問題，降低了對高維數據結構約束要求。結合導引頭智能化發展需求，深度學習技術為解決導引頭多源信息融合問題、提高導引頭檢測識別性能提供了重要的技術解決方案。對導引頭獲取的同構/異構信息，采用如卷積神經網絡、堆棧自編碼器等技術實現數據到結果的投影學習，實現數據在抽象層次的深度融合，挖掘數據間的相關性，提高數據利用率，大幅改善探測識別性能。

1.3.2智能檢測識別技術

目標檢測是導引頭的主要問題之一，經典算法主要是基于相參與非相參體制的能量檢測算法，近年來隨著技術的進步，也陸續出現了一些檢測前跟蹤算法，如粒子濾波、Hough變換、檢測前聚焦等[13，18，28-29]。上述方法大都是基于能量或者目標的運動狀態，信息利用率有限，檢測過程容易受噪聲、雜波、干擾等因素影響，尤其是高速、大機動、干擾情況下，檢測算法的性能通常會存在不同程度下降。面對導引頭不斷增強的信息獲取能力，現有的基于專家經驗知識的檢測、識別算法已經難以滿足戰場需求。

從歐美等國近年的研究來看，將知識輔助、智能學習引入到目標檢測領域是解決復雜電子環境下目標探測、識別的一個重要途徑[14，30]。雖然幅度特性、時域相關性、頻域相關性、空域相關性、波形熵等特征均可輔助目標檢測，但其容易受噪聲及干擾影響，因此，從復雜的回波信號中進一步提取對尺度、環境、狀態不敏感的特征就成為了研究難點。而這恰恰是深度學習擅長領域，其通過多層感知器實現了數據從低層次到高層次的抽象表示，而無需設計具體的特征提取方法。因此，可利用深度學習對回波信號進行分析，構建基于特征及能量的聯合目標檢測算法。圖1所示為智能多特征聯合檢測方法。

目標識別是導引頭的重要任務之一，然而復雜電磁環境下，傳統基于專家規則及簡單分類器的識別系統已無法匹配戰場需求，一方面數據維度急速擴展增大了規則表達難度，加大了提取對噪聲、干擾、尺度不敏感特征的難度，另外一方面系統可擴展性差，難以適應未知目標。從國內外近年的研究及人工智能技術發展來看，借助多層神經網絡等方法對回波信號進行訓練、歸納，可挖掘更多更好目標信息及特征，從而達到提高目標識別概率的目的[14]。與此同時，基于機器學習的投影變換思路，在高維空間中對各類目標、雜波、干擾進行精細化建模，快速實現模型迭代升級與改進，也是提高對目標、干擾、雜波的識別概率的一個重要途徑。

1.4智能干擾對抗技術

實際作戰中，雷達導引頭和被探測目標雙方始終處于相互博弈狀態。傳統干擾（自衛有源干擾、無源干擾、箔條彈等）組合使用，仍具威脅，新型干擾（拖曳誘餌、空射誘餌、交叉眼、照射箔條等）大量列裝，抗干擾形勢越加嚴峻。從干擾對抗角度來看，努力降低自身低截獲概率與設計合理的抗干擾策略是改善導引頭抗干擾性能的兩個重要途徑。

降低雷達導引頭發射信號被截獲概率和提高敵方干擾設備對導引頭發射信號參數的解析難度，是提升導引頭低截獲能力的重要途徑[31-32]。傳統雷達導引頭低截獲抗干擾技術通過優化發射波形功率和頻率、相位等調制方式，獲得較低峰值功率和優良的探測性能，但該方法一般采用單一信號形式，參數容易被解析且存在性能瓶頸。實際上導引頭的低截獲特性與波形組合形式密切相關，即使是簡單波形組合也可能大幅改善低截獲特性，如欺騙式干擾下組合信號較單一信號具有更好的低截獲抗干擾性能。為了進一步提升導引頭的低截獲特性，一方面采取不同的優化準則，如互信息、MMSE、差異最大化等實現波形差別化設計，構建不同低截獲波形集;另一方面需加強復合調制信號多準則聯合優化，增大發射信號的隨機性及解析難度。

