1.3　國內外研究現狀

1.3.1　網絡化雷達系統研究現狀

網絡化雷達作為一種有別于傳統單基地相控陣雷達的新體制雷達，在目標檢測、目標跟蹤、目標識別、參數估計及分辨能力等方面具有潛在的優勢，受到了國內外眾多學者和研究機構的高度關注。本節將從網絡化雷達系統目標檢測、目標跟蹤、目標參數估計、波形設計及資源管理方面進行闡述。

1）目標檢測

目標檢測的目的是確定雷達系統量測值到底是目標回波信號還是噪聲、干擾信號，且目標檢測是目標距離、方位、速度等參數估計，目標跟蹤，目標識別的前提。其中，目標檢測器的設計與分析是良好檢測性能的必要保證。與傳統相控陣雷達的目標檢測類似，當假設檢驗中概率密度函數完全已知時，在一定的虛警率條件下，使得檢測概率最大化的檢測器為最佳接收機，即滿足Neyman-Pearson準則得到的似然比檢驗；當概率密度函數不完全已知時，可先采用最大似然估計對未知參數進行估計，然后用廣義似然比檢驗（Generalized Likelihood Ratio Test，GLRT）設計檢測器[22]。2011年，Wang等學者研究了雜波環境中分布式MIMO雷達的目標檢測問題，分別提出了集中式MIMO-GLRT檢測器[43]和分布式MIMO-GLRT檢測器[44]。其中，集中式MIMO-GLRT檢測器需要各接收機將接收到的雷達回波信號發送到融合中心進行集中處理，而分布式MIMO-GLRT檢測器只需將局部檢驗統計量發送到融合中心進行處理。仿真結果表明，文中所提到的分布式檢測器不僅可以近似達到集中式檢測器的性能，還極大地降低了對數據傳輸帶寬的要求和能量消耗。2014年，Hack等學者在文獻[45]中將有源網絡化雷達的目標檢測問題推廣到外輻射源網絡化雷達中，首次研究了基于外輻射源信號的MIMO網絡化雷達系統的目標檢測性能，并取得了良好的效果。Ali等學者[46]將集中式MIMO雷達應用于傳感器網絡的聯合目標檢測與定位中，并采用最小均方誤差（Minimum Mean-Square Error，MMSE）接收機降低干擾與硬件實現復雜度。2015年，Li等學者[47]研究了收發站運動情況下分布式MIMO雷達的動目標檢測性能，在考慮平臺運動的情況下，針對稀疏雜波模型和參數自回歸雜波模型，分別提出了兩種GLRT檢測器。

目標檢測問題的關鍵在于獲得最大信噪比（Signal-to-Noise Ratio，SNR）。通常，對于發射功率一定的網絡化雷達或分布式MIMO雷達，最大信噪比的獲得取決于目標回波信號的處理方式及系統發射機和接收機相對目標的幾何位置關系[22]。對于傳統相控陣雷達，目標RCS隨雷達視線角的變化較為劇烈，而目標RCS閃爍將引起虛警和漏警，從而降低雷達系統的檢測性能。網絡化雷達系統利用其分集增益，通過不同視線角接收的目標回波信號能量疊加，較好地克服了目標RCS起伏帶來的性能損失，保證了目標檢測性能的穩健性和可靠性。2006年，Fishler等學者[48]研究了單脈沖處理模式下分布式MIMO雷達、多輸入單輸出（Multiple-Input Single-Output，MISO）雷達、單輸入多輸出（Single-Input Multiple -Output，SIMO）雷達和相控陣雷達的目標檢測性能，指出在檢測概率高于80%且系統信噪比相同時，由于分布式MIMO雷達具有空間分集優勢，其檢測性能明顯優于其他三種雷達體制。2011年，Song等學者[49]對比了發射正交波形和相同波形的分布式MIMO雷達檢測性能。仿真結果表明，在高信噪比條件下，發射正交信號的目標檢測性能優于發射相同信號的目標檢測性能，而在低信噪比和特殊系統結構條件下，發射相同信號的目標檢測性能優于發射正交信號的目標檢測性能。2015年，宋靖等學者[50]研究了基于多脈沖發射的分布式全相參雷達性能，通過推導輸出信噪比增益的數學表達式，并結合相關參數估計的克拉默-拉奧下界（Cramer-Rao Lower Bound，CRLB），得到了輸出信噪比增益上界的數值解。分析指出，增加脈沖數或發射天線數可以提高系統的輸出信噪比增益。當輸入信噪比較小時，輸出信噪比增益隨接收天線數的增加而降低；當輸入信噪比較大時，輸出信噪比增益隨接收天線數的增加而升高。2017年，程子揚等學者[51]根據分布式MIMO雷達收發站間的幾何位置關系，推導了低信噪比條件下相位隨機MIMO雷達和幅相隨機MIMO雷達的平方律檢測器結構，并分析了這兩種非相參檢測器的檢測性能。仿真結果指出，相比于傳統的單站相控陣雷達，相位隨機MIMO雷達和幅相隨機MIMO雷達可達到高于10dB的改善增益。需要說明的是，除空間分集以外，波形分集、頻率分集和極化分集同樣可以達到提升目標檢測性能的效果。

