基于RCS序列的空间目标识别技术综述

王鹏达,曲 卫

(1.航天工程大学 研究生院，北京 101416；2.航天工程大学 电子与光学工程系，北京 101416)

1 引言

雷达目标识别技术是利用雷达等探测设备对目标的雷达回波进行分析判断，可以提供目标的数量、大小、形状和类型等信息，对于提高军队和国防能力水平具有非常重要的作用[1]。雷达目标识别的主要研究方向是基于窄带雷达的目标识别与基于宽带雷达的高分辨率目标识别，其中基于高分辨率成像雷达的目标识别是目前主要的发展趋势，但是窄带雷达的作用同样不可忽视[2]。虽然目前雷达发展趋势是超宽带和高分辨率，但我国现役雷达大部分都是窄带低分辨雷达。因此，基于低分辨雷达目标识别无需对有源雷达的结构模块进行大量改动就可以实现目标识别，具有重要的现实意义[3]。与宽带雷达目标识别相比，窄带雷达在一些方面具有一些优势：① 窄带雷达信号处理所需求的资源较少，在信号资源有限的条件下，实时性较宽带雷达更好。② 窄带雷达的探测距离大于宽带，对于目标探测范围更广。③ 窄带雷达成本低廉，可利用目标的窄带特征对目标进行粗分类，提供先验信息，给后续获取更加精细目标特征打下基础。

随着航天器技术和空间技术的快速进步，人类航天活动的愈发频繁，现代战争对于空间这个“制高点”的争夺已经收到越来越多国家的重视，空间目标识别技术应运而生，其主要用途是对于太空中卫星、箭体、碎片甚至是弹道导弹进行探测，提取出目标的特征，进而实现对各种空间目标的识别，从而为保护航天器安全，反卫星、反弹道导弹武器等活动提供情报信息。

雷达散射截面积(radar cross section，RCS)是一种表征目标对入射雷达信号电磁散射能力的物理量，目标RCS是雷达目标识别的重要特征之一。而RCS信息是几乎所有雷达都能获得的窄带信息。RCS序列的特点有数据量小、实时性好和处理技术相对简单。由于目前空间目标数量越来越巨大，数以万计的空间目标需要监测，如果都采用高分辨成像技术对目标进行监测耗费成本太高。因此基于RCS序列的特点，可以大大提高空间目标监测的效率，也实现了信息和资源的充分利用。对于空间目标识别和监测来说，基于RCS序列的空间目标识别具有重要的现实意义[3]。

2 空间目标RCS序列的获得

2.1 RCS的定义

雷达散射截面积是雷达目标识别的重要特征，其定义为单位立体角内目标散射的功率与照射到该目标的平面波功率密度之比的4π倍[5]。其定义式为：

(1)

式(1)中：σ为雷达散射截面积；R为雷达与目标的距离；Es为雷达接收到的目标散射电场强度；Ei为目标处入射雷达波电场强度。

RCS的单位是m2，它和目标的物理的几何截面积有关，但不是目标实际物理几何截面积，它仅仅表示目标的一种等效散射面积。

2.2 影响RCS的主要因素

实际上影响RCS的因素有很多，从RCS的定义式中我们无法看出影响RCS的因素具体有哪些。由上边RCS的定义式可以看出，测量是在远场条件下进行的，因此入射波和散射波都是平面波，RCS与距离没有关系。影响目标RCS的因素主要有：目标外形和结构、目标表面材料的电磁散射特性、雷达工作波长和雷达入射角等等。因此，目标RCS值是一个受多种因素影响的复杂函数。

其中雷达信号波长是一个十分重要的影响因素。根据目标尺寸与雷达信号波长比值大小，可以将目标散射分为3个区域：① 在瑞利区，RCS主要与目标体积有关，通常与λ-4成正比；② 在振荡区，RCS由于目标各个散射分量存在干涉现象，所以RCS值随频率变化在极限值之间来回振荡；③ 在光学区，RCS主要取决于目标几何形状，在该区域RCS趋于某一固定值。对于大部分空间目标测量雷达来说，大部分空间目标均处于光学区。

