反导系统与目标识别技术发展综述

句彦伟，张仕元

(南京电子技术研究所, 南京 210039)

·总体工程·

反导系统与目标识别技术发展综述

句彦伟，张仕元

(南京电子技术研究所, 南京 210039)

弹道导弹目标识别是导弹防御系统中的核心问题之一，直接关系到弹道导弹防御的成败。文中首先对世界上先进的反导防御系统特点和典型装备进行了介绍，然后对雷达反导目标识别中使用的各种特征提取、识别算法及策略进行综述，最后对弹道目标识别技术重要发展方向进行展望，并指出弹道目标识别技术是一项长期的系统工程。

反导系统；特征提取；目标识别

0 引 言

弹道导弹具有重大的战略、战术威慑作用，已经成为影响世界政治格局、左右战场态势，甚至决定战争胜负的重要因素。当前世界各国竞相研制和发展了多种射程、高精度、大威力弹道导弹，弹道导弹的发展呈扩散态势。美国已构建了世界上最为先进的反导防御体系，虽然该体系仍在不断发展之中，但其庞大的规模、复杂的测量体系、完整的测试手段是反导目标识别技术的典范。纵观美国弹道导弹防御系统发展，美国弹道导弹防御系统主要呈现出两个特点：一是多传感器多平台的多元化反导，二是网络化作战路线。美国的弹道导弹防御系统包括地基雷达、海基雷达、天基红外、机载预警雷达等手段，雷达波段涵盖了P、L、S、X等频段[1-2]。2002年，美国在弹道导弹防御系统中提出了指挥控制、作战管理和通信(C2BMC)项目，可以看出美国正朝着弹道导弹防御系统(BMDS)网络化作战方向发展。C2BMC系统具有协同谋划、危机时刻的规划和预先态势感知能力，并能融合整个BMDS中所有信息，形成当前的交战态势以便准确进行指挥决策。在导弹飞行的全过程，在各种空基、海基、陆基雷达的配合下，天基红外系统STSS能实现对导弹的侦察和定位，并完成引导拦截的功能。

随着弹道导弹目标突防手段的不断提升，反导目标识别技术成为弹道导弹防御系统最为关键的技术之一，对导弹防御系统的成败起着决定性的作用。弹道导弹目标识别的正确与否关系到目标预警、精密跟踪、目标拦截、杀伤评估等各个阶段的性能，没有正确的目标识别信息，就无法给出正确的威胁评估和警报，也无法进行精密跟踪，没有对导弹目标的跟踪信息，就无法进行落点预报，也就不能实现对目标的有效拦截和杀伤评估。在弹道导弹飞行的整个阶段，均伴随着弹体、碎片、轻重诱饵、箔条等，目标识别的任务正是在弹道导弹所处的复杂电磁环境下，通过合适的目标特征提取和识别方法将真弹头识别出来，从而将其成功应用于反导系统[2-5]。因此，弹道导弹目标的综合识别是反导防御系统中的关键技术，贯穿于反导防御系统的全过程。

1 典型反导系统

纵观反导技术的发展，离不开不同平台传感器的成功研制，下面简要介绍几种国外典型的地基反导雷达、海基反导雷达和天基反导系统。

1.1 地基反导系统

美国的GBR雷达是弹道导弹防御系统中的核心成员。1999年, GBR-P雷达作为美国弹道导弹防御系统中的核心雷达之一部署在夸贾林，并参加了多次反导飞行试验, 该雷达是集搜索、截获、跟踪、制导、杀伤效果评估等为一体的多功能地基雷达，最重要的功能是目标识别，可对付具有各种突防手段的弹道导弹，从弹头目标群中识别出真弹头和诱饵。该雷达工作在X频段，中心频率为10GHz，具有极化测量能力，其宽带距离分辨率为0.15 m，对1 m2目标的作用距离为2 000 km，对10 m2目标的作用距离为4 000 km。图1是GBR-P雷达图片。