2018年，為解決多基地雷達中局部雷達站同融合中心之間通信帶寬受限的問題，曹鼎等學者[52]提出了基于刪失數據的分布式融合檢測方法，在局部雷達站具有多通道接收系統的條件下，計算了雜波背景下動目標回波信號的似然比函數，并根據其自身傳輸通道的通信限制設置局部門限，剔除低于局部門限的似然比，同時將高于局部門限的似然比向融合中心傳輸。在此基礎上，融合中心基于Neyman-Pearson準則，利用接收到的刪失數據計算全局檢驗統計量，從而將其與全局門限進行比較獲得全局判決。仿真結果表明，所提方法能夠在大幅降低通信率的情況下，獲得比“或”準則更好的檢測性能。同年，Hassanien等學者[53]研究了非均勻雜波環境下分布式MIMO雷達動目標檢測算法，并設計了相應的GLRT檢測器，獲得了良好的目標檢測性能。2019年，孫文杰等學者[54]針對非均勻干擾環境中分布式MIMO雷達的距離擴展運動目標檢測問題進行了研究，由于難以通過訓練數據對干擾的協方差矩陣進行估計，作者提出了一種無訓練數據的距離擴展目標知識輔助-GLRT檢測器。仿真結果表明，所提檢測器性能明顯優于傳統的有訓練數據的協方差矩陣類檢測器。2022年，為提高組網雷達的分布式恒虛警率（Constant False Alarm Rate，CFAR）檢測性能，龔樹鳳等學者[55]基于模糊邏輯和最大選擇篩選平均檢測器，提出了自適應多傳感器分布式模糊CFAR檢測算法，通過表決和反饋模塊，能夠控制傳輸到融合中心的數據量，并自適應選取相關的雷達數據進行融合，從而在一定程度上實現了雷達資源管理。

