中国指挥与控制学会会刊 
随着目标隐身技术的日益成熟和飞行器技术的不断发展,各类隐身飞机、巡航导弹以及无人机等弱小目标大量出现,装备性能不断提升,极大地降低了雷达的探测和跟踪的性能,尤其是隐身飞机与精确制导武器相结合可以极大地提高突防能力,严重威胁攻防战略的平衡;同时,目标为了提高其生存概率,往往会进行一定的战术机动,加剧了雷达对其进行检测和跟踪的难度。因此,如何对弱小机动多目标进行有效检测和跟踪已成为一项非常紧迫的任务和亟须解决的难点问题。
脉冲多普勒(Pulse Doppler, PD)体制作为现代雷达最重要的体制之一,因其具有较高的距离分辨率和速度分辨率,以及较强的杂波干扰和非相干噪声干扰抑制能力等特有的优越性得到了广泛应用,目前世界上先进的战斗机雷达几乎毫无例外地都采用了PD体制。为了得到不模糊的目标速度信息,PD雷达通常采用高脉冲重复频率(High Pulse Repetition Frequency, HPRF)的工作模式(HPRF雷达),在这种工作模式下,雷达对目标的距离测量是模糊的。当利用HPRF雷达对目标进行检测和跟踪时,对于非弱小目标,先检测后跟踪(Detect-Before-Track, DBT)的方法即可取得较好的效果;然而,对于弱小目标,其回波信噪比非常低,目标回波信号可能完全被淹没在噪声信号里,传统的DBT方法难以实现对此类目标的有效检测和跟踪。
检测前跟踪(Track-Before-Detect, TBD)方法是一种比较有效的弱小目标检测和跟踪的方法。TBD方法通过利用目标的运动信息(包括目标位置和速度等)对原始量测数据进行长时间积累以提高目标信噪比,在有效检测的同时,实现对弱小目标的跟踪。目前的TBD方法主要有动态规划(Dynamic Programming, DP)、Hough变换、粒子滤波(Particle Filter, PF)以及概率假设密度滤波(Probability Hypothesis Density Filter, PHDF)等方法。为了实现HPRF雷达对弱小目标的有效检测和跟踪,目前,已有少量的文献开展了测距模糊下基于DP和Hough变换的TBD方法研究,取得了一定的效果,但还存在一些问题。
1)现有的测距模糊下基于DP和Hough变换的TBD方法都假定目标作直线运动或近似直线运动,且量测噪声为高斯白噪声,然而在实际应用中,目标往往会随时进行机动,其运动模型通常是非线性的,量测误差往往是非高斯的,如何解决测距模糊和非线性非高斯下的弱小多目标检测和跟踪问题是一个难点;
2)现有的测距模糊下基于DP和Hough变换的TBD方法均假定目标为“点目标”模型,然而,对于具有高距离分辨的宽带HPRF雷达,目标回波通常会占据多个距离分辨单元,若仍将目标当成“点目标”来处理,可能会导致算法将一个目标检测成多个目标(“同源”目标)的现象,从而导致目标个数估计明显增多、目标状态跟踪精度较差等问题,如何对同源目标进行有效融合,是实现测距模糊和高距离分辨下的弱小机动多目标有效检测和跟踪需要解决的关键问题;
3)利用多部雷达对弱小机动多目标进行联合探测,是改善雷达对弱小目标检测和跟踪性能的另一有效途径,然而,对来自多雷达的量测数据进行融合处理面临量测乱序的问题,由于目标个数不确定造成乱序观测和当前目标状态无法匹配,现有的测距模糊下基于DP和Hough变换的TBD方法无法直接利用存储量小、计算量小的直接更新法进行乱序观测更新,若采用丢弃法可能造成重要量测信息的丢失,若采用重运行法,存在计算冗繁的问题,不适应量测频繁乱序的情况,而若采用数据缓存法,又存在输出延迟的问题,因此,如何在测距模糊下对当前目标状态进行乱序观测直接更新,是实现多雷达联合快速检测和跟踪弱小机动多目标需要解决的另一个难题。
1 国内外研究现状
本文以HPRF雷达为背景,对弱小机动多目标的检测和跟踪以及多雷达联合探测跟踪弱小机动多目标面临的乱序观测等问题进行研究,目前的国内外研究现状及发展动态分析可以具体描述为弱小目标检测和跟踪、乱序观测更新两方面。
