第1章　绪论

1.1　引言

雷达[1]是英文Radar的音译，原意是“无线电探测和测距”（Radio Detecting and Ranging），目的是用无线电方法发现目标并对其进行检测和定位[2]。雷达的优点是，无论白天黑夜均能探测远距离的目标，不受雾、云和雨的影响，具有全天候、全天时的特点，有一定的穿透能力[3]。

近年来，雷达技术飞速发展，雷达不仅是军事上必不可少的电子装备，还广泛应用于社会经济发展和科学研究等方面[4-7]。其中的一个研究重点，就是利用雷达系统提供的信息对目标进行跟踪[8-13]。从工作平台和目标数目角度，目标跟踪可分为单雷达单目标跟踪[13]、单雷达多目标跟踪[14]、多雷达单目标跟踪[15]和多雷达多目标跟踪[16-18]等几类。

对于复杂环境下的单雷达单目标跟踪问题，在众多处理算法中比较具有代表性的是概率数据关联（Probabilistic Data Association，PDA）算法[10-11]。通常，影响该算法性能的一个重要参数是在接收端设置的检测门限。现有的各种PDA算法[10-11,15,19-20]大多将检测和跟踪过程分离，检测中心在完成波门内回波数据的检测后，将过门限的点迹信息传送给跟踪器进行数据关联。若能将跟踪器的输出信息反馈至检测中心，检测中心再根据反馈信息设置波门内检测门限（本书称其为检测跟踪联合处理过程），那么算法的性能将得以提升[21-24]。因此，研究如何根据反馈信息设计接收端的检测门限，提升目标的跟踪性能，意义深远。

众所周知，集中式多输入多输出（Multiple Input Multiple Output，MIMO）雷达[25-32]的发射天线之间距离较近，目标相对于多天线的视角可认为是相同的。集中式MIMO雷达可以看作传统相控阵雷达的扩展，通过引入数字阵列技术[33-40]，能够同时发射多个波束[14]，实现对多个目标的跟踪。在实际应用中，集中式MIMO雷达的固有特性要求在设计时考虑如下因素：

（1）每一时刻系统最多能产生的波束个数有限。受MIMO雷达发射阵元个数N的限制（自由度限制），每一时刻系统最多只能同时产生M(M≤N)个正交波束。

（2）多个波束发射功率之和有限。理论上，雷达各个波束的发射功率越大，目标的跟踪性能越好。随着波束个数的增加，雷达系统的总发射功率会逐渐增大。为了使某一时刻系统的总发射功率不超过硬件的可承受范围，需要限制多波束的总发射功率。

基于这些约束问题，笔者认为研究集中式MIMO雷达同时多波束工作模式下的资源管理技术具有重要的意义。

近20年来，高技术兵器（尤其是精确制导武器和远程打击武器）的出现，使战争形势越来越严峻[15]。在这种背景下，仅依靠单部雷达难以连续探测和跟踪现代飞行目标。网络化将是未来雷达发展的一个重要方向[41-46]。多部雷达相互合作可实现远超单部雷达的远程感知能力。然而，影响雷达网络目标跟踪性能的因素众多，如运行环境、拓扑结构、资源分配等。在实际应用中，多雷达系统（Multiple Radar System，MRS）包含的雷达数目越多，意味着需要传输的数据量越大，融合中心的计算复杂度越高[47]。通常，融合中心有限的实时处理能力制约了每部雷达传输到融合中心的数据量。根据Nyquist定理，每部雷达的数据传输量是与自身发射信号带宽成正比的。因此，在集中式框架下，融合中心的实时处理能力约束了每部雷达的信号带宽。此外，对于一些特定的应用场合，比如用总能量有限的雷达网络进行目标跟踪，或者军事应用中低截获的需求等，需要限制MRS的总发射功率[48]。因此，笔者认为，研究雷达网络中的资源分配问题，不仅是该领域的一个热点问题，也是一项具有很强实用性的研究课题。

解决上述问题的最好方法就是雷达的认知化[49-56]。认知雷达就是通过与环境的不断交互，理解环境，适应环境的闭环雷达系统[57]。在21世纪初期，Haykin教授正式提出了认知雷达的概念[58]，并明确指出认知雷达的定义：

（1）感知环境的能力；

（2）智能信号的处理能力；

（3）存储器和环境数据库，或者一种保存雷达回波中信息成分的机制（比如贝叶斯方法）；

（4）从接收机到发射机的闭环反馈。

具体来说，认知技术可以通过对雷达工作环境的感知，主动调节雷达发射参数，并利用各种先验信息智能处理回波信号，使雷达在不同环境中都能处于最优工作状态[59]。

基于上述背景，为了使雷达系统能在有限资源的约束下获取更好的性能，本书对认知雷达中的资源分配算法进行了研究，主要内容如下：

（1）在单雷达单目标跟踪框架下，提出了一种具有恒虚警性质的检测跟踪联合处理算法（相当于一种接收端的认知处理方式）；

（2）在单雷达多目标跟踪框架下，针对单部集中式MIMO雷达同时多波束工作模式下资源有限的问题，设计了两种多目标认知跟踪算法；

（3）在多雷达单目标跟踪框架下，针对不同种类、不同融合框架、不同状态向量维数以及异步等情况下的MRS，提出了多种资源分配算法；

（4）在多雷达多目标跟踪框架下，设计了一种MRS聚类与功率联合分配算法，建立了具有认知闭环结构的MRS。