2）目標跟蹤

網絡化雷達系統由于自由度的增加，相較于傳統相控陣雷達在目標跟蹤精度、抗干擾性能等方面具有明顯優勢。2001年，徐洪奎等學者[56]提出了一種基于快速卡爾曼濾波的組網雷達機動目標跟蹤算法。融合中心根據每部雷達接收機量測得到的目標距離，采用改進卡爾曼濾波方法對目標運動狀態進行迭代計算，不僅實現了對近距離高速機動目標的精確跟蹤，還降低了計算復雜度。2009年，Godrich等學者在文獻[57]中研究了不同分布式MIMO雷達結構對目標跟蹤性能的影響。研究表明，目標跟蹤精度與系統中雷達發射機、接收機數目的乘積，目標相對于各發射機和接收機的幾何位置關系有關，即增加雷達發射機和接收機的數目、盡量從多個視角對目標進行照射，能夠獲得更高的目標跟蹤精度。2013年，Hachour 等學者[58]提出了基于信條分類的多傳感器多目標聯合跟蹤與分類算法，根據目標運動狀態及加速度信息，采用信條分類器獲得目標所屬的類型集合。2014年，針對提高火控雷達跟蹤精度和反隱身、反低空/超低空突防等作戰需求，羅浩等學者[59]研究了火控組網雷達系統的傳感器分配問題，分別提出了單部火控雷達對單目標進行跟蹤、多部火控雷達對單目標進行跟蹤和多部火控雷達對單目標間歇跟蹤3種算法，并進行了仿真對比和分析，驗證了所提算法的可行性和有效性。在以單站雷達為主的組網雷達系統中，由于各異地、分散部署的雷達接收機處的目標信噪比不同，這使得系統中所有雷達無法同時探測到目標的存在。針對此問題，2016年，Liu等學者[60]提出了基于目標跟蹤信息的組網雷達系統協同航跡起始算法，該算法根據目標運動狀態的先驗信息，在保證一定虛警率的前提下，降低未探測到目標的雷達檢測器門限，并引導雷達波束對準目標將出現的方位，從而提高目標航跡起始概率。同年，Yan等學者[61]定量研究了數據融合對多雷達系統目標跟蹤的影響。2018年，針對目標個數未知時雙基地MIMO雷達角度跟蹤問題，張正言等學者[62]提出了基于改進自適應非對稱聯合對角化的目標個數與角度聯合跟蹤算法，引入主成分順序估計思想和改進信息論準則，估計出目標個數，并實現了目標參數的自動匹配和關聯。2019年，針對復雜戰場環境下機動目標跟蹤難題，王樹亮等學者[63]提出了基于信息熵準則的認知雷達目標跟蹤算法，構建了描述目標跟蹤性能的不確定性信息熵模型，考慮距離和速度的互相關信息，選取狀態感知熵最小作為代價函數進行波形選擇。另外，受人腦三階段記憶信息處理機制的啟發，將人類記憶嵌入交互式多模型（Interacting Multiple Model，IMM）算法中，對模型實時概率進行存儲和提取，通過時變調整因子來加權模型轉移概率，從而弱化了不匹配模型的不利競爭。同年，王經鶴等學者[64]提出了組網雷達多幀檢測前跟蹤算法，首先在本地節點進行多幀檢測前跟蹤，然后將檢測得到的點跡序列傳輸到融合中心進行融合處理，充分利用目標空時相關性積累目標能量，改善了弱小目標的檢測性能和航跡跟蹤精度。

針對欺騙干擾環境下組網雷達目標跟蹤技術，2007年，趙艷麗等學者[65]研究了多假目標欺騙干擾下組網雷達目標跟蹤技術，首先對所有量測數據進行預處理，將問題簡化為單雷達多目標跟蹤，然后根據目標優先級進行數據關聯，從而有效剔除假目標，并確保對真目標的精確跟蹤。2015年，Yang 等學者[66]研究了欺騙干擾下組網雷達系統的目標跟蹤性能，并分析了不同系統參數對目標跟蹤性能的影響。在壓制干擾環境下，2012年，李世忠等學者[67]提出了一種基于分布式干擾的組網雷達目標跟蹤算法，該算法包含分布式干擾下的量測模型和基于IMM的序貫濾波跟蹤兩部分，仿真驗證了所提算法的有效性。2014年，胡子軍等學者[68]則針對無源相參組網雷達系統高速機動多目標跟蹤問題，提出了一種基于擴展多模型概率假設密度濾波器的粒子濾波算法，實時初始化位置隨機且高速運動的新目標，從而實現對個數時變的高速機動多目標的有效跟蹤。上述網絡化雷達系統對目標跟蹤的研究主要在雷達自身的局部坐標系中，很少考慮地球曲率對干擾條件下網絡化雷達目標跟蹤的影響。2015年，賀達超等學者[69]考慮到地球曲率對系統跟蹤性能的影響，提出了一種壓制干擾下基于無偏轉換測量卡爾曼濾波（Unbiased Converted Measurement Kalman Filtering，UCMKF）的雷達網目標跟蹤算法，該算法首先將網絡中各雷達的量測數據統一到地心直角坐標系中進行數據壓縮，然后采用基于UCMKF的序貫濾波方法對壓縮后的數據進行跟蹤，仿真實驗驗證了在大功率集中式壓制干擾下，所提算法可保證組網雷達系統對目標跟蹤的連續性和穩定性，為復雜電磁環境下組網雷達系統的目標跟蹤奠定了基礎。

