目标识别技术

目标识别技术

摘要:

针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法:基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。

引言:

雷达目标识别技术回顾及发展现状

雷达目标识别的研究始于＂20世纪５0年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是,对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述,就显得过于粗糙,也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高,在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现,从而建立起了相应的目标识别理论和技术。

随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起,夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。

雷达作为重要的电子信息装备,自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能,而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息,通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下,目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。

所谓雷达目标识别，是指利用雷达获得的目标信息,通过综合处理，得到目标的详细信息(包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高,对雷达目标识别提出了越来越高的要求。

目前，目标识别作为雷达新的功能之一,已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高

目标识别技术

我国的军事实力,适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看,飞行中段的威胁目标群可粗分为球锥类、球、角反射器、圆柱及碎片等,形体相对简单，通过高分辨成像进行区分是可行的。从姿态特性看,各目标的飞行姿态特性主要取决于母舱释放弹头和诱饵时的阶段，一般情况下，弹头自旋稳定飞行以保持空间定向,由于释放过程中不可避免地将对弹头产生一定的横向扰动，可能使弹头产生进动；另外,当弹头章动角较大,或者母舱投放弹头时因为某些不可控制的原因,甚至是母舱事先设计好的，弹头有可能产生翻滚,模拟弹头形状的诱饵通常也会产生翻滚。再入段是导弹防御的最后一个屏障,防御系统可以根据各再入目标的运动状态估算出质阻比,区分出轻重目标。具体步骤如下:

(1）通过高分辨雷达成像获取目标的结构特征信息，从目标群中识别出具有锥体结构特性的目标。

（２）根据锥体目标的进动数学模型,结合锥体目标在不同姿态角下,-．,得到目标进动状态下的回波模板，当确定锥体目标，-. 回波周期分量中不是目标翻滚时,基于,-. 序列估计出章动角和进动周期，进而计算出目标的惯量比等特征。

（3）为保证对所有真弹头进行有效拦截,在再入段通过跟踪目标运动状态估计其质阻比,基于此排除轻诱饵。

（4)将上述不同措施确定出来的威胁目标作为“威胁目标”,通过积累观测综合评判目标类型。

研究方法

现代雷达（包括热雷达和激光雷达）不但是对遥远目标进行探测和定位的工具，而且能够测量与目标形体和表面物理特性有关的参数,进而对目标分类和识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息,通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数,最后根据大量训练样本所确定的鉴别函数,在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时,在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。

雷达目标识别模型

雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属性。它根据目标的后向电磁散射来鉴别目标,是电磁散射的逆问题。利用目标在雷达远区所产生的散射场的特征,可以获得用于目标识别的信息,回波信号的幅值、相位、频率和极化等均可被利用。对获取的目标信息进行计算机处理,与已知目标的特性进行比较,从而达到自动识别目标的目的。识别过程分成三个步骤:目标的数据获取、特征提取和分类判决。

整个识别过程可以分为两个阶段：训练(或设计）阶段和识别阶段。前者用一定数量的训练

目标识别技术

样本进行分类器的设计或训练，后者用所设计或训练的分类器对待识别的样本进行分类决策。

训数据获取是对各已知目标进行测量，取得目标的训练数据。测试数据获取是获得未知种类目标的测量数据；测量数据的获得可采用目标的靶场动态测量、外场静态测量、微波暗室缩比模型等。特征提取模块从目标回波数据中提取出对分类识别有用的目标特征信息。特征空间压缩与变换模块对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性和异的训练样本进行分类器的设计。类间可分离性的特征。分类器设计模块根据已知类别目标分类模块完成对未知目标的分类判决。

近年来理论研究和实际应用比较成功的目标识别方法有以下4类。

一 基于目标运动的回波起伏和调制谱特性的目标识别

这类方法大都基于目前广泛使用的雷达时域一维目标回波波形,抽取波形序列中包含的目标特征信息来实现目标分类。这类研究已获得一些成功应用。

1）利用目标回波起伏特性的识别

空中目标对低分辨力雷达来讲可以看作点目标，其运动过程中，目标回波的幅度和相位将随目标对雷达的相对姿态的不同而变化，根据目标回波的幅度与相位的变化过程，判断其形状，对复信息数据进一步分析,可以判断目标的运动情况。

