1.3　国内外研究现状

1.3.1　网络化雷达系统研究现状

网络化雷达作为一种有别于传统单基地相控阵雷达的新体制雷达，在目标检测、目标跟踪、目标识别、参数估计及分辨能力等方面具有潜在的优势，受到了国内外众多学者和研究机构的高度关注。本节将从网络化雷达系统目标检测、目标跟踪、目标参数估计、波形设计及资源管理方面进行阐述。

1）目标检测

目标检测的目的是确定雷达系统量测值到底是目标回波信号还是噪声、干扰信号，且目标检测是目标距离、方位、速度等参数估计，目标跟踪，目标识别的前提。其中，目标检测器的设计与分析是良好检测性能的必要保证。与传统相控阵雷达的目标检测类似，当假设检验中概率密度函数完全已知时，在一定的虚警率条件下，使得检测概率最大化的检测器为最佳接收机，即满足Neyman-Pearson准则得到的似然比检验；当概率密度函数不完全已知时，可先采用最大似然估计对未知参数进行估计，然后用广义似然比检验（Generalized Likelihood Ratio Test，GLRT）设计检测器[22]。2011年，Wang等学者研究了杂波环境中分布式MIMO雷达的目标检测问题，分别提出了集中式MIMO-GLRT检测器[43]和分布式MIMO-GLRT检测器[44]。其中，集中式MIMO-GLRT检测器需要各接收机将接收到的雷达回波信号发送到融合中心进行集中处理，而分布式MIMO-GLRT检测器只需将局部检验统计量发送到融合中心进行处理。仿真结果表明，文中所提到的分布式检测器不仅可以近似达到集中式检测器的性能，还极大地降低了对数据传输带宽的要求和能量消耗。2014年，Hack等学者在文献[45]中将有源网络化雷达的目标检测问题推广到外辐射源网络化雷达中，首次研究了基于外辐射源信号的MIMO网络化雷达系统的目标检测性能，并取得了良好的效果。Ali等学者[46]将集中式MIMO雷达应用于传感器网络的联合目标检测与定位中，并采用最小均方误差（Minimum Mean-Square Error，MMSE）接收机降低干扰与硬件实现复杂度。2015年，Li等学者[47]研究了收发站运动情况下分布式MIMO雷达的动目标检测性能，在考虑平台运动的情况下，针对稀疏杂波模型和参数自回归杂波模型，分别提出了两种GLRT检测器。

目标检测问题的关键在于获得最大信噪比（Signal-to-Noise Ratio，SNR）。通常，对于发射功率一定的网络化雷达或分布式MIMO雷达，最大信噪比的获得取决于目标回波信号的处理方式及系统发射机和接收机相对目标的几何位置关系[22]。对于传统相控阵雷达，目标RCS随雷达视线角的变化较为剧烈，而目标RCS闪烁将引起虚警和漏警，从而降低雷达系统的检测性能。网络化雷达系统利用其分集增益，通过不同视线角接收的目标回波信号能量叠加，较好地克服了目标RCS起伏带来的性能损失，保证了目标检测性能的稳健性和可靠性。2006年，Fishler等学者[48]研究了单脉冲处理模式下分布式MIMO雷达、多输入单输出（Multiple-Input Single-Output，MISO）雷达、单输入多输出（Single-Input Multiple -Output，SIMO）雷达和相控阵雷达的目标检测性能，指出在检测概率高于80%且系统信噪比相同时，由于分布式MIMO雷达具有空间分集优势，其检测性能明显优于其他三种雷达体制。2011年，Song等学者[49]对比了发射正交波形和相同波形的分布式MIMO雷达检测性能。仿真结果表明，在高信噪比条件下，发射正交信号的目标检测性能优于发射相同信号的目标检测性能，而在低信噪比和特殊系统结构条件下，发射相同信号的目标检测性能优于发射正交信号的目标检测性能。2015年，宋靖等学者[50]研究了基于多脉冲发射的分布式全相参雷达性能，通过推导输出信噪比增益的数学表达式，并结合相关参数估计的克拉默-拉奥下界（Cramer-Rao Lower Bound，CRLB），得到了输出信噪比增益上界的数值解。分析指出，增加脉冲数或发射天线数可以提高系统的输出信噪比增益。当输入信噪比较小时，输出信噪比增益随接收天线数的增加而降低；当输入信噪比较大时，输出信噪比增益随接收天线数的增加而升高。2017年，程子扬等学者[51]根据分布式MIMO雷达收发站间的几何位置关系，推导了低信噪比条件下相位随机MIMO雷达和幅相随机MIMO雷达的平方律检测器结构，并分析了这两种非相参检测器的检测性能。仿真结果指出，相比于传统的单站相控阵雷达，相位随机MIMO雷达和幅相随机MIMO雷达可达到高于10dB的改善增益。需要说明的是，除空间分集以外，波形分集、频率分集和极化分集同样可以达到提升目标检测性能的效果。

