那个场景我到现在还记得。仿真跑了一遍又一遍，干扰机参数从1 kW调到10 kW，跟踪滤波器却死死咬住真目标不放。后来发现是量测噪声协方差矩阵没跟着干信比一起调，卡尔曼增益被锁死，干扰信号再强也被滤波器的“惯性”抹平了。一个参数的对错，结果天差地别。
这个课题我做了相当一阵子——“面向目标跟踪的雷达干扰方法”，研究方向一句话就能说清：不是让雷达“看不见”，而是让它“看错、跟丢、锁错”。这在学术上叫ECM对抗，在工程上叫软杀伤。它对航空器战场生存力提升的意义，怎么强调都不过分。这篇文章把思路拆开揉碎讲一遍，从干扰设计逻辑到Matlab仿真复现，再到我一脚一脚踩出来的调试坑，适合正在做雷达对抗、航迹跟踪、电子战仿真相关课题的学生和工程师。无论你是刚入门还是已经跑过几个仿真，应该都能从这里挖到点东西。
1. 为什么干扰要死磕“跟踪”而不是“检测”——项目整体设计思路
1.1 雷达对抗链路里，最划算的切入点不是检测层
雷达工作的信息链路大致分三段：搜索发现、稳定检测、持续跟踪。传统干扰思路喜欢在第一段做文章——用大功率噪声把接收机底噪抬高，让目标回波淹没在干扰里，雷达显示器上白花花一片，什么也看不见。这叫压制式干扰，原理简单，实现也不难，但它有一个致命问题：功率需求太离谱。
你算一笔账就明白了。雷达探测距离和回波功率是四次方关系，干扰机和目标通常又在同一位置附近，干扰信号走的是双程路径，回波功率衰减极其严重。要让一部中等功率的搜索雷达“致盲”，干扰机的有效辐射功率往往要比雷达高好几个数量级。这就是为什么老式电子对抗吊舱又大又重，而且一开机就暴露自己，等于告诉对方“我在这儿”。
但如果我们换个思路：不对检测层动手，而是对跟踪层下手。检测层只需“看见”目标，跟踪层则要“持续认定”目标——它不仅要发现信号，还要在时间上把航迹串起来，在空间上预测目标下一秒的位置。这个“持续”和“预测”本身就是弱点。检测只需要瞬间的功率优势，跟踪却需要连续的量测支撑。只要在某个关键时刻让量测序列断裂或畸变，跟踪滤波器就会从“正常跟踪”滑向“外推发散”，最后航迹分裂，重新起始。而这需要的干扰功率，比全频段压制要小得多。
所以项目的核心思路从一开始就定了：从跟踪环路内部找突破口，用最低的干扰代价换取最大的航迹破坏收益。
1.2 跟踪环路自身的“软肋”在哪里
要设计干扰策略，得先搞清楚跟踪滤波器是怎么工作的。以最常见的卡尔曼滤波为例，每一帧的量测进来以后，滤波器做两件事：一是用上一帧的状态预测当前帧的位置，形成波门；二是在波门内寻找量测点，如果找到，就按增益加权更新状态；如果没找到，就用预测值外推，同时把协方差矩阵放大。
这里有一个在教科书里不太起眼、实战中却极其关键的细节：跟踪滤波是有“记忆”的，短时间丢失一两帧不会出大问题，滤波器会靠外推撑过去。但如果你用一个假目标信号把波门内的真实“注意力”吸引走，让滤波器把假目标当真实目标来更新，情况就完全不同了。每更新一次，滤波器的状态就往假目标方向偏移一点。假目标如果缓慢地朝某个方向移动，滤波器会以为真实目标在做机动，它的协方差可能还会收缩——因为量测噪声看起来“很干净”。
这个特性就是整个干扰策略设计的支点。于是项目的干扰策略分三段：
- 停拖期：干扰机捕获雷达信号，以最小延迟转发，让雷达把干扰信号和真实回波一起检测到，保证跟踪器“稳定锁定”这个复合目标；
- 拖引期：转发延迟以固定或可变速率逐步增大，让假目标在距离维上缓慢移动，跟踪器跟着假目标走，真实目标逐渐偏离波门；
- 关闭期：干扰机突然停止转发，雷达波门内既无真目标也无假目标，目标彻底丢失。
这个“停拖—拖引—关闭”的时间序列，本质上是利用了跟踪滤波器对“连续量测”的依赖。它不是硬碰硬地压制，而是顺着滤波器的预测逻辑把它骗进沟里。
1.3 为什么选择Matlab做验证而不是直接上硬件
这个项目最终交付的核心资产是一套可复现的仿真链路，而不是一块实木板子。我是有意这么选的。
