雷達目標識別技術

雷達目標識別技術雷達目標識別技術雷達目標識別技術xxx公司雷達目標識別技術文件編號：文件日期：修訂次數(shù)：第1.0次更改批準審核制定方案設計，管理制度雷達目標識別技術述評孫文峰（空軍雷達學院重點實驗室，湖北武漢430010）摘要：首先對雷達目標識別研究領域已經取得的成果和存在的問題進行簡單的回顧，然后結合對空警戒雷達，闡明低分辨雷達目標識別研究的具體思路。關鍵詞：雷達目標識別；低分辨雷達ReviewonRadarTargetRecognitionSUNWen-feng（Keylaboratory,WuhanRadarAcademy,Wuhan430010,China）Abstract:Theacquiredproductionsandexistentproblemsofradartargetrecognitionarereviewedsimply,thenthespecificconsiderationsoftargetrecognitionwithlowresolutionradarareillustratedconnectintegratingwithairdefensewarningradarinactiveservice.Keywords:radartargetrecognition;lowresolutionradar引言雷達目標識別（RTR—RadarTargetRecognition）是指利用雷達對單個目標或目標群進行探測，對所獲取的信息進行分析，從而確定目標的種類、型號等屬性的技術。1958年，（美國）通過精密跟蹤雷達回波信號分析出前蘇聯(lián)人造衛(wèi)星的外形和簡單結構，如果將它作為RTR研究的起點，RTR至今已走過了四十多年的歷程。目前，經過國內外同行的不懈努力，應該說RTR已經在目標特征信號的分析和測量、雷達目標成像與特征抽取、特征空間變換、目標模式分類、目標識別算法的實現(xiàn)技術等眾多領域都取得了不同程度的突破，這些成果的取得使人們有理由相信RTR是未來新體制雷達的一項必備功能。目前，RTR技術已成功應用于星載或機載合成孔徑雷達（SAR—SyntheticApertureRadar）地面?zhèn)刹?、毫米波雷達精確制導等方面。但是，RTR還遠未形成完整的理論體系，現(xiàn)有的RTR系統(tǒng)在功能上都存在一定的局限性，其主要原因是由于目標類型和雷達體制的多樣化以及所處環(huán)境的極端復雜性。本文首先對RTR研究領域已經取得的成果和存在的問題進行簡單的回顧，最后結合對空警戒雷達，闡明了低分辨雷達目標識別研究的具體思路。雷達目標識別技術的回顧與展望雷達目標識別研究的主體有三個，即雷達、目標及其所處的電磁環(huán)境。其中任何一個主體發(fā)生改變都會影響RTR系統(tǒng)的性能，甚至可能使系統(tǒng)完全失效，即RTR研究實際上是要找到一種無窮維空間與有限類目標屬性之間的映射。一個成功的RTR系統(tǒng)必定是考慮到了目標、雷達及其所處電磁環(huán)境的主要可變因素。就目標而言主要有目標的物理結構、目標相對于雷達的姿態(tài)及運動參數(shù)、目標內部的運動（如螺旋槳等）、目標的編隊形式、戰(zhàn)術使用特點等等；就雷達而言主要有工作頻率、帶寬、脈沖重復頻率（PRF）、天線方向圖、天線的掃描周期等等；環(huán)境因素主要有各種噪聲（如內部噪聲和環(huán)境噪聲）、雜波（如地雜波、海雜波和氣象雜波）和人為干擾等。在研制RTR系統(tǒng)時必須綜合考慮這些因素，抽取與目標屬性有關的特征，努力消除與目標屬性無關的各種不確定因素的影響。原則上，任何一個RTR系統(tǒng)均可?；癁閳D1所示的基本結構[3]。它由目標識別預處理、特征信號提取、特征空間變換、模式分類器、樣本學習等模塊組成。圖中虛線部分的斷開和啟動，決定RTR系統(tǒng)是否具備自學習功能。