快速彈道識別

雷達彈道識別是指利用雷達探測彈道數據判斷其彈道類型的過程，它是實現精確彈道外推的重要基礎和先決條件。識別的時間和精度在彈道識別時是衡量算法性能的兩個重要指標。快速彈道識別是指利用有關算法和技術在極短的時間內判斷其彈道類型的過程並且有很高的彈道識別精度。

基本介紹

• 中文名：快速彈道識別
• 外文名：Rapid trajectory identification
• 學科：計算機
• 定義：快速判斷彈道
• 有關技術：機器學習、模式識別
• 領域：人工智慧、軍事

簡介

彈道飛彈以其射程遠、威力大、精度高和生存能力強等優點已成為現代戰爭的“殺手鐧”武器之一。作為事物的對立面，彈道飛彈防禦系統應運而生。縱觀彈道飛彈防禦技術發展史，如何解決目標識別問題一直是其核心難題之一。由於彈道飛彈識別問題本身的複雜性 ,加上各種突防手段的套用如隱身技術、多彈頭技術 、 誘餌干擾技術以及複雜的電磁環境，識別變得越來越困難，至今尚無完善的理論框架與成熟的技術和方法。因此，彈道飛彈識別研究具有極其重要的軍事套用價值。快速彈道識別是指利用有關算法和技術在極短的時間內判斷其彈道類型的過程並且有很高的彈道識別精度。快速彈道識別可以用很多技術來實現和最佳化，例如機器學習、深度學習。

線上最佳化

從數學角度看， 解決彈道識別問題實質上就是解最佳化問題，隨著機器學習深入發展，針對大規模數據， 一些學者提出了一種新的最佳化思想， 即線上最佳化。基本思想是每次疊代僅僅計算最佳化一個樣本點造成的損失， 線上最佳化小部分樣本後， 最佳化問題的解就已經呈現出穩定的趨勢。相比批處理方法， 可以看出線上最佳化大大減少了計算代價，節約了時間。從實際的雷達真實戰場的配置看，雷達捉彈道數據也是實時線上的，因此認為這種線上最佳化方法應該適合解決彈道識別實際問題。

彈道飛彈的飛行過程

根據從發射點到攻擊點運動過程中的受力情況，通常將彈道飛彈的飛行過程分為三個階段 ：助推段、自由飛行段(又叫中段)和再入段。目前，也有學者在助推段後增加了末助推段，將彈道飛彈的飛行過程分為四個階段。彈道飛彈的三個飛行階段各有特點，呈現出來的物理特性和突防條件不同，從而導致目標特性和識別技術特點也不同 。

助推段

助推段，始於飛彈發射，止於最後一級助推火箭關機。在該階段，飛彈噴射出強烈的尾焰，其中包含可見光、短波、中波 紅外以及紫外等不同波段的輻射信號，一般不可能隱藏，很容易從同步軌道衛星或者近軌紅外預警衛星上進行探測。此外，處於助推段的彈道飛彈可利用的特徵還包括由於龐大體積引起的大的雷達有效反射截面以及在大氣層飛行時氣動加熱所引起的熱輻射等。助推段目標識別的最大優勢就是目標單一，各種可用的識別特徵明顯, 飛行速度和姿態變化慢，遇到的最大挑戰就是要在極短的時間內完成識別，目前一般戰術彈道飛彈在助推段飛行時間只有幾十秒，即使是洲際彈道飛彈飛行時間也只有3 ～ 6 min，加上攔截平台在地理部署上的限制，在助推段實現目標識別並加以攔截，可行性並不高。