2.3 空间目标RCS的理论计算

对于球体、椎体、圆柱体等几何形状比较简单的目标，他们的RCS可以通过理论计算直接获得。其中球体是其中最简单的目标，在光学区，其雷达散射截面积等于几何投影面积πr2，与雷达视线角无关，与波长也无关。如果简单目标的反射面曲率半径大于雷达工作波长时，同样可以应用几何光学法来计算其雷达散射截面积。可以将反射面作包含实现的互相垂直的2个平面，2个平面的曲率半径分别为ρ1和ρ2，则其雷达散射截面积为σ=πρ1ρ2[6]。空间目标的RCS观测图主要由目标的几何外形决定的，随雷达视线角变化。

如果能得到空间目标的RCS的反射图，那么实现目标的特征提取和分类识别就比较容易了。但是对于大部分空间目标来说，其形状是不规则的，要想理论推导其RCS反射图就十分困难了。获取复杂空间目标RCS序列一般有3种方法：① 外场全尺寸测量；② 微波暗室内的缩比测量[7]；③ 根据目标几何外形进行理论建模预估。外场测量和微波暗室测量会受到许多实际条件限制，可以采用目标电磁散射理论建模来实现RCS的预估。图1为美国林肯实验室的内外场测量系统，图2为美国海军的室内紧缩场测量系统。

图1 美国林肯实验室的内外场测量系统图

图2 美国海军的室内紧缩场测量系统图

复杂目标在高频区电磁散射效应变成局部效应，每一部分基本上是独立地散射能量，各部分之间的相互作用明显降低，这样能很大程度上简化复杂目标感应场的计算，不需要考虑其他部分散射场的影响[8]。目标RCS预估通常采用一些高频近似散射场计算方法：① 几何光学法(GO)；② 物理光学法(PO)；③ 几何绕射理论(GTD)；④ 物理绕射理论(PTD)；⑤ 等效电磁流法(MEC)。

上述几种高频近似散射场计算方法，都有其优缺点和应用范围，其特点和局限性如表1所示。

表1 高频近似散射场特点及局限性分析

2.4 空间目标的RCS实际测量

雷达散射截面积测量分为目标动态测量、全尺寸目标静态测量和缩比模型测量等3种方式。空间目标的RCS测量属于目标动态测量，一般采用基于雷达方程的相对测量法。相对测量法具有以下优势：由于相对稳定的项无需测量，因此可以明显减小多项测量产生的误差[9]。

获得空间目标高精度RCS数据的关键是减少测量固定误差，提高测量精度，一个重要手段是采取对RCS的测量进行校标。美国、俄罗斯等国家通过发射多颗形状规则、表面光滑、结构坚硬的标定卫星来进行RCS标定，现已进入应用阶段。

采用尺寸、材料和表面情况等物理属性均已知的球体目标作为标准散射体，我们可以精确计算出标准球体的RCS值，从而来确定标定系数，进而用于一般空间目标的RCS测量[5]。并且因为影响RCS测量精度的因素都随时间变化，所以需要定期进行标定校准过程，定期更新RCS标定系数。

3 基于RCS序列的空间目标尺寸估计

因为影响RCS的因素有很多，目标的RCS通常表述为一个受到雷达信号波长、目标表面材料、目标姿态等多种因素影响的复杂函数，如果直接对RCS序列进行解译是十分困难的。但是空间目标的尺寸信息对于空间目标识别具有十分重要的现实意义。不少学者开展了在空间目标尺寸估计的研究，为后续进行空间目标识别提供先验信息。