3）目標參數估計

強大的目標參數估計能力是網絡化雷達系統的優勢之一，而分集增益正是該優勢的本質原因。與傳統相控陣雷達一樣，網絡化雷達系統通常估計的目標參數有距離、方位和速度等。然而，由于網絡化雷達系統具有分集優勢，其目標參數估計性能明顯優于傳統雷達。一般地，可采用CRLB表征目標參數估計性能。2010年，He等學者[70]研究了分布式非相參MIMO雷達的目標位置與速度參數估計性能，推導了目標位置與速度聯合估計CRLB，指出MIMO雷達的目標參數估計性能受發射天線數與接收天線數乘積的影響，兩者乘積值越大，目標參數估計性能越好。之后，在上述研究的基礎上，他們繼續分析了分布式相參MIMO雷達的目標參數估計性能[71]，并對比了非相參和相參兩種工作模式下的MIMO雷達性能。相參MIMO雷達需要收發天線間滿足精確的時間同步、空間同步和相位同步，實現難度較大，而非相參MIMO雷達只需滿足時間同步和空間同步即可。分析表明，當收發天線數乘積值足夠大時，非相干模式下目標參數估計性能逼近相干模式下目標參數估計性能，從而可通過增加收發天線數來彌補非相干模式的性能劣勢。

2013年，馬鵬等學者[72]利用組網雷達系統的空間分集增益，提出了一種目標參數估計與檢測聯合算法。該算法可在假設目標存在的情況下進行位置估計，同時對目標進行檢測。仿真結果表明，所提算法明顯優于常規的距離門檢測算法。同年，鄭志東等學者[73]研究了收發站運動情況下雙基地MIMO雷達系統的多目標參數估計性能，推導了多目標參數估計CRLB表達式，并分析了收發站運動時不同參數對發射角/接收角估計CRLB的影響。2014年，宋靖等學者[74]針對“全發任意收”的分布式全相參雷達結構，推導了多脈沖條件下相干參數估計CRLB，并分析了相干參數估計性能與發射脈沖數及收發天線數之間的關系。仿真結果指出，增加發射脈沖數或收發天線數，可降低相干參數估計CRLB。2015年，張洪綱等學者[75]針對低信噪比環境，提出了基于多信號分類（Multiple Signal Classification，MUSIC）法的寬帶分布式全相參雷達參數估計算法。2018年，針對雙基地MIMO雷達收發角及多普勒聯合頻率估計問題，程院兵等學者[76]基于參數流型矩陣的多維范德蒙德結構特征，提出了一種低運算量的三維參數聯合估計算法。2019年，徐保慶等學者[77]提出了基于實值處理的聯合波束域雙基地MIMO雷達測角算法，通過凸優化進行空域濾波器設計，能夠靈活控制空域濾波器的帶寬并抑制旁瓣電平，從而提高了雙基地MIMO雷達的測角精度。2021年，針對空域有色噪聲導致現有MIMO雷達算法性能下降甚至完全失效的問題，師俊朋等學者[78]考慮到匹配濾波后無噪協方差矩陣的低秩特性、色噪聲協方差矩陣的稀疏特性及MIMO雷達數據的多維結構特性，提出了基于張量分析的雙基地MIMO雷達角度估計算法，實現了空域色噪聲背景下波離角和波達角的聯合估計。

2014年，Gogoneni 等學者[79]將目標參數估計問題研究拓展到外輻射源組網雷達系統中，推導了基于通用移動通信系統（Universal Mobile Telecommunications System，UMTS）信號的組網雷達目標參數估計修正克拉默-拉奧下界（Modified Cramer-Rao Lower Bound，MCRLB），并對比了非相干和相干兩種模式下的目標參數估計性能差異。2015年，Filip等學者[80]針對歐洲L波段數字航空通信系統1型，探討了基于該信號的非相干外輻射源組網雷達系統目標位置與速度參數估計性能。上述關于外輻射源雷達系統參數估計CRLB的推導都只針對瑞利起伏目標模型下的相參和非相參兩種模式。針對上述研究存在的不足，2016年，Javed等學者[81]將基于UMTS外輻射源組網雷達系統的瑞利目標參數估計MCRLB推廣到更具一般性的萊斯起伏目標模型，即目標存在一個反射系數較大的散射點和大量反射系數較小且相近的散射點。研究指出，由于目標主散射分量的存在使得目標RCS增加，從而增大了雷達接收機端的輸入信噪比，提升了系統的目標參數估計精度。

4）波形設計

網絡化雷達系統性能很大程度上依賴于其自身發射的波形。雷達發射波形設計流程圖如圖1.11所示。其中，優化準則的確定與雷達任務有關，是波形優化設計的前提。目前，常用的雷達波形優化設計準則有以下幾種：一是以模糊函數（Ambiguity Function，AF）為準則，二是以信息論為準則，三是以最大化信干噪比（Signal to Interference plus Noise Ratio，SINR）為準則[22]。