識別輸出識別輸出試驗數(shù)據(jù)目標識別預處理目標測量特征信號提取特征信號提取特征空間變換特征空間變換樣本學習模式分類訓練數(shù)據(jù)圖1雷達目標識別系統(tǒng)方框圖雷達目標識別技術簡介下面就從RTR系統(tǒng)的幾個主要環(huán)節(jié)出發(fā)，對常用的RTR技術進行簡要回顧。（1）雷達目標特征信號雷達目標特征信號（RTS—RadarTargetSignature）是雷達發(fā)射的電磁波與目標相互作用所產生的各種信息，它載于目標散射回波之上，是雷達識別目標的主要信息來源。雷達目標特征信號包括雷達散射截面積（RCS—RadarCrossSection）及其統(tǒng)計參數(shù)、角閃爍誤差（AGE—AngularGlintError）及其統(tǒng)計參數(shù)、極化散射矩陣、散射中心分布、極點等。但是，不是任何雷達都能獲得所有目標特征信號的。早期的雷達由于分辨力不夠，只能將探測對象看作點目標，得到目標的距離、方位、速度等簡單信息，難以滿足目標識別的要求。隨著高分辨力雷達的問世，才有條件將探測對象當作擴展目標來研究，獲得更多的雷達目標特征信號，使復雜電磁環(huán)境中的雷達目標識別成為可能。雷達目標特征信號的研究手段有仿真實驗、暗室測量和外場試驗三種，它們各有其優(yōu)缺點，應根據(jù)具體情況進行取舍。仿真實驗主要是將目標分解或利用某種近似理論，用計算機對目標的雷達回波進行模擬。其優(yōu)點是花費少，能產生任意姿態(tài)角的目標回波數(shù)據(jù)，但數(shù)據(jù)可信度不高；暗室測量主要是在微波（毫米波）暗室中對目標的縮比模型進行測量，花費較大，且由于有近場推遠場等近似手段，數(shù)據(jù)可信度居中。一般目標的方位角可以360度準確控制，但俯仰角受暗室空間的限制，轉動范圍不大；外場試驗就是在簡單的電磁環(huán)境中對目標實物進行測量，其數(shù)據(jù)可信度最高，但花費最大，且目標的姿態(tài)難以準確控制。（2）雷達目標識別預處理雷達目標識別預處理的主要任務是盡量減小各種不確定因素對目標識別性能的影響，包括抑制噪聲、雜波及其它有源和無源干擾，虛警鑒別與多目標分辨，成像識別時的目標（載體）運動補償、斑點效應的抑制和目標分割，等等。有人認為預處理還包括目標類型的粗分類[2]。總之，預處理是雷達目標識別過程中的一個重要環(huán)節(jié)，其具體過程隨雷達體制和應用背景而異。（3）雷達目標特征抽取雷達目標特征抽取的任務就是從目標的雷達回波中抽取與目標屬性直接相關的一個或多個特征，作為目標識別的信息來源。雷達目標特征抽取的客觀依據(jù)是目標與環(huán)境的雷達特性。目標的雷達特性除了雷達目標特征信號以外，還包括雷達常規(guī)測量得到的目標的位置、運動參數(shù)等。環(huán)境的雷達特性一般是指地（海）面背景雜波的電磁散射特性，這里不予討論。雷達目標特征抽取所用的方法與目標和雷達體制二者密切相關，特征抽取時必須分析所有感興趣目標的雷達特性，比較它們之間的異同，提取區(qū)分某種目標與其它目標的最顯著特征，用于目標識別。圖2金屬球的RCS與雷達工作波長的關系圖2為某金屬球在不同波長雷達波照射下的RCS曲線，其橫坐標r為目標有效散射尺寸與雷達發(fā)射信號波長的比值。根據(jù)這一曲線可以將目標的雷達特性粗略劃分為瑞利區(qū)、諧振區(qū)和光學區(qū)。在瑞利區(qū)，目標的尺寸遠小于雷達的工作波長，目標的RCS與r近似成線性關系，目標的散射特性可以用一個點目標模型來模擬；在諧振區(qū)，目標的有效尺寸與雷達的工作波長處于同一個數(shù)量級，此時目標產生諧振，其RCS隨的變化起伏較大；在光學區(qū)，目標的有效尺寸遠大于，其RCS隨的減小而趨于恒定值。一般來說，頻率高端有利于激勵出目標的精細結構信息，頻率低端則能攜帶目標的總體粗結構信息。