雷達網絡的現狀與發展趨勢*

鞏浩然 任 圓

（1.92941部隊42分隊 葫蘆島 125000）（2.渤海船舶職業學院 葫蘆島 125000）

1 引言

雷達在國防、海事控制、船舶以及航空工業等眾多軍事領域上有著很廣泛的應用，特別是射頻∕微波技術以及制造技術。因此，雷達網絡的高效覆蓋與精度在實戰操作中至關重要。本文對雷達網絡最先進的解決方案以及所面臨的挑戰進行研究，主要包括雷達網絡部署，多目標跟蹤以及傳感器管理算法。最后，對全文進行總結與展望，為我國雷達網絡的未來發展提供一定的理論支撐依據。

2 部署雷達

由于雷達網絡是有一定邊界值的，所以對雷達傳感器的部署會影響雷達網絡的整體性能。雷達傳感器的部署主要在兩個方面，一是傳感器部署的密度，另一個是雷達傳感器的價格。J.F.Chamberland［1］等根據實踐得出，性能普通的平價雷達傳感器但是采用密集網絡部署所形成的的雷達網絡能達到的性能與性能精準但價格昂貴的雷達傳感器運用稀疏網絡部署所達到的性能是近乎一樣的。那么實際運用中則需要根據實際情況進行部署方案的選擇，由此可見，雷達傳感器的部署對雷達網絡的整體性能會產生一定的影響。那么如何運用最低的成本來達到最優的網絡覆蓋效果成為了研究者們下一步的研究熱點。

J.Chen［2］等將雙∕多基地雷達放置障礙物上，提出了一種成本最低的雷達部署策略來完全覆蓋障礙物，如圖1 所示，障礙物的寬度為W ，A 條與障礙物長度平行的部署線來放置發射器Li 接收器Pi。

圖1 （a）雷達網絡障礙物覆蓋范圍（b）發射機與接收機總成本最小化

每個傳感器都有一定的距離檢測范圍，其感應能力隨著距離增大而降低，因此對于距離檢測誤差進行建模是很重要的，Lloyd 算法是目前最常用的雷達部署算法之一，其可以在最大程度上減少信號在無線傳輸上的失真問題。Lloyd 算法是最經典的簡單的K-mean 迭代算法，首先將所有的點分配給? 個類的系數p，屬于第? 個類的為1，否則記為0，公式化表達為

重新計算每個類的中心點，并重復式（4）、（5）直到收斂。

然而，Lloyd 算法也是有一定的缺點，由于聚類產生的類別通常情況下是不平衡的，所以不同類中的樣本數量差異會很大，所以在雷達網絡部署中只考慮了傳感器的覆蓋范圍，忽略了通信方面的問題。文獻［3］中J.Guo 等通過同∕異構的方法同時兼顧了覆蓋范圍與通信方面的問題，較好地解決了傳感器部署問題。

3 多目標跟蹤

在雷達網絡中，多目標跟蹤一直都是一個具有挑戰性的問題，因為需要實現一個計算繁瑣的統計濾波器。Farina［4］等概述了近四十年來對目標跟蹤的不同方法。

最簡單的方法是NNSF（最近鄰標準濾波器），它可以使用最接近的測量值來更新對當前目標的預測，同時忽略其他的干擾項。為了跟蹤多個目標，研究者們根據NNSF 提出了兩種改進的方案，一個是次優近鄰SNN，它將數據關聯視為分配問題，并從最短的距離開始，將每個軌道與其最近的觀測值相關聯；另一個是全局最近鄰GNN，它使用Munkres 算法以獲得全局最優方案。但是NNSF 這種濾波器在設計時設定的雜波率很低，因此在雜波率高的情況下效果并不理想。

為了解決這一問題，文獻［5］中提出了延伸的概率數據關聯濾波器PDAF，可以計算正確關聯的概率以進行測量，將測量值使用加權平均來計算軌跡。每種測量值的權重均與其正確關聯的概率成比例，在雜波率存在且較高的情況下，PDAF 比NNSF具有更強的魯棒性。

聯合PDAF（JPDAF）是應對MTT 的PDAF 的擴展，可以計算關聯的聯合概率并用于更新軌道的預測，在雜波率較高的情況下特別高效，而MTT 的另一個關鍵算法是多重假設跟蹤濾波器MHT［6］，在雜波率高，軌跡不確定性（例如機動或交叉目標）的情況下表現良好。MHT 的工作原理如下，基于預測的觀察結果計算驗證，并為每個測量建立一個新的假設軌跡。新的軌跡被獨立處理，低概率的軌跡被丟棄，以避免指數增加的軌跡數量。圖2 顯示了MHT的工作流程。

