智能化时代雷达导引头信号处理关键技术展望

陈伟 孙洪忠 齐恩勇

摘要：随着电磁及干扰技术的飞速发展，战场环境日益复杂，尤其是网络化技术以及人工智能技术的大量应用，现代战争越来越呈现出信息化、网络化、智能化特点。对雷达型空空导弹而言，智能空战时代智能组网、协同攻击将会成为雷达弹的主要作战模式，此时传统的基于个体的雷达探测、识别、抗干扰方法局限性愈加明显;协同智能化探测、智能抗干扰将逐步成为雷达导引头发展的重要方向，开发高效的反隐身、智能化抗干扰抗杂波方法将直接关系到智能时代雷达型空空导弹的成败。从目前欧美的发展趋势来看，将人工智能技术用于雷达导引技术可进一步提升雷达导引头智能化水平，有助于提升其抗干扰、抗杂波、反隐身能力。

关键词：雷达导引头;智能化;环境感知;深度学习;智能决策;杂波智能抑制;智能抗干扰

中图分类号：TJ765.3+31;TN93文献标识码：A文章编号：1673-5048（2019）01-0076-07[SQ0]

0引言

随着军事装备技术的飞速发展，雷达弹面临着越来越严酷的作战环境。反隐身、抗干扰、抗杂波及抗低空突防已经成为雷达弹面临的重要挑战[1-4]。对于雷达型空空导弹而言，其对抗对象已由传统的三代机逐步扩展为四代隐身战机（如F-22，F-35，T-50等）、无人机、巡航导弹在内的各类目标，甚至包括部分地面、海面作战单元。美国在2004年提出了“联合双任务制空导弹”（JDRADM）计划以及美国国防预先研究计划局（DARPA）2010年发起的T3项目，均对隐身战机、巡航导弹和防空目标提出了具体的作战需求。与常规的三代作战飞机相比，隐身战机、无人机等目标的RCS数量級降低，回波信号急剧降低，目标更加难以被探测。此外，隐身战机、无人机的大量装备使得传统的高空突防模式正逐步演变为低空/超低空突防，此时强地海杂波将不可避免地影响到雷达导引头的检测跟踪性能。提高雷达导引头反隐身、抗杂波能力将成为探测隐身、低空突防目标的不二选择，直接关系到是否可以先敌发现和先敌攻击以及未来空战中制空权夺取问题[5]。因此，开发高效的、智能化的弱小信号检测算法将具有重要意义。

电磁干扰技术的快速发展，尤其是射频存储转发技术（DRFM）的广泛应用，使得干扰设备的性能得到了极大提升，DRFM通过射频截获、存储、调制、转发敌方雷达信号，在距离或速度上生成大量高度逼真的假目标，使得雷达导引头无法在时、频、极化域等分辨目标和干扰，影响、欺骗或者阻碍雷达导引头对真实目标的检测识别，甚至从角度上诱偏导引头，进而直接影响导弹武器精确打击效果。为了提升导引头抗干扰能力，目前国内外在相关方面进行了大量研究，如时频分解、极化信息、相关函数、多阶矩等统计特征以及距离超分辨、前沿跟踪、多域联合估计、复杂波形调制、多模等技术进行干扰对抗，然而上述技术或方法抗干扰能力有限[5-9]。尤其近年来干扰网络化、智能化发展新趋势，传统的基于预置抗干扰策略已经越来越难以满足实际作战需求。面对干扰智能化发展趋势，从干扰-抗干扰博弈角度来看，抗干扰技术也必须实现智能化，实现干扰-抗干扰智能化博弈。

航空武器技术的不断发展以及信息化、网络化技术的大量应用，作战模式已由传统单一作战单元间的对抗逐步过渡为多机、多弹之间的协同、体系对抗，单机/弹作战模式已经无法满足日益复杂的空战任务需求。美国早在MKV（MultipleKillVehicles）计划中就披露：现有的地基和海基系统很难准确识别带诱饵的低空突防目标，但可通过多枚拦截器协同工作对真假目标进行拦截，多拦截器协同工作时大大降低了对单个探测系统目标识别能力的需求[10];俄罗斯也在这方面进行了大量研究，并取得了一定的成果，其研发的П-700导弹具备协同探测与攻击能力。从信息化战争以及导弹战术使用角度来看，多弹信息共享、协同作战不仅可以利用群体优势对敌进行协同探测、多层次全方位打击，还能实现战术隐身，增强目标识别及抗干扰能力，提升导引头战场环境感知能力[11-12]。然而现役导弹大都独立工作，信息共享能力差，融合方式简单。因此，面向未来的体系化空战需求，导引头首先要解决多弹/多平台信息共享、信息融合、智能决策等问题，也就是说雷达导引头必须努力提升其智能化水平。实际上，近年来空空导弹的技术发展已经对智能信息处理方法提出了需求，随着作战需求不断提升、多模技术发展以及电子元器件集成度提高，导引头的复杂度及信息感知能力越来越强，信息量越来越大，此时传统的基于专家经验知识的信号处理手段的局限性愈来愈明显，尤其在处理异构、多域、高维度信息方面，局限性已经越来越明显，开发高效的、基于数据驱动的智能化信号处理方法已经成为雷达信号处理领域的重要研究方向及研究热点[13-15]。