就RTR本身而言，要求雷達發(fā)射信號最好能跨越目標的三個區(qū)，此時目標回波攜帶的信息量最為豐富，對目標識別最有利，這就是超寬帶雷達用于目標識別的優(yōu)勢。我軍現(xiàn)役雷達裝備，除少數(shù)米波雷達的波長與軍事目標的尺寸可以比擬外，大多數(shù)雷達都工作在目標的光學區(qū)。因此，下面重點就光學區(qū)雷達目標識別常用的特征抽取方法加以說明。圖2金屬球的RCS與雷達工作波長的關系光學區(qū)雷達目標識別的重要理論基礎是多散射中心理論，即光學區(qū)目標的雷達回波可以近似等效為目標物體上少數(shù)幾個強散射中心回波的矢量和。散射中心是客觀存在的，它主要指目標的邊緣（棱線）、曲率不連續(xù)點、尖端、鏡面、腔體、行波及蠕動波等強散射點，它反映了目標的精密結構特征。光學區(qū)的雷達目標識別方法可分為寬帶高分辨和窄帶低分辨兩類。寬帶高分辨雷達目標識別方法主要有成像識別（即估計散射中心在目標物體上的分布）和散射中心歷程識別（即散射中心隨目標姿態(tài)的變化過程）兩種。寬帶高分辨成像識別的大體情況和窄帶低分辨目標識別的具體思路將在本文后面進行介紹。RTR中的特征抽取至今仍未形成完整的理論體系，個別特征對于目標識別的作用難以量化。因此，現(xiàn)階段的RTR研究都是在現(xiàn)有目標識別理論的指導下，不斷嘗試各種特征抽取手段，最后根據(jù)所掌握數(shù)據(jù)的分類效果對目標特征抽取方法進行取舍。但是，經過大量的研究可以肯定的一點是，用于目標識別的特征數(shù)目并非越多越好。因為從同一目標回波中抽取的特征難免存在一定的相關性，而這種相關性往往是不易覺察的。冗余特征不僅會使運算量增大，而且還可能引入不必要的噪聲。避免冗余特征的唯一途徑是從目標電磁散射的機理出發(fā)，抽取與目標屬性直接相關的特征，使每個特征都能得到合理的解釋，但實際上很難做到這一點。此外，在光學區(qū)，由于目標特征對姿態(tài)角比較敏感，為了使特征抽取能夠得到目標所有姿態(tài)下的完整信息，訓練數(shù)據(jù)應來自目標所有的姿態(tài)，理論上相鄰姿態(tài)角之間的間隔應越小越好。（4）特征空間變換特征空間變換是RTR中的另一個重要環(huán)節(jié)，其目的是應用各種優(yōu)化的變換技術改善特征空間中原始特征的分布結構，壓縮特征維數(shù)，去除冗余特征。常用的特征空間變換技術有四種，即卡南-洛伊夫（K-L）變換、沃爾什（Walsh）變換、梅林（Mellin）變換和基于離散度（Fisher）準則的維數(shù)壓縮方法。前三種特征空間變換方法的主要思想是通過正交變換消除特征之間的相關性，達到去除冗余特征、減小計算量的目的。其中梅林變換還具有尺度不變性的特點，在RTR識別中有助于部分消除特征矢量對目標姿態(tài)的敏感性。基于離散度準則的維數(shù)壓縮方法則是通過正交投影提高同類目標特征之間的聚合性和異類目標特征之間的可分離性，同時達到大幅度壓縮特征矢量維數(shù)的目的。（5）目標模式分類目標各種姿態(tài)的訓練數(shù)據(jù)，經過特征抽取和特征空間變換后就形成了目標識別時資用的若干個模板。實測數(shù)據(jù)經過同樣的處理過程也會成為一個與模板矢量維數(shù)相同的矢量，將該矢量與所有目標類型的所有模板進行比較，最終確定目標屬性，就是模式分類算法需要解決的問題。常用的模式分類算法有統(tǒng)計模式識別算法、人工神經元網絡（ANN）模式分類算法、基于專家系統(tǒng)的人工智能識別算法、模糊模式分類算法及其它復合分類算法。其中統(tǒng)計模式識別算法最為穩(wěn)定可靠；模糊模式識別算法智能化程度高，容錯性較強，但隸屬度函數(shù)的得到和修正往往需要人的經驗，不便于RTR系統(tǒng)的自學習；基于專家系統(tǒng)的人工智能識別算法容錯性不強；人工神經元網絡模式分類算法有較強的容錯性，較高的智能化水平，高度的并行處理和較強的自學習能力，可能是RTR系統(tǒng)設計模式分類器的最佳選擇；模糊推理與神經網絡復合等類似的復雜分類器還有待進一步研究?