1.2 雷达数据处理中的基本概念

雷达数据处理单元的输入是雷达数据录取器输出的雷达点迹，数据处理单元输出的是对目标进行数据处理后所形成的航迹。目标跟踪和数据互联是雷达数据处理的两大核心技术，目标跟踪是通过量测数据对不同时刻目标的位置坐标以及目标状态进行近似估计和预测，数据关联是将后一时刻的量测数据与前一时刻可能的目标量测或目标航迹的配准问题，除此之外，雷达数据处理过程中的功能模块还包括：点迹预处理、航迹起始等内容，而数据关联和跟踪的过程中还必须建立波门。雷达数据处理的简要流程如图1.1所示。下面简要讨论雷达数据处理各个功能模块所包含的主要内容和相关概念。

1.量测

量测是指与目标状态有关的受噪声污染的观测值[14]，量测通常并不是雷达的原始数据点，而是经过信号处理后的数据录取器输出的点迹。点迹按是否与已建立的目标航迹发生互联可分为自由点迹和相关点迹，其中，与已知目标航迹互联的点迹称为相关点迹，而与已建立的目标航迹不互联的点迹为自由点迹。另外，初始时刻测到的点迹均为自由点迹。概括来讲量测主要包括以下几种：

①雷达所测得的目标距离、方位角、俯仰角；

②两部雷达之间的到达时间差；

③目标辐射的窄带信号频率；

④观测的两个雷达之间的频率差（由多普勒频移产生）；

⑤信号强度等。

在现代复杂环境中，由于多种因素的影响，量测有可能是来自目标的正确量测，也有可能是来自杂波、虚假目标、干扰目标的错误量测，而且还有可能存在漏检情况，也就是说量测通常具有不确定性。概括来讲造成量测不确定性的原因主要有以下几种：

①检测过程中的随机虚警；

②由于所感兴趣目标附近的虚假反射体或辐射体所产生的杂波；

③干扰目标；

④诱饵等。

2.量测数据预处理

尽管现代雷达采用了许多信号处理技术，但总会有一小部分杂波/干扰信号漏过去，为了减轻后续数据处理计算机的负担、防止计算机饱和以及提高系统性能等，还要对一次处理所给出的点迹（量测）进行预处理，即量测数据预处理。量测数据预处理是对雷达信息二次处理的预处理，它是对雷达数据进行正确处理的前提条件，有效的量测数据预处理方法可以起到“事半功倍”的作用，即在降低目标跟踪计算量的同时提高目标的跟踪精度。量测数据预处理技术包括的内容很多，其中主要包括系统误差配准、时间配准、空间配准、野值剔除及防止出现饱和等。

（1）系统误差配准。雷达对目标进行测量所得的测量数据中包含两种测量误差：一种是随机误差，是由测量系统的内部噪声引起的，每次测量时它可能都是不同的，随机误差可通过增加测量次数，利用滤波等方法使误差的方差在统计意义下最小化，在一定程度上克服随机误差；另一种是系统误差，它是由测量环境、天线、伺服系统、数据采集过程中的非校准因素等引起的，例如雷达站的站址误差、高度计零点偏差等，系统误差是复杂、慢变、非随机变化的，在相对较长的一段时间内可看作未知的“恒定值”。文献[15]的研究结果表明当系统误差和随机误差的比例大于等于1时，分布式航迹融合和集中式点迹融合的效果明显恶化，此时必须对系统误差进行校正。

（2）时间配准。由于每部雷达的开机时间和采样率均可能不相同，通过数据录取器所录取的目标测量数据通常并不是同一时刻的，所以在多雷达数据处理过程中必须把这些观测数据进行时间同步，通常利用一个雷达的采样时刻为基准，其他雷达的时间统一到该雷达的时间上。

（3）空间配准，即把不同雷达站送来的数据的坐标原点的位置、坐标轴的方向等进行统一，从而将多个雷达的测量数据纳入一个统一的参考框架中，为雷达数据处理的后期工作做铺垫。

（4）野值剔除，即把雷达测量数据中明显异常的值剔除。

（5）防止出现饱和，主要指下面两种情况下出现的饱和：

①数据处理系统设计时，要限定能够处理的一定数量的目标数据，然而在实际系统中，要处理的数据远远超出处理能力时出现的饱和；

②数据处理部分被分配的处理时间有限，当点迹的数量或目标批数增加到一定数量时，也出现饱和。在这种情况下，数据处理器对一次观测得到的数据尚没处理完，就被迫中断而去处理下一批数据。

3.数据互联

在单目标无杂波环境下，目标的相关波门内只有一个点迹，此时只涉及跟踪问题。在多目标情况下，有可能出现单个点迹落入多个波门的相交区域内，或者出现多个点迹落入单个目标的相关波门内，此时就会涉及数据互联问题。例如，假设雷达在第n次扫描之前已建立了两条目标航迹，并且在第n次扫描中检测到两个回波，那么这两个回波是两个新目标，还是已建立航迹的两个目标在该时刻的回波呢？如果是已建立航迹的两个目标在该时刻的回波，那么这两次扫描的回波和两条航迹之间怎样实现正确配对呢？这就是数据互联问题，即建立某时刻雷达量测数据和其他时刻量测数据（或航迹）的关系，以确定这些量测数据是否来自同一个目标的处理过程（或确定正确的点迹和航迹配对的处理过程）。数据互联通常又称作数据关联，有时也被称作点迹相关，它是雷达数据处理的关键问题之一，如果数据互联不正确，那么错误的数据互联就会给目标配上一个错误的速度，对于空中交通管制雷达来说，错误的目标速度可能会导致飞机碰撞；对于军用雷达来说，可能会导致错过目标拦截。数据互联通常是通过相关波门来实现的，即通过波门排除其他目标形成的真点迹和噪声、干扰形成的假点迹。概括来讲，按照互联的对象的不同，数据互联问题可分为以下几类[16]：

①量测与量测的互联或点迹与点迹的互联（航迹起始）；

②量测与航迹的互联或点迹与航迹的互联（航迹保持或航迹更新）；

③航迹与航迹的互联又称作航迹关联（航迹融合）。

从数学上来看，数据互联问题可分为以下两种模型[16]：

①确定性模型，其中量测源是确定的，并忽略它未必是正确的这一事实；

②概率模型，它利用贝叶斯准则计算各个事件的概率，然后利用这些概率值适当修正状态估计算法。

在多目标跟踪中，数据互联问题是整个跟踪问题的核心与关键，在多目标环境下为了有效解决不同时刻测量数据的正确关联问题，就需要利用尽可能多的信息，数据互联算法往往也会比较复杂。

4.波门

在对目标进行航迹起始和跟踪的过程中通常要利用波门解决数据互联问题，那么什么是波门呢？它又分为哪几种呢？下面就针对该问题作简要讨论。

初始波门：以自由点迹为中心，用来确定该目标的观测值可能出现范围的一块区域。在航迹起始阶段，为了更好地对目标进行捕获，初始波门一般要稍大一些。

相关波门（或相关域、跟踪波门）是指以被跟踪目标的预测位置为中心，用来确定该目标的观测值可能出现范围的一块区域[17]。波门大小与雷达测量误差大小、正确接收回波的概率等有关，也就是在确定波门的形状和大小时，应使真实量测以很高的概率落入波门内，同时又要使相关波门内的无关点迹的数量不是很多。落入相关波门内的回波称为候选回波。相关波门的大小反映了预测的目标位置和速度的误差，该误差与跟踪方法、雷达测量误差以及要保证的正确互联概率有关。相关波门的大小在跟踪过程中并不是一成不变的，而是应根据跟踪的情况在大波门、中波门和小波门之间自适应调整。