2)利用动态目标的调制谱特性的识别

动态目标如飞机的螺旋桨或喷气发动机旋转叶片、直升机的旋翼等目标结构的周期运动,产生对雷达回波的周期性调制。不同目标的周期性调制谱差异很大,因而可用于目标识别。Bｅll 等详细分析了喷气发动机的调制（JEＭ)现象,并建立了相应的数学模型,为利用ＪＥM效应进行目标识别奠定了理论基础。

二基于极点分布的目标识别

目标的自然谐振频率又称为目标极点,“极点”和“散射中心”分别是在谐振区和光学区建立起来的基本概念。目标极点分布只决定于目标形状和固有特性,与雷达的观测方向(目标姿态）及雷达的极化方式无关，因而给雷达目标识别带来了很大方便。目标极点的概念出现于1971年。1975年，Blaｒicｕｍ等首先提出了直接从一组瞬态响应时域数据来提取目标极点的ｐｒony方法,使用提取出的目标极点作为目标特征,而通过将提取到的目标极点与目标库的目标极点进行匹配完成目标识别过程。８０年代以来，关于目标极点的研究主要集中在如何提高算法本身的抗噪能力和估算精度方面。提取目标极点的函数束法(ＰOＦ)以及广义函

目标识别技术

数束法(GＰＯＦ）等,在极点的估计精度以及抗噪能力方面均优于Pｒonｙ法。

除了直接求目标的极点外,由于目标的极点与目标的频率响应存在一一对应的关系,人们还研究了由目标的频域响应来识别目标的方法，典型方法有，从目标的频域响应来识别目标的方法;获取目标极点的频域Proｎy 法(FDPM）；由于频域法的目标极点估算精度同样受到噪声和杂波的限制,具有改善作用的数据多重组合法被提出。

为避开需要实时地直接从含噪的目标散射数据中提取目标的极点,基于波形综合技术的目标识别方法被得到广泛重视。它将接收到的目标散射信号回波与综合出来的代表目标的特征波形进行数字卷积,再根据卷积输出的特征来判别目标。E－脉冲法（9）、频域极大极小拟合匹配法(１0)等，都避开了直接提取目标极点,减小了运算量。

三基于高分辨力雷达成像的目标识别

借助高分辨力雷达对目标进行一维或二维距离成像，或采用合成孔径雷达或逆合成孔径雷达对目标成像得到二维雷达图像，可获取目标的形状结构信息。

由于一维距离像的获取相对简单,利用一维距离像进行目标识别的方法在８０ 年代以后被得到广泛重视和深入研究。基于一维距离像的目标识别方法,在舰船目标〔１１〕、坦克、车辆等地面目标〔12〕〔13〕、飞机目标〔14〕识别中分别获得了较高的正确识别率。由于目标的一维距离像常会受目标之间、目标各散射点之间的相互干涉、合成等交叉项的影响,限制了识别率的提高,因而距离像方法被提出并〔15〕获得了较高的识别率。为改善目标识别的性能，可以将目标一维距离像与其它目标特征(如极化特征〔16〕)相结合。对于基于二维雷达图像的目标识别,可利用图象识别技术来进行，这是目标识别领域中最为直观的识别方法，但是如何获得高质量的目标二维图像是进行目标识别的首先要解决的问题。

四基于极化特征的目标识别

极化是描述电磁波的重要参量之一，它描述了电磁波的矢量特征。极化特征是与目标形状本质有密切联系的特征。任何目标对照射的电磁波都有特定的极化变换作用,其变换关系由目标的形状、尺寸、结构和取向所决定。测量出不同目标对各种极化波的变极化响应，能够形成一个特征空间，就可对目标进行识别。

化散射矩阵（复二维矩阵）〔17〕完全表征了目标在特定姿态和辐射源频率下的极化散射特性。对目标几何形状与目标极化特性的关系的研究结果表明(18),光学区目标的极化散射矩阵反映了目标镜面曲率差等精密物理结构特性。

早在５0年代初期,利用极化特征来识别目标的原理(1９）就已被提出，美国在５0-60 年代已将用极化散射矩阵识别目标的技术初步应用于远程测量雷达和大型相控阵雷达中，可粗略识别简单形状的外空目标。通过对目标极化特性的研究，最佳极化的概念〔1９〕被提出,

目标识别技术

产生了基于零极化、特征( 本征极化等极化不变量的目标识别技术。经过近)20 年的发展，已经出现了许多种利用极化信息进行雷达目标识别的方法,其主要方法分为:

1)根据极化散射矩阵识别目标

根据极化散射矩阵来识别目标是利用极化信息识别目标的基本方法。具体分为(20）：根据不同极化状态下目标截面积的对比来识别目标；根据从目标极化散射矩阵中导出的目标极化参数集(极化不变量）来识别目标；根据目标的最佳极化或极化叉来识别目标。