2018年，为解决多基地雷达中局部雷达站同融合中心之间通信带宽受限的问题，曹鼎等学者[52]提出了基于删失数据的分布式融合检测方法，在局部雷达站具有多通道接收系统的条件下，计算了杂波背景下动目标回波信号的似然比函数，并根据其自身传输通道的通信限制设置局部门限，剔除低于局部门限的似然比，同时将高于局部门限的似然比向融合中心传输。在此基础上，融合中心基于Neyman-Pearson准则，利用接收到的删失数据计算全局检验统计量，从而将其与全局门限进行比较获得全局判决。仿真结果表明，所提方法能够在大幅降低通信率的情况下，获得比“或”准则更好的检测性能。同年，Hassanien等学者[53]研究了非均匀杂波环境下分布式MIMO雷达动目标检测算法，并设计了相应的GLRT检测器，获得了良好的目标检测性能。2019年，孙文杰等学者[54]针对非均匀干扰环境中分布式MIMO雷达的距离扩展运动目标检测问题进行了研究，由于难以通过训练数据对干扰的协方差矩阵进行估计，作者提出了一种无训练数据的距离扩展目标知识辅助-GLRT检测器。仿真结果表明，所提检测器性能明显优于传统的有训练数据的协方差矩阵类检测器。2022年，为提高组网雷达的分布式恒虚警率（Constant False Alarm Rate，CFAR）检测性能，龚树凤等学者[55]基于模糊逻辑和最大选择筛选平均检测器，提出了自适应多传感器分布式模糊CFAR检测算法，通过表决和反馈模块，能够控制传输到融合中心的数据量，并自适应选取相关的雷达数据进行融合，从而在一定程度上实现了雷达资源管理。