波形優化不僅受自身正交性與目標特性約束，還需要綜合考慮外界雜波、干擾博弈過程[33-34]，如連續波和線性調頻信號下雜波分布存在明顯差異，干擾機對捷變波形與非捷變波形響應可能截然不同。也就是說，波形優化依賴于環境認知及博弈狀態。因此，可考慮認知理論及智能學習進行波形優化。首先，基于雷達認知結果，利用專家知識或者借助深度學習方法獲取目標、環境的最大差異化特征;然后，根據目標與雜波、干擾的狀態建立博弈模型，進而實現發射波形智能優化。

設計合理的抗干擾策略是改善抗干擾的另外一個重要途徑[14，35]。從當前的研究來看，抗干擾策略主要借助專家經驗知識，預先設置多種抗干擾策略，導引頭系統按照預置順序或者隨機輪換、或者基于觸發條件選擇合適對抗措施，但戰場環境瞬息萬變，干擾樣式也是復雜多變，上述抗干擾策略在實際中通常都存在一定的局限性，甚至失效，尤其是面對未知新型干擾樣式時適應性有待商榷。從對抗角度來看，合理的抗干擾策略需要實時對外界環境進行感知，并且根據感知的態勢實時調整抗干擾決策與動作，如改變工作模式、發射波形、波形參數等，以降低敵方干擾信號對導引頭目標檢測影響。也就是說，導引頭抗干擾過程應該是一個動態的閉環發射-環境-接收-目標跟蹤和環境參數感知-發射循環系統，需具備自學習、自適應、智能決策能力。

深度學習的核心在于感知和表達，通過訓練多層神經網絡獲得數據深層次特征表示，具有強大的數據及復雜任務處理能力。在控制領域，深度學習已成功應用于目標識別、狀態特征提取、系統參數辨識等方面，但深度學習在智能決策方面有所欠缺，而這恰恰是強化學習擅長領域。強化學習核心在于策略選擇，通過對不同決策的評價及反饋實時調整自身策略，實現決策最優。因此，可借助深度強化學習，實現從導引頭信息感知到干擾對抗最優“動作”決策，達到智能化抗干擾目的。基于深度學習，導引頭感知外界環境狀態，然后利用強化學習獲取最優策略，進而引導導引頭采取相應的抗干擾措施，達到智能抗干擾目的。

2結論

隨著電磁技術飛速發展以及信息化、網絡化、智能化技術的大量應用，未來空戰形式將更加注重武器裝備間的智能化對抗。傳統的反隱身、抗雜波抗干擾策略將越來越難以適應智能空戰需求。從歐美國家解決復雜電磁環境下目標檢測、抗干擾發展趨勢來看，將人工智能技術用于導引頭信號處理是解決雜波干擾下目標檢測的一個重要途徑。建議后續加強人工智能技術研究，結合導引頭信號處理流程，開展基于人工智能技術的雜波抑制、目標檢測等方面的研究，提升雷達型空空導彈導引頭智能化水平。

參考文獻：

[1]ZuoLei，LiMing，ZhangXiaowei，etal.AnEfficientMethodforDetectingSlowMovingWeakTargetsinSeaClutterBasedonTimeFrequencyIterationDecomposition[J].IEEETransactionsonGeoscienceandRemoteSensing，2013，51（6）：3659-3672.

[2]ZhangShunsheng，ZengTao，LongTeng，etal.DimTargetDetectionBasedonKeystoneTransform[C]∥IEEEInternationalRadarConference，Arlington，2005：889-894.

[3]RaoXuan，TaoHaihong，SuJia，etal.AxisRotationMTDAlgorithmforWeakTargetDetection[J].DigitalSignalProcess，2014，26（1）：81-86.

[4]WeiYinsheng，LiuYongtan.NewAntiJammingWaveformDesigningandProcessingforHFRadar[C]∥ProceedingsofCIEInternationalConferenceonRadar，2001：281-284.

[5]周志華.機器學習[M].北京：清華大學出版社，2016.