傳統的方法是將MTT 問題分解為多個獨立的單目標跟蹤問題，而基于Fisst 的方法是同時傳播所有的跟蹤。為此，一個被稱為概率假設密度PHD函數起著關鍵作用。簡而言之，研究者定義了狀態空間中目標的強度，而對一個區域的整合則給出了該區域中目標的預期數量。通過仿真比較了PHD和MHT 濾波器的性能［7］，MHT 是一種靈活的算法，可以通過修改其參數（例如在軌跡刪除和合并以及門控）來提高其性能。一般來說，這兩種算法沒有任何有效的比較。另一種方法是CPHD，它在雜波率和錯誤檢測方面提供了更強的穩健性。CPHD濾波器比PHD 濾波器更通用，它在更新PHD 函數的基礎上，能及時更新目標的數量，特別是在目標數量大的情況下更加優于PHD 濾波器。MTT 的另一種基于裂隙的方法是二階PHD（SO-PHD）［8］，其中除了增加目標數目的方差之外，還增加目標數目的方差。

圖2 MHT概述

4 數據融合

在雷達網絡上采用上述多目標跟蹤方法之后，需要一種有效的融合算法來獲取總體調諧軌道，常見的融合方法有四種。

4.1 協方差交叉融合

傳統的濾波方法需要已知每個傳感器的互協方差條件下進行，才能求得最優的分布式融合，這種方法在實際情況下無法完全實現，因此，JULIER S L 等提出了協方差交叉算法CI，這種方法也叫做簡單融合［11～16］，它忽略了雷達傳感器的估計誤差相關性，因此減少了很多計算上的負擔。當雷達的狀態向量之間的相關性未知、處理能力或者內存大小收到限值的時候，CI 特別適合于融合雷達的軌跡，它根據雷達的協方差矩陣對其進行加權來融合雷達的轉改向量，通過合并未知相關性的部分來提高跟蹤性能。

4.2 逆協方差交叉融合

由于CI 算法僅僅應用了保守局部的估值誤差方差，因此其結果具有一定的局限性［17～19］，因此J.Manyika等提出了逆協方差交叉算法。雷達將觀測結果發送到FC，利用KF 或者其他的派生工具EKF或者UKF 等來跟蹤。在KF 濾波器中，流程模型起到了至關重要的作用。因此，為了彌補建模誤差，研究者們提出了改進的強跟蹤融合MSTF 方法，該方法將預測的估計協方差衰減一個因子，該因此是通過將實際創新協方差的近似值與KF給出的理論協方差的近似值來獲得的。但是用于協方差融合式的PHD 濾波器計算過于復雜，并且需要幾個簡化的近似值，所以研究者們對接收到的觀測數據進行預處理，并將其聚類在一組相應的測量數據中。

4.3 信息圖

信息圖是一種通過冗余信息來克服FC融合數據中存在相關性的解決方案。當多個節點報告相同的數據時，其中只有一個是FC的新節點，其他的節點數據都是冗余的，這種冗余屬于信息的重復計數。任何兩個或更多節點的公共信息可以通過識別信息圖中它們的公共前節點找到。然后，在貝葉斯公式中去除數據集中的條件依賴性，但是這種方法不適用于動態配置網絡。

4.4 分布式MTT-DMTT

在分布式MTT-DMTT 的方法中，所有的雷達在與其相鄰進行信息交換之后到達同一軌道，由于分布式進行融合，一次雷達傳感器的目標是本地更新融合基數和目標位置，使得估計值盡可能接近CPHD 中央濾波器給出的估計值，使得跟蹤性能有了進一步的提升。

5 傳感器管理

在雷達網絡中，通信帶寬和雷達微粒能量等資源是有限的，因此傳感器管理機制對于網絡的有效使用和延長其壽命是很重要的。推力驅動傳感器管理是指通過將任務分配給確定的一組傳感器來確定管理網絡有限資源的最佳方法，如圖3所示。

圖3 管理資源有限的雷達傳感器

傳感器管理通常是是一個非凸優化問題，通過凸松弛可以達到次優解，Y.Zhao［9］等提出了基于多目標優化的框架，將跟蹤精度與數量運算作為目標函數，尋求一個可以平衡多個目標函數的最優解決方案。常用的多目標優化算法，例如NSGA-III 算法等可以應用到其資源管理中。

傳感器管理的其他解決方案主要是基于信息理論方法，可以將網絡中的一些傳感器分配為錨節點，基于這些傳感器獲得所需目標源的粗略估計，然后在每次的迭代中激活一組或幾個非錨傳感器，其數據可使目標源位置和能量傳感器的測試值之間的相互信息MI最大化。

6 結語

本文研究了雷達網絡的現狀以及重點技術方向的解決方案，由于雷達網絡的迅速發展，解決方案極其重要，每一種解決方案都必須滿足雷達網絡的固有限制，尤其是通信方面以及可伸縮性方面的限制。總而言之，雷達網絡可以為軍事、商業以及很多領域提供大量的信息，通過關鍵技術的研究可以降低雷達網絡部署成本，并且足夠抵抗惡劣的外界環境條件；通過使用信號處理的方法，提高了雷達探測信息的準確性。未來的研究中可以通過開發精算模型并在數據融合方面加入人工智能的開發，進一步提高雷達網絡整體性能，有助于自主決策實施，這種結合可能是未來的研究重點領域。