①对处于匀速直线运动目标，比如民航飞机在高空平稳段飞行时，设置小波门；波门最小尺寸不应小于测量误差的均方根值的3倍；

②当目标机动比较小时，比如飞机的起飞和降落、慢速转弯等可设置中波门；中波门可在小波门的基础上再加上1～2倍的测量误差的均方根值；

③当目标机动比较大时，比如飞机快速转弯，或者是目标丢失后的再捕获，可采用大波门。另外，在航迹起始阶段，为了有效地捕获目标初始波门也应采用大波门。

5.航迹起始与终结

航迹起始是指从目标进入雷达威力区（并被检测到）到建立该目标航迹的过程。航迹起始是雷达数据处理中的重要问题，如果航迹起始不正确，则根本无法实现对目标的跟踪。

由于在对目标进行跟踪的过程中，被跟踪的目标随时都有逃离监视区域的可能性，一旦目标超出了雷达的探测范围，跟踪器就必须做出相应的决策以消除多余的航迹档案，进行航迹终结。

6.跟踪

跟踪问题和数据互联问题是雷达数据处理中的两大基本问题，它们之间的关系可用图1.2表示，前面我们已经简要介绍了数据互联的相关概念，下面介绍什么是跟踪。

跟踪是指对来自目标的量测值进行处理，以便保持对目标现时状态的估计[16]。多雷达多目标跟踪系统是一个复杂性很高的大系统，这种复杂性主要是由于雷达数据处理过程中存在的不确定性。

（1）从量测数据来看，由于雷达得到的量测数据是随时间变化的随机变量（随机序列），该随机序列可能是非等间隔采样得到的，可能存在系统误差[18]，观测噪声是非高斯分布的等等，这些影响因素都需在实测数据处理中加以考虑。

（2）从多目标跟踪角度看，跟踪问题的复杂性主要来源于：

①量测源的不确定性，由于存在多目标和虚警，雷达环境会产生很多点迹，导致用于滤波的量测值的不确定性；

②目标模型参数不确定性，这是由于目标随时可能出现机动现象，导致一开始设置的模型参数不准确，此时必须根据跟踪情况不断对模型参数做出调整，以解决机动目标跟踪问题。

（3）从系统角度看，跟踪系统可能是非线性的，系统结构复杂，而复杂环境下的系统跟踪性能一方面取决于滤波算法本身解决量测源的不确定性和目标模型参数不确定性的能力，即滤波算法能否有效解决量测数据的互联和目标自适应跟踪问题，另一方面也需对系统本身的非线性等加以考虑。

为了能够在这些复杂条件下对目标进行有效跟踪，主要需要解决以下两个方面的问题。

（1）目标运动模型和观测模型的建立。雷达数据处理中的基础是估计理论，它要求建立系统模型来描述目标动态特性和雷达测量过程。状态变量法是描述系统模型的一种很有价值的方法，它是在系统状态方程和观测方程基础上进行的，并把系统状态变量、系统状态方程和观测方程、系统噪声和观测噪声、系统输入以及系统输出（即状态变量的估值）称为目标跟踪系统建模的5个基本要素。上述5个基本要素反应了一个系统的基本特征，也可以看作是动态系统的一种完备表示。其中，系统状态变量的引入是创立最优控制和估计理论的核心。这是因为在状态空间中，所定义的状态变量应是能够全面反映系统动态特性的一组维数最少的变量，并把某一时刻的状态变量表示为前一时刻状态变量的函数。系统的输入输出关系是用状态转移模型和输出观测模型在时域内加以描述的。状态反映了系统的“内部条件”，状态方程输入可以由确定的时间函数和代表不可预测的变量或噪声的随机过程组成，输出是状态向量的函数，观测方程通常受到随机观测误差的扰动。在系统建模过程中，用系统状态方程和观测方程来描述目标运动动态特性的方法是迄今为止最成功的常用方法。跟踪相关数学模型的图解说明如图1.3所示，从图中可见状态方程和观测方程之间的关系。

（2）跟踪算法。在状态空间中进行的跟踪滤波算法实际上属于基于状态空间的最优估计问题，跟踪算法关心的问题主要有以下两点。

①机动多目标跟踪问题，机动是目标的基本属性之一，也是进攻或逃避过程中常用的运动形式。因此，机动多目标跟踪是目标跟踪领域的重点研究问题，它需要解决机动目标模型、检测以及跟踪算法。