Antonio等學者[82]將傳統雷達的模糊函數推廣到MIMO雷達中，推導了不同形式的模糊函數表達式，分析了雷達收發天線幾何結構、目標運動參數及發射波形對系統分辨能力的影響，為基于模糊函數的MIMO雷達波形設計應用奠定了基礎。Chen等學者[83]進一步研究了MIMO雷達模糊函數的基本性質，在此基礎上，他們提出了一種正交調頻信號優化設計算法。仿真結果指出，相比傳統線性調頻（Linear Frequency Modulation，LFM）信號，所設計的波形減小了模糊函數旁瓣，具有更好的距離和速度分辨率。

2007年，Yang等學者[84]以信息論為準則，研究了分布式MIMO雷達在目標識別與分類中的雷達波形設計問題，分別提出了兩種基于不同準則的波形設計算法：一種是在給定系統資源約束下，最大化隨機目標響應與接收回波信號之間的互信息（Mutual Information，MI）；另一種是在統計意義下最小化隨機目標響應的最小均方誤差。分析表明，在相同的功率約束條件下，所提的兩種波形設計準則是等價的。2010年，Tang等學者[85]研究了色噪聲背景下基于信息論的MIMO雷達波形設計算法，分別提出了基于互信息和相對熵的優化準則。針對多站雷達接收機性能曲線不具有閉式解析表達式的情況，Naghsh等學者[86]采用信息論中的Bhattacharyya距離、Kullback-Leibler（KL）散度、J散度和互信息作為目標檢測性能的衡量指標，提出了一系列基于相應準則的多基地雷達編碼設計算法，并建立了一種統一的框架對優化模型進行求解。2015年，Nguyen等學者[87]研究了面向目標跟蹤的多基地雷達自適應波形參數選擇算法，該算法根據目標機動運動狀態，從雷達發射參數集合中自適應地選擇最優的波形參數，以最小化目標跟蹤均方誤差（Mean-Square Error，MSE），從而提升目標跟蹤性能。2019年，Tang等學者[88]進一步提出了密集頻譜環境下基于互信息準則的分布式MIMO雷達波形設計算法。

信干噪比是表征雷達系統目標檢測性能的重要指標，提高信干噪比對雷達系統檢測性能的提升起著關鍵作用。2016年，Daniel等學者[89]提出了基于信干噪比最大化的MIMO雷達發射波形和接收濾波器聯合優化迭代算法。該算法不僅可實現對多個擴展目標的發射波形進行聯合優化，還可以最大化各目標響應與接收回波信號之間的互信息之和。同年，Panoui等學者[90]將多個MIMO雷達網絡之間的交互作用建模為一個勢博弈模型，利用博弈論方法來優化各雷達網絡的最優發射波形，根據納什均衡（Nash Equilibrium，NE）最大化每個MIMO雷達網絡的信干噪比。2018年，針對分布式MIMO雷達正交相位編碼信號和其失配濾波器組分開設計輸出的距離旁瓣電平過高的問題，徐磊磊等學者[91]提出了一種正交相位編碼信號和失配濾波器組聯合設計方法，以約束信噪比損失和最小化失配濾波器組輸出的距離旁瓣電平為目標，構建了聯合設計準則，并采用雙最小p范數算法進行求解。2021年，劉永軍等學者[92]立足于分布式多功能一體化系統，分析了現有一體化波形設計和處理的優缺點，探究了分布式多功能一體化系統的關鍵科學問題，并就面臨的諸多基礎性挑戰給出了相關建議。