2）目标跟踪

网络化雷达系统由于自由度的增加，相较于传统相控阵雷达在目标跟踪精度、抗干扰性能等方面具有明显优势。2001年，徐洪奎等学者[56]提出了一种基于快速卡尔曼滤波的组网雷达机动目标跟踪算法。融合中心根据每部雷达接收机量测得到的目标距离，采用改进卡尔曼滤波方法对目标运动状态进行迭代计算，不仅实现了对近距离高速机动目标的精确跟踪，还降低了计算复杂度。2009年，Godrich等学者在文献[57]中研究了不同分布式MIMO雷达结构对目标跟踪性能的影响。研究表明，目标跟踪精度与系统中雷达发射机、接收机数目的乘积，目标相对于各发射机和接收机的几何位置关系有关，即增加雷达发射机和接收机的数目、尽量从多个视角对目标进行照射，能够获得更高的目标跟踪精度。2013年，Hachour 等学者[58]提出了基于信条分类的多传感器多目标联合跟踪与分类算法，根据目标运动状态及加速度信息，采用信条分类器获得目标所属的类型集合。2014年，针对提高火控雷达跟踪精度和反隐身、反低空/超低空突防等作战需求，罗浩等学者[59]研究了火控组网雷达系统的传感器分配问题，分别提出了单部火控雷达对单目标进行跟踪、多部火控雷达对单目标进行跟踪和多部火控雷达对单目标间歇跟踪3种算法，并进行了仿真对比和分析，验证了所提算法的可行性和有效性。在以单站雷达为主的组网雷达系统中，由于各异地、分散部署的雷达接收机处的目标信噪比不同，这使得系统中所有雷达无法同时探测到目标的存在。针对此问题，2016年，Liu等学者[60]提出了基于目标跟踪信息的组网雷达系统协同航迹起始算法，该算法根据目标运动状态的先验信息，在保证一定虚警率的前提下，降低未探测到目标的雷达检测器门限，并引导雷达波束对准目标将出现的方位，从而提高目标航迹起始概率。同年，Yan等学者[61]定量研究了数据融合对多雷达系统目标跟踪的影响。2018年，针对目标个数未知时双基地MIMO雷达角度跟踪问题，张正言等学者[62]提出了基于改进自适应非对称联合对角化的目标个数与角度联合跟踪算法，引入主成分顺序估计思想和改进信息论准则，估计出目标个数，并实现了目标参数的自动匹配和关联。2019年，针对复杂战场环境下机动目标跟踪难题，王树亮等学者[63]提出了基于信息熵准则的认知雷达目标跟踪算法，构建了描述目标跟踪性能的不确定性信息熵模型，考虑距离和速度的互相关信息，选取状态感知熵最小作为代价函数进行波形选择。另外，受人脑三阶段记忆信息处理机制的启发，将人类记忆嵌入交互式多模型（Interacting Multiple Model，IMM）算法中，对模型实时概率进行存储和提取，通过时变调整因子来加权模型转移概率，从而弱化了不匹配模型的不利竞争。同年，王经鹤等学者[64]提出了组网雷达多帧检测前跟踪算法，首先在本地节点进行多帧检测前跟踪，然后将检测得到的点迹序列传输到融合中心进行融合处理，充分利用目标空时相关性积累目标能量，改善了弱小目标的检测性能和航迹跟踪精度。

针对欺骗干扰环境下组网雷达目标跟踪技术，2007年，赵艳丽等学者[65]研究了多假目标欺骗干扰下组网雷达目标跟踪技术，首先对所有量测数据进行预处理，将问题简化为单雷达多目标跟踪，然后根据目标优先级进行数据关联，从而有效剔除假目标，并确保对真目标的精确跟踪。2015年，Yang 等学者[66]研究了欺骗干扰下组网雷达系统的目标跟踪性能，并分析了不同系统参数对目标跟踪性能的影响。在压制干扰环境下，2012年，李世忠等学者[67]提出了一种基于分布式干扰的组网雷达目标跟踪算法，该算法包含分布式干扰下的量测模型和基于IMM的序贯滤波跟踪两部分，仿真验证了所提算法的有效性。2014年，胡子军等学者[68]则针对无源相参组网雷达系统高速机动多目标跟踪问题，提出了一种基于扩展多模型概率假设密度滤波器的粒子滤波算法，实时初始化位置随机且高速运动的新目标，从而实现对个数时变的高速机动多目标的有效跟踪。上述网络化雷达系统对目标跟踪的研究主要在雷达自身的局部坐标系中，很少考虑地球曲率对干扰条件下网络化雷达目标跟踪的影响。2015年，贺达超等学者[69]考虑到地球曲率对系统跟踪性能的影响，提出了一种压制干扰下基于无偏转换测量卡尔曼滤波（Unbiased Converted Measurement Kalman Filtering，UCMKF）的雷达网目标跟踪算法，该算法首先将网络中各雷达的量测数据统一到地心直角坐标系中进行数据压缩，然后采用基于UCMKF的序贯滤波方法对压缩后的数据进行跟踪，仿真实验验证了在大功率集中式压制干扰下，所提算法可保证组网雷达系统对目标跟踪的连续性和稳定性，为复杂电磁环境下组网雷达系统的目标跟踪奠定了基础。