，F(xiàn)代信息處理理論和方法在RTR中的應用近二十年，各種非線性信號處理、非平穩(wěn)信號處理和智能信號處理理論與方法得到了蓬勃發(fā)展，極大地拓展了信息處理的手段，這些理論和方法在RTR領域也得到了一些成功應用。（1）小波變換。小波變換是一種分析非平穩(wěn)信號的數(shù)學理論，在RTR中的應用主要是提取寬帶響應多尺度特征和雷達圖像的數(shù)據(jù)壓縮。（2）分形與分維幾何。分形與分維幾何是研究和處理自然與工程中不規(guī)則圖形的強有力的理論工具。它在RTR中主要用于合成孔徑雷達圖像的處理，包括圖像壓縮與特征抽取兩方面。目標的分形特征具有抗干擾、抗畸變、復雜自然環(huán)境下性質不變的優(yōu)點。（3）模糊集理論。模糊集理論是一種處理因“因果律”破缺而造成的模糊現(xiàn)象的有力數(shù)學工具，在RTR中主要用于模式分類器的設計，以提高系統(tǒng)對環(huán)境的適應能力。（4）人工神經元網絡。人工神經元網絡是由人工建立的以有向圖為拓撲結構的動態(tài)系統(tǒng)，它通過對連續(xù)或斷續(xù)的輸入作狀態(tài)響應而進行信息處理。ANN在RTR中主要用于分類判決，完成目標特征信號與目標屬性的關聯(lián)。以及完成矩陣特征值求解等一些耗時運算，提高信息處理的實時性。RTR研究領域的基本結論（1）RTR研究的主要難點[1]①目標特征信號敏感于姿態(tài)角。采用特征空間變換可以在很小的姿態(tài)角范圍內消除目標特征對姿態(tài)的敏感性，但最終的解決方法還在于利用目標全姿態(tài)角的訓練數(shù)據(jù)進行建模，由此引起的模板數(shù)目過多，存儲和實時檢索困難等問題是目標識別的難點之一。②強雜波以及各種干擾的存在。象其它雷達系統(tǒng)一樣，目標識別系統(tǒng)也必須考慮到雜波和干擾對其性能的影響。雖然采用空域和時域濾波可以一定程度地抑制雜波和各種干擾，但空域和時域都難以區(qū)分的雜波和各種干擾不僅會大幅提高雷達檢測的虛警率，而且會破壞目標回波所攜帶的特征，使目標識別系統(tǒng)的性能下降。③成像識別時的目標分割問題。利用高分辨雷達對目標進行成像識別是RTR的發(fā)展趨勢之一。由于雷達接收機的帶寬有限，目標的雷達圖像不象可見光圖像那樣具有連續(xù)的邊界。目標的二維合成孔徑雷達圖像往往表現(xiàn)為目標物體上散射強度的等高線圖，此時沿用光學圖像處理中的目標分割算法往往是失效的，必須研究專用的雷達圖像理解算法。④目標被遮蔽時殘缺特征的聯(lián)想。當雷達從空中識別地面目標時，地面目標可能被樹林、建筑物等物體部分遮蔽，此時雷達圖像出現(xiàn)了殘缺現(xiàn)象，目標識別算法必須對殘缺特征進行聯(lián)想，這是非常困難的。⑤目標識別系統(tǒng)缺乏統(tǒng)一的評估標準。RTR系統(tǒng)的最終性能受到目標類型、目標姿態(tài)、電磁環(huán)境、雷達體制、天氣變化等諸多因素的影響，要使兩套RTR系統(tǒng)處于相同的工作狀態(tài)是困難的。一個可行的方法是建立測試RTR系統(tǒng)的標準數(shù)據(jù)庫，但它要耗費大量的人力物力，且由于環(huán)境的千差萬別，RTR系統(tǒng)的最終的測試結果與實際性能仍會有一定差距。（2）RTR研究的基本結論①不存在具有姿態(tài)角不變性的特征參量。由于目標姿態(tài)改變時目標的反射面結構發(fā)生了變化，因此，一般認為具有姿態(tài)角不變性的特征參量是不存在的。但是學術界少數(shù)人也存在另一種觀點，認為具有姿態(tài)角不變性的特征參量不是不存在，只是目前還沒有找到。②不存在對所有目標類型和復雜環(huán)境普遍使用的RTR系統(tǒng)。