Pdf terciární zpracování radarových informací. Radarové zpracování informací

Volkova G.A.

VÝZKUM ALGORITHMS SEKUNDÁRNÍHO ZPRACOVÁNÍ RADAROVÝCH INFORMACÍ

Laboratorní sešit

SEKUNDÁRNÍ ZPRACOVÁNÍ

INFORMACE O RADARU.

Úvod
Radarové zpracování informací je rozděleno na primární a sekundární. Primární zpracovatelské zařízení řeší problém detekce a měření souřadnic (dosahu, azimutu a elevace) okamžité polohy cíle vzhledem k radaru v každém období průzkumu.

Souřadnice okamžité polohy skutečných i falešných cílů v digitální podobě jsou odeslány do sekundárního zpracovávacího zařízení, ve kterém je na jejich základě určeno umístění každého detekovaného cíle ve vybraném souřadnicovém systému, v důsledku čehož jsou značky jsou vytvořeny NS což může být pravda i lež. Označit- sada kódů pro dosah, azimut a nadmořskou výšku v určitém diskrétním časovém okamžiku.

Jedna značka získaná v jakémkoli průzkumu neumožňuje učinit rozhodnutí o přítomnosti cíle v pozorovací oblasti, protože by to mohlo být falešné, nelze jej použít k posouzení trajektorie cíle.

V sekundárním procesoru na základě značek získaných v n sousední recenze, jsou vyřešeny následující hlavní úkoly:

Detekce trajektorie cíle,

Sledování trajektorií cílů,

Trajektorické výpočty v zájmu spotřebitelů radarových informací.

Mezi tyto úkoly patří odhad parametrů trajektorie, obvykle nastavených vektorovou funkcí, výpočet vyhlazených (interpolovaných) a predikovaných (extrapolovaných) souřadnic a brankování cílových značek. Sekundární zpracování informací se provádí automaticky pomocí digitálního počítače.

Zvažme jeden ze způsobů, jak automaticky zablokovat trajektorii cíle pomocí příkladu dvouřadnicového radaru. Nechte souřadnice detekovaného cíle přenášet z primárního zpracovatelského zařízení a vytvoří se značka X 1, který nepatří k žádné z dříve sledovaných trajektorií. Tato značka je brána jako počáteční značka trajektorie cíle. Vzhledem k tomu, že radar je určen ke sledování předmětů určité třídy (například letadel), minimum PROTI min a maximum PROTI m a x cílová rychlost. Proto můžeme oblast zvýraznit S 2 ve formě prstence se středem u první značky as poloměry R. min = PROTI min T zkontrolovat a R. m a x = PROTI m a x T přehled, v němž může být cíl v dalším přehledu, viz obrázek 1. Operace vytváření oblasti se nazývá strobing a samotná oblast se nazývá stroboskop.

Pokud stroboskop S 2 druhý pohled zasáhne značku X 2, pak je trajektorie spojena, a pokud existuje několik takových značek, pak je každá z nich považována za možné pokračování trajektorie. Pokud stroboskop nezasáhne žádnou značku, dojde k resetu. Kritérium vazby trajektorie je v tomto případě „2/2“.

Dvě značky lze použít k určení směru pohybu a průměrná rychlost cíle
, poté vypočítat možnou polohu značky v dalším (třetím) průzkumu. Určení polohy značky v následujícím přehledu se nazývá extrapolace.

Ve fázi automatického zamykání trajektorie je přijímána nejjednodušší hypotéza o přímočarém a rovnoměrném pohybu cíle. Extrapolované hodnoty souřadnic se vypočítají podle vzorce:

.

Kolem extrapolované značky se vytvoří kruhový blesk S 3, jehož rozměry jsou určeny chybami při měření polohy cílové značky
a chyby při výpočtu polohy extrapolované značky
:

Skutečnost, že další přijatá značka zasáhne stroboskop, se kontroluje porovnáním rozdílu v získaných souřadnicích X já a extrapolovány X NS já značky s polovičními rozměry stroba:

.