雷达对抗研究有一个天然难题：实弹对抗成本极高，外场试验组织难度大，无法做大规模参数扫描。而Matlab仿真的价值在于，它能在一个可控环境下把雷达、目标、干扰机、跟踪滤波四者之间的相互作用完整建模出来。你可以快速跑200次蒙特卡洛试验，统计航迹丢失率；可以把干扰功率从低到高扫一遍，画出一条“干扰效果曲线”；可以随时停下来，把某一帧的匹配滤波输出、波门状况、滤波器残差全部打印出来，逐帧分析。
Matlab在雷达领域有非常成熟的工具箱，Phased Array System Toolbox可以做阵列和波形级仿真，Sensor Fusion and Tracking Toolbox提供了标准的目标跟踪框架，但真正的工程难点不在工具箱用得多熟，而在于你能否把部件间的接口参数对准。举个例子：信号级仿真里，脉冲压缩后的距离分辨单元是3米，而数据级跟踪滤波器里设置的距离量测噪声方差可能对应10米，两者不匹配的话，干扰效果会完全失真。这些经验后面细说。
2. 三类核心干扰方法原理与选用时机
2.1 干信比：干扰效果的第一把度量尺
在任何干扰设计之前，先要建立一把标尺。干扰效果不是看绝对功率，而是看干扰信号与目标回波同时进入雷达接收机时的相对关系。工程上常用干信比JSR来衡量。
简化的点目标干扰方程为：
J/S = (P_j G_j / P_t G_t) × (4π R² / σ) × (B_r / B_j)
其中P_j是干扰机发射功率，G_j是干扰机天线增益，P_t、G_t是雷达的发射功率和天线增益，R是目标到雷达的距离，σ是目标雷达散射截面，B_j是干扰信号带宽，B_r是雷达接收机带宽。括号里的B_r/B_j是带宽失配因子——如果干扰带宽远大于雷达带宽，能量被接收机滤掉，真正进入信号处理通道的只有一小部分。
这个方程一摆出来，很多问题就清楚了。JSR随着目标距离R的平方增长，距离越远干扰越容易奏效。RCS大的目标需要更大的干扰功率。带宽失配是自找的损耗，设计干扰波形时必须把干扰带宽和雷达信号带宽对齐，否则功率白烧。
这就解释了为什么压制式干扰在远距离上有优势，进入近距格斗状态后却越来越吃力——双方距离缩短，JSR快速下降，而跟踪滤波器的波门又在逐渐收窄，压制噪声很难钻进去。近距场景，必须换思路。
2.2 压制式干扰：把检测层直接抬垮
压制式干扰在工程实现上主要分噪声调幅和噪声调频两种。噪声调幅产生的是AM噪声，实现简单，但频谱纯度和平坦度差，功率利用率低。工程上更推荐噪声调频，用一个随机过程控制压控振荡器的频率偏移，产生宽带噪声，在高斯白噪声背景下压制效果更好。
压制干扰起作用的关键指标，是干信比是否足以把检测门限抬高到目标回波被“淹没”的程度。在雷达接收机里，检测门限通常由恒虚警检测CFAR单元根据背景噪声电平自适应调整。你注入强噪声后，CFAR的参考窗噪声平均功率被抬高，检测门限跟着抬起来，真实目标的回波峰值就可能落在门限以下，雷达在这一帧“看不到”目标了。
压制式干扰的优势是鲁棒性强，不需要精确知道雷达信号参数，开个宽带噪声源就行。但它的问题前面说了，一是功率效率低，二是只对检测层有效。如果雷达已经进入稳定跟踪阶段，跟踪滤波器可以利用预测信息“看穿”单帧的检测丢失，把航迹维持若干帧。所以压制干扰适合做前置的“致盲”手段，打乱对方的航迹起始，不适合做精确的航迹破坏手段。
2.3 欺骗式干扰：DRFM与距离门拖引
欺骗式干扰是另一个维度的思路。它不追求“让雷达看不见”，而是提供“看起来合理的假信息”。
现代欺骗干扰的核心硬件是数字射频存储器DRFM。它把截获的雷达脉冲采样后存入数字存储器，再以受控的延迟和时间基准重新发射。关键在于，转发的信号与雷达发射信号高度相干——同样的载频、同样的调制方式、同样的脉内特征，匹配滤波器输出一个与真实回波几乎无差别的峰值。