從目標識別的機理看，對不同目標在不同的電磁環(huán)境中必須采用不同的特征抽取手段，不可能用一組特征解決所有的目標識別問題?，F(xiàn)有的RTR系統(tǒng)都只能對有限個特定目標在比較單純的電磁環(huán)境中發(fā)揮預期的作用。（3）RTR研究領域的錯誤認識①盲目進行特征抽取。出現(xiàn)這類錯誤的根本原因是缺乏對目標識別機理的足夠認識，表現(xiàn)為將目標回波的能量等不穩(wěn)定的量作為目標識別的特征，或在光學區(qū)雷達目標識別中試圖抽取目標的極點，或抽取一組明顯相關性很強的特征進行目標識別，等等。②將RTR等同于信號處理。出現(xiàn)這類錯誤的主要原因也同樣是缺乏對目標識別機理的足夠認識，不去分析目標回波中包含哪些有用信息，把目標對雷達發(fā)射信號的散射看作是一個黑箱，將改善RTR系統(tǒng)性能的希望寄托在神經網絡、小波變換、遺傳算法、分形幾何等所謂的“先進”信息處理算法和“智能”模式分類算法上。③利用少量樣本或訓練樣本進行性能測試。RTR系統(tǒng)受目標姿態(tài)改變、環(huán)境變遷、雷達性能不穩(wěn)定等多種不確定因素的影響，目標屬性的判決過程實際上是一個隨機事件，在性能測試實驗中必須用到大量的不同時間、不同背景、不同姿態(tài)的樣本，少量的樣本得到的測試結果是沒有說服力的。測試樣本與訓練樣本相同時，也無法驗證系統(tǒng)對多種目標姿態(tài)和環(huán)境等的適應能力。（4）RTR研究的發(fā)展趨勢①一維或多維成像識別傳統(tǒng)的窄帶低分辨雷達不能分辨目標物體上不同的散射部位，只能得到目標的位置和運動參數(shù)等少量信息，利用這些信息在復雜的戰(zhàn)場環(huán)境中可靠地自動識別大量的軍事目標是不可能的。為了得到目標的精細結構信息，必須提高雷達的分辨力，對目標進行成像識別，同時提高計算機對雷達圖像的理解能力?？梢赃@樣說，未來的自動目標識別系統(tǒng)，一定是由具有高質量的成像算法和高智能的計算機圖像理解算法的高分辨力雷達組成?，F(xiàn)有的雷達成像識別算法可以按維數(shù)分為三類：一維成像識別雷達一維成像一般是指雷達發(fā)射寬帶信號，在徑向距離上對目標進行高分辨成像。一維成像識別的優(yōu)點是徑向分辨力與目標和雷達之間的距離無關，而且不受目標相對雷達的轉角的限制，相對多維成像識別具有運算量小、實時性好的優(yōu)點。目前，多數(shù)比較成熟的自動目標識別系統(tǒng)都是采用這種體制。其主要缺陷是：⑴一維距離像敏感于目標的姿態(tài)，目標識別時必須采取全方位的建模方式，且不同類型目標之間的特征差別不夠明顯，識別率不會很高；⑵目標識別系統(tǒng)易受強雜波和各種干擾的影響，對環(huán)境的適應能力有限；⑶由于角度分辨力沒有提高，當多個目標在距離上不可分時會對目標識別系統(tǒng)的性能產生嚴重影響。二維成像識別雷達二維成像一般是指雷達在發(fā)射寬帶信號，改善徑向距離分辨力的同時，采取合成孔徑或實孔徑改善橫向分辨力。二維成像識別方式由于在橫向上改善了分辨力，克服了一維成像識別的不足，同時大量增加了信息處理的復雜性，至今二維成像仍不能做到實時處理，而且基于雷達圖像的計算機視覺理論還遠未完善。三維成像識別三維成像識別方式有兩種。一種是在合成孔徑雷達的基礎上增加一維實孔徑改善第三維的分辨力，該成像識別方式已經在美國的衛(wèi)星偵察雷達中得到成功應用；另一種是在寬帶高距離分辨的基礎上，在距離較近（如導彈末制導）時，結合單脈沖高角分辨改善兩維橫向分辨力。該成像方式尚有很多難點需要攻關。②多傳感器融合識別多傳感器融合識別是為了彌補單一傳感器在信息獲取能力上的不足，綜合兩種或更多種傳感器獲取的信息進行判決，達到大幅度改善目標識別性能的目的。RTR中常見的融合方式有不同波段的雷達融合、有源雷達與無源雷達的融合、單基地雷達與雙多基地雷達的融合、主動雷達與被動雷達的融合等四種。