②跟踪算法的最优性、鲁棒性、快速性问题，即需要统筹考虑算法的跟踪实时性、跟踪精度和算法的稳健性问题。同时，随着新体制雷达的出现，需要研究新的跟踪算法，如相控阵雷达、超视距雷达、多传感器组网等，需要不断研究新的跟踪算法。

目标跟踪中状态估计是否有效、可靠，关键在于所建立的数学模型是否与实际系统的变化情况相匹配。一旦目标的真实运动与滤波所采用的目标运动模型不一致或者出现了错误的数据互联等，都可能导致滤波发散，即滤波值和目标真实值之间的差值随着时间的增加而无限增长。一旦出现发散现象，滤波就失去了意义。

7.航迹

航迹是由来自同一个目标的量测集合所估计的目标状态形成的轨迹[16]，即跟踪轨迹。雷达在对多目标进行数据处理时要对每个跟踪轨迹规定一个编号，即航迹号，与一个给定航迹相联系的所有参数都以其航迹号作为参考；而航迹可靠性程度的度量可用航迹质量来描述，通过航迹质量管理，可以及时、准确地航迹起始以建立新目标档案，也可以及时、准确地撤销航迹以消除多余目标档案[17]。航迹是数据处理的最终结果，可参见目标跟踪流程图，如图1.4所示。

根据所航迹起始的质量高低，航迹可分为以下几类。

（1）可能航迹。可能航迹是由单个测量点组成的航迹。

（2）暂时航迹。由两个或多个测量点组成的并且航迹质量数较低的航迹统称为暂时航迹，它可能是目标航迹，也可能是随机干扰，即虚假航迹。可能航迹完成初始相关后就转化成暂时航迹或被撤销，也有人把暂时航迹称为试验航迹。

（3）确认航迹。确认航迹是具有稳定输出或航迹质量数超过某一定值的航迹，也称为可靠航迹或稳定航迹，它是数据处理器建立的正式航迹，通常被认为是真实目标航迹。

（4）固定航迹。它是由杂波点迹所组成的航迹，其位置在雷达各次扫描间变化不大。

在点迹与航迹的互联过程中可确定这样一种排列顺序：先是固定航迹，再是确认航迹，最后是暂时航迹。也就是说在获得一组观测点迹后，这些点迹首先与固定航迹关联，那些与固定航迹关联上的点迹从点迹文件中删除并用来更新固定航迹，即用互联上的点迹来代替旧的杂波点。若这些点迹不能与固定航迹进行互联，其再与已经存在的确认航迹进行互联，互联成功的点迹用来更新确认航迹。和确认航迹关联不上的点迹和暂时航迹进行互联，暂时航迹后来不是消失了就是转为确认航迹或固定航迹。确认航迹的优先级别高于暂时航迹，这样可使得暂时航迹不可能从确认航迹中窃得点迹。

（5）航迹撤销。当航迹质量数低于某一定值或是由孤立的随机干扰点组成时，称该航迹为撤销航迹，而这一过程称为航迹撤销或航迹终结。航迹撤销就是在该航迹不满足某种准则时，将其从航迹记录中抹去，这就意味着该航迹不是一个真实目标的航迹，或者该航迹对应的目标已经运动出该雷达的威力范围。也就是说如果某个航迹在某次扫描中没有与任何点迹关联上，要按最新的速度估计进行外推，在一定次数的相继扫描中没有关联点迹的航迹就要被撤销。航迹撤销的主要任务是及时删除假航迹而保留真航迹。

航迹撤销可考虑分为三种情况：

①可能航迹（只有航迹头的情况），只要其后的第一个扫描周期中没有点迹出现，就将其撤销；

②暂时航迹（例如对一条刚初始化的航迹来说），只要其后连续三个扫描周期中没有点迹出现，就将该初始航迹从数据库中消去；

③确认航迹，对其撤销要慎重，可设定连续4～6个扫描周期内没有点迹落入相关波门内，可考虑撤销该航迹，需要注意的是，这期间必须多次利用盲推的方法，扩大波门去对丢失目标进行再捕获，当然也可以利用航迹质量管理对航迹进行撤销。