ZhouZhihua.MachineLearning[M].Beijing：TsinghuaUniversityPress，2016.（inChinese）

[6]HurtadoM，NehoraiA.PolarizationDiversityforDetectingTargetsinInhomogeneousClutter[C]∥InternationalWaveformDiversityandDesignConference，Pisa，2007：383-386.

[7]BundyA.PreparingforFutureofArtificialIntelligence[J].AI&Socity，2017，32（2）：285-287.

[8]DARPA.TheTargetRecognitionandAdaptioninContestedEnvironments（TRACE）ProgramHomepage[EB/OL].[2018-12-24].https：∥www.technion.ac.il/～research/DARPA-BAA-15-09.pdf.

[9]王雪松.雷達極化技術研究現狀及展望[J].雷達學報，2016，5（2）：119-131.

WangXuesong.StatusandProspectsofRadarPolarimetryTechniques[J].JournalofRadars，2016，5（2）：119-131.（inChinese）

[10]MissileDefenseAgency.MultipleKillVehicleCompletesHoverTest[EB/OL].（2008-12-03）[2018-12-23].https：∥www.mda.millglobal/documents/pdf/08fyiollo.pdf.

[11]葉繼坤，雷虎民，薛東風，等.基于幾何關系的多導彈協同跟蹤算法[J].系統工程理論與實踐，2012，32（10）：2332-2338.

YeJikun，LeiHumin，XueDongfeng，etal.MultipleMissileCooperativeTrackingAlgorithmBaseonGeometricRelation[J].SystemsEngineeringTheory&Practice，2012，32（10）：2332-2338.（inChinese）

[12]謝宇婷，周軍，盧曉東.基于多導彈協同目標探測的空間配準算法[J].航空兵器，2018（2）：9-15.

XieYuting，ZhouJun，LuXiaodong.SpatialRegistrationAlgorithmBasedonMultiMissileCooperativeTargetDetection[J].AeroWeaponry，2018（2）：9-15.（inChinese）

[13]李云坤，陳偉，曹旭東.粒子濾波檢測前跟蹤算法的粒子比優化方法研究[J].航空兵器，2017（5）：25-30.

LiYunkun，ChenWei，CaoXudong.ParticleRatioOptimizationofParticleFilterTrackbeforeDetectAlogrithm[J].AeroWeaponry，2017（5）：25-30.（inChinese）

[14]胡仕友，趙英海.導彈武器智能精確制導技術發展分析[J].戰術導彈技術，2017（2）：1-6.

HuShiyou，ZhaoYinghai.AnalysisontheDevelopmentofIntelligentPrecisionGuidanceTechnologyforMissileWeapons[J].TacticalMissileTechnology，2017（2）：1-6.（inChinese）

[15]CarreteroMoyaJ，GismeroMenoyoJ，BlancodelCampoA，etal.StatisticalAnalysisofaHighResolutionSeaClutterDatabase[J].IEEETransactionsonGeoscienceandRemoteSensing，2010，48（4）：2024-2037.

[16]LeCunY，BengioY，HintonG.DeepLearning[J].Nature，2015，521（7553）：436-444.

[17]RussellSJ，NorvigP.ArtificialIntelligence：AModernApproach[M].PrenticeHall，Inc.UpperSaddleRiver，NJ，USA，1995.

[18]曲成華，史新虎，張程，等.基于人工智能的機動目標跟蹤處理研究[J].科技視界，2018（13）：3-5.

QuChenghua，ShiXinhu，ZhangCheng，etal.ResearchonManeuveringTargetTrackingProcessingBasedonArtificialIntelligence[J].Science&TechnologyView，2018（13）：3-5.（inChinese）

[19]DelReyMaestreN，MataMoyaD，JaraboAmoresMP，etal.ArtificialIntelligenceTechniquesforSmallBoatsDetectioninRadarClutter.RealDatavalidation[J].EngineeringApplicationsofArtificialIntelligence，2018，67：296-308.

[20]王義寧，姜玉憲.空戰對策的發展現狀及未來[J].電光與控制，2000（2）：13-17.