美国NASA开发了一种将空间目标简化成等效球体的尺寸估计模型，建立从目标RCS到等效球体直径的一一对应的映射函数，由测得的RCS得出等效球体直径作为目标估计尺寸[10]。但是这样简化误差较大，轨道上空间目标不能只简单等效为球体，实际上RCS序列与等效球体的RCS序列差异巨大。考虑到空间目标受到姿态动力学和运动轨道的限制，其形状一般比较简单，文献[11]将空间目标等效为具有长轴和短轴的椭球体，虽然这样假设会损失一些目标信息，但相较于一维的直径信息更加丰富，可以获得空间目标的长轴和短轴信息，为后续空间目标识别提供信息。当使用椭球模型对空间目标进行尺寸估计时，对于目标的长轴和短轴的估计是否准确关键在于长轴和短轴的门限设置，传统常规方法是通过计算均值或者中位数作为门限值，文献[12]提出了一种基于归一化方差的门限确定法，通过在使用均值门限作为基础门限的基础上增加了修正因子，实验表明增加了尺寸估计结果的可信度和稳定性。文献[10]根据RCS均值将RCS数据分成两部分后，根据最小方差准则估计目标长短轴尺寸信息，仿真实验结果验证了该方法的有效性。文献[4]采用一种基于深度学习的空间目标RCS序列尺寸估计方法，仿真结果显示优于传统的基于椭球模型的目标尺寸估计方法，减小了估计误差。总体而言，利用RCS数据进行空间目标尺寸估计的结果存在很大的局限性，准确度和精度都不高，工程实用价值还不高，仅仅只能作为一个数量级的参考值。

4 基于RCS序列的空间目标分类识别研究

4.1 空间目标姿态判断和周期提取

虽然基于RCS序列的雷达目标识别技术已经经过了几十年的发展，但在实际应用方面还存在许多没有解决的问题，目前在工程上主要用于完成目标的姿态判断和旋转周期提取。由于受到运动轨道和姿态动力学的限制，空间目标若想在轨道上正常工作，必须保持某种稳定的姿态，一般可以分为自旋稳定和三轴稳定等2种方式，而在轨道上不能保持某种稳定的姿态，如碎片或者已经失效的卫星等，则认为其是进行“翻滚”运动。在一定观测条件下，对于像三轴稳定的空间目标，雷达波束的指向我们可认为基本不变，那么其RCS测量值理论上应该为一常数，但是由于受到其他一些因素的影响，RCS观测值会有一定的变化。而对于自旋稳定或翻滚类的空间目标，其RCS观测值会有一定的周期变化，尽管也会受到其他因素影响，但包含在RCS序列中的周期特征肯定不会消失。从RCS序列中提取的序列随机性特征和周期性特征，可以用于空间目标的姿态判断和周期提取，在工程上具有重要的实用价值，图3为基于RCS的空间目标姿态判断研究思路。文献[13]采用了非参数统计学的随机游程检验理论对空间目标的姿态进行判断，仿真结果证明可以识别绕质心旋转的自旋稳定或翻滚状态与非绕质心旋转的三轴稳定状态。

图3 基于RCS的空间目标姿态判别研究思路框图

而空间目标运动的自旋稳定和自由翻滚等2种状态的判断则主要是通过RCS序列的周期提取来实现的。在相同测量条件下，对于同种型号自旋稳定和自由翻滚姿态目标的RCS数据在0.25 Hz以上的频域信号幅度有较大差别，自由翻滚状态的频谱噪声较大。目前，对于空间目标的RCS数据周期特征提取的方法有频谱分析法、自相关法、平均幅度差函数法和最小熵法等等。频谱分析法实际上是一种谱估计方法，其精度取决于数据长度，想要获得较高的精度则对数据长度有一定的要求，抗噪性能较差，估计精度的鲁棒性也无法保证[14]；自相关法是周期估计中经常使用的方法，抗噪性能比较好，运算比较简单，但常会造成半倍或双倍误差，且在偏移值较大时，自相关函数峰值明显下降，在RCS序列较短时更加明显，容易造成周期估计错误；平均幅度差法较自相关法估计精度较好，但是同样存在偏移值较大时，平均幅度差函数出现多个谷值，从而造成周期误判。最小熵法也是周期估计中采用较多的方法，它通过不同时延对熵值进行搜索，寻找熵值最小所对应的值即可求得估计的周期值。除这些方法以外，一些学者还使用了一些组合方法来进行空间目标运动的周期估计。冯德军等[16]提出一种将循环平均幅度差函数和循环自相关函数结合的方法，克服了传统方法的不足，使得峰值点更加突出，具有较好的精度和稳健性。文献[4]采用了一种对平均幅度差函数和自相关函数进行改进的方法，将重叠部分减为序列长度的一半，仿真结果证明该方法提高了周期估计的精度，并且具有较好的稳定性。崔雄文等[17]提出了融合聚类和自相关的RCS周期估计方法，验证了该方法具有较强的抗噪性能和较好的估计精度。