3）目标参数估计

强大的目标参数估计能力是网络化雷达系统的优势之一，而分集增益正是该优势的本质原因。与传统相控阵雷达一样，网络化雷达系统通常估计的目标参数有距离、方位和速度等。然而，由于网络化雷达系统具有分集优势，其目标参数估计性能明显优于传统雷达。一般地，可采用CRLB表征目标参数估计性能。2010年，He等学者[70]研究了分布式非相参MIMO雷达的目标位置与速度参数估计性能，推导了目标位置与速度联合估计CRLB，指出MIMO雷达的目标参数估计性能受发射天线数与接收天线数乘积的影响，两者乘积值越大，目标参数估计性能越好。之后，在上述研究的基础上，他们继续分析了分布式相参MIMO雷达的目标参数估计性能[71]，并对比了非相参和相参两种工作模式下的MIMO雷达性能。相参MIMO雷达需要收发天线间满足精确的时间同步、空间同步和相位同步，实现难度较大，而非相参MIMO雷达只需满足时间同步和空间同步即可。分析表明，当收发天线数乘积值足够大时，非相干模式下目标参数估计性能逼近相干模式下目标参数估计性能，从而可通过增加收发天线数来弥补非相干模式的性能劣势。

2013年，马鹏等学者[72]利用组网雷达系统的空间分集增益，提出了一种目标参数估计与检测联合算法。该算法可在假设目标存在的情况下进行位置估计，同时对目标进行检测。仿真结果表明，所提算法明显优于常规的距离门检测算法。同年，郑志东等学者[73]研究了收发站运动情况下双基地MIMO雷达系统的多目标参数估计性能，推导了多目标参数估计CRLB表达式，并分析了收发站运动时不同参数对发射角/接收角估计CRLB的影响。2014年，宋靖等学者[74]针对“全发任意收”的分布式全相参雷达结构，推导了多脉冲条件下相干参数估计CRLB，并分析了相干参数估计性能与发射脉冲数及收发天线数之间的关系。仿真结果指出，增加发射脉冲数或收发天线数，可降低相干参数估计CRLB。2015年，张洪纲等学者[75]针对低信噪比环境，提出了基于多信号分类（Multiple Signal Classification，MUSIC）法的宽带分布式全相参雷达参数估计算法。2018年，针对双基地MIMO雷达收发角及多普勒联合频率估计问题，程院兵等学者[76]基于参数流型矩阵的多维范德蒙德结构特征，提出了一种低运算量的三维参数联合估计算法。2019年，徐保庆等学者[77]提出了基于实值处理的联合波束域双基地MIMO雷达测角算法，通过凸优化进行空域滤波器设计，能够灵活控制空域滤波器的带宽并抑制旁瓣电平，从而提高了双基地MIMO雷达的测角精度。2021年，针对空域有色噪声导致现有MIMO雷达算法性能下降甚至完全失效的问题，师俊朋等学者[78]考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性及MIMO雷达数据的多维结构特性，提出了基于张量分析的双基地MIMO雷达角度估计算法，实现了空域色噪声背景下波离角和波达角的联合估计。

2014年，Gogoneni 等学者[79]将目标参数估计问题研究拓展到外辐射源组网雷达系统中，推导了基于通用移动通信系统（Universal Mobile Telecommunications System，UMTS）信号的组网雷达目标参数估计修正克拉默-拉奥下界（Modified Cramer-Rao Lower Bound，MCRLB），并对比了非相干和相干两种模式下的目标参数估计性能差异。2015年，Filip等学者[80]针对欧洲L波段数字航空通信系统1型，探讨了基于该信号的非相干外辐射源组网雷达系统目标位置与速度参数估计性能。上述关于外辐射源雷达系统参数估计CRLB的推导都只针对瑞利起伏目标模型下的相参和非相参两种模式。针对上述研究存在的不足，2016年，Javed等学者[81]将基于UMTS外辐射源组网雷达系统的瑞利目标参数估计MCRLB推广到更具一般性的莱斯起伏目标模型，即目标存在一个反射系数较大的散射点和大量反射系数较小且相近的散射点。研究指出，由于目标主散射分量的存在使得目标RCS增加，从而增大了雷达接收机端的输入信噪比，提升了系统的目标参数估计精度。

4）波形设计

网络化雷达系统性能很大程度上依赖于其自身发射的波形。雷达发射波形设计流程图如图1.11所示。其中，优化准则的确定与雷达任务有关，是波形优化设计的前提。目前，常用的雷达波形优化设计准则有以下几种：一是以模糊函数（Ambiguity Function，AF）为准则，二是以信息论为准则，三是以最大化信干噪比（Signal to Interference plus Noise Ratio，SINR）为准则[22]。