Pokud stroboskop S 3 ve třetím průzkumu byla zasažena jedna značka, považuje se za náležející k detekované trajektorii. Proces pokračuje. Pokud do stroboskopu nespadne žádná značka, pak trajektorie pokračuje po extrapolované značce, ale stroboskop se zvětšuje.

Když je detekována trajektorie manévrovacího objektu, měly by být velikosti bran vypočítány s přihlédnutím k možnému manévru. Velikost stroba přímo ovlivňuje výkon detekce trajektorie. Jeho zvýšení vede ke zvýšení počtu falešných značek ve stroboskopu, v důsledku čehož se zvyšuje pravděpodobnost falešné detekce. F AZ. Snížení velikosti stroboskopu může mít za následek, že skutečná značka ve strobu chybí, čímž se sníží pravděpodobnost správné detekce. D AZ.

Při Gaussově distribuci chyb měření souřadnic a extrapolačních chyb se musí pro zajištění specifikované pravděpodobnosti zasažení značky v bráně její tvar shodovat s elipsou chyby; když je v stroboskopickém prostoru detekována trajektorie - chyba elipsoidu... Vytvoření takových bran je však spojeno s vysokými výpočetními náklady a v praxi jsou omezeny na tvorbu bran takového tvaru, což je výhodné pro výpočty v přijatém souřadnicovém systému. V tomto případě musí generovaný stroboskop pokrývat elipsu chyby (elipsoid).

Dráha je považována za nalezenou, pokud je splněno detekční kritérium. Blokové schéma algoritmu automatického zachycování trajektorie je znázorněno na obr. 2, tučné šipky ukazují komunikační linky, kterými jsou přenášeny informace ve formě kódů, ostatní komunikační linky vysílají „nuly“ a „jedničky“ odpovídající absence a přítomnost značky ve stroboskopu v já -th recenze.

Detekce (automatické zachycení) trajektorií.
Proces detekce trajektorie (auto-capture) je v podstatě proces testování hypotéz H 1, že sada značek získaných v sousedních průzkumech je trajektorie cíle vzhledem k hypotéze H0, že všechny tyto značky vznikly v důsledku falešného poplachu.

Při autocatchingu trajektorií se používají Neumann-Pearsonova, Bayesova a Waldova kritéria. Algoritmus automatického zachycování lze získat metodou poměru pravděpodobnosti. Například při použití Bayesova kritéria je optimální postup automatického zachycení redukován na vytvoření poměru pravděpodobnosti Λ a jeho srovnání s prahem Λ 0:

kde
a
- společné rozdělení hustoty značek za předpokladu, že jsou hypotézy pravdivé H 1 a H Respektive 0.

P 0 a P 1 - a priori pravděpodobnosti absence a přítomnosti trajektorie, resp.

S 01 a S 10 - náklady na chyby: zachycení falešné trajektorie a přeskočení trajektorie.

Náklady na správná rozhodnutí se berou rovné nule. V tomto případě je hodnota průměrného rizika minimalizována, kde F AZ a D AZ-pravděpodobnosti falešného automatického zamykání a správného automatického zamykání trajektorie cíle.

Velké zisky v čase autocapture jsou získány pomocí sekvenční analýzy (Waldovo kritérium), kdy je poměr pravděpodobnosti vytvořen jako každý já-th značka a je porovnána se dvěma prahovými hodnotami:
a
:
.
Pokud je horní práh překročen, je rozhodnuto d 1 - nalezena trajektorie; je -li  menší než spodní práh, je rozhodnuto d 0 - trajektorie nenalezena. Li
,
pak se rozhodne d o pokračování testování: probíhá (i + 1) přezkoumání a popsaný postup se opakuje. V tomto případě je rozhodnutí přijato v průměru za méně než n recenze.
Označujeme podle ( δ já , já= l, 2, ...) sled nul a jedniček odpovídajících absenci nebo přítomnosti značek v záblescích vytvořených v procesu detekce trajektorie:

pokud je na stroboskopu zapnutá značka já-th krok;

v opačném případě.

δ já =

Poměr pravděpodobnosti v kth průzkumu

,

logaritmem se zjednoduší:

.

Poté algoritmus detekce trajektorie pomocí Waldova kritéria

se sníží na přidání „váhy“ k součtu
pokud δ já= 1 a odečtením „hmotnosti“
pokud δ já= 0, a porovnání součtu na prahových hodnotách lnΛ H a lnΛ B.