融合算法有數(shù)據(jù)層融合、特征層融合和決策層融合三種。③人機交互識別在RTR系統(tǒng)中，依靠機器算法的智能化系統(tǒng)，要完全適應戰(zhàn)場復雜的電磁環(huán)境是不可能的，在一些實時性要求不高的場合，如星載或機載雷達偵察、防空警戒雷達目標識別等，完全可以利用人腦對圖像和聲音強大的理解能力，來提高系統(tǒng)的識別率和適應環(huán)境的能力。前蘇聯(lián)曾研制出一種專門用于探測和識別直升機的雷達系統(tǒng)，其主要原理是將直升機的主旋翼調制譜轉換成音頻信號，輸出到專用耳機中，借助人腦實現(xiàn)了幾種已知型號直升機的準確識別。④極化信息用于雷達目標識別如果雷達的發(fā)射和接收極化都是可變的，則可以通過測量目標的極化散射矩陣，獲取目標的極化信息用于目標識別。其優(yōu)勢在于：一是增加了信息來源。極化信息與其它途徑得到的目標信息一般是不相關的；二是目標的極化信息具有改變極化基或目標繞雷達視線旋轉不變性的特點。因此，利用極化信息進行目標識別可以消除三位姿態(tài)變化中的一維。極化理論證明，與目標視線旋轉和雷達極化基無關的一組極化不變量是存在的，它們是：行列式的值、功率矩陣跡、去極化系數(shù)、本征方向角和最大極化方向角。利用極化信息進行目標識別的缺陷，是極化特征對雷達的工作頻率和其它兩維姿態(tài)的變化仍十分敏感。低分辨雷達目標識別研究的思考與高分辨雷達相比，低分辨雷達具有原理和結構簡單等優(yōu)點。可以想見，在今后相當長一段時間內，低分辨雷達仍是對空警戒雷達的主體。我軍現(xiàn)役的地面防空警戒雷達都是采用低分辨體制。因此，對低分辨雷達目標識別進行研究對于改善我軍防空警戒雷達的信息獲取能力，圓滿完成防空預警任務具有十分重要的意義。近半個世紀，國外對低分辨雷達目標識別進行了大量的研究，取得了很多成功的經驗和失敗的教訓，總的結論是：低分辨雷達的目標特征信號的測量能力不夠，無法在復雜戰(zhàn)場環(huán)境中完成對目標進行穩(wěn)定識別的任務。目前國外絕大部分的精力都已轉向高分辨力雷達及其目標識別的研究。國內國防科技大學、哈爾濱工業(yè)大學、西安電子科技大學等單位對低分辨雷達目標識別進行過一些理論研究，基本上同意國際主流看法，但同時也認為低分辨雷達在目標識別方面有潛力可挖，對該領域的研究一直沒有中斷。低分辨RTR研究的不利因素一是分辨力不夠，目標回波中包含的目標特征信息量少。這是最根本的一點；二是必須識別飛機的型號，這是由防空警戒雷達的任務決定的；三是雷達作用距離遠，識別信噪比（未積累前）較低；四是天線波束寬，主瓣干擾往往很強；五是雷達全天候工作，氣候變化大。環(huán)境的變化會使目標識別系統(tǒng)性能發(fā)生較大的起伏。低分辨RTR研究的有利條件一是目標識別系統(tǒng)的實時性要求不高，允許秒級的處理時間，這就為人機交互識別和多掃描周期融合識別提供了可能；二是目標類型較少，有一定的先驗信息可以利用；三是在警戒階段，目標的運動狀態(tài)比較平穩(wěn)，可近似為勻速直線運動。低分辨RTR研究的具體思路（1）目標。主要目的是壓縮目標空間的維數(shù)，可以采用三種手段：一是將所有感興趣目標類型按威脅程度排隊，將威脅程度高的目標作為識別的重點，將威脅程度相近、結構和戰(zhàn)術性能相似的目標歸為一類；二是對目標參數(shù)進行壓縮。遠程警戒時，目標的航跡可近似為勻速直線運動，其戰(zhàn)術使用特點也可以事先部分了解到；三是將實在無法識別的幾種目標歸為一類。（2）雷達。就雷達而言，就是要認真分析雷達的信號處理特點，充分挖掘雷達能夠提供的目標信息，并分析雷達性能不穩(wěn)定對目標識別系統(tǒng)可能造成的影響。理論上應盡可能避免目標識別效果受雷達性能變化的影響，保證只要雷達能夠正常發(fā)揮警戒功能就能識