1雷达导引头信号处理发展趋势

人工智能是一门基于计算机科学、生物学、神经科学、数学等多学科的科学和技术，通过计算机模拟人类行为，使之能够获取新的知识和技能、重组已有知识并使之不断完善。机器学习作为人工智能技术的核心，经过60余年的不断发展，目前已经取得了长足进步。近年来，随着大数据技术、机器学习技术的发展，以深度学习为代表的人工智能技术掀起了一股研究热潮，其在语音识别、手写识别、自动驾驶、人脸识别等领域均显示了良好的生命力，尤其是在处理高维度、复杂数据方面的优越性日益明显[16-18]。

航空兵器2019年第26卷第1期

陈伟，等：智能化时代雷达导引头信号处理关键技术展望

从军事领域的发展及应用需求来看，人工智能技术也是未来解决复杂战场环境下目标探测、抗干扰的重要发展方向之一。实际上欧美国家早已经在相关领域开展了研究工作[14，18-21]。如美国DRPRA，NASA等在20世纪90年代就持续支持人工智能技术在空中侦察、雷达抗干扰等领域的应用研究，并且取得了一定的研究成果，其中远程反舰导弹（LRASM）是人工智能技术在军事领用应用的一个典范。此外，DARPA在自适应电子战、自适应波形设计、自适应雷达对抗领域也开展了大量研究，部分项目已经进入演示验证阶段，但由于军事技术保密原因，智能化抗干扰技术一直属于敏感方向，国外相关技术及实现途径鲜见公开发表或报道。国内高校及一些研究机构近年也兴起了一股以深度学习为代表的智能识别研究热潮，并取得了不错的成果，但主要集中在自动驾驶、语音识别等领域;在军事应用领域，目前尚处于借鉴阶段及理论研究阶段，且主要集中在有源干扰识别等领域，具体到空空导弹应用领域，从目前公开资料来看，大都尚处于概念论证阶段，距离工程应用还有很长的一段路程。

从未来空战形式以及雷达弹反隐身、抗干扰、抗杂波等需求来看，雷达导引头必须努力提高信息共享、智能杂波抑制、智能检测、自适应波形设计以及大数据处理能力，具备环境感知、自主决策功能。因此，在未来雷达导引头发展及设计过程中，以下几项关键技术需要重点关注及突破。

1.1环境感知技术

对雷达型空空导弹而言，作战环境复杂多变，作战背景一般可分为山区、丘陵、城市、海洋、沙漠等，而且环境中还包含各种人为及自然干扰;作战目标类型也复杂多变，如弹道导弹、巡航导弹、隐身战机、无人飞行器、海面舰艇、地面炮车等。复杂多变的战场环境对雷达导引头探测、抗干扰性能提出了更加严苛的需求。雷达导引头的基本任务是从包含噪声、杂波、干扰的回波信号中提取目标信息。在实际设计过程中，其需要在控制虚警前提下，尽可能提高检测概率，这本身就是一对矛盾命题。雷达导引头检测算法与背景密切相关，如杂波抑制算法、恒虚警算法等均需要根据实时态势进行设计或动态调整，如自适应低副瓣杂波抑制方法需要根据回波特征实时调整权重系数;恒虚警算法需要依据噪声、杂波、干扰分布选择合适算法，否则不仅不会改善检测性能，还会恶化检测结果;基于能量/幅度的目标检测算法需要预估目标尺寸、机动特性，否则也会因为模型失配恶化检测跟踪性能。此外，抗干扰策略的设计也需要实时根据干扰特点进行动态调整，否则抗干扰性能将会下降。简而言之，反隐身、抗杂波、抗干扰算法设计都依赖于对背景环境的准确了解与估计。