1.1 弱小目标检测和跟踪
TBD技术是通过时间上的积累,实现对弱小目标的有效检测与跟踪方法,其实质是以时间换取检测性能的提高。目前,具有代表性的TBD方法主要包括动态规划(Dynamic Programming, DP)[9⇓⇓-12]、Hough变换[13-14]、粒子滤波(Particle Filter, PF)[15⇓⇓-18]以及概率假设密度滤波(Probability Hypothesis Density Filter, PHDF)[19⇓-21]等方法。其中,通过将目标状态和量测建模为随机有限集PHDF方法可同时对目标数和目标状态进行估计,且避免了复杂的量测关联问题,在多目标检测和跟踪方面表现出较大的优势[22⇓⇓⇓⇓⇓⇓⇓⇓-31]。
基于随机有限集理论的PHDF也称为一阶矩滤波,由Mahler于2000年首次提出[32],是一种Bayesian框架下的近似多目标滤波方法[33⇓-35],其核心思想就是通过递推更新多目标后验概率密度的第一阶统计矩代替递推更新多目标全局后验概率密度,从而极大降低了多目标跟踪问题的复杂程度,非常适应于杂波环境下的多目标检测与跟踪,并被成功用于解决许多现实问题[36⇓⇓⇓-40]。根据实现方式不同,PHDF算法主要可以归为两类:粒子PHDF(Particle-PHDF, PPHDF)[41⇓⇓⇓⇓⇓⇓-48]和高斯混合PHDF(Gaussian Mixture PHDF, GM-PHDF)[49⇓⇓⇓⇓⇓⇓⇓⇓⇓-59]。其中,粒子PHDF方法由于在非线性非高斯的情况下的多目标跟踪方面具有较好的适应性,得到越来越多的重视。
Punithakumar等人首次将PHDF方法引入弱小多目标的TBD问题中[19],提出一种基于PF实现的PHDF弱小多目标TBD方法,取得了较好的效果;文献[20]提出了针对TBD的“标准”多目标观测模型,并对噪声进行了“泊松化”,设计出一种能有效解决多目标TBD问题的PHD滤波器;文献[21]研究了基于PHDF的多传感器TBD算法,解决了MIMO雷达系统多“传输-接收”对的量测处理问题;文献[22-23]从粒子权重更新出发,综合利用前向递推和后向平滑的方法,解决基于PHDF的TBD方法存在目标数估计不准、目标发现延迟较长的问题,并推导出基于量测的新生粒子概率密度采样函数,实现对目标快速检测和发现;文献[24]分析了势PHDF目标势分布的物理意义,提出了基于势PHDF的TBD方法;文献[25]提出了一种利用最大似然自适应门限的快速算法;文献[26-27]研究了自适应粒子产生机制的新生目标快速初始化,并通过对全体粒子集进行有效子集分割和快速权值估算,有效改善了多目标TBD方法的估计性能;文献[28-29]用蒙特卡洛高斯粒子滤波代替PF,有效解决PPHDF的TBD方法计算量复杂度高、粒子退化现象严重的问题;文献[30]利用高斯混合模型拟合重采样后的粒子分布,并通过期望最大化提取目标的状态,有效克服基于PHDF的TBD方法对交叉目标状态估计误差较大的缺点。文献[31]采用自适应的过程噪声和重要性重采样,并在此基础上提出多模型PHDF的TBD方法,实现对弱小机动多目标的有效检测和跟踪;虽然基于PHDF的TBD方法已经在弱小多目标的检测和跟踪领域得到了广泛的应用,并取得了较多的研究成果,然而,现有基于PHDF的TBD方法均没有考虑HPRF雷达的测距模糊问题,不能直接适用于HPRF雷达对弱小机动多目标的检测和跟踪。