图1 GBR-P雷达

XBR雷达是GBR-P雷达的发展型号，其阵面口径为123 m2，天线单元数为81 000个。2004年底，有一部实战用的XBR部署在阿拉斯加格里利堡军事基地，第二部雷达部署在加州范登堡军事基地。

1.2 海基反导系统

海基(SBX)雷达是为美国弹道导弹防御系统而研制，是美国导弹防御网络的一个重要组成部分，2006年3月投入使用，部署在阿拉斯加州的阿达克港。该雷达可提供弹道导弹监视、截获、精密跟踪、精确识别和杀伤评估。SBX具有先进的跟踪能力及假目标识别能力，可同时与多个拦截导弹发射平台、北美空天战略防御指挥中心保持实时联系，帮助陆基或海基拦截导弹成功拦截针对美国本土的敌方洲际弹道导弹(ICBM)。可自由驶往其他地方，支持BMD计划的先进试验与防御性行动，帮助对付针对美国本土、海外驻军、盟国的其他敌方导弹。SBX雷达总质量2 000 t(1 t=1 000 kg)，天线呈八角形排列，T/R组件34 816个，直径22 m，在役的SBX雷达有效天线面积为192m2，作用距离为4000km，瞬时带宽为1GHz；升级后雷达天线面积为384m2，作用距离为5 045 km，瞬时带宽为2 GHz。图2是海基SBX雷达图片。

图2 海基SBX雷达

美国海军装备的“宙斯盾”舰已超过100艘，AN/SPY-1 是“宙斯盾”系统的核心，SPY-1相控阵雷达采用了4个八边形固定阵面，可提供方位360°、仰角90°的覆盖范围，能对空中和海面目标进行自动搜索，可跟踪200个目标，并制导多枚导弹与18个目标交战，抗干扰能力强。美国军方对SPY-1不断进行升级改进，已采用 UYK-43(V)/44(V)计算机以提高目标容量和处理器速度，系统具有为战区弹道导弹识别产生与处理新的、复杂波形的能力。第二代“宙斯盾”系统装备一种新型的集成信号处理器，能够改善系统辨别目标的能力，以拦截更加复杂的BM目标，并应对目标的反制措施。图3是舰载SPY-1雷达图片。

图3 舰载SPY-1雷达

美国为了收集世界各国的弹道导弹数据用于建库识别，由林肯实验室于1999年完成了陆海两用可移动测量雷达(Cobra Gemini雷达)的研制，其海用型已安装在“无敌号”上投入使用，如图4所示“无敌号”上的大天线罩就是该雷达，该雷达工作在X频段，带宽为1 GHz，分辨率达到0.25 m，可用于对目标宽带二维成像。

图4 Cobra Gemini雷达

1.3 天基反导系统

天基反导系统的关键传感器是红外系统，由于美国第三代国防支援计划系统(DSP)对中短程弹道导弹的探测能力不足，2009年9月25日，美国德尔塔-2火箭成功发射的两颗空间跟踪监视系统(STSS)试验演示卫星能实时跟踪分辨100个目标，对弹道作实时计算，可识别弹头和诱饵，可处理高达2.1 Gb/s的数据；STSS卫星分布在三个不同平面的太阳同步轨道上，每颗STSS卫星携带两个红外探测器，一个捕获探测器用于探测助推段的导弹尾焰，另一个跟踪探测器用于在中段和再入段跟踪导弹。STSS可以实现对杂波和噪声中跟踪弹头分离并具有分辨弹头、母舱、轻重诱饵的能力。

STSS卫星利用多颗卫星所提供的多幅图像得到各飞行体的运动轨迹，以释放前轨迹为参考，描绘出飞行体的相对运动速度和方向，运用动量守恒原理可识别真弹头。据美国航天网2010年7月26日报道，两颗美国导弹防御卫星测定了3枚导弹发射，全部成功向地面观测站传回了追踪的弹道数据，4次导弹防御试验全部成功。图5为低轨道STSS卫星示意图。

图5 低轨道的STSS卫星

2 目标识别技术的发展

随着越来越多国家对弹道导弹技术的掌握和导弹的大范围扩散，必须进行反导拦截，而目标识别是实现有效拦截和防御的关键技术之一。下面从特征提取和目标识别技术两方面对目标识别技术的发展进行阐述。