现有雷达导引头大都按照预定逻辑完成目标探测、识别及跟踪，不具备环境感知能力，难以依据当前所处环境动态调整信息及信号处理算法。而在实际设计过程中，也不可能对所有可能环境、态势进行遍历建模，一一设计出对应信号处理算法。为了尽可能适应多种环境，现有设计在不同态势下进行折中处理，因此，其环境适应性会受到限制。而在信息化、网络化作战环境下战场环境瞬息万变，雷达导引头必须具有根据作战任务及环境态势“智能”调整工作参数、选择合适的对抗策略，否则就很难起到战术作用。从匹配设计原则可知：要提升导引头在不同环境下的适应性并获得最大信号处理增益，导引头信号处理方法必须与环境态势匹配。因此，未来导引头必须具备的环境感知及学习能力，通过环境感知学习实现高维度目标与环境的全面描述，从而智能的调整工作参数、选择合适的信号处理方法及抗干扰策略，进而全面提升导引头在各种环境下的适应性及关键技术指标。

从深度学习在图像识别、图像理解、图像重构等领域的应用经验来看，其不依赖于专家经验知识且对数据格式无严格要求，避免了大量的人工特征提取及优选过程，具有极高的识别概率与极低的重构误差[22]。从任务需求、数据规模及格式来看，雷达信号处理与图像信号处理高度相似，深度学习是解决环境感知学习的一个重要途径。通过多层神经网络等模型对导引头获取信息进行训练积累、归纳和学习，快速发现杂波、干扰、目标特征，通过机器学习对环境态势进行判断评估，引导雷达系统自主地调整工作模式、参数、信号处理算法等，获得最优解，提高雷达导引头环境适应性。

1.2智能杂波抑制技术

现代及未来空战中，打击低空突防目标是雷达导引头的基本任务之一，此时强地/海杂波将不可避免地影响导引头探测性能。

杂波的幅度谱是指幅度服从固定的概率密度函数，通常与地形或海情相关。早期的低精度雷达，功率谱可看作高斯谱;而现代高精度雷达，其发射的波束很窄且擦地角很小，功率谱分布并不能近似看作高斯谱，而是近似看作柯西谱或立方谱。实际中，杂波的分布特性更加复杂，杂波分布与弹体飞行姿态、擦地角、地貌、海情等多种因素强相关。目前广泛使用的自适应杂波抑制方法大都建立在广义平稳假设基础之上，通过样本的统计协方差矩阵优化权重，实现最优滤波器设计。实际应用中，空空导弹下视工作时所面临的杂波通常都不是广义平稳的，使得自适应处理性能急剧恶化。杂波协方差等统计特征准确估计直接关系到自适应处理成败。近年来，杂波積累数据的不断增长，为杂波协方差、分布等准确估计提供了可能，此外导引头信息感知能力的不断增长，也为杂波自适应抑制提供了更多可供参考的先验信息，利用先验辅助信息进行自适应设计是当前研究的热点[23-24]。然而，现有的基于统计学方法已经越来越难以满足实际需求，一方面海量杂波数据加大了人工统计难度;另一方面也对专家知识提出了更高挑战。开发高效面向大数据的杂波学习算法就显得尤为重要。不妨借鉴深度学习图像降噪思想，利用积累的目标和杂波数据，采用卷积神经网络、分层神经网络等实现目标及杂波深度特征的表示学习和杂波类型的智能学习，从而确定杂波类型及特征，形成杂波环境的先验知识，进而以杂波类型、特征及其他相关先验知识为基础，实现基于深度学习技术自适应杂波抑制方法。此外，还可以利用深度学习、支持向量机等方法完成对目杂波等的特征提取和模式识别任务，实现杂波和目标可靠鉴别，提高导引头杂波下的检测性能。

1.3智能目标检测识别技术

1.3.1多源信息处理技术

对于空空导弹而言，雷达导引头可视作导弹信息获取的一类传感器。随着技术进步，导引头获取的信息及信号形式不再单一，回波信号可以是一维信号，如高分辨一维距离像，也可以是二维信号，如时频二维谱或二维距离像，甚至是更高维的信号，如时-频-极化信息等;此外，导引头覆盖频段也不再单一，可以跨越两个甚至多个频段，如C+X，X+Ku+Ka等，回波信号中包含更多波段的电磁特性信息。与此同时，随着抗干扰需求提升以及复合技术的进步，雷达导引头通常可与红外、激光复合，也可以是主动与被动复合，此时导引头获取的信息更加丰富，不仅含有目标电磁散射特性信息，还包含目标的光学信息。