文献[60-61]研究了测距模糊下基于DP的弱小目标TBD方法,该方法通过将模糊距离和模糊数两个变量代替目标真实距离,然后在DP的框架内通过最大后验概率估计方法联合估计这两个变量,实现测距模糊下弱小目标能量的积累和检测;文献[62-63]研究了测距模糊下基于Hough变换的弱小多目标TBD方法,该方法首先设置一个门限对目标进行初步检测,并对门限检测后的目标量测进行距离多个假设,得到包含所有可能量测的扩展量测集,然后,利用Hough变换的方法对扩展量测进行积累,最后,设置第二门限在参数空间中逐个检测目标。虽然测距模糊下基于DP和Hough变换的TBD方法均实现了对弱小目标的检测和跟踪,但这两种算法均假定目标作直线运动或近似直线运动,量测模型为高斯白噪声,目标为“点目标”模型,难以适应目标机动和雷达距离分辨较高的情况,算法存在一定的局限性。
由以上研究现状可知,现有的关于HPRF雷达弱小目标检测和跟踪TBD方法还存在一定的不足,尚不能很好地满足实际情况下HPRF雷达对弱小机动多目标进行有效检测和跟踪要求,而基于PHDF的TBD方法在非线性非高斯的目标检测和跟踪领域表现出很大的优势,为开展HPRF雷达测距模糊下的弱小机动多目标TBD技术研究提供了一种可能的途径。
1.2 乱序观测更新
目前的乱序观测更新方法主要包括丢弃法、重运行法、数据缓存法以及直接更新法等[64]。其中,丢弃法直接丢弃乱序观测,计算简单,但是,存在可能造成重要量测信息丢失的问题;重运行法通过从乱序观测产生时刻对所有量测进行排序,然后,重新运行算法,从而达到有序量测更新的性能,其计算量最大;数据缓存法通过缓存一段时间内的量测,然后,对这段时间内的量测进行排序,再进行有序量测更新,从而达到有序量测更新的性能,但是要求较大的存储量且输出存在一定的延迟;直接更新法利用直接乱序观测更新当前时刻的状态估计,具有存储量小,计算量小,跟踪精度接近有序量测更新等特点,是目前国内外学者研究的重点[65⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓⇓-78]。
Hilton等人首次提出了直接更新的单步延迟无序量测近似滤波B1算法,而Bar-Shalom等人则提出了直接更新的单步延迟无序量测的精确滤波的A1算法[79]和近似滤波的C1算法,并通过构建等效量测的思想,将其推广至多步延迟无序量测的直接更新[80]。文献[81-82]、文献[83]分别研究了基于PF和基于不敏变换的乱序观测滤波算法,解决了非线性非高斯系统的乱序观测直接更新问题;文献[84]介绍了一种与过程噪声离散化模型无关的最优乱序观测滤波算法;文献[85]设计了两种全局最优网络化卡尔曼滤波器;文献[86]受中心式估计的重构,提出了一种组合“前向预测”和“等价量测”的乱序观测方法,解决了状态估计的去相关问题。但是,从算法描述和实验仿真来看,以上乱序观测更新算法的研究主要是针对非弱小目标开展的。
综合上述弱小目标检测跟踪和乱序观测更新两方面的研究现状可知,利用HPRF雷达对弱小机动多目标进行检测与跟踪还存在一些亟须解决的难点问题,针对这些难点问题,开展HPRF雷达测距模糊下的弱小机动多目标检测和跟踪的新机理与新方法研究,综合提升雷达对弱小机动多目标的检测和跟踪性能,需求十分迫切。
2 可行的研究思路
本文以弱小机动多目标的检测和跟踪为主线,基于PHDF的TBD方法为手段,开展HPRF雷达弱小机动多目标TBD技术研究。针对HPRF雷达测距模糊和目标机动造成TBD技术无法有效积累难点问题,首先,研究测距模糊下基于PHDF的HPRF雷达弱小机动多目标TBD技术;然后,在此基础上,解决宽带HPRF雷达距离分辨率较高造成目标在多个距离分辨单元扩展带来的算法目标个数估计不准、目标跟踪精度较差等问题,实现宽带HPRF雷达对弱小机动多目标可靠检测和稳健跟踪;最后,研究HPRF雷达的乱序观测自适应直接更新方法,实现多雷达联合检测和跟踪系统对乱序观测有效利用和直接更新。该研究思路的总体技术路线如图1 所示。
2.1 基于PHDF的HPRF雷达弱小机动多目标TBD技术
基于PHDF的弱小机动多目标TBD技术是研究基础,目的在于提供一种适应于HPRF雷达对弱小机动多目标检测和跟踪的TBD技术,解决基于PHDF的TBD技术因HPRF雷达测距模糊造成量测数据无法有效积累和机动目标跟踪的难点问题。采用研究方案的总体框图如图2 所示。
