前言

认知雷达作为下一代新型智能雷达，是未来雷达的发展方向。它的主要特点是增加了从接收端到发射端的反馈，使雷达成为一个闭环的信号处理系统。通过跟踪器反馈的环境和目标信息，认知雷达能够自适应地选择接收端的处理方式，设计发射端的工作参数。在实际中，雷达系统的发射资源在某些特定的应用背景下是有限的，如发射功率、信号带宽等，因此把认知思想运用于雷达系统，对其有限的资源进行分配具有重要意义。在此研究背景下，本书主要介绍如何根据系统反馈的目标信息合理设计接收端的检测门限和发射端的工作参数，进而在雷达资源有限的条件下提升对目标的检测和跟踪性能。本书将目标跟踪过程按工作平台和目标数量分为单雷达单目标跟踪、单雷达多目标跟踪、多雷达单目标跟踪和多雷达多目标跟踪等，在充分了解国内外相关研究现状的基础上，对认知雷达中的资源分配算法进行了深入的研究，主要内容如下：

（1）研究了密集杂波环境下的单雷达单目标认知跟踪算法，主要讨论了如何利用系统已经获得的目标信息，根据恒虚警准则设置跟踪波门内的检测门限，提升对目标的检测和跟踪性能。

（2）在理想和非理想检测条件下，研究了基于单部集中式多输入多输出（Multiple Input Multiple Output，MIMO）雷达的多目标认知跟踪算法。首先，本书建立了理想和非理想检测条件下对目标的检测和观测模型，并据此推导了多目标跟踪误差的贝叶斯克拉美罗界（Bayesian Cramer-Rao Lower Bound，BCRLB）。其次，以最小化最差目标（本书中“最差目标”是指跟踪误差BCRLB最大的目标）的BCRLB为目标函数，建立了资源分配的数学模型。最后，在理想检测条件下，本书考虑了功率和波束联合分配的优化问题，证明了该优化问题等效于求解多个凸优化问题，同时针对非理想检测条件，利用系统反馈的目标信息对接收端的检测门限和发射端多波束的发射功率进行了联合优化设计。

（3）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多雷达系统（Multiple Radar System，MRS）进行了如下研究：

①针对单频连续波（Unmodulated Continuous Wave，UCW）雷达网络，在建立不同信号模型的基础上提出了一种功率分配算法，并证明功率分配是一个凸优化问题；

②针对集中式融合框架下MRS融合中心实时处理能力有限的问题，提出了一种功率和带宽联合分配的思想；

③针对异步情况下的MRS，提出了一种功率分配思想，其目的是在给定的一段时间内，优化每部雷达的发射功率；

④为了使资源分配算法具有稳健性，针对目标跟踪时雷达散射截面积（Radar Cross Section，RCS）这一随机因素，提出了一种基于非线性机会约束规划（Nonlinear Chance Constraint Programming，NCCP）的MRS稳健功率分配算法；

⑤针对三维目标，首先提出了一种基于分布式雷达网络的次优跟踪算法，然后提出了一种面向三维目标的功率分配算法。

（4）针对多雷达多目标跟踪的应用背景，提出了一种聚类与功率联合分配算法。其步骤可简要描述为：在不同时刻挑选固定数目的雷达对每个目标进行聚类优化（每个目标只由对应子类中的雷达跟踪），并针对每个子类中的雷达进行功率分配，使MRS能动态地协调每部雷达的发射参数及其所获得的量测的使用，进而在资源有限的约束下达到更好的性能。

本书在编写过程中，参考了许多国内外有关著作和文献，在此向所有参考著作和文献的作者表示诚挚的感谢。

鉴于作者水平有限，书中难免存在一些缺点和错误，敬请读者不吝批评指正。

作者