距离门拖引RGPO的原理就建立在DRFM基础上。干扰机按时间序列操控转发延迟：先以最小延迟转发，让假目标与真实目标处于同一距离单元；然后逐渐增大转发延迟，假目标在距离轴上缓慢“后退”或“前移”；跟踪滤波器的波门被假目标吸引，逐步偏离真实目标；达到预定距离后，干扰机突然关机，波门内失去所有目标，航迹断裂。
RGPO的参数设计有几个关键点。拖引速率不能超过跟踪滤波器的最大加速度响应能力——拖太快，跟踪器认为量测有误直接弃点，拖引失败；拖太慢，干扰优势期太长，给对方反应时间。工程上常用的是匀加速拖引，距离变化ΔR = a·t²/2，加速度a的取值通常按跟踪器波门宽度的函数来设计。后面仿真部分的代码里我会展示具体怎么设。
速度门拖引VGPO与RGPO同理，只是把距离维换成多普勒维，通过控制转发信号的频移来实现。现代雷达普遍采用距离-多普勒二维处理，单独对某一维拖引容易被另一维的量测识破，所以实际场景中RGPO与VGPO常常联合使用，形成一个二维的“量测欺骗”。这也体现在了本项目的仿真链路里。
2.4 不同跟踪滤波算法下的策略差异
跟踪滤波器不是只有卡尔曼一种。工程上常见的还有α-β滤波器、多模型交互IMM，以及近年随着机器学习火起来的各种学习型跟踪器。不同算法的“上当方式”不一样，干扰策略也得跟着变。
手写α-β滤波器结构简单、增益固定，对突然的干扰量测几乎没有辨识能力，是最容易被欺骗的。卡尔曼滤波改善了一些，因为增益会依据量测噪声自适应变化。但卡尔曼也有弱点——如果量测噪声方差设计得偏小，滤波器对新量测的信任度偏高，容易“轻信”假目标；反过来，如果设计得偏大，滤波器反应迟钝，干扰拖引半天才跟上去，效果又不好。
IMM滤波器维护多个模型并行运行，比如匀速模型和匀加速模型，通过模型概率加权输出。干扰机在拖引期采用匀加速运动时，IMM的加速模型概率会上升，它更容易跟上你。这看起来是坏事——拖引更容易成功，但代价是拖引结束后，IMM还保留着加速模型的记忆，航迹收敛回真目标的速度也更快。所以对IMM的干扰策略，拖引段加速度该大就大，让模型概率切换产生振荡，最后关闭期造成的失锁效应反而更持久。
更前沿的方向是认知电子战。干扰机不再采用固定模式，而是实时探测雷达的行为，根据跟踪滤波器的状态自适应调整干扰参数，形成闭环对抗。这个方向目前研究热度很高，但工程落地还早。项目的Matlab仿真链路里，我预留了在线参数调整的接口，后续想把强化学习接进去做智能干扰策略，已经铺好了路。
3. Matlab仿真复现全流程与核心代码解析
3.1 总体框架与模块划分
这次复现的仿真系统按“信号级+数据级”两条线混合搭建。信号级模块负责产生雷达波形、目标回波和干扰信号，做匹配滤波和CFAR检测，输出每一帧的量测点；数据级模块接收量测点，运行卡尔曼滤波器进行航迹管理。两个层级通过一个简单的接口对接——数据级不关心信号波形怎么产生，只关心每帧检测到了哪个距离、哪个多普勒单元。
这种分层的好处是：你可以单独调信号级的干扰参数，看它对检测输出的影响；也可以单独调跟踪滤波器的量测噪声，看它对航迹稳定性的影响。调试效率高，出了问题也好定位。完整模块列表我给出来：
- 场景参数模块：载频、PRF、带宽、采样率、目标初始位置/速度
- 雷达发射/接收模块：LFM线性调频波形产生、脉冲压缩
- 目标回波模块：点目标回波模型，包含时延、多普勒、衰减
- 干扰模块：噪声压制、RGPO、VGPO三种模式的信号生成
- 检测处理模块：匹配滤波、CA-CFAR检测、峰值提取
- 跟踪模块：卡尔曼滤波器、波门管理、航迹起始/终止逻辑
- 蒙特卡洛统计模块：循环试验、指标累计、图表输出
3.2 雷达回波与匹配滤波仿真
仿真里我选了典型的LFM线性调频信号，因为它的工程实用性和距离分辨率都很有代表性。参数设置如下：脉冲宽度20 μs，带宽5 MHz，距离分辨率δR = c/(2B) = 30 m，采样率取10 MHz，脉冲重复周期1 ms。