中段

彈道中段在整個彈道飛彈飛行過程中歷時最長，洲際彈道飛彈的中段飛行時間一般為 20 ～ 30min，是反導系統的首選攔截階段。彈道中段位於大氣層外，推進系統已關機，紅外輻射信號微弱, 目標運動狀態相對平穩，如果忽略其他各種攝動的影響(如地球形狀非球形、密度分布不均勻引起的攝動以及太陽、月球的引力等) ，彈道飛彈主要受地球引力影響，這時飛彈的飛行軌道可以看成為二體軌道。彈道飛彈防禦技術的發展促進了飛彈攻擊技術的進步，攻擊方為了提高飛彈的生存能力，通常會採取各種突防措施如彈頭自身的隱身技術、電磁干擾技術以及誘餌釋放等，採用的誘餌主要有金屬球、箔條雲團、雷達誘餌、紅外誘餌和熱充氣球等。由於誘餌釋放過程的發生，彈道中段的一個重要特徵就是目標數量不再單一，而是形成包括真彈頭、發射碎片和各種誘餌與假目標的威脅目標群，它們以大致相同的速度沿飛彈的預定彈道慣性飛行，形成長達幾十米的所謂威脅“管道”，構成複雜的目標環境。為了保持彈頭在大氣層外飛行的穩定性和提高命中精度，彈頭在中段要進行姿態控制。姿態控制的方式有多種，其中自旋和三軸穩定是最常用的方式。對於輕誘餌和其他碎片，一般不採取姿態控制，目標會呈現翻滾等隨機運動。而對於彈頭類目標，除了姿態控制外，還受到誘餌釋放過程中產生的橫向干擾，會產生進動和章動等微運動。綜上可知，中段目標主要具有以下三個特性：1) 目標在大氣層外做慣性飛行，只受地球引力作用( 其他攝動力較小，可忽略) ，為二體運動，紅外輻射特性弱；2) 目標不再單一，而是彈頭和各類誘餌構成的目標群；3) 目前群存在翻滾 、進動和章動等微運動。彈道中段目標識別的優點在於：相對於助推段和再入段，用於目標識別的時間長，且彈道可以被精確地預測和確定 。但中段目標識別也面臨著嚴峻的挑戰：各種突防手段的實施使得中段目標不再單一，而是威脅目標群，目標環境複雜，尤其是重型誘餌,在質量 、外形以及表面材料方面與真彈頭相差無幾，導致其電磁散射特性 、輻射特性以及運動特性等皆與真彈頭幾乎一樣，這大大增加了目標識別的難度 。

再入段

再入段是彈道飛彈飛行三個階段中時間最短的一個階段。由於大氣阻力使得目標產生減速特性，輕誘餌和碎片等在該階段很快被大氣過濾掉，只剩下彈頭和重誘餌，而且彈頭因摩擦受熱 ,紅外輻射特性增強。同時，飛彈在再入飛行過程中，其 RCS 的起伏較大，一般經歷“減小—增大—減小—恢復”的過程 ,而且不同的彈頭在減速特性、RCS 突增及輻射特性等方面都會有較大差異，可以採用質阻比等特徵來進行目標識別 。可見，再入段目標識別的優勢是很明顯的，但是，由於再入段防禦用於跟蹤和識別的時間很短( 一般小於 60 s)，彈頭飛行速度快，再加上進攻方可藉助多彈頭技術和彈頭機動技術等反攔截突防措施，使防禦方失去跟蹤和識別目標的機會。

成像特徵

高分辨雷達成像可以獲得目標的結構細節特徵，是彈道飛彈識別的一個重要技術途徑。高分辨雷達成像包括利用發射寬頻波形獲得的高距離解析度獲得的一維距離像、利用逆合成孔徑雷達( ISAR)得到的 ISA像、利用高距離解析度和單脈衝測角功能獲得的三維( 距離、方位角、俯仰角) 高分辨像 。