由于不同姿态角下目标极化特性的改变,限制了根据极化散射矩阵及其派生参数识别目标的有效性，使之只能应用于简单几何形体目标,或与其它识别方法结合使用。Cａmeron等利用极化散射矩阵对简单形体目标的识别获得了80%的正确识别率（21)。伪本征极化（2２）(２3)、去极化系数(２4)、极化参数平面描述（２5)、Pｏincare极化球面描述(26)和信号频率敏感特性描述(27)等特征都被用于了飞机目标识别研究。

2)利用目标形状的极化重构识别目标

对低分辨力雷达，不能区分目标上各个散射中心的回波,只能从它们的综合信号中提取极化特征,因而只能从整体上对简单形体的目标加以粗略的识别。

对高分辨力雷达,目标回波可分解为目标上各个主要散射中心的回波分量。对复杂形状目标的极化重构,就是利用高分辨力雷达区分出各个散射中心的回波，分别提取其极化信息。在对各个散射中心分别作出形状判断（可以利用目标的极化散射矩阵,或利用目标的缪勒矩阵中各个元素同目标形状的关系）后,依据其相对位置关系，组合成目标的整体形状。最后同已知目标数据库相比较，得到识别结果。

Camｅroｎ等〔21)给出了用卡车进行识别实验的情况，给出了卡车上各个主要散射中心的识别结果，并按其空间相对位置排列成图。在Pottｉer(2８)〕对SAR图象进行分析与识别时也用到了任意散射体由几种典型散射机制合成的观点。

3)利用瞬态极化响应识别目标

Chamberｌaiｎ 等(29)将极化信息与冲激响应结合起来，提出了利用目标瞬态极化响应（TPR)进行目标识别。利用TPR识别目标是将极化识别与时(频）域识别相结合的很好范例。在Chaｍberlain 的基础上,参考文献〔3０〕进行了进一步的研究。通过TPR 特征提取,把复杂目标在结构上分解成由散射中心对应的多个子结构来分别描述，对飞机目标识别获得了较好的效果。

4）与成像技术相结合的目标识别

结合SAR 和IＳAＲ成像，在相应雷达上加装变极化装置，从而可以利用极化信息或将极化信息与已有的图象识别技术相结合，对每一像素进行更有效的识别。Tenoux等〔2!〕利用法国的;RＥNE 机载极化SAＲ雷达,对4张SAR不同极化图象（HH,ＨV,VＨ,VV)作比较,并对每一像素进行了极化识别。

目标识别技术

各种特征识别方法对雷达的要求

不同的识别方法对雷达系统有着不同的要求。

基于目标运动的回波起伏和调制谱特性的目标识别方法对雷达没有特殊的要求,它是在现有雷达的基础上,利用目标运动所引起的回波起伏特性和动态目标的调制谱特性，并结合雷达所能获取的目标空间坐标及运动参数(如目标高度、速度、航迹等)来进行目标识别，因而主要用于低分辨雷达的目标识别。

基于极点分布的目标识别方法可分为时域和频域方法。时域方法提取目标极点要求雷达的发射信号带宽足够宽,以保证由目标的瞬态响应中能够获得正确的目标极点;频域方法则要求雷达能够发射多种频率的电磁波以获取目标的频率响应。

基于高分辨力雷达成像的目标识别方法要求雷达不仅具有高的距离分辨力（对于一维距离像方法）而且具有高的角分辨力（对于二维距离像方法），这就要求采用宽带高分辨、合成孔径或逆合成孔径雷达。基于目标极化特征的目标识别方法要求雷达能够测量目标对不同极化方向的入射电磁波的极化散射特性、雷达具有变极化特性,这增加了雷达系统的复杂性,限制了其应用。

用于雷达目标识别中的模式识别技术

进行雷达目标识别,必须依靠有效的目标特征分类技术(模式识别技术）。模式识别技术的发展为雷达目标识别的研究提供了有利的条件。统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法等在雷达目标识别中均有成功的应用。

(１) 统计模式识别方法

统计模式识别是传统的模式识别方法,也是雷达目标识别中最常用到的特征分类方法,它是一种根据已知样本的统计特性来对未知类别样本进行分类的方法。其基本思想是用N 维特征矢量表征目标模式，并通过对样本的学习，估计出特征矢量的概率分布密度函数，在某种最优准则下,利用特征矢量的统计知识来构造判别函数，从而在保证分类误差概率最小的条件下,对目标进行分类。