信号级的核心是回波生成。LFM发射信号表达式为s(t) = rect(t/T) exp(jπKt²)，K是调频斜率。目标回波就是发射信号经过时延τ和幅度衰减后的版本。多普勒效应通过载频偏移来体现，点目标慢速运动时多普勒频率f_d = 2v/λ。
回波生成的核心逻辑可以用这段代码骨架来梳理：
% 发射信号参数 T_pulse = 20e-6; % 脉宽 20us B_w = 5e6; % 带宽 5MHz fs = 10e6; % 采样率 K = B_w / T_pulse; % 调频斜率 t = -T_pulse/2 : 1/fs : T_pulse/2 - 1/fs; s_tx = exp(1j * pi * K * t.^2); % LFM发射信号 % 目标参数 R0 = 15e3; % 目标初始距离 15km v_r = -150; % 径向速度 -150m/s(接近) c = 3e8; tau = 2*R0/c; % 回波时延 fd = 2*v_r / (c/3e9); % 多普勒频率 % 回波信号：按采样点数移位并乘幅度 n_shift = round(tau * fs); s_rx = [zeros(1, n_shift), s_tx(1:end-n_shift)] .* exp(1j*2*pi*fd*t(end)); s_rx = s_rx / sqrt(R0^4); % 双程衰减简化为距离四次方匹配滤波器用发射信号的共轭翻转做卷积计算，在数字域上相当于FFT、频域相乘、IFFT。加了汉明窗抑制旁瓣，但要注意副瓣压低的同时主瓣会展宽，这个影响见第4章的讨论。
3.3 卡尔曼滤波器与航迹管理实现
数据级跟踪的核心是一个匀速CV模型的卡尔曼滤波器。状态向量取x = [x, vx, y, vy]ᵀ，观测向量为[距离, 方位角]。状态转移矩阵F是标准的4x4分块对角，观测矩阵H从极坐标映射到直角坐标时做线性化处理。
滤波器的关键参数是过程噪声协方差Q和量测噪声协方差R。Q决定滤波器对目标机动的适应能力——Q设小了，滤波器太自信，目标一转弯就跟丢；Q设大了，滤波器太敏感，量测噪声会直接穿透进状态估计。R则是对量测精度的建模。这里有一个我在大量调试后总结的经验：R不是恒定不变的，干信比越高，量测精度越差，所以干扰注入时R应该相应放大。
核心滤波循环的结构：
% 卡尔曼滤波主循环 for k = 2:num_frames % 预测 x_pred = F * x_est(:,k-1); P_pred = F * P_est * F' + Q; % 量测更新 Z = detections(:,k); % 本帧检测到的距离/方位 % 波门检验：新息是否在合理范围内 innov = Z - H * x_pred; S = H * P_pred * H' + R; if sqrt(innov' * (S \ innov)) < gate_threshold K = P_pred * H' / S; x_est(:,k) = x_pred + K * innov; P_est = (eye(4) - K*H) * P_pred; else % 没有有效检测，用预测值外推 x_est(:,k) = x_pred; P_est = P_pred; end end这个波门检验逻辑是整个跟踪系统“上当”的关键。干扰信号进不了波门，跟踪器会无视它；一旦干扰信号进了波门，它就会被当作真实目标量测参与更新。RGPO的“慢拖”策略，本质上就是让假目标量测始终落在波门内，并带着滤波器一步步走偏。
3.4 干扰注入模块与RGPO拖引序列生成
干扰注入模块是整个系统里“玩法”最多的部分。噪声压制模式直接生成功率可调的带限高斯噪声叠加到回波上。RGPO模式则需要生成一个不断变化的转发延迟序列。
RGPO的核心代码可以用极简的形式表达：