4.2 空间目标分类识别的特征提取

对雷达目标识别中该提取怎么样的特征，目前尚没有形成完备地理论体系，如何选择类内聚性和类间差异性的特征，如何量化一个特征对目标识别的作用仍然是个研究热点。现阶段的雷达目标识别都是通过针对目标特点选择合适的识别特征，然后根据分类效果对目标特征进行选择分类效果好的特征。目标特征数量绝对不是越多越好，由于从同一目标提取的特征往往存在着一定的相关性，且这种相关性往往很难察觉，只有我们选择的特征之间的相关程度尽可能小，这样的特征分类效果才会好。要避免冗余特征，尽可能找到与目标特点直接相关的特征，且各个特征之间的相关程度也要尽可能小，尽可能使每个特征得到合理的解释，但在实际中很难做到这一点。目前，已经被证明可以用来进行空间目标识别的特征有许多，主要可以分为以下几类：

1)基于概率分布的统计特征提取

在工程上已经验证，对于三轴稳定的空间目标，RCS数据的统计特性是较稳定的识别特征量[18]。最常用的统计量参数主要有：① 位置特征参数：均值、极小值、极大值、中位数等；② 散布特征参数：极差、标准差、变异系数等；③ 分布特征参数：标准峰度系数、标准偏度系数等；④ 相关特征系数：线性时关系数、线性相关系数等。

2)基于时频图特征参数提取

空间目标的RCS序列是一种非平稳的时间序列，而对非平稳信号主要关注其局部统计特征上，对非平稳信号进行时频分析是研究非平稳信号的一个重要工具。对空间目标的RCS序列进行时频分析，将RCS序列特征以二维的方式展现出来，然后利用矩阵分析和图像处理的特征提取方式提取以下特征参数：矩阵的最大奇异值特征、矩阵的均值特征、矩阵的方差特征、图像的尺度重心特征、图像的中心矩特征、图像的不变矩特征等。

3)基于小波变换特征参数提取

小波变换是近年来新发展的一种时频分析方法，是一种时间窗和频率窗都可以改变的方法，可以达到高频处时间细分，低频处频率细分的效果。经过小波变换后的RCS序列，一般可提取最大奇异值、有效秩、均值、方差、尺度重心等作为特征参数。

4)分形特征参数提取

分形的研究对象是具有自相似性的无序系统，其维数是连续变化的，分形理论以相似性和维数的非整数限制作为特征。分形作为一种新的概念和方法,在许多领域已经得到研究和应用。空间目标RCS序列由于空间目标轨道特性和姿态特性，其多圈RCS测量结果具有一定的自相似性，而单圈RCS又是非平稳序列。所以空间目标的RCS序列是自相似性的无序系统，利用分形理论来研究空间目标RCS序列为空间目标RCS序列特征提取提供一种新的技术手段。其中，盒维数是应用最广泛的维数之一[19]。

4.3 空间目标识别分类器算法研究

在雷达目标识别中，分类器将学习类别已知的数据样本，以获得更准确的分类判断准则，并以此来推测未知数据样本的类别。分类器的分类性能与应用场合、提取的特征息息相关，很难有可应用于所有场合或者对于所有的特征都能保证具有良好的分类识别效果的特定分类器[20]。分类器实现分类功能的基本原理是样本特征本身的可区分性和训练测试样本特征的一致性。分类器通过经验性方法构造的映射规则，并使用有限的样本确定训练模型参数，进而得到样本识别结果,目前广泛使用的分类器有以下几类。