最近邻域法(２9)、相关匹配法(1５)(32）(33)(３4)、多维相关匹配方法(1６)、Ｂａyes最大似然(35),Ｂayes 分类器(3６)、Ｂaｙes优化决策规则(36)、最大似然函数（37）等都被用于了目标特征的分类决策。

(2)模糊模式识别方法

在雷达目标识别中，由于噪声对目标背景的污染，目标信息转换过程中特征信息的随机交迭，

目标识别技术

目标信息时间、距离、方位和姿态等因素的变化都可引起信息的模糊及目标特征的畸变，影响目标识别的效果。

在模糊集理论基础上发展起来的模糊模式识别技术（38)(3９),适于描述目标特征存在不同程度的不确定性。在目标识别过程中，模糊模式识别技术通过将数值变换提取的目标特征转换成由模糊集及隶属函数表征,再通过模糊关系和模糊推理等对目标的所属关系加以判定了。

因此,模糊模式识别技术可以有效地完成一些传统模式识别中遇到的难题，近年来得到了广泛的研究。如郭桂蓉等〔４0〕(４1〕在低分辨非相干雷达体制下,利用目标视频回波的幅度细微结构特性和动态起伏特性,结合模糊模式识别技术,完成了对海上目标的识别。

(３) 基于模型和基于知识的模式识别方法

基于模型的模式识别方法是用一种数学模型来表示从标样本空间或特征空间中获取的、描述目标固有特性的各种关系准则。在建模过程中，除了利用目标的物理特性外，还运用了特征之间的符号关系准则,如特征随姿态角变化的规律等，因此，基于模型的的模式识别方法在一定程度上改善了传统的统计模式识别方法中信息利率不高的缺点。目前也有不少人在致力于基于模型的目标识别方法的研究〔４2〕。

基于知识的模式识别方法是结合人工智能技术的识别方法。它把人们在实践中逐步积累的知识和经验用简单的推理规则加以表述,并转换为计算机语言,利用这些规则可以获得与专家有同样识别效果的模式识别结果。

基于模型的方法常与基于知识的方法相结合,通过建立的目标模型库与相应的推理规则相结合完成目标的分类识别。

Mcune 等(43〕将基于知识的识别方法用于了对高分辨率舰船雷达目标的识别；Sadjadｉ(44)采用基于模型的模式识别方法对任意姿态角下的坦克等装甲目标进行了分类，其模型是根据目标散射中心三维分布图在不同径向距离上投影而建立起来的。运用推理规则库模型成功地对动态变化的雷达干扰信号进行了识别。

(4)神经网络模式识别方法

人工神经网络（ANN）和生物神经系统之间有着内在的联系,能够在有限领域内模拟人脑加工、存储与搜索信息的机制来解决某些特定的问题。它具有自适应、自组织、自学习能力,可以处理一些环境信息十分复杂、背景知识不清楚的问题,通过对样本的学习建立

起记忆，然后将未知模式判为其最为接近的记忆。由于其自身的上述特点,模式识别是神经网络技术应用得最为广泛的领域之一。

由于雷达目标特征信息在模式空间中的分布常常极为复杂，要获得其先验统计知识并用传统的模式识别方法来实现目标识别很困难。AＮN可以通过学习获得目标特征信号在模式空间中的分布，因此在目标识别的预处理、特征提取、模式分类的整个过程中均有初步的应用。近1０ 年来，ANN 用于雷达目标识别得到了广泛的重视。

目标识别技术

采用BP 算法（45)(46)、感知器算法〔４7〕的多层前向网络;径向基函数网络(RBFN)(４8)(49);模糊:ＡRTMAP网络〕、自组织特征映射ＳOFＭ（１４)等自组织神经网络;以及异联想存储器神经网络(5１）、自划分神经网络(52）、实时循环神经网络(５3)、模糊极大———极小神经网络（54)，等等,在目标识别中都有成功的应用。总之，先进的模式识别方法对于提高、改善雷达自动目标识别系统的性能将起到至关重要的作用,对它的进一步研究将具有重要的意义。

结束语

到目前，研究者们已从多个方面研究了雷达目标识别技术。研究表明，用单一技术解决雷达目标识别问题都将是困难的，问题的解决有赖于多种技术的综合运用〔20〕。针对单一方法存在的各自局限性,可以考虑将多种技术相结合，以提高正确识别率。