% RGPO拖引延迟序列生成 T_pull = 3.0; % 拖引期时长 3s T_dwell = 0.8; % 停拖期 0.8s a_drag = 20; % 拖引加速度 20 m/s^2 delay_seconds = zeros(1, num_pulses); for n = 1:num_pulses t = n * PRI - T_dwell; if t <= 0 % 停拖期：保持最小转发延迟 delay_seconds(n) = 0; elseif t <= T_pull % 拖引期：匀加速增大延迟 delay_seconds(n) = 0.5 * a_drag * t^2 / c; % 距离→时延 else % 关闭期：无转发 delay_seconds(n) = NaN; end end这个延迟序列会转换到信号级，对采样后的干扰回波做循环移位。注意这里的加速度a_drag = 20 m/s²是我调试出来的取值。太小，拖引期内假目标只移动了几米，距离分辨率30米，跟踪器根本看不出位置变化；太大，假目标一步跳出波门，跟踪器直接判定量测异常而不接受。
实际试验时，我一般把a_drag放在5~50 m/s²之间做扫描，观察航迹丢失率的变化。后面第4章给出的那组数据，就是用这组扫描跑出来的。
3.5 蒙特卡洛统计与干扰效果评估
单次仿真的结果只能说明一次试验的行为，没有说服力。完整的评估体系是蒙特卡洛方法：在相同场景参数下，随机改变噪声种子，重复试验80~200次，统计干扰成功率和跟踪误差分布。
评估指标我选了三个：
- 航迹丢失率：干扰结束后10帧内航迹被终止或重新起始的比例；
- 位置误差RMS：干扰开启期间，航迹与真实位置之间的均方根误差；
- 拖引成功率：干扰后，跟踪器把假目标当作真目标的比例。
指标计算要格外注意航迹终止的判据。工程上常用的逻辑是：连续N帧无有效检测且外推协方差超过某阈值，则判定航迹丢失。这个N的取值直接影响丢失率统计结果——N设得太小，短暂的外推也被视为丢失，虚警率偏高；N设得太大，丢失反应滞后，干扰效果被低估。我仿真里取N = 8帧，对应8 ms跟踪周期，约一个航迹更新周期的8倍，这算是一个折中经验值。
4. 仿真调试中的常见坑与经验实录
4.1 干扰功率调太大，反而帮了倒忙
第一次跑压制干扰时，我遇到一个很诡异的现象。把干扰功率从1 kW一路推到100 kW，航迹丢失率反而下降了。一开始以为是统计误差，后来加了多组种子重复验证，发现是真实效应。
问题出在接收机的自动增益控制AGC上。高功率干扰信号进入接收机后，AGC把前端增益大幅压低，目标回波和干扰信号一起被压小了。压制干扰相对回波的干信比没有显著变化，但绝对信号电平掉到量化噪声以下，信号处理通道的动态范围被浪费了。结果干扰越猛，雷达反而越“抗拒”干扰——因为有用信号也跟着变小了。
这个问题的教训是：仿真里不要盲目追求大功率，一定要观察接收机前端AGC的作用。信号级仿真如果不建模AGC，压制式干扰的功率优化结果会严重失真。我给系统加了AGC模型之后，发现最优干信比落在30~50 dB区间，再高反而进入饱和区，效果平台期甚至下降。
4.2 拖引速度设置不合理，拖成了“断引”
RGPO调试中第二个常见问题是拖引参数和波门宽度不匹配。匀加速拖引的加速度如果超过跟踪器波门的容忍范围，新息序列会出现跳变，波门检验在某一帧会突然拒绝假目标，造成“断引”——这不是我们想要的拖引效果，而是直接丢失。
调试这类问题最直接的手段是画出“距离-时间图”。把真实目标距离、假目标距离和波门中心同时画在一条时间轴上，能直观看出假目标是否平稳地在波门内移动。另一种手段是统计每帧的新息序列——卡尔曼滤波的新息应该保持在波门宽度内，如果新息在第N帧突然跳变到几个门限之外，说明拖引速率拐点过于剧烈。
工程实践经验是：拖引加速度要低到跟踪器不会触发“机动检测”的程度，但又要高到在有限拖引期内产生足够的距离偏移。这两个条件组合起来，拖引加速度的选择通常落在跟踪器最大可支持加速度的1/3到1/2之间。
4.3 匹配滤波加窗，旁瓣压制与主瓣展宽的取舍