Antonio等学者[82]将传统雷达的模糊函数推广到MIMO雷达中，推导了不同形式的模糊函数表达式，分析了雷达收发天线几何结构、目标运动参数及发射波形对系统分辨能力的影响，为基于模糊函数的MIMO雷达波形设计应用奠定了基础。Chen等学者[83]进一步研究了MIMO雷达模糊函数的基本性质，在此基础上，他们提出了一种正交调频信号优化设计算法。仿真结果指出，相比传统线性调频（Linear Frequency Modulation，LFM）信号，所设计的波形减小了模糊函数旁瓣，具有更好的距离和速度分辨率。

2007年，Yang等学者[84]以信息论为准则，研究了分布式MIMO雷达在目标识别与分类中的雷达波形设计问题，分别提出了两种基于不同准则的波形设计算法：一种是在给定系统资源约束下，最大化随机目标响应与接收回波信号之间的互信息（Mutual Information，MI）；另一种是在统计意义下最小化随机目标响应的最小均方误差。分析表明，在相同的功率约束条件下，所提的两种波形设计准则是等价的。2010年，Tang等学者[85]研究了色噪声背景下基于信息论的MIMO雷达波形设计算法，分别提出了基于互信息和相对熵的优化准则。针对多站雷达接收机性能曲线不具有闭式解析表达式的情况，Naghsh等学者[86]采用信息论中的Bhattacharyya距离、Kullback-Leibler（KL）散度、J散度和互信息作为目标检测性能的衡量指标，提出了一系列基于相应准则的多基地雷达编码设计算法，并建立了一种统一的框架对优化模型进行求解。2015年，Nguyen等学者[87]研究了面向目标跟踪的多基地雷达自适应波形参数选择算法，该算法根据目标机动运动状态，从雷达发射参数集合中自适应地选择最优的波形参数，以最小化目标跟踪均方误差（Mean-Square Error，MSE），从而提升目标跟踪性能。2019年，Tang等学者[88]进一步提出了密集频谱环境下基于互信息准则的分布式MIMO雷达波形设计算法。

信干噪比是表征雷达系统目标检测性能的重要指标，提高信干噪比对雷达系统检测性能的提升起着关键作用。2016年，Daniel等学者[89]提出了基于信干噪比最大化的MIMO雷达发射波形和接收滤波器联合优化迭代算法。该算法不仅可实现对多个扩展目标的发射波形进行联合优化，还可以最大化各目标响应与接收回波信号之间的互信息之和。同年，Panoui等学者[90]将多个MIMO雷达网络之间的交互作用建模为一个势博弈模型，利用博弈论方法来优化各雷达网络的最优发射波形，根据纳什均衡（Nash Equilibrium，NE）最大化每个MIMO雷达网络的信干噪比。2018年，针对分布式MIMO雷达正交相位编码信号和其失配滤波器组分开设计输出的距离旁瓣电平过高的问题，徐磊磊等学者[91]提出了一种正交相位编码信号和失配滤波器组联合设计方法，以约束信噪比损失和最小化失配滤波器组输出的距离旁瓣电平为目标，构建了联合设计准则，并采用双最小p范数算法进行求解。2021年，刘永军等学者[92]立足于分布式多功能一体化系统，分析了现有一体化波形设计和处理的优缺点，探究了分布式多功能一体化系统的关键科学问题，并就面临的诸多基础性挑战给出了相关建议。