算法的基本流程是:在基于PHDF的TBD技术的框架内,首先,在目标的状态向量中引入离散的PIN变量和目标角速度变量,并建立PIN增量转移模型;然后,根据PIN增量转移模型和目标角速度选择相应的状态转移方程,对目标状态进行预测;最后,构建模糊量测似然函数,直接利用模糊的量测数据更新目标状态,并给出目标的个数和状态估计。该方案具体包括以下几个方面。
1)PIN增量转移模型的构建
借鉴多模型滤波的思想,将PIN增量转移模型建模为一个多态的Markov链,通过各模型之间的自由转换实现对PIN的正确估计。不失一般性,假设在一个采样间隔内,目标真实距离的变化量不超过一个最大不模糊距离,那么,可以建立3种PIN增量模型:模型1,目标靠近雷达,其真实距离从当前最大不模糊距离单元跨越至上一个最大不模糊距离单元,PIN增量为“-1”;模型2,目标真实距离仍保持在当前最大不模糊距离单元,PIN增量为“0”;模型3,目标远离雷达,其真实距离从当前最大不模糊距离单元跨越至下一个最大不模糊距离单元,PIN增量为“+1”。当目标速度较大,目标真实距离在一个采样间隔内的变化量超过一个最大不模糊距离时,可类似地建立多个PIN增量转移模型。
2)基于多PIN增量模型的机动目标状态预测
在目标状态向量中引入PIN变量,根据前一时刻的PIN增量和PIN增量模型转移概率矩阵对当前时刻的PIN增量进行预测,得到预测的PIN(前一时刻的PIN+当前时刻的PIN增量),并根据预测的PIN增量和目标的角速度选择相应的目标状态转移方程,得到预测的目标状态。如何选择合适的模型转移概率矩阵,是实现PIN与目标真实PIN快速匹配的关键,通过理论分析与大量仿真实验相结合的方法进行选取。
3)基于模糊量测的状态更新
先根据预测的目标状态中包含的PIN变量和当前脉冲重复频率对应的最大不模糊距离,对目标状态进行模糊化处理(预测的模糊距离=预测的目标距离-预测的PIN变量×最大不模糊距离),得到模糊的目标状态;然后,构建一个模糊的量测似然函数,直接利用模糊量测进行更新,并得到模糊的目标状态估计;最后,利用模糊的目标状态估计中的PIN变量和当前脉冲重复频率对应的最大不模糊距离对模糊的目标状态估计进行解模糊处理(估计的目标距离=估计的模糊距离+估计的PIN变量×最大不模糊距离),得到各目标的状态估计,从而在解测距模糊的同时实现对弱小机动多目标的检测和跟踪。
2.2 高距离分辨下基于PHDF的弱小机动多目标TBD技术
本文在实现HPRF雷达测距模糊下对弱小机动多目标进行检测和跟踪的基础上,解决HPRF雷达距离分辨率较高带来的PHDF算法容易估计出较多的“同源”目标,以及基于PHDF的TBD技术本身存在的目标容易丢失和不能直接给出目标的航迹信息等问题,实现宽带HPRF雷达对弱小机动多目标的可靠检测和稳健跟踪。研究方案的总体框图如图3 所示。
算法的基本流程是:首先,利用基于PHDF的TBD技术对接收到的弱小机动多目标雷达回波数据进行处理,得到粗略的目标个数和状态估计;其次,在此基础上根据上一时刻的目标航迹集,进行“同源”目标有效划分和融合,得到较精确的目标个数和状态估计;然后,将融合后的目标个数和目标状态与前一时刻整个算法估计的目标个数和目标状态进行比较,得到不存在目标集和估计目标集;然后,依次对不存在目标集中的每一个目标进行判别,若判别该目标出现了漏检,则利用丢失目标找回机制找回目标,若判别该目标已经消失,则删除该目标和目标航迹并更新目标航迹集;最后,引入一个“状态-状态”数据关联机制,对目标个数和状态估计进行修正,给出各目标的航迹信息,并更新目标航迹集。该方案具体包括以下三个方面。
1)“同源”目标有效划分和融合