V tomto případě je zisk ve srovnání s detektorem Neumann-Pearson přibližně E AZ = D AZ, a v době detekce falešné trajektorie
.

Ke zjednodušení detektorů trajektorie se však používají suboptimální algoritmy, například k / m. Při použití kritéria „4/5“ pro detekci trajektorie je tedy nutné, aby poté, co je trajektorie nastavena podle kritéria „2/2“, spadly do stroboskopu alespoň 2 další značky ve třech následujících průzkumech („ Kritérium potvrzení trajektorie 2 ze 3 ”). Detekovaná trajektorie je přenášena ke sledování. Pokud nedojde k potvrzení, trajektorie se resetuje.

Účinnost algoritmů automatického zachycování se vyznačuje:

Pravděpodobnost detekce skutečné trajektorie D AZ;

Pravděpodobnost detekce falešné trajektorie F AZ;

Průměrná doba automatického zachycení skutečné trajektorie T SR AZ;

Průměrná doba automatického zachycení falešné trajektorie T SR LZ.

Pro výpočet těchto charakteristik se používá aparát Markovových řetězců.

Aplikujme matematický aparát Markovových řetězců na analýzu zachycovacího zařízení (automatu) pracujícího podle následujícího algoritmu: trajektorie je nastavena podle kritéria „2/2“ a detekce je pevná, pokud značka zasáhne stroboskop v alespoň jednom z následujících tří pohledů po nastavení trajektorie (potvrzovací kritérium „1/3“). Kritérium detekce trajektorie lze tedy nazvat „2 + 1 z 5“, tj. „3 z 5“.

Předpokládáme, že vstup zachycovacího zařízení v příštím průzkumu obdrží „jedničku“, pokud cílová značka spadne do extrapolovaného stroboskopu, a „nulu“, pokud značka nespadá do tohoto stroboskopu.

Možné kombinace „nul“ a „jedniček“ během m skenovacích cyklů určují stav stroje. Sestavme tabulku stavů zachycovacího stroje pro kritérium „3 z 5“:
Stav č. Kombinace charakteristik „0“ a „1“

1 11 - trajektorie tie

3 111.1101.11001 - automatické uchopení

5 11000 - reset trajektorie
Na základě stavové tabulky je vytvořen graf, viz obr. 3. Uzly grafu označují stavy automatu. Nad okraji grafu jsou naznačeny pravděpodobnosti přechodu ze stavu do stavu a předpokládá se, že značka zasáhne stroboskop (na vstupu automatu se objeví „jednička“) s pravděpodobností R., a jeho absence ve stroboskopu (vzhled „nuly“ na vstupu stroje) - s pravděpodobností q.

Přechod systému ze stavu do stavu závisí na:

Z aktuálního stavu stroje,

Z aktuální vstupní akce („jedna“ nebo „nula“ na vstupu). V důsledku toho stavy automatu tvoří jednoduchý Markovův řetězec.

Vektor počátečních stavů (v našem případě po druhém přehledu, který určuje index) -

ukazuje to s pravděpodobností došlo k navázání trajektorie podle kritéria „2/2“ s pravděpodobností
v trajektorii nebyla žádná vazba, což odpovídá resetu trajektorie, a zbývající stavy automatu jsou na začátku třetího průzkumu nemožné.

Matici pravděpodobnosti přechodu lze snadno sestavit na základě grafu:

,

kde číslo řádku odpovídá číslu stavu, ze kterého automat přechází, a číslo sloupce udává stav, do kterého automat přechází.

Vektory stavu automatu můžete definovat v recenzích 3,4 a 5:

,

Atd.
Vypočtené stavové vektory pro 3,4 a 5 průzkumů mají tvar:

,
,
.
V tomto případě je součet pravděpodobností pro řádek roven jedné.

Třetí prvek vektoru stavu udává hodnotu pravděpodobnosti automatického zachycení trajektorie pro odpovídající počet skenovacích cyklů:

,

,

.