上述算法都是在假设目标频率响应能够精确估计或先验已知的前提下进行的。然而，由于实际中目标的真实频率响应难以获得，且目标频率响应敏感于雷达视线角，以上算法很难在应用中保持稳健性和可靠性。为了解决这个问题，2007年，Yang 等学者[93]在文献[84]的基础上，提出了目标频率响应不确定集合，并探讨了在目标频率响应不确定情况下的MIMO雷达稳健波形设计方法。2012年，Jiu等学者[94]提出了针对扩展目标检测的稳健发射波形与接收滤波器联合设计方法，以提升系统最差情况下的输出信干噪比。在网络化雷达波形优化设计中，需要根据不同的应用场景选择合适的优化准则和目标函数，对波形进行综合设计，从而提升雷达系统性能。2018年，Shi等学者[95]提出了频谱共存环境下面向射频隐身的正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）雷达稳健波形设计算法，考虑通信系统发射信号、目标相对于雷达和通信系统的频率响应及路径传播损耗等信息先验已知，根据经目标散射到达雷达接收机的通信信号可分为有用信号、干扰信号和无用信号，并给出了相应的面向射频隐身的OFDM雷达稳健波形设计准则，即在保证一定互信息阈值和通信系统信道容量的条件下，通过优化设计OFDM雷达波形，计算最小化最差情况下的雷达总发射功率。仿真结果表明，利用经目标散射到达雷达接收机的通信信号可有效提升雷达系统的射频隐身性能。另外，OFDM雷达稳健发射波形可确保雷达系统的射频隐身性能在目标真实频率响应未知的情况下具有最优下界。

5）资源管理

资源管理对于雷达装备应用及提升作战性能至关重要，是雷达系统论证设计、研制和作战使用的核心问题之一。网络化雷达资源管理技术是指根据战场实时态势生成的不同作战任务（如目标搜索、目标检测、目标定位、目标跟踪、电子对抗等），在给定雷达辐射功率、发射波束数目、驻留时间、重访时间、信号带宽及通信能力等资源约束下，对各雷达节点射频资源进行最优化配置的技术[96]。雷达资源管理的本质是针对各种作战任务，建立数学优化模型，并根据预先设定的系统资源和性能需求，确定约束条件，以实现系统资源的优化配置，为不同作战任务提供支撑，其难点在于构建包含雷达系统资源要素的多维优化函数及优化模型的稳健、快速求解。

理论上，为了提升目标探测、定位、跟踪性能，可以通过将每部雷达的发射功率最大化来达到。但在实际中，网络化雷达系统通常都存在一个预期的性能目标，如目标定位精度或跟踪精度。在这种情况下，最大化系统的发射功率可能会导致系统资源利用率低。因此，国内外学者对网络化雷达系统资源优化问题进行了大量研究。2010年，Godrich等学者[97]在分布式MIMO雷达平台下，提出了两种功率分配算法：一种是在MIMO雷达系统总发射功率一定的条件下，通过优化各雷达功率分配，提升目标的定位精度；另一种则是在满足给定目标定位精度要求的条件下，调整各雷达功率分配，使得系统总发射功率最小。2014年，Sun等学者[98]借助博弈论对基于目标定位的分布式MIMO雷达资源优化管理问题进行建模，推导了目标位置参数的贝叶斯费舍尔信息矩阵（Fisher Information Matrix，FIM），提出了一种基于合作博弈的最优功率分配算法，利用沙普利值代表每部雷达发射机的贡献来分配功率资源。仿真结果表明，所提算法可获得比平均功率分配更优的目标定位精度，且目标定位精度由目标位置的先验信息和目标相对于雷达发射机、接收机的几何位置关系决定。之后，他们又提出了一种基于发射天线选择与功率联合优化的分布式MIMO雷达目标定位算法[99]。冯涵哲等学者[38]提出了一种基于多目标定位的分布式MIMO雷达快速功率分配算法，该算法以多目标定位误差的CRLB为代价函数，采用交替全局优化算法搜索Pareto解集来实现优化模型的快速求解。Garcia等学者[100]在研究了发射功率和信号带宽联合优化算法时首次将信号带宽因素考虑进来，进一步提升了系统的定位精度。然而，上述文献仅针对目标的位置参数进行资源分配，并未考虑运动目标的速度估计性能。2016年，胡捍英等学者[101]提出了发射功率与信号有效时宽联合优化算法，采用连续参数凸估计方法对优化模型进行求解，从而最小化目标速度估计CRLB的最大值。仿真结果表明，信号有效时宽对目标速度参数估计性能的影响大于发射功率。2017年，孙扬等学者[102]在总结前人工作的基础上，将阵元因素也考虑进来，给出了阵元、发射功率和信号带宽联合优化模型，并分析了三者对目标定位精度的影响。