从已有的研究来看，多地利用了目标回波信号的幅值、相位、频率等信息，而对目标的极化信息的利用却很有限。这一方面是因为在低分辨力雷达情况下，从雷达回波中不能得到稳定且明确的目标极化特征,使得极化信息在低分辨力情况下对目标识别的用途不大,另一方面受限于极化散射矩阵的精确测量技术。高分辨力雷达技术、极化散射矩阵的精确测量技术的发展为雷达回波中获得稳定且明确的目标极化特征提供了可能。因此,将高分辨力雷达技术与极化信息相结合就是一条可行的思路。

高分辨、极化雷达与智能信号处理和自动分类技术相结合将为雷达目标识别提供一条很好的途径。随着雷达技术、信号处理技术和目标识别算法的不断发展，自动雷达目标识别技术有望取得较大进展。

参考文献

（1) Ｂeｌl M B，Gyubbs Ｒ A.JＥＭ modeling anｄ meａsuremｅnt fｏrｅ radａr target idｅntifｉcatiｏn.IEＥE Trans on AＥＳ，１９93,2９(1）：12-1３

(2) Ｂｌaｒicum M Ｌ Ｖaｎ，Mittra Ｒ.A tｅｃhｎique for ｅxtracting the poｌes and resiｄｕes of a sｕsｔｅm dｉreｃtｌy ｆｒｏm its ｔraｎsieｎt respｏnsｅ.ＩEEE Ｔｒanｓ.on ＡP,1９75,23(６):77７-７81

(3) Jain V K，et al．Rational ｍoｄeliｎg by Peｎciｌ-of-Function ｍｅtｈod.IＥEE Traｎｓ．oｎ ASSP,198３,31(３):56４-57３

(4) Huａ Y B，Sarkａr Ｔ K．Gｅneraｌiｚｅｄ Penｃｉl-of-Fｕｎcｔion method fｏr ｅｘtrａcting poles of ａn EM ｓｙsｔｅｍ from its trａnｓient rｅsponｓe．IEEＥ Trａnｓ ｏn AP,１98９，37(２)

目标识别技术

(5) Chuaｎg C W,Moffat Ｄ L.Natuｒaｌ reｓonaｎce oｆ radａr target via Prony＇s metｈｏd and ｔargeｔ diｓｅｒiminatiｏｎ.IEEE Trans.on AＥＳ，1976,１2(５):5８3－589

(6) Bｒittingｈam J Ｎ,ｅt ａl.Pｏlｅ ｅxｔration from rｅal-freｑｕeｎcy ｉnformation.Prｏｃeedｉngs oｆ IEEＥ,1980，68(2)：２６3-273

(7) Ksienski A Ａ.Ｐloe aｎd reｓidue eｘtrａｃtiｏn frｏｍ ｍeａsuｒed ｄａtａ in rhe fｒｅquenｃu dｏｍａin ｕsｉnｇ mｕｌtiple data seｔ．Radio Sciｅnｃe,19８5,20(1)

（8) Ｃhen Ｋ M.Rradar ｗaｖe synthｅsis method－a new ｒａdar detｅction schｅmｅ．ＩEEＥ Trans.on AP,1981,２９(４):5５３-565

（8) 庄钊文,柯有安。频域目标识别的极大极小法。西安：第二届信号处理年会论文集,ＣCSP-８8,1988

（９)Zwｉcke P Ｅ，Imrekｉss Ｊ Ｒ.Ａ new implemeｎｔation of tｈe Melliｎ tｒａnsｆorm of ｒaｎge ｐro ship.IEEE Trａns on ＰAMI,1983,5(2):1３9-142

(９) 何松华，郭桂蓉,郭修煌。基于目标距离像的地面目标检测与跟踪。国防科技大学学报，1９９1,13(1）

(10） Steｗaｒt Ｃ,Lｕ Y C,Larｓon V.A neｕrａl ｃlｕｓtｅring ａpprｏaｃh for hiｇh ｒｅｓoｌｕｔion radａr targｅｔ identｉficatｉon．Pattern Ｒeｃogｎitｉon,1９94,2７(4):503－513

(１1) Hudson S,Psａltis D.Ｃorrｅlatｉon filters for ａｉrｃｒaｆt ｉdeｎｔｉfｉcａｔｉon froｍ radar ｒange pro Trａns.on AES，199３,29(3):７４1－７48

(１2) 文树梁。基于双距离像的雷达目标识别技术。现代雷达，1９96，1８（１）:1５-2１