WangYining，JiangYuxian.TheCurrentDevelopmentSituationandFutureoftheAirCombatGame[J].ElectronicsOptics&Control，2000（2）：13-17.（inChinese）

[21]CarreteroMoyaJ，DeMaioA，GismeroMenoyoJ，etal.ExperimentalPerformanceAnalysisofDistributedTargetCoherentRadarDetectors[J].IEEETransactionsonAerospaceandElectronicSystems，2012，48（3）：2216-2238.

[22]陳小龍，關鍵，何友，等.高分辨稀疏表示及其在雷達動目標檢測中的應用[J].雷達學報，2017，6（3）：239-251.

ChenXiaolong，GuanJian，HeYou，etal.HighResolutionSparseRepresentationandItsApplicationsinRadarMovingTargetDetection[J].JournalofRadars，2017，6（3）：239-251.（inChinese）

[23]XuJ，LiaoG，SoHC.SpaceTimeAdaptiveProcessingwithVerticalFrequencyDiverseArrayforRangeAmbiguousClutterSuppression[J].IEEETransactionsonGeoscience&RemoteSensing，2016，54（9）：5352-5364.

[24]ZhangXing，YaoDi，YangQiang，etal.KnowledgeBasedGeneralizedSideLobeCancellerforIonosphericClutterSuppressioninHFSWR[J].RemoteSensing，2018，10（1）：104.

[25]LiT，CorchadoJM，BajoJ，etal.EffectivenessofBayesianFilters：AnInformationFusionPerspective[J].InformationSciences，2016，329：670-689.

[26]LiFeijiang，QianYuhua，WangJieting，etal.MultigranulationInformationFusion：ADempsterShaferEvidenceTheoryBasedClusteringEnsembleMethod[C]∥InternationalConferenceonMachineLearning&Cybernetics，Guangzhou，2015.

[27]PirasL，GiacintoG.InformationFusioninContentBasedImageRetrieval：AComprehensiveOverview[J].InformationFusion，2017，37：50-60.

[28]WangGuohong，LiLin，YuHongbo.AModifiedHoughTransformTBDAlgorithmBasedonPointSetMerging[J].ActaAeronauticaetAstronauticaSinica，2017，38（1）：1-11.

[29]BaiJianxiong，WangJun.WeakTargetDetectionUsingDynamicProgrammingTBDinCDMABasedPassiveRadar[C]∥IETInternationalRadarConference，Guilin，2009.

[30]MishraAK，BakerC.ACognitiveDiversityFrameworkforRadarTargetClassification[EB/OL].（2011-11-30）[2018-12-23].http：∥arxiv.org/pdf/1110.6589.pdf.

[31]龐存鎖，劉磊，單濤.基于短時分數階傅里葉變換的時頻分析方法[J].電子學報，2014，42（2）：347-352.

PangCunsuo，LiuLei，ShanTao.TimeFrequencyAnalysisMethodBasedonShortTimeFractionalFourierTransform[J].ActaElectronicaSinica，2014，42（2）：347-352.（inChinese）

[32]馬君國，趙宏鐘，張軍，等.基于高階統計量的低分辨雷達空間目標識別算法[J].信號處理，2006，22（2）：211-214.

MaJunguo，ZhaoHongzhong，ZhangJun，etal.SpaceTargetRecognitionAlgorithmofLowResolutionRadarBasedonHighOrderStatistics[J].SignalProcessing，2006，22（2）：211-214.（inChinese）

[33]FanMeimei，LiaoDongping，DingXiaofeng，etal.WaveformDesignforTargetRecognitionontheBackgroundofClutter[C]∥8thEuropeanRadarConference，Manchester，2011.

[34]WeiYimin，MengHuadong，WangXiqin.AdaptiveSingleToneWaveformDesignforTargetRecognitioninCognitiveRadar[C]∥IETInternationalRadarConference，Guilin，2009.

[35]YuFuping，FengYouqian，GaoDahua，etal.StudyofAntiJammingofRadarSignalBasedonSparseDecomposition[C]∥InternationalSymposiumonIntelligenceInformationProcessing&TrustedComputing，Huanggang，2010.