一維距離像

目標的一維距離像是指當徑向距離解析度遠小於目標尺寸時，得到的目標多散射中心在雷達徑向距離軸上的投影分布圖。基於距離像的識別方法主要包括兩大類：1) 直接利用距離像的識別方法；2) 基於各種不變特徵的識別方法。直接利用距離像的識別方法最基本的做法就是距離像匹配，即用未知目標的距離像特徵矢量與模板庫中的各目標的模板距離像特徵矢量進行相關。Li 和Yang 首次提出了基於匹配度的距離像匹配識別方法，論證了直接將 HRRP 作為特徵矢量的可行性 。Hudson 和 Psalltis提出了基於相關濾波法的目標識別方法, Huether 等 也研究了採用模板匹配法對六類目標的 HRRP 數據進行分類。這類方法實現簡單, 但由於一維距離像對目標姿態角變化敏感，因此需要建立大量的模板，計算量非常大，阻礙了這類方法走向實用 。為了克服直接利用距離像識別方法的缺點，最有效的途徑就是從一維距離像中提取各種不變特徵，因而，人們提出了各種基於不變特徵的識別方法。目前，不變的特徵主要有 FFT 特徵、高階譜變換特徵 、小波變換特徵、Mellin 變換特徵、Karhunen Loeve 變換( KLT) 特徵等。這類方法計算量小，且對目標的姿態不敏感，但這類方法的最大問題是變換後的特徵往往沒有明確的物理意義 。儘管一維距離像的目標識別方法被認為是一種很有前途的方法, 但也有學者認為距離像特徵不適於目標識別。Augus 和 Rihaczek 等通過研究得出方位角每變化 0. 2° 就需要用一個新的距離像來表征目標，因此，他們認為依靠距離像不能實現可靠的目標識別；劉永祥等認為彈道目標一般比較小且結構簡單，一維距離像攜帶信息少，不利於識別。

三維像

對目標進行三維成像也是高分辨雷達目標識別的新興研究方向。目前，雷達目標三維成像主要有三種方法：1) 單脈衝偏軸測角成像；2) 多天線干涉成像；3) 合成空間孔徑成像。雖然在原理上三維成像並不複雜，但基於三維像的目標識別目前還處於探索之中，離走向實用還有很長的路要走，需要解決的關鍵技術有目標質心運動的補償問題、散射中心的估計問題以及不同姿態下散射中心的關聯問題 。

極化特徵

作為目標電磁散射特性的基本要素之一，目標極化特徵的利用為解決彈道飛彈識別問題提供了新的技術途徑。利用極化特徵進行識別的思路有三類：一是直接利用極化矩陣中的元素；二是利用極化散射矩陣的不變數，如行列式值、功率矩陣跡、去極化係數、本徵方向角和最大極化方向角等；三是利用目標特徵極化態，特定的雷達目標存在一組特徵極化態，在特徵極化態下某一極化通道的接收功率為零,或者為最大值，可以組成交叉零功率極化、交叉最大功率極化、同極化零功率點和同極化最大功率點四種極化態, 這四種極化態可以作為目標識別用的特徵信號 。

機器學習

學習是人類具有的一種重要智慧型行為，目前計算機也已經初步具有這種能力了。正如 Tom M．Mitchell 在其著作《Machine Learning》 中指出， 機器學習就是指 “計算機利用經驗自動改善系統自身性能的行為” 。簡言之， 機器學習是指通過計算機學習數據中的內在規律性信息，獲得新的經驗和知識，以提高計算機的智慧型性， 使計算機能夠像人那樣去決策。目前，機器學習走過了 70 多年曲折而又光輝的歷程，是學界與業界研究與套用的一個熱點和焦點。以深度學習為代表的機器學習是當前最接近人類大腦的智慧型學習方法和認知過程，充分借鑑了人腦的多分層結構、神經元的連線互動、分散式稀疏存儲和表征、信息的逐層分析處理機制，自適應、 自學習的強大並行信息處理能力，在語音、 圖像識別等方面取得了突破性進展，在諸多套用領域取得巨大商業成功。機器學習的目標就是在一定的網路結構基礎上 構建數學模型，選擇相應的學習方式和訓練方法，學習輸入數據的數據結構和內在模式，不斷調整網路參數，通過數學工具求解模型最最佳化的預測反饋，提高泛化能力、防止過擬合。機器學習算法主要是指通過數學及統計方法求解最最佳化問題的步驟和過程。