Protože R. existuje pravděpodobnost zasažení značky v blesku, pak svým vlastním způsobem fyzický smysl R. odpovídá pravděpodobnosti správné detekce cíle v automatickém zámku blesku D p, a q = 1- D Stránky Obrázek 4a ukazuje závislost pravděpodobnosti automatického chycení na počtu revizí pro různé pravděpodobnosti správné detekce ve stroboskopu D p. Je vidět, že s nárůstem počtu revizí pravděpodobnost automatického zachycení D AZ se zvyšuje a D AZ čím více, tím více D p.

Pravděpodobnost falešného autocapture je určena stejným poměrem, pouze s tím rozdílem R. existuje možnost falešného poplachu v blesku autocapture F p, a q = 1- F p.

Závislosti pravděpodobnosti falešného autocapture na počtu průzkumů při různých pravděpodobnostech falešných poplachů ve stroboskopu jsou znázorněny na obr. 4b.

Pravděpodobnosti D str a F str vypočteno podle vzorců:

D str =D ; F str =MF,

kde D a F- pravděpodobnost správné detekce a falešného poplachu v rozlišovacím prvku během primárního zpracování, M- počet prvků rozlišení ve stroboskopu.

D AZ (n) ve společnosti D str = 0,8
D AZ (n) ve společnosti D str = 0,9

F AZ (n) ve společnosti F stránka =

F AZ (n) ve společnosti F stránka =

Obr. 4, a obr. 4, b

Výše uvedená metoda pro stanovení výkonnostních charakteristik zařízení pro automatické zachycování pomocí matematického aparátu Markovových řetězců je přísnou analytickou metodou. Nevýhodou této metody jsou však těžkopádné výpočty při použití složitějších kritérií. Například zvýšení n vede ke zvýšení pořadí matic a operace s nimi jsou obtížné. V tomto případě je pro zvýšení matic na výkon a provádění dalších operací nutné použít počítač. Proto níže navrhujeme zjednodušenou metodu pro výpočet kvalitativních charakteristik autocapture, která umožňuje pomocí grafických konstrukcí zvážit proces autocapture v rovině náhodných procházek.

Proces autocapture budeme zvažovat za stejných předpokladů, tj. začátek autocapture se předpokládá jako dvě jednotky v řadě. Vzhled nul a jedniček v dalších krocích (skenovací cykly) by měl vést buď k překročení horního prahu „autocapture“, nebo dolního prahu „reset“. Mezi okamžiky vzniku kombinace „11“ a překročením horního nebo dolního prahu proces prochází v každém kroku do jednoho nebo jiného stavu. Protože výskyt nul a jedniček na vstupu zařízení je náhodný, je proces přechodu zařízení z jednoho stavu do druhého ekvivalentní náhodným „procházkám“. V tomto případě se rovině, na které se procházky konají, obvykle říká „rovina náhodných procházek“.

Trajektorii chůze procesu v rovině lze považovat za pohyb (procházku) nějakého bodu, který se obvykle nazývá „reprezentující“ bod. Celý proces automatického zachycení lze tedy znázornit graficky. Současně je výpočet výkonových charakteristik zařízení pro automatické zachycení značně zjednodušen a kompilace matic není v tomto případě vyžadována.

Obrázek 5 ukazuje graf náhodných procházek pro kritérium „3 ze 6“. Souřadnice ukazuje počty kroků (cykly opakování) a úsečka ukazuje počet nul v kombinaci.

Pohyb reprezentujícího bodu začíná od okamžiku, kdy se objeví dvě jednotky v řadě, pravděpodobnost tohoto stavu R. 2. Šipky označují možné směry pohybu reprezentujícího bodu, tj. přechody z jednoho stavu do druhého. Přechody ve směru nahoru svisle se vyskytují s pravděpodobností R., a diagonálně doprava a nahoru - s pravděpodobností q. Za předpokladu, že jsou jednotlivé stavy nezávislé, se vypočítají pravděpodobnosti nalezení bodu v každém ze stavů. K náhodným procházkám tohoto bodu dochází diskrétně v oblasti „nejistoty“, dokud se bod nenachází buď na horní přerušované čáře (stav „automatického zachycení“), nebo na dolní (stav „reset“), načež se pohyb reprezentativního bodu zastaví. Je vidět, že automatické zachycení může nastat ve třetím, čtvrtém, pátém a šestém kroku, zatímco se vypočítají pravděpodobnosti automatického zachycení ve 3. kroku (cyklus kontroly)
, ve 4. kroku
, v 5. kroku
a v 6. kroku
.