与单一信源相比，多源信息不仅可以降低模糊程度，提高时空分辨率，还能增强系统的容错性及可靠性。近年来，国内外在相关领域开展了大量研究工作，如融合识别、融合信息诊断、多源融合定位等，但大都集中在融合结构、准则及算法选择与优化上面，对深层次的高效异构融合问题较少涉及[25-27]。从导引头信号处理领域来看，在同源或异源信息处理方面，工程实现上尚未找到特别好的处理方法，目前仍然是以决策层融合为主，首先对不同的异类传感器数据/信息设计专门的信号处理算法，然后在决策层对结果进行融合，如加权平均、置信度选取、选举决策、分时切换等，一方面对专家经验知识依赖较高，另一方面信息综合利用率极低。

如何充分利用导引头获取的同源同构/同源异构信息提高其综合性能已成为当前急需解决的关键问题。一方面可尝试开发新的方法对获取的同构/异构进行深度融合，如特征级融合，甚至是数据级融合，提高信息利用率。另外一方面也需要积极探索研究新的理论，在新的框架下对多源数据融合进行统一的、抽象层级描述，实现深度信息融合。此外，对传感器信息缺失、连续性以及交叉提示等方面的研究也较少涉及，后续需要继续加强该方面的研究以提高协同探测及隐身目标探测能力。

深度学习通过模拟人脑神经网络进行学习，借助复杂的多层网络拓扑结构，完成了数据从低层次到高层次的抽象表示，实现了数据到结果端到端学习，解决了同构、异构信息在统一框架下描述及联合学习问题，降低了对高维数据结构约束要求。结合导引头智能化发展需求，深度学习技术为解决导引头多源信息融合问题、提高导引头检测识别性能提供了重要的技术解决方案。对导引头获取的同构/异构信息，采用如卷积神经网络、堆栈自编码器等技术实现数据到结果的投影学习，实现数据在抽象层次的深度融合，挖掘数据间的相关性，提高数据利用率，大幅改善探测识别性能。

1.3.2智能检测识别技术

目标检测是导引头的主要问题之一，经典算法主要是基于相参与非相参体制的能量检测算法，近年来随着技术的进步，也陆续出现了一些检测前跟踪算法，如粒子滤波、Hough变换、检测前聚焦等[13，18，28-29]。上述方法大都是基于能量或者目标的运动状态，信息利用率有限，检测过程容易受噪声、杂波、干扰等因素影响，尤其是高速、大机动、干扰情况下，检测算法的性能通常会存在不同程度下降。面对导引头不断增强的信息获取能力，现有的基于专家经验知识的检测、识别算法已经难以满足战场需求。

从欧美等国近年的研究来看，将知识辅助、智能学习引入到目标检测领域是解决复杂电子环境下目标探测、识别的一个重要途径[14，30]。虽然幅度特性、时域相关性、频域相关性、空域相关性、波形熵等特征均可辅助目标检测，但其容易受噪声及干扰影响，因此，从复杂的回波信号中进一步提取对尺度、环境、状态不敏感的特征就成为了研究难点。而这恰恰是深度学习擅长领域，其通过多层感知器实现了数据从低层次到高层次的抽象表示，而无需设计具体的特征提取方法。因此，可利用深度学习对回波信号进行分析，构建基于特征及能量的联合目标检测算法。图1所示为智能多特征联合检测方法。

目标识别是导引头的重要任务之一，然而复杂电磁环境下，传统基于专家规则及简单分类器的识别系统已无法匹配战场需求，一方面数据维度急速扩展增大了规则表达难度，加大了提取对噪声、干扰、尺度不敏感特征的难度，另外一方面系统可扩展性差，难以适应未知目标。从国内外近年的研究及人工智能技术发展来看，借助多层神经网络等方法对回波信号进行训练、归纳，可挖掘更多更好目标信息及特征，从而达到提高目标识别概率的目的[14]。與此同时，基于机器学习的投影变换思路，在高维空间中对各类目标、杂波、干扰进行精细化建模，快速实现模型迭代升级与改进，也是提高对目标、干扰、杂波的识别概率的一个重要途径。

1.4智能干扰对抗技术

实际作战中，雷达导引头和被探测目标双方始终处于相互博弈状态。传统干扰（自卫有源干扰、无源干扰、箔条弹等）组合使用，仍具威胁，新型干扰（拖曳诱饵、空射诱饵、交叉眼、照射箔条等）大量列装，抗干扰形势越加严峻。从干扰对抗角度来看，努力降低自身低截获概率与设计合理的抗干扰策略是改善导引头抗干扰性能的两个重要途径。