先利用各目标航迹进行预测,得到一个航迹预测值,并建立跟踪波门,然后,考虑将落入某一波门内的所有目标状态估计划分为“同源”目标,最后,根据各“同源”目标与预测值之间的统计距离进行加权融合,得到一个融合的目标状态。在“同源”目标的划分过程中,对于同时落入多个跟踪波门内的目标状态估计值,综合利用目标的运动属性(如速度等)对其进行归属划分,对于没有落入任何波门内的目标状态估计值,根据目标的运动属性等信息进行聚类分析,然后,对每一个类根据目标的能量强度进行加权融合,得到一个融合的目标状态,如图4 所示。
2)丢失目标找回机制的构建
将不存在目标集的各目标定义为暂定目标,构建一个暂定目标检测和跟踪的辅助算法,该辅助算法先利用暂定目标的航迹对暂定目标的状态进行预测,然后,根据预测的目标状态和状态协方差生成代表该目标的粒子集或高斯混合组成,并利用新的量测数据进行更新,若持续几个时刻均未检测到目标存在,则确认目标已消失,若检测到目标存在,则将代表该目标的粒子集或高斯混合组成添加至主算法,完成对主算法的参数配置,实现漏检目标的找回。该辅助算法只有在主算法检测目标不存在时才被激活,而在目标找回或确认目标消失后即刻停止运行,不会带来超额的计算负担。
3)基于“状态-状态”关联的估计修正和航迹获取
在“同源”目标有效融合给出目标状态估计的基础上,积累几个时刻的状态估计,并利用其进行航迹起始,实现目标状态估计和状态估计之间的有效关联,从而获得各目标航迹的信息,一方面为后续时刻的“同源”目标有效融合和目标丢失找回机制提供依据,另一方面可以在航迹的起始和滤波过程中剔除虚假目标状态估计,并得到精度更高的目标状态估计,进而对估计的目标个数和目标状态进行修正。
2.3 乱序观测下基于PHDF的弱小机动多目标自适应TBD技术
将测距模糊下基于PHDF的弱小机动多目标TBD技术推广应用至多雷达系统,解决多雷达联合探测和跟踪弱小机动多目标面临的乱序观测问题。研究方案的总体框图如图5 所示。
算法的基本流程是:根据回波数据的观测时刻和到达时刻判断该量测是否乱序,若该量测为顺序观测,直接利用基于MPIM-PHDF的HPRF雷达弱小机动多目标TBD技术对其进行处理,输出目标个数和状态估计以及目标航迹信息等,若该量测为乱序观测,则首先根据前一时刻的目标个数和目标状态估计将乱序观测划分为若干个乱序观测子量测;然后,构建一个乱序观测子量测的重要性评估方法,依次计算每个子量测的重要性;最后,依次根据每个子量测的重要性选择相应的乱序观测处理方法,并更新目标个数和目标状态估计。该方案具体包括以下四个方面。
1)乱序观测子量测的划分
先确认乱序观测的产生时刻,然后,对其产生前一时刻的所有目标航迹进行外推,得到一个航迹预测值并建立跟踪波门,对其产生前一时刻还没有形成稳定航迹的所有目标状态估计,直接对每一个目标状态估计进行预测,得到相应的预测值并建立相关波门,将每一个波门包含的量测区域认定为一个子量测;最后,将不在任何波门范围内的量测区域认定为一个子量测。
2)乱序观测子量测重要性评估方法的构建
结合目标的航迹信息进行评估,对于观测时刻处于目标持续存在且平稳飞行时间段或到达时刻长时间滞后于观测时刻的子量测,利用其进行更新并不能改善算法性能,甚至会造成算法性能的退化,定义其重要性为0;对于观测时刻处于目标出现、消失以及机动时间段或到达时刻略微滞后于观测时刻的子量测,利用其进行更新可以显著提升目标的正确检测概率和跟踪精度,极具重要性,定义其重要性为正无穷;对于其他子量测,利用KL散度可以有效地评价两个分布函数的相似性,评估该子量测的重要性。
3)乱序观测子量测更新算法自适应选择
本文采用图6 所示的双门限判决方法实现乱序观测子量测更新算法的自适应选择,其基本思想是:设置两个门限值(第一门限小于第二门限),将子量测的重要性分别与第一门限和第二门限进行比较,若子量测的重要性小于第一门限,采用计算量最小、性能最差的丢弃法;若子量测的重要性在两个门限之间,采用计算量和算法性能均适中的乱序观测子量测直接更新法;若子量测的重要性大于第二门限,则采用计算量最大和算法性能最好的重运行法。由双门限判决方法的流程可知,两个门限的取值决定算法在计算量和性能之间的取舍,是需要研究的重点,通过理论分析与大量实验相结合的方法选取合适的门限值。