Vypočtené pravděpodobnosti automatického zachycení v konkrétním kroku nám umožňují určit, součtem, pravděpodobnosti automatického zachycení pro konečné číslo kroky. Je snadné zajistit, aby při použití kritéria „3 ze 6“ byla pravděpodobnost automatického zachycení ve 3 krocích (cyklus kontroly); ve čtyřech krocích
, v pěti krocích a nakonec v šesti krocích.

Pro výpočet pravděpodobnosti správného autocapture Das jako funkce počtu kroků stále uvažujeme p= D pp, q=1 - D stránku a vypočítat pravděpodobnost falešného autocapture F AZ přijímáme p= F pp, q=1 - F pp (za použití stejných poměrů).

Pro výpočet průměrného času automatického zachycení použijeme známý vzorec matematického očekávání:

,

kde jsou pravděpodobnosti P l(na konkrétní l-th step) musí splňovat podmínku normalizace:

,

ty. odpovídat celé skupině událostí.

Je snadné se ujistit, že autocapture událostí bylo provedeno l-th cyklus recenze "v l z k před m pro jakékoli kritérium tvaru „k z m“ netvoří úplnou skupinu. Proto je pro výpočet T nutné provést normalizaci. U kritéria automatického zachycení „k od m“ se normalizace provádí následovně:

Potom se pro kritérium „3 ze 6“ vypočítá průměrná doba automatického zachycení podle vzorce:

,
kde
.

Pro výpočet průměrného správného času automatického zachycení T Náhradník SR AZ p= D pp,

q=1 - D CTP a při výpočtu průměrného času falešného autocapture T SR LZ:

p= F pp, q=1 - F p.

Výsledky výpočtu pravděpodobností správné a falešné detekce trajektorie, jakož i průměrného času automatického chytání podle navržené metody pomocí „roviny náhodných procházek“ se zcela shodují s výpočtem založeným na použití aparátu diskrétních Markovské řetězy.

Sledování trajektorie .
Sledování trajektorií spočívá v nepřetržitém propojení značek nově získaných v příštím průzkumu s odpovídajícími trajektoriemi, vyhlazením souřadnic a vyhodnocením parametrů trajektorie cíle. Blokové schéma algoritmu pro sledování trajektorie je znázorněno na obr.

Nechte značky vybrat jako výsledek doprovodu. Na základě těchto výšek přijatých s chybami je nutné generovat data spojité trajektorie (vyhlazování nebo interpolace) a také určovat parametry trajektorie s nejmenší možnou chybou.

Trajektorie cíle je obvykle dána polynomem . Stupně (funkce vyhlazování) pro každou ze souřadnic (rozsah, azimut a nadmořská výška). Například pro souřadnici vzdálenosti:

,
jehož míra závisí na manévrovatelnosti cíle. Polynomické koeficienty
mít pocit dosahu r 0, rychlost PROTI r, zrychlení A r atd. předmětem hodnocení.
Odhad parametrů trajektorie lze provést metodou funkce maximální pravděpodobnosti, zatímco roli hluku hrají chyby souřadnicových měření, rozdělené normálně s nulovou střední hodnotou.

Funkce pravděpodobnosti pro vybrané značky
je určen n-dimenzionální Gaussova hustota pravděpodobnosti
.

Vezmeme logaritmus
a stanovení parciální derivace pro každou z odhadovaných hodnot
, je sestaven systém rovnic pravděpodobnosti:

Jedná se o zpracování radarových snímků z několika radarových informačních zdrojů. Je to nutné z následujících důvodů:

1. Zlepšení spolehlivosti detekce

2. Odstranění geometrických omezení procesu detekce. Skupinový cíl jako jeden cíl a doba detekce je poměrně krátká, pokud je radar umístěn na zemský povrch... Letecká obranná obrana pracuje s celou řadