浅谈雷达的探测、跟踪、抗干扰和目标识别技术

原则上，极化信息可以与各种雷达系统相结合，以提高雷达在探测、跟踪、抗干扰和目标识别方面的能力。极化信息处理技术的应用领域包括极化滤波、极化识别、极化检测、极化跟踪和目标极化识别。

极化目标分类与识别

通过处理机载和星载全极化遥感雷达获得的极化信息，能够对自然目标（如孔径特征、地貌、森林和植被等）进行分类和识别。根据特定的成像原理和成像环境的复杂性，提取尽可能多的目标信息，其中有用的信息被进一步提取或通过反演推算获得。如此获得的自然环境的准确信息在自然环境的利用、估计、勘探、制图和探测中是有用的。 对全极化多普勒气象雷达获取的极化信息进行处理，可以获得计量目标(云、雨、雾、冰雹等)的极化参数，如正交极化波的反射率因子、交叉极化波的反射率因子、差分反射率因子、传播的特定微分相移、零滞后相关系数和线性去极化率。各种计量目标的物理属性，如大小、密度、形状、强度和厚度，可以通过参数反演获得，为天气预报和灾害预警提供高度准确的标准信息。 战场监视全极化雷达能够对战场环境中感兴趣的各种人工军事目标进行分类、识别和标记。它们可以为选择有利的军事用地形式和路径提供便利；也可以为部队的顺利移动、战略部署和快速攻击提供保证；还可以为进一步的军事攻击提供基础。

目前在目标分类和识别方法中的极化特征大致分为两种:基于测量数据简单组合和转换的极化特征识别方法，以及基于目标分解的极化特征分类方法。第一种主要用于极化合成孔径雷达图像的分类，第二种用于散射特性的分类。 需要特别指出的是，目标极化分解理论在极化合成孔径雷达目标分类识别中得到了广泛的应用。目标极化分解的基本思想是将目标极化散射分解成几种基本散射原理的组合，这些组合可用于表征目标散射特征或几何信息，然后根据分类单元和基本散射原理之间的相似性，或者通过直接使用提取的新特征来实施分类。

该方法的优点是分类结果能够相对准确地揭示孔径特征的散射原理，这有助于我们理解图像；而且分类时不需要训练数据，因此该理论可以广泛应用。极化目标分解的方法大致可分为两种：用于目标散射矩阵的方法，以及用于极化协方差矩阵、极化相干矩阵、穆勒矩阵和Kennaugh矩阵的方法。 如果使用第一种类型，目标散射特性应是确定的(或稳定的)，散射回波应是相干的。因此这种类型也被称为相干目标分解(CTD)。相干目标分解(CTD)的方法包括基于泡利基的分解、Cameron分解和SDH分解。

如果使用第二种类型，目标散射可能是时变的，回波应该是部分相干的。因此，这种类型的方法也被称为部分相干目标分解法(PCTD)。部分相干目标分解(PCTD)的方法有Huynen分解、由弗里曼等人提出的“奇数阶-偶数阶-漫反射”、由Cloude等人提出的分解、Holm 和Barnes分解、以及基于Kennauth矩阵的最小二乘分解。

极化检测

同一目标在不同的姿态下对不同的极化波表现出不同程度的敏感性，这种极化差异可达10dB。因此，极化分集技术的使用可以显著提高雷达系统的探测性能。从20世纪80年代末到90年代初，极化检测技术受到了广泛的关注，并有相当一部分学者进行了相关研究。 成绩显著的有在麻省理工学院的林肯实验室工作的L.M. Novak等学者。关于最佳极化检测器的概念，他们进行了比较系统的研究，还对适合工程应用的准最佳极化检测器进行了研究，例如，同一性似然比检测器、极化白化滤波器、极化常数虚警检测器、极化形成检测器和功率最大化综合检测器。 在相干雷达系统中，目标需要从杂波中检测出来。而中低分辨率雷达的回波包含来自不同散射体散射回波的叠加。假定目标回波矢量和杂波矢量都可以认为近似服从零均值复高斯分布，对于未知杂波协方差矩阵的高斯杂波中的相干雷达检测，E.Pottier在缓慢起伏的杂波环境中进行了最佳极化检测的研究，他提出了Stokes矢量估计极化检测器。 Kelly提出了广义似然比检验(GLRT)算法，该检测算法使用一系列与检测单元具有相同杂波分布且不包含信号的辅助数据，测试检测单元的似然比，该似然比具有与杂波协方差矩阵恒虚警的性质。

针对非高斯噪声和杂波环境下的目标自适应极化检测，设计了相应的恒虚警检测器，而Park等学者针对未知目标和杂波极化特性，提出了结合两个极化通道的极化广义似然比 (GLRT)算法。  

编辑：黄飞