2.1 特征提取技术

基于雷达信号特征提取技术包括运动特征提取、RCS特征提取、窄带特征提取、宽带成像特征提取、极化特征提取等。

2.1.1 运动特征提取

目标的运动轨迹反映了目标随时间的变化情况，真弹头、假弹头、轻诱饵等运动轨迹有可能不同，通过对目标精确测距测速等参数估计算法，可以跟踪目标发生的各种事件，如主发动机关机、弹头弹体分离、诱饵及子弹头释放、姿态角调整等，并从中提取目标的各种运动特征，包括弹道轨迹、发落点预报、弹道系数(质阻比)、速度与加速度特征(再入时的减速特性)以及质心的运动特征(自旋、进动、章动)，这样基于先验信息和数据库，可以识别真假弹头、诱饵、弹体、助推器或末级碎片等。例如，轻诱饵与弹头的速度在再入时差异很大，大气的过滤作用可以将弹头从干扰丝、充气假目标一类与弹头运动特征差别明显的干扰中区别出来，这就是基于再入减速特征的速度识别方法[3]。

2.1.2 RCS特征提取

目标的雷达散射截面(RCS)是表征雷达目标对照射电磁波散射能力的一个物理量，其大小与目标形状、质量、表面材质、姿态角等因素有关，因此RCS序列包含了目标的散射特征信息。

利用RCS测量数据不仅可以提取目标的均值、方差、极值、峰度等统计特征，而且可以提取目标的微动频率。传统的微动频率特征提取方法主要有相关法、循环自相关法(CAUTOC)、循环平均幅度差法(CAMDF)和方差分析法[3,6]。其中，CAMDF、CAUTOC方法算法简单，实现方便，但要受分频误判的影响，估计效果差，抗噪性能差；方差分析法虽然克服了CAUTOC和CAMDF方法的缺陷，同时具有很强的抗噪性能，但需要较长观测时间和较高数据率，这对于有限的雷达资源来说是不可接受的。因此，学者张仕元[7]提出了基于三角函数拟合的RCS序列进动周期估计方法，该方法先利用特定频率附近的三角函数来拟合RCS序列，再求得使拟合误差最小的RCS序列进动频率。与常规方法相比较，该方法具有所需资源少，估计精度高的特点。

2.1.3 窄带特征提取

利用窄带回波可以提取目标微动特征[8]。微多普勒概念首先由美国海军实验室CHEN V C提出，将目标或目标的组成部分的振动或转动对雷达回波频谱产生的调制称为微多普勒效应。微多普勒从瞬时频率上描述了目标微动的雷达特征，表征了目标瞬时微动速度，对目标平动速度和加速度补偿预处理后，利用先进的时频分析、时变自回归模型等信号处理手段，可以从微动目标的雷达回波中提取目标微动信息，如利用时频变换所得时频二维像可提取目标的微动周期、瞬时频率、不变矩特征、时频熵特征、SVD特征等[9-12]。

基于目标微动时频变化特性，文献[13]提出了一种用于估计多散射点瞬时多普勒的线性和的方法，通过对该线性和作傅里叶变换，能够有效地估计目标自旋、锥旋、进动频率、周期等运动参数，进一步地，多普勒线性和的傅里叶谱的波形熵特征可以很好地用于实际中弹头和诱饵的识别。另外，文献[9]使用时频分析技术、多普勒滤波技术和变采样滤波技术，提出了基于微多普勒的微动参数估计方法，引入带通谱宽和低通谱宽的概念，以FFT为工具，提出了多普勒谱的微动参数估计方法。微动特征也可以基于经验模态分解方法得到，基于经验模态分解算法的多分量正弦调频信号分离方法，使用短时傅里叶变换得到了每个本征模态函数的瞬时频率，可提取进动周期、进动角、不同散射点间的微动幅度比值等微动特征及目标纵横比，暗室数据验证了其效果[14]。