在做信号级仿真的匹配滤波时，我默认加了汉明窗压制旁瓣。结果发现RGPO的假目标信号由于是转发信号，本身带有小幅度的频率和相位误差，加窗后主瓣展宽明显，相邻距离单元的响应互相交叠，导致CFAR检测出现了虚假的多峰结构。
这个问题的根源在于加窗操作改变了匹配滤波器的距离分辨能力。处理方法是采用展宽系数更小的窗，比如泰勒窗或者将汉明窗与矩形窗做线性组合，让主瓣展宽控制在可接受范围内，同时保持旁瓣衰减。具体到仿真链路里，我用的是-40 dB泰勒窗，展宽系数调到1.3，对RGPO信号的多峰问题有显著改善。
4.4 量测噪声协方差R没有随干扰变化，滤波器“太自信”
这是我在全项目调试中踩过最深的坑，也是文章开头提到的那个场景。
卡尔曼滤波器的增益由P_pred和R共同决定。如果R设得很小，表示系统非常信任量测，卡尔曼增益会偏高，新量测对状态修正的权重大。反过来，R设得很大，表示系统知道量测不可靠，会更依赖预测值。
在干扰场景中，干扰信号叠加在回波上，量测噪声的统计特性与无干扰时有本质区别。如果跟踪滤波器里的R还是按无干扰的SNR来设定，它会“过度信任”被干扰污染的量测，导致压制干扰下航迹抖动异常剧烈，RGPO拖引特别容易成功。这看起来对干扰方有利，实则有误导性——真实场景中，信号处理端看得到干扰的存在，会主动调大量测噪声，不会傻乎乎地全盘接收。
仿真中处理这个问题的正确做法是：在量测输入进滤波器之前，根据当前帧的JSR实时调整R。JSR高，R放大；JSR低，R恢复正常。这样才能准确评估干扰在“雷达有合理抗干扰意识”的条件下的真实效果。
4.5 蒙特卡洛试验次数与置信度
最后补一个很多人忽略的统计问题。蒙特卡洛试验次数不是拍脑袋定的，它决定结论的置信度。以航迹丢失率估计为例，如果真实丢失率是10%，你跑50次试验，丢失次数是5次，置信区间会非常宽，基本无法区分“干扰有效”和“干扰无效”。
工程上常用二项分布的置信区间来估计。粗略经验是：目标丢失率在10%~50%范围内时，试验次数至少要到100次，最好200次以上；丢失率低于5%时，500次起步才能得到有意义的结论。这个运行时间在Matlab里是能接受的——数据级仿真单次不到0.2秒，200次也就半分钟；信号级仿真单次要3~5秒，200次就要十几分钟，建议先用数据级筛参数，再在选定的关键参数点上跑信号级验证。
5. 文献检索方向与后续扩展思路
课题名称里带了“含文献”，这部分我也想给一点实际建议。很多同学做这类课题，卡在文献综述不知道怎么起步，我分享个人经验。
这个方向的参考文献大体可以分三个层次。第一层是雷达对抗的基础理论，重点看雷达方程、干扰方程、ECM系统设计的基础教材和经典综述文章，这部分是用来建立“技术坐标系”的。第二层是跟踪滤波与抗干扰方向，重点看卡尔曼滤波、IMM、航迹管理及其在电子对抗场景下的性能评估文章。第三层是DRFM干扰和认知电子战的前沿工作，多分布在信号处理和信息科学的交叉领域。
检索时我用几个关键组合词能高效命中：雷达干扰方程、ECCM、跟踪滤波抗干扰、RGPO仿真、DRFM干扰、认知电子战。国内核心期刊和IEEE Transactions系列都有大量相关文章。建议读文献时先看综述，按“干扰手段-跟踪算法-评估指标”的框架把文献分类整理，每一类做成一个表格，把干扰方法、适用条件、实验设置列出来，后面写论文的时候引起来效率翻倍。
这套仿真链路目前还可以往几个方向扩展。一是把单目标场景升级为多目标场景，干扰信号要处理多目标航迹关联的问题，复杂度增加不少。二是把固定参数干扰升级为自适应干扰，用强化学习在仿真环境里做一个干扰策略智能体，根据跟踪滤波器的状态实时调整拖引参数——这个方向个人认为是未来几年的热门。三是加硬件在环，用软件无线电平台替代纯仿真发射接收通道，验证DRFM转发的物理层效果。无论走哪个方向，Matlab这层仿真链路都是地基，把地基砸实了，后面做什么都顺手。