4)乱序观测子量测直接更新算法
该方法的关键在于如何根据子量测观测时刻前后的粒子集采样得到新的粒子集,借鉴PF乱序观测更新的思想[82],在子量测有效划分的基础,构造一个“前向”和“后向”的动态方程,并根据子量测观测时刻前后代表该目标的粒子集中对应的粒子进行采样,得到新的粒子集,然后,用子量测更新该粒子集中各粒子的权重,最后,根据更新的粒子权重对当前时刻的粒子集进行重采样,完成乱序观测子量测直接更新。
3 关键技术
3.1 模糊量测似然函数的构建
由于HPRF雷达对目标的距离测量是模糊的,基于PHDF的TBD技术并不能直接利用模糊的量测数据进行积累和更新,而如果根据最大不模糊距离对模糊量测进行扩展,得到所有可能的量测,然后,依次对所有可能的量测进行处理,需要处理的量测个数为雷达最大探测距离和最大不模糊距离之比,当雷达的脉冲重复频率较高或最大探测距离较远时,所有可能的量测个数非常多,造成算法计算量过大和实时性较差的问题。因此,如何充分利用目标的运动信息,构建一个模糊量测似然函数,在此基础上,直接利用模糊的量测数据对目标状态进行更新,对于保证算法时效性具有重要意义。
3.2 目标丢失和消失的判别
各目标的消失时刻是不确定的,而对弱小机动多目标进行检测也难免出现漏检的现象,所以,某一时刻算法检测某一目标不存在并不能直接判别该目标已经消失还是算法出现了漏检。若将目标漏检判别为消失,基于PHDF的TBD技术更新机制中粒子重采样会造成代表该目标的粒子数锐减,出现粒子集退化的现象,从而导致后续时刻也难以再检测到该目标;若将目标消失判别为漏检,会造成目标丢失找回机制不断搜索已消失了的目标,这样不仅会给算法带来额外的计算负担,还可能搜索出虚假的目标。因此,如何有效地对目标丢失和消失进行判别,对于提高算法性能至关重要,是一个需要研究的技术难点。
3.3 “同源”目标有效划分
当监测区域内存在两个或多个邻近目标时,某些分辨单元会同时受到多个目标的影响,算法可能会在这些分辨单元检测出较多的“同源”目标,这些同时受多个目标影响的“同源”目标能量强度可能超过了真实目标能量强度,如果仅根据目标能量强度进行“同源”目标的划分,会造成虚假目标的出现;进一步,对这些“同源”目标进行划分,直接影响后续的“同源”目标融合,从而影响目标的跟踪精度。因此,如何实现对“同源”目标的有效划分,是实现对弱小机动多目标可靠检测和稳健跟踪的关键,是一个需要解决的重点和难点。
3.4 乱序观测子量测重要性评估
对于观测时刻处于目标持续存在且平稳飞行时间段或到达时刻长时间滞后于观测时刻的乱序观测子量测,利用其进行更新并不能改善算法性能,甚至会造成算法性能的退化,不具重要性;反之,对于观测时刻处于目标出现、消失以及机动时间段或到达时刻略微滞后于观测时刻的乱序观测子量测,利用其进行更新可以显著提升目标的正确检测概率和跟踪精度,极具重要性。若对不具重要性的乱序观测子量测进行处理,势必造成计算资源和存储资源的浪费,而对极具重要性的乱序观测子量测采取直接丢弃或简单的处理算法,又容易造成有用信息的丢失。因此,在兼顾算法检测性能和计算量的情况下,如何建立一个合理的乱序观测子量测重要性评估方法,实现乱序观测子量测处理方法的自适应选择是一个亟须解决的关键问题。
4 结束语
利用HPRF雷达对弱小机动多目标进行检测与跟踪还存在很多亟须解决的难点问题。开展HPRF雷达测距模糊下的“弱小”“机动”“多”目标TBD技术研究,一方面可为雷达对弱小机动多目标检测和跟踪提供理论基础,具有重要的科学价值和理论研究意义;另一方面,可提高雷达对弱小机动多目标的预警探测和跟踪能力,具有重要的实际应用价值和广泛的应用前景。
本文对HPRF雷达机动弱小目标检测和跟踪存在的问题进行了总结,提出了一些可行的研究方向,并针对该研究方向提炼出一些具体研究路线和需解决的关键技术,对解决HPRF雷达机动弱小目标检测和跟踪难题提供有益的参考。