2.1.4 宽带成像特征提取

目标宽带一维距离像相当于目标对应的三维散射点在雷达射线上的投影，揭示了目标沿视线方向散射强度的分布，反映了目标精细的结构特征，是一种较好的目标识别特征。利用宽带一维像可以提取目标的径向尺寸、微动周期特征，也可以提取双谱、高阶谱等特征。一般地，尺寸估计是根据目标在一维距离像中所占据的距离单元数和雷达距离分辨率，估算出目标在雷达视线上的投影长度，微动周期则可以利用相关法、改进的Viterbi算法、曲线拟合法等得到[15-16]。文献[17]对进动目标的一维距离像的尺寸序列进行了建模，并采用Levenburg Marquadt算法直接估计目标的真实尺寸等多个参数，但对多个参数同时优化会陷入局部极值点，且对初值敏感而得不到目标正确尺寸。由于进动目标的高分辨尺寸序列模型可等效为四参数正弦信号[18]，所以可以先对进动目标尺寸模型采用四参数模型曲线拟合方法，估计出目标进动频率、幅度、直流偏移和相位后，得到包含了目标尺寸、进动角和视线角三个参数的两个方程，再根据再入目标的零攻角特性，可以得到视线角，从而求得目标的真实尺寸和进动角，估计出目标的物理和运动参数[19]。

目标二维ISAR像含有更多的结构信息，这对于识别是十分有利的。与飞机相比弹头尺寸小，单凭视觉效果难以实现对弹头目标的有效分类，因此特征提取就成为基于ISAR二维像目标识别中的一个不可避免的环节。由于雷达二维像存在噪声等因素干扰，在对ISAR图像特征提取前，需要对图像进行去噪、干扰抑制、连通以及图像分割等处理[20]。常用的ISAR图像特征包括目标尺寸特征、面积特征、紧密度特征、周长特征、矩特征、离心度、体态比等。在频域可提取圆形度、细长度、密集度、凹度、形心偏差度等。在实际应用中，几种几何特征提取方法可结合使用。大部分特征能多方面、多层次地反映目标的几何结构特性，而且具有清楚的物理意义，因此它们将是判断目标真假的有效图像特征[21]。随着高频段大带宽雷达的出现，雷达成像足以对弹道类目标进行高分辨细节辨识，则基于二维像的识别优势会越来越大[22]。

2.1.5 极化特征提取

极化特征可获取目标表面的粗糙度、对称性等其他特征难以提供的信息，是完整刻画目标特性所不可或缺的。极化不变量大致反映了目标的粗细、对称性差异、散射中心的数目、目标的俯仰姿态等信息，因此是一种良好的特征信息[23]。

极化特征可以从窄带和宽带中提取，窄带中基于单个极化散射矩阵可以提取目标的极化不变量，如功率散射矩阵的迹、去极化系数、散射矩阵的行列式值、本征极化角、本征极化椭圆率和极化异性度，也可以提取目标极化分解系数，还可以利用连续观测的一组极化散射矩阵估计目标微动周期。宽带极化特征包括极化色散度、稳定度熵等，另外可将极化与宽带的高分辨能力相结合，提取目标各距离单元的极化信息[24]。随着雷达技术的不断发展，国内外学者对极化技术进行了大量的理论研究[25]。

对反导识别中，高精度的极化散射矩阵测量是极化特性提取的基本前提，实际应用中存在极化隔离度差、极化校准难、分时极化等问题，所以使得极化有效应用受到一定限制，研究极化校准是一个非常重要的方向。

2.2 目标识别技术

弹道目标识别是反导防御系统的核心技术，能否将真弹头从目标群中识别出来取决于弹道导弹突防场景复杂性、雷达性能资源、识别策略以及识别算法等。而在识别过程中，不仅可以利用雷达多个特征采用不同的识别算法进行识别，而且还可以将识别结果在空间域进行证据推理、在时间域进行序贯融合识别。

2.2.1 典型目标识别算法

基于提取到的特征，可以利用各种识别算法对真假弹头进行分类识别，包括最近邻分类识别算法、贝叶斯分类器、模糊分类器、支撑向量机(SVM)分类器、基于仿生学技术的分类方法等。