上述算法都是在假設目標頻率響應能夠精確估計或先驗已知的前提下進行的。然而，由于實際中目標的真實頻率響應難以獲得，且目標頻率響應敏感于雷達視線角，以上算法很難在應用中保持穩健性和可靠性。為了解決這個問題，2007年，Yang 等學者[93]在文獻[84]的基礎上，提出了目標頻率響應不確定集合，并探討了在目標頻率響應不確定情況下的MIMO雷達穩健波形設計方法。2012年，Jiu等學者[94]提出了針對擴展目標檢測的穩健發射波形與接收濾波器聯合設計方法，以提升系統最差情況下的輸出信干噪比。在網絡化雷達波形優化設計中，需要根據不同的應用場景選擇合適的優化準則和目標函數，對波形進行綜合設計，從而提升雷達系統性能。2018年，Shi等學者[95]提出了頻譜共存環境下面向射頻隱身的正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）雷達穩健波形設計算法，考慮通信系統發射信號、目標相對于雷達和通信系統的頻率響應及路徑傳播損耗等信息先驗已知，根據經目標散射到達雷達接收機的通信信號可分為有用信號、干擾信號和無用信號，并給出了相應的面向射頻隱身的OFDM雷達穩健波形設計準則，即在保證一定互信息閾值和通信系統信道容量的條件下，通過優化設計OFDM雷達波形，計算最小化最差情況下的雷達總發射功率。仿真結果表明，利用經目標散射到達雷達接收機的通信信號可有效提升雷達系統的射頻隱身性能。另外，OFDM雷達穩健發射波形可確保雷達系統的射頻隱身性能在目標真實頻率響應未知的情況下具有最優下界。

5）資源管理

資源管理對于雷達裝備應用及提升作戰性能至關重要，是雷達系統論證設計、研制和作戰使用的核心問題之一。網絡化雷達資源管理技術是指根據戰場實時態勢生成的不同作戰任務（如目標搜索、目標檢測、目標定位、目標跟蹤、電子對抗等），在給定雷達輻射功率、發射波束數目、駐留時間、重訪時間、信號帶寬及通信能力等資源約束下，對各雷達節點射頻資源進行最優化配置的技術[96]。雷達資源管理的本質是針對各種作戰任務，建立數學優化模型，并根據預先設定的系統資源和性能需求，確定約束條件，以實現系統資源的優化配置，為不同作戰任務提供支撐，其難點在于構建包含雷達系統資源要素的多維優化函數及優化模型的穩健、快速求解。

理論上，為了提升目標探測、定位、跟蹤性能，可以通過將每部雷達的發射功率最大化來達到。但在實際中，網絡化雷達系統通常都存在一個預期的性能目標，如目標定位精度或跟蹤精度。在這種情況下，最大化系統的發射功率可能會導致系統資源利用率低。因此，國內外學者對網絡化雷達系統資源優化問題進行了大量研究。2010年，Godrich等學者[97]在分布式MIMO雷達平臺下，提出了兩種功率分配算法：一種是在MIMO雷達系統總發射功率一定的條件下，通過優化各雷達功率分配，提升目標的定位精度；另一種則是在滿足給定目標定位精度要求的條件下，調整各雷達功率分配，使得系統總發射功率最小。2014年，Sun等學者[98]借助博弈論對基于目標定位的分布式MIMO雷達資源優化管理問題進行建模，推導了目標位置參數的貝葉斯費舍爾信息矩陣（Fisher Information Matrix，FIM），提出了一種基于合作博弈的最優功率分配算法，利用沙普利值代表每部雷達發射機的貢獻來分配功率資源。仿真結果表明，所提算法可獲得比平均功率分配更優的目標定位精度，且目標定位精度由目標位置的先驗信息和目標相對于雷達發射機、接收機的幾何位置關系決定。之后，他們又提出了一種基于發射天線選擇與功率聯合優化的分布式MIMO雷達目標定位算法[99]。馮涵哲等學者[38]提出了一種基于多目標定位的分布式MIMO雷達快速功率分配算法，該算法以多目標定位誤差的CRLB為代價函數，采用交替全局優化算法搜索Pareto解集來實現優化模型的快速求解。Garcia等學者[100]在研究了發射功率和信號帶寬聯合優化算法時首次將信號帶寬因素考慮進來，進一步提升了系統的定位精度。然而，上述文獻僅針對目標的位置參數進行資源分配，并未考慮運動目標的速度估計性能。2016年，胡捍英等學者[101]提出了發射功率與信號有效時寬聯合優化算法，采用連續參數凸估計方法對優化模型進行求解，從而最小化目標速度估計CRLB的最大值。仿真結果表明，信號有效時寬對目標速度參數估計性能的影響大于發射功率。2017年，孫揚等學者[102]在總結前人工作的基礎上，將陣元因素也考慮進來，給出了陣元、發射功率和信號帶寬聯合優化模型，并分析了三者對目標定位精度的影響。