降低雷达导引头发射信号被截获概率和提高敌方干扰设备对导引头发射信号参数的解析难度，是提升导引头低截获能力的重要途径[31-32]。传统雷达导引头低截获抗干扰技术通过优化发射波形功率和频率、相位等调制方式，获得较低峰值功率和优良的探测性能，但该方法一般采用单一信号形式，参数容易被解析且存在性能瓶颈。实际上导引头的低截获特性与波形组合形式密切相关，即使是简单波形组合也可能大幅改善低截获特性，如欺骗式干扰下组合信号较单一信号具有更好的低截获抗干扰性能。为了进一步提升导引头的低截获特性，一方面采取不同的优化准则，如互信息、MMSE、差异最大化等实现波形差别化设计，构建不同低截获波形集;另一方面需加强复合调制信号多准则联合优化，增大发射信号的随机性及解析难度。

波形优化不仅受自身正交性与目标特性约束，还需要综合考虑外界杂波、干扰博弈过程[33-34]，如连续波和线性调频信号下杂波分布存在明显差异，干扰机对捷变波形与非捷变波形响应可能截然不同。也就是说，波形优化依赖于环境认知及博弈状态。因此，可考虑认知理论及智能学习进行波形优化。首先，基于雷达认知结果，利用专家知识或者借助深度学习方法获取目标、环境的最大差异化特征;然后，根据目标与杂波、干扰的状态建立博弈模型，进而实现发射波形智能优化。

设计合理的抗干扰策略是改善抗干扰的另外一个重要途径[14，35]。从当前的研究来看，抗干扰策略主要借助专家经验知识，预先设置多种抗干扰策略，导引头系统按照预置顺序或者随机轮换、或者基于触发条件选择合适对抗措施，但战场环境瞬息万变，干扰样式也是复杂多变，上述抗干扰策略在实际中通常都存在一定的局限性，甚至失效，尤其是面对未知新型干扰样式时适应性有待商榷。从对抗角度来看，合理的抗干扰策略需要实时对外界环境进行感知，并且根据感知的态势实时调整抗干扰决策与动作，如改变工作模式、发射波形、波形参数等，以降低敌方干扰信号对导引头目标检测影响。也就是说，导引头抗干扰过程应该是一个动态的闭环发射-环境-接收-目标跟踪和环境参数感知-发射循环系统，需具备自学习、自适应、智能决策能力。

深度学习的核心在于感知和表达，通过训练多层神经网络获得数据深层次特征表示，具有强大的数据及复杂任务处理能力。在控制领域，深度学习已成功应用于目标识别、状态特征提取、系统参数辨识等方面，但深度学习在智能决策方面有所欠缺，而这恰恰是强化学习擅长领域。强化学习核心在于策略选择，通过对不同决策的评价及反馈实时调整自身策略，实现决策最优。因此，可借助深度强化学习，实现从导引头信息感知到干扰对抗最优“动作”决策，达到智能化抗干扰目的。基于深度学习，导引头感知外界环境状态，然后利用强化学习获取最优策略，进而引导导引头采取相应的抗干扰措施，达到智能抗干扰目的。

2结论

随着电磁技术飞速发展以及信息化、网络化、智能化技术的大量应用，未来空战形式将更加注重武器装备间的智能化对抗。传统的反隐身、抗杂波抗干扰策略将越来越难以适应智能空战需求。从欧美国家解决复杂电磁环境下目标检测、抗干扰发展趋势来看，将人工智能技术用于导引头信号处理是解决杂波干扰下目标检测的一个重要途径。建议后续加强人工智能技术研究，结合导引头信号处理流程，开展基于人工智能技术的杂波抑制、目标检测等方面的研究，提升雷达型空空导弹导引头智能化水平。

参考文献：

[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]周志华.机器学习[M].北京：清华大学出版社，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.雷达极化技术研究现状及展望[J].雷达学报，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]叶继坤，雷虎民，薛东风，等.基于几何关系的多导弹协同跟踪算法[J].系统工程理论与实践，2012，32（10）：2332-2338.

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

[12]謝宇婷，周军，卢晓东.基于多导弹协同目标探测的空间配准算法[J].航空兵器，2018（2）：9-15.

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

[13]李云坤，陈伟，曹旭东.粒子滤波检测前跟踪算法的粒子比优化方法研究[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.导弹武器智能精确制导技术发展分析[J].战术导弹技术，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]曲成华，史新虎，张程，等.基于人工智能的机动目标跟踪处理研究[J].科技视界，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]王义宁，姜玉宪.空战对策的发展现状及未来[J].电光与控制，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]陈小龙，关键，何友，等.高分辨稀疏表示及其在雷达动目标检测中的应用[J].雷达学报，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]龐存锁，刘磊，单涛.基于短时分数阶傅里叶变换的时频分析方法[J].电子学报，2014，42（2）：347-352.

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

[32]马君国，赵宏钟，张军，等.基于高阶统计量的低分辨雷达空间目标识别算法[J].信号处理，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.