1)传统分类器

经过了很多年的发展，传统分类器的应用已经非常广泛了，已经出现许多成熟的机器学习算法。传统分类器分为单分类器和融合分类器，常用的单分类器算法有KNN、相关匹配、支持向量机、随机森林等等。融合分类器由多个单分类器组成，充分利用了不同分类器的性能，提高了分类效果极其稳定性[20]。常用的融合算法有Bagging算法、Boosting算法和AdaBoost算法[21]等。

文献[4]使用了K近邻、支持向量机和决策树分类器算法，提取空间目标的RCS序列的周期特征、尺寸特征和统计特征组成的向量，仿真结果显示，识别准确率高，识别效果比较稳定。文献[20]使用了K近邻、支持向量机和随机森林分类器算法以及它们的融合器算法，对3类临近空间目标进行分类识别，仿真结果表示基于小波变换的特征提取方式提取的特征具有更好的可分性。

2)人工神经网络分类器

近年来，人工神经网络分类器在许多领域得到了广泛的应用并且得到了较好的分类效果。神经网络具有信息的分布储存与并行计算、储存与处理一体化、较快的处理速度和较强的容错能力等结构特征和自学习、自组织与自适应等能力特征[22]。常用的有BP神经网络、概率神经网络及遗传算法等，都在实际中得到了应用，并取得了不错的效果。

文献[23]使用了BP神经网络分类器对基于小波变换的特征、分形特征和统计特征进行了分类识别，实验结果显示，神经网络分类器识别效果比传统分类器好。文献[24]运用了BP神经网络建立了多个单分类器，解决了单一分类器易受噪声影响和易发生过拟合问题，增强了算法鲁棒性，有效提高了识别准确率。

3)模糊分类器

在目标识别过程中，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语言标记，然后再通过模糊集理论中模糊关系和模糊推理等模型对于客体和语言标记之间的关系加以有效地判定。由于模糊识别的隶属度函数对先验信息要求较少，因此非常适用于先验信息比较少的场景。文献[25]提出了一种模糊识别的方法，仿真结果表明能有效识别弹道导弹真假目标，且对先验知识的要求较低，方法稳健性好。文献[26]使用了模糊最优聚类中心算法，分析了欧氏距离法、模糊K近邻法和基于样本间紧密度方法等3种隶属度函数，实验结果表明，有效提高了3类目标的正确识别率。

5 基于RCS序列的空间目标识别发展方向

多年来国内外学者已经证明了RCS序列在空间目标识别的价值，基于RCS序列的空间目标识别研究也取得了一定的成果。但距离实际应用还存在许多问题，我们需要从以下方面进行研究：

1)由于真实数据的保密性要求，要想获得真实数据比较困难。因此，我们需要从提高电磁仿真的精度的角度考虑，尽可能获得更加真实的仿真数据，获得能够精细反映目标真实散射特性的数据。

2)算法的稳健性：空间目标识别算法应能在低数据率、低信噪比等复杂应用条件下的保证算法的稳定性。

3)提取特征的有效性：提取的目标特征是否可以在不同的应用条件下表征目标从而能够区分目标，是能够完成空间目标识别的基础。

4)模板库的实用性：模板库的建立要尽可能的完备，除此以外，还应具有自动建模和自动更新等功能，这样的模板库才会有实际应用的可能。

5)在识别方法上，我们可以从2个方面考虑：一是如何获得有效性和稳健性的特征，已满足不同复杂应用环境的要求；二是要想实现更加精细分类识别要求，一个有效的途径是采用多特征融合的方法，高分辨一维距离像、二维ISAR像、极化信息等都可以为空间目标识别提供更加详细更加丰富的信息。

6 结论

空间目标识别是雷达目标识别的重要组成部分，随着科技水平的进步，空间目标识别越来越重要。多年来国内外学者对于基于RCS序列的空间目标识别的研究已经得到了一定的成果，其在空间目标识别的价值越来越大。但是由于RCS序列作为窄带信息，本身携带的信息不丰富，要想获得更加精细更加丰富的空间目标信息，需要考虑基于RCS序列与其他比如高分辨一维距离像、极化信息、ISAR像等雷达目标识别技术相结合，为解决空间目标识别问题实现获得更加丰富、更加精细的目标信息提供了一条可选择的途径。