2012年，Chavali等學者[103]將功率分配思想應用于目標跟蹤場景中，研究了基于資源調度與功率分配的認知雷達網絡多目標跟蹤算法。隨后，嚴俊坤等學者[104]提出了一種多基認知雷達三維目標跟蹤算法，通過自適應地調節系統發射功率，最小化下一時刻目標跟蹤精度的貝葉斯克拉默-拉奧下界（Bayesian Cramer-Rao Lower Bound，BCRLB），從而在功率資源有限的條件下達到更好的跟蹤性能。之后，他們又提出了針對多雷達多目標跟蹤的聚類與功率聯合分配算法[105]，在每一采樣時刻選擇一定數目的雷達對各目標進行聚類優化，并針對每個子類中的雷達進行功率分配，以在資源有限的約束下進一步提升系統性能。2015年，Chen 等學者[106]研究了基于合作博弈功率分配的分布式 MIMO 雷達目標跟蹤算法。2016年，李艷艷等學者[37]在文獻[104]的基礎上，以最小化目標跟蹤的BCRLB為目標，對分布式MIMO雷達的發射功率和信號帶寬進行聯合優化分配，從而進一步提高了機動目標的跟蹤精度。針對集中式MIMO網絡化雷達系統，Yan等學者[107]提出了一種波束選擇與功率分配聯合優化算法，在每一時刻，系統中各雷達采用同時多波束工作模式對多目標進行跟蹤，通過求解優化模型，得到每部雷達產生的波束數目、各波束分配及其相應的發射功率，從而最小化目標跟蹤BCRLB的最大值。2017年，針對分布式MIMO雷達能量資源受限的情況，魯彥希等學者[108]提出了多目標跟蹤分布式MIMO雷達收發站聯合選擇優化算法，以發射站和接收站資源為約束條件，以最小化跟蹤性能最差的目標后驗克拉默-拉奧下界（Posterior Cramer-Rao Lower Bound，PCRLB）為優化目標，對分布式MIMO雷達收發站進行聯合優化選擇。2018年，宋喜玉等學者[109]還考慮了發射功率約束，建立了多目標跟蹤下分布式MIMO雷達收發陣元選擇與功率分配聯合優化模型。仿真結果表明，該模型能夠在任意雷達布陣場景下實現雷達系統資源的充分利用。2020年，Zhang等學者[110]提出了面向認知目標跟蹤的大規模網絡化MIMO雷達子陣選擇與功率分配聯合優化算法，在滿足給定射頻資源約束要求的條件下，通過聯合優化子陣選擇與各節點功率分配，降低多目標跟蹤的預測條件CRLB，從而提升系統的目標跟蹤性能。同年，Yi等學者[111]提出了分布式多目標跟蹤場景下網絡化共址MIMO雷達發射波束與功率聯合調度算法。針對運動平臺傳感器位置難以精確給定的問題，Sun等學者[112]研究了面向多目標跟蹤和數據壓縮的網絡化雷達功率分配與量測選擇聯合優化算法，以同時最小化各目標跟蹤精度和所選擇的量測數為優化目標，建立了多目標優化模型，并采用基于稀疏增強的連續凸規劃算法進行求解。Bell等學者[113]則針對多目標跟蹤與分選場景，給出了任務和信息驅動下的雷達資源配置評價模式。Du 等學者[114]針對多目標逆合成孔徑雷達成像問題，提出了一種組網雷達時間與孔徑資源協同分配策略，在保證成像分辨率的條件下，最大限度地降低組網雷達時間資源消耗，同時提高成像任務總量。2021年，Su 等學者[115]分析了雷達波形參數與射頻資源配置對機動目標跟蹤性能的影響，定義了基于歸一化能量消耗、時間消耗和多目標跟蹤性能的代價函數，在此基礎上，構建了針對機動目標跟蹤的網絡化共址MIMO雷達發射波形與空時資源聯合管控模型，并采用改進的粒子群優化（Particle Swarm Optimization，PSO）算法對上述模型進行求解。隨著人工智能技術的不斷進步，雷達趨于多功能與智能化發展，已有不少學者將深度學習等思想應用到雷達資源管理領域[116,117]，并取得了一定成果。Shi 等學者[118]從深度學習的角度對目標跟蹤下多雷達系統節點選擇與功率分配模型進行研究，通過雷達系統與目標的動態交互，對雷達選擇與功率分配進行自適應聯合優化，以達到最小化系統總輻射功率的目的。