2012年，Chavali等学者[103]将功率分配思想应用于目标跟踪场景中，研究了基于资源调度与功率分配的认知雷达网络多目标跟踪算法。随后，严俊坤等学者[104]提出了一种多基认知雷达三维目标跟踪算法，通过自适应地调节系统发射功率，最小化下一时刻目标跟踪精度的贝叶斯克拉默-拉奥下界（Bayesian Cramer-Rao Lower Bound，BCRLB），从而在功率资源有限的条件下达到更好的跟踪性能。之后，他们又提出了针对多雷达多目标跟踪的聚类与功率联合分配算法[105]，在每一采样时刻选择一定数目的雷达对各目标进行聚类优化，并针对每个子类中的雷达进行功率分配，以在资源有限的约束下进一步提升系统性能。2015年，Chen 等学者[106]研究了基于合作博弈功率分配的分布式 MIMO 雷达目标跟踪算法。2016年，李艳艳等学者[37]在文献[104]的基础上，以最小化目标跟踪的BCRLB为目标，对分布式MIMO雷达的发射功率和信号带宽进行联合优化分配，从而进一步提高了机动目标的跟踪精度。针对集中式MIMO网络化雷达系统，Yan等学者[107]提出了一种波束选择与功率分配联合优化算法，在每一时刻，系统中各雷达采用同时多波束工作模式对多目标进行跟踪，通过求解优化模型，得到每部雷达产生的波束数目、各波束分配及其相应的发射功率，从而最小化目标跟踪BCRLB的最大值。2017年，针对分布式MIMO雷达能量资源受限的情况，鲁彦希等学者[108]提出了多目标跟踪分布式MIMO雷达收发站联合选择优化算法，以发射站和接收站资源为约束条件，以最小化跟踪性能最差的目标后验克拉默-拉奥下界（Posterior Cramer-Rao Lower Bound，PCRLB）为优化目标，对分布式MIMO雷达收发站进行联合优化选择。2018年，宋喜玉等学者[109]还考虑了发射功率约束，建立了多目标跟踪下分布式MIMO雷达收发阵元选择与功率分配联合优化模型。仿真结果表明，该模型能够在任意雷达布阵场景下实现雷达系统资源的充分利用。2020年，Zhang等学者[110]提出了面向认知目标跟踪的大规模网络化MIMO雷达子阵选择与功率分配联合优化算法，在满足给定射频资源约束要求的条件下，通过联合优化子阵选择与各节点功率分配，降低多目标跟踪的预测条件CRLB，从而提升系统的目标跟踪性能。同年，Yi等学者[111]提出了分布式多目标跟踪场景下网络化共址MIMO雷达发射波束与功率联合调度算法。针对运动平台传感器位置难以精确给定的问题，Sun等学者[112]研究了面向多目标跟踪和数据压缩的网络化雷达功率分配与量测选择联合优化算法，以同时最小化各目标跟踪精度和所选择的量测数为优化目标，建立了多目标优化模型，并采用基于稀疏增强的连续凸规划算法进行求解。Bell等学者[113]则针对多目标跟踪与分选场景，给出了任务和信息驱动下的雷达资源配置评价模式。Du 等学者[114]针对多目标逆合成孔径雷达成像问题，提出了一种组网雷达时间与孔径资源协同分配策略，在保证成像分辨率的条件下，最大限度地降低组网雷达时间资源消耗，同时提高成像任务总量。2021年，Su 等学者[115]分析了雷达波形参数与射频资源配置对机动目标跟踪性能的影响，定义了基于归一化能量消耗、时间消耗和多目标跟踪性能的代价函数，在此基础上，构建了针对机动目标跟踪的网络化共址MIMO雷达发射波形与空时资源联合管控模型，并采用改进的粒子群优化（Particle Swarm Optimization，PSO）算法对上述模型进行求解。随着人工智能技术的不断进步，雷达趋于多功能与智能化发展，已有不少学者将深度学习等思想应用到雷达资源管理领域[116,117]，并取得了一定成果。Shi 等学者[118]从深度学习的角度对目标跟踪下多雷达系统节点选择与功率分配模型进行研究，通过雷达系统与目标的动态交互，对雷达选择与功率分配进行自适应联合优化，以达到最小化系统总辐射功率的目的。