最近邻分类识别是首先找到被分类对象在训练数据集中的k个最近的邻居，然后根据这些邻居的分类属性进行投票，将得出的预测值赋给被分类对象的分类属性[26]。贝叶斯分类器是一种简单有效的分类器,该分类器需要先验信息的输入，在某些场合优于神经网络分类器[27]。模糊模式识别技术特别适用于目标特征由于各种不确定因素影响引起的动态时变情况，模糊模式识别技术将目标特征量转换成由模糊集及隶属函数表征的合理的语言标记，与统计模式识别中的概率密度函数相比，模糊识别中的隶属度函数对先验信息的要求要少得多，这使得模糊模式识别器较统计分类识别器更容易建立，因此它十分适合于先验信息较少时的模式识别场景[28]。SVM分类器在解决小样本、非线性及高维模式识别问题中表现出明显的优势，应用于雷达目标识别取得了一定的效果，在实现过程中，SVM模型优化和最优分类器的构造过程非常重要[29]。SVDD方法是在SVM基础上发展出的一种分类器，这种方法的特点是学习过程仅仅需要目标类样本的参与，而与非目标类样本没有关系[30]。基于仿生学的分类方法包括神经网络、遗传算法理论等。神经网络最大的特点是网络具有自适应能力，不但能自适应地学习，而且还能自适应地调整网络的规模大小。此外，神经网络模式分类器还兼有对模式变换和模式特征提取的作用。采用BP算法、径向基函数网络、模糊ARTMAP网络、自组织特征映射(SOFM)等在目标识别中都有成功的应用[31]。

2.2.2 综合识别算法和策略

在弹道目标的识别过程中，干扰和诱饵等复杂电磁环境常常影响回波信息的精确性和完整度，每种单一的识别技术或多或少地存在不足，难以达到对目标进行理想识别的效果。所以需要利用不同层次的数据、不同的识别方法进行融合识别。输入层一般可以划分为信号级融合、特征级融合和决策级融合。

基于目标雷达特征的识别方式包括RCS方式、RCS序列方式、宽带一维像方式、宽带一维像序列方式、微多普勒方式等。对于每个识别方式来说，可提取的特征很多，多个识别方式的特征就更多，太多的特征对于综合识别处理，并不一定能取得好的效果，反而可能因维数灾难问题而使识别结果错误；此外，由于各个识别方式不是同时对目标进行测量的，相应的各个特征量可能是完全冲突的，故需要对目标识别进行分层处理。对于单识别方式的多个特征，一般采用特征级融合方式，只输出该方式下各个类型的隶属度或置信度，以尽量减少后续处理的负担；而对于多个识别方式的识别置信度，则采用决策级融合，以形成有效的判决。

D-S证据理论是一种在不确定条件下进行推理的强有力融合识别方法，但D-S证据理论在实际应用中存在证据的冲突等问题。文献[32-34]主要从两个方面对证据理论进行修正，一类是对证据合成规则进行改进，本质上都是将冲突系数在各个子集上进行重新分配；另一类则是基于模型修正的方法，即先对证据本身进行修正，然后再合成[35-36]。

为消除单次识别的随机性影响，那么目标识别应该是连续识别的过程，不仅要根据当前的识别结果，还需要参考历史的识别结果。因此，可以按时序对各时刻获得的识别结果进行序贯融合，既保留历史识别信息又根据当前识别结果进行调整，这样通过对多次的识别结果序贯融合来获得稳定可靠的识别结果。

3 展 望

美国弹道导弹防御系统发展进程表明，从来袭导弹目标群中识别出真弹头是主要技术瓶颈之一。弹道导弹攻防的强对抗，决定了导弹防御系统中的目标识别需要建立在弹道导弹不同阶段呈现出来的物理特性和对抗条件基础之上，综合运用各种识别手段，进行多传感器、多平台、多特征的综合识别。认为需要从以下四方面着手提高弹道导弹目标识别技术。

(1)不完备智能化建库技术

从目标识别技术研究的难点来看，其中之一就是数据库建库问题，不同雷达由于对目标特征的测量存在差异，导致了不同雷达的数据库特征不能直接相互应用。所以，研究不同雷达特征库之间的差异，研究相同特征的等价性，如RCS倍数关系、一维像尺寸关系等等，此时目标识别就必须具有自学习功能，即能够自动建立目标特征库，这样不同雷达之间的数据库具有一定的通用性，最终使得目标识别技术更加实用化。

(2)面向目标识别的波形资源配置和稳健识别技术

目前，目标识别算法已经趋于成熟，急需从识别资源需求与系统波形设计、复杂电磁环境下对识别技术进行验证和优化。传统雷达波形设计主要为满足目标跟踪精度需求，兼顾目标识别需求相对较少。面对弹道导弹防御的复杂性，应当以提高目标识别率为目标来设计雷达波形。因此，需要研究面向目标识别的雷达波形设计方法，在不同的反导场景，保证跟踪的情况下，根据场景复杂性和目标匹数灵活采用不同的波形进行高效识别，从仿真和实测数据出发，研究基于贝叶斯框架的有效、稳健的特征提取方法，研究采用隐马尔可夫模型、自适应高斯分类器等雷达目标识别算法，提高目标识别率。

(3)多平台/多频段信息融合识别

对目标进行识别时，利用多个传感器，如天基雷达、地基雷达、红外探测器、海基雷达、超视距雷达和导弹制导雷达等多种传感器提取独立、互补的特征向量，基于综合处理的技术思路，采用逐层分类过滤和识别策略提高识别的正确率。多传感器抗干扰的性能大大优于单个传感器，能够降低或消除欺骗和干扰，改善识别系统稳定性，利用多基地多频段雷达获取的信息提取多角度、不同频段的目标散射特性，并进行稳健有效的特征组合，最终利用D-S证据和时间序贯融合进行识别，提高识别结果的有效性、可靠性及容错性。

(4)目标识别技术的外敌导弹识别

在实际应用中，需要对国外弹道导弹进行识别拦截，而不是对我方导弹拦截，所以目标识别的一项重要工作是建立国外导弹的数据库，在充分研究对我国弹道导弹识别的基础上，可以通过两种方式进行：一种是通过仿真和其他手段获取敌方导弹参数，基于这些参数对弹道导弹进行目标识别研究；另一种是在有条件下基于收集的国外导弹数据进行弹道导弹目标识别技术研究。只有这样，弹道导弹目标识别技术才会进一步走向实用化。

4 结束语

导弹技术与反导系统的发展决定了弹道防御系统中的目标识别技术是一个庞大复杂的系统工程。本文总结了国外弹道防御系统的特点，并介绍了典型反导装备。从技术层面对反导目标识别技术进行阐述，在实际反导应用中，需要根据雷达系统资源和反导场景对特征提取和识别算法进行综合设计，并且随着世界导弹和反导系统的不断发展，目标识别技术将是一项长期不断完善、与时俱进、螺旋上升的系统工程。

[1] DELANEY W P, WARD W W. Radar development at Lincoln laboratory: An overview of the first fifty years[J]. Lincoln Laboratory Journal, 2000, 12(2): 147-166.

[2] INGWERSEN P A, LEMNIOS W Z. Radars for ballistic missile defense research[J]. Lincoln Laboratory Journal, 2002, 12(2): 245-266.

[3] 周万幸. 弹道导弹雷达目标识别技术[M]. 北京：电子工业出版社，2011. ZHOU Wanxing. BMD radar target recognition technology[M]. Beijing: Publishing House of Electronics Industry, 2011.

[4] 金 林. 弹道导弹目标识别技术[J]. 现代雷达，2008，30(2)：1-5. JIN Lin. Overview of ballistic missle defence system[J]. Modern Radar, 2008，30(2)：1-5.

[5] 李 明. 雷达目标识别技术研究进展及发展趋势分析[J]. 现代雷达，2010，32(10)：1-8. LI Ming. Research of progress and development trend analysis on radar target recognition technique[J]. Modern Radar, 2010，32(10)：1-8.

[6] ROSS M, SHARER H．Average magnitude difference function pitch extractor[J]．IEEE Transactions on Acoustic，Speech and Signal Processing，1974，22(5)：355-362．

[7] 张仕元. 基于三角函数拟合的RCS序列进动周期估计[J]．电子与信息学报，2014，36(6)：1389-1393. ZHANG Shiyuan. Procession period estimation of RCS sequences based on trigonometric function fitting[J]. Journal of Electronics & Information Technology, 2014，36(6)：1389-1393.

[8] CHEN V C. The micro-Doppler effect in radar[M]. Norwood: Artech House Publishers, 2011.

[9] 陈行勇. 微动目标雷达特征提取技术研究[D]. 长沙: 国防科技大学，2006. CHEN Hangyong. Research on radar signature extraction from target with micro-motions[D]. Changsha: National University of Defense Technology，2006.

[10] YAO H Y, LI X X, SUN W F, et al. Micro-Doppler analysis of nutation target in ballistic midcourse[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013: 1-5.

[11] ZHANG Gang, SUN Jiajia. Reseach on micro-Doppler feature of precession target based on bistatic radar[C]// 4th International Conference on Digital Manufacturing & Automation. Qingdao, China: IEEE Press, 2013: 1086-1089.

[12] HAN Xun, DU Lan, LIU Hangwei, et al. A micro-Doppler frequency estimation method for micro-motion object using TVAR model[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013.

[13] 王 璐，刘宏伟. 基于时频图的微动目标运动参数提取和特征识别的方法[J]．电子与信息学报，2010，32(8)：1812-1817． WANG Lu, LIU Hongwei. Method for micro-motion target recognition and motion parameter extraction based on time-frequency analysis[J]. Journal of Electronics & Information Technology, 2010，32(8)：1812-1817.

[14] 牛 杰, 刘永祥, 秦玉亮, 等. 一种基于经验模态分解的锥体目标雷达微动特征提取新方法[J]. 电子学报，2011，39(7)：1712-1716． NIU Jie, LIU Yongxiang, QIN Yuliang, et al. A new method of radar micro-motion feature extraction of cone target based on empirical mode decomposition[J]. Acta Electronica Sinica, 2011，39(7)：1712-1716．

[15] CHEN Daqing, XIE Sudao, WANG Yongchen, et al. Micro-motion analysis based on HRRP sequence[C]// IET International Radar Conference. Xi′an China: IEEE Press, 2013.

[16] MING Da, ZHOU Daiying. Precession parameters extraction of midcourse target based on HRRP sequence[C]// IEEE 4th International Conference on Electronics Information and Emergency Communication. Beijing China: IEEE Press, 2013: 156-159.

[17] 毕 莉，赵 锋，高勋章，等．基于一维像序列的进动目标尺寸估计研究[J]．电子与信息学报，2010，32(8)：1825-1830． BI Li, ZHAO Feng, GAO Xunzhang, et al. Study on precessional target′s dimension estimation based on HRRPs[J]. Journal of Electronics & Information Technology, 2010，32(8)：1825-1830．

[18] JENG Y C，CROSBY P B．Sinewave parameter estimation algorithm with application to waveform digitizer effective bits measurement [J]．IEEE Transactions on Instrumentation and Measurement，1988，37(4)：529-532．

[19] 孙 俊, 戴蓓荷, 刘 洋. 基于聚类中心GDA的一维距离像目标识别方法[J]. 现代雷达，2009，31(6)：47-50． SUN Jun, DAI Beihe，LIU Yang. HRRP target recognition method based on cluster centers for GDA[J]. Moder Radar, 2009，31(6)：47-50．

[20] 冯德军. 弹道中段目标雷达识别与评估研究[D]. 长沙：国防科技大学，2006. FENG Dejun. Study on radar target recognition and its evaluation in ballistic midcourse[D]. Changsha: National University of Defense Technology，2006.

[21] PERSOON E, FU K S. Shape discrimination using Fourier descriptors[J]. IEEE Transactions on Systems, Man and Cybernetics，1977，7(3): 170-179.

[22] ESHBAUGH J V. HUSIR signal processing[J]. Lincoln Laboratory Journal, 2014, 21(1): 115-134.

[23] 黄培康，殷红成，许小剑. 雷达目标特性[M]. 北京: 电子工业出版社, 2005. HUANG Peikang, YIN Hongcheng, XU Xiaojian. Radar target characteristics[M]. Beijing: Publishing House of Electronics Industry, 2005.

[24] 郭桂蓉, 庄钊文, 陈曾平. 电磁特征抽取与目标识别[M]. 长沙: 国防科技大学出版社, 1996. GUO Guirong, ZHUANG Zhaowen, CHEN Zengping. Electromagnetic signature extraction and target recognition[M]. Changsha: Publishing House of National University of Defense Technology, 1996.

[25] 陈 强. 雷达极化中若干理论问题研究[D]. 长沙: 国防科技大学，2010. CHEN Qiang. Study on theoretical problems in radar polarimetry[D]. Changsha: National University of Defense Technology，2010.

[26] WEINBERGER K Q, FEI S, SAUL L K. Convex optimizations for distance metric learning and pattern classification[J]. IEEE Signal Processing Magazine, 2010, 27(3): 146-158.

[27] FRIEDMAN N, GEIGER D, GOLDSZMIDT M. Bayesian network classifiers[J]. Machine Learning, 1997, 29(2) : 131-163.

[28] 郭桂蓉. 模糊模式识别[M].长沙:国防科技大学出版社，1992. GUO Guirong. Fuzzy pattern recognition[M]. Changsha: Publishing House of National University of Defense Technology, 1992.

[29] VAPNIK V N. The nature of statistical learning theory[M]. NewYork: Springer, 2000.

[30] TAX D M J, DUIN R P W. Support vector data description[J]. Machine Learning, 2004, 54(1): 45-66.

[31] DUDA R O, HART P, STORK D. Pattern classification[M]. NewYork: John Wiley and Sons, 2001.

[32] YAGER R R. On the dempster-shafer framework and new combination rules[J]．Information Science，1987，41(2)：93-137．

[33] INAGAKI T．Interdependence between safety-control policy and multiple sensor schemes via dempster-shafer theory[J]．IEEE Transaction on Reliability，1991，40(2): 182-188．

[34] 孙 全，叶秀清，顾伟康．一种新的基于证据理论的合成公式[J]．电子学报，2000，28(8)：117-119． SUN Quan, YE Xiuqing, GU Weikang. A new combination rules of evidence theory[J]. Acta Electronica Sinica, 2000，28(8)：117-119．

[35] MURPHY C K．Combining belief functions when evidence conflicts[J]．Decision Support Systems，2000，29(1)：1-9．

[36] JOUSSELME A L, GRENIER D，BOSSE E．A new distance between two bodies of evidence[J]．Information Fusion，2001(2)：91-101．

句彦伟 男，1978年生，博士，高级工程师。研究方向为ISAR成像与目标识别等。

张仕元 男，1975年生，博士，高级工程师。研究方向为目标识别与雷达信号处理等。

Overview of Development for Anti-missile System and Target Recognition Technique

JU Yanwei，ZHANG Shiyuan

(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)

Target recognition is a key prob1em in the ballistic missile defence system(BMDS), which determines whether the anti-missle radar can recognize the warhead or not in the BMD. Firstly, the advanced anti-missile systems and their characteristic are introduced in this paper. Then, all kinds of feature extraction algorithms and target recognition techniques are overviewed in radar anti-missile systems. Finally, the future developing tendency and long-term course of target recognition technique are pointed out.

anti-missle system; feature extraction; target recognition

10.16592/ j.cnki.1004-7859.2016.04.002

句彦伟 Email：juyanwei@126.com

2015-11-16

2016-01-28

TN911.7

A

1004-7859(2016)04-0008-07