8.和航迹相关的几个概念

（1）冗余航迹：当有二个或二个以上的航迹分配给同一个真实目标时，称为航迹冗余，多余的航迹称为冗余航迹。

（2）航迹中断：如果某一航迹在t时刻分配给某一真实目标，而在t+m时刻没有航迹分配给该目标，则称在t时刻发生了航迹中断，其中，m是由测试者设定的一个参数，通常取m=1。

（3）航迹交换：如果某一航迹在t时刻分配给某一真实目标，而在t+m时刻另一个航迹分配给该目标，则称在t时刻发生了航迹交换，其中，m是由测试者设定的一个参数，通常取m=1。

（4）航迹寿命：航迹的长度（连续互联次数），按照终结的航迹是假航迹还是真航迹又可分为[19]：

①假航迹寿命：一条假航迹从起始到被删除的平均雷达扫描数称为假航迹寿命。在虚假点迹十分密集的情况下，既使是虚假航迹有时也维持较长的长度。

②真航迹寿命：一条真航迹起始后被误作假航迹删除的平均雷达扫描数，称为真航迹寿命。

真航迹维持时间受两个因素的限制：

①由于点迹-航迹关联错误（真点迹测量到了，但和其他航迹发生互联，在密集目标环境或交叉目标环境等容易出现该问题），可能降低真实航迹质量，甚至把真实航迹当作假航迹删除。

②由于连续丢失量测次数达到给定的门限而作为丢失目标被删除，该情况容易出现在低信噪比或强干扰情况下。

9.网络中心式数据处理

随着计算机技术、通信技术和微电子技术的发展，以及现代战争的复杂性日益提高，迫使人们要对多种体制的雷达源进行更有效的集成，以提高信息处理的自动化程度。现代战争中雷达组网是对抗四大威胁的一种有效手段，而从信息流通形式和数据处理方式上看，雷达组网可以采用的数据处理结构有：集中式、分布式、混合式、多级式、网络中心式等，其中集中式、分布式、混合式、多级式数据处理结构可参见文献[9]下面简要介绍一下网络中心式数据处理结构。

网络中心战是由美国前海军作战部长Jay Johnson首先提出来的，美国国防部向国会和总统提交的2003年《国防报告》中正式将这一理念写入国防政策报告，而协同作战能力（Cooperative Engagement Capability，CEC）系统是网络中心战的重要组成部分。CEC网络中，由于传感器观测范围的限制，或敌方干扰、外部大气环境条件以及雷达本身的故障等影响，当某个或某几个传感器对目标的观测处于盲区状态时，参加网络作战的每个CEC单元只能观测到目标的部分时间段，因而导致航迹不连续，甚至丢失目标。但是由于数据分发系统（DDS）的实现，各个传感器平台可以进行实时的数据交换，使得不同的观测数据可以在最短的时间内共享，互补观测空白，提高观测精度，使传感器的观测盲区最小化，最大程度克服干扰区内目标航迹的不稳定性。通过航迹合成可应用网内其他传感器的观测数据（或航迹）填补观测空白，从而得到比不采用这种技术产生的航迹态势更加清晰、准确、完整的航迹处理过程，得到的是全局航迹而不是局部航迹，是稳定航迹，而不是暂时航迹。

10.多目标智能跟踪

近年来，以深度学习、机器学习为代表的人工智能技术在视频图像、自然语言处理、控制决策等多个领域取得重大突破，该技术受到国内外学者的普遍重视，得到大量研究[20～23]，人们不断尝试把人工智能理论向其他领域延展。多目标智能跟踪是人工智能与雷达数据处理技术交叉融合的结果，它是利用以神经网络为代表的深度学习算法所具有的强大非线性拟合、学习、联想等能力，通过神经网络技术等来识别目标的运动模式、参数，对目标跟踪中的关键核心问题利用深度学习、机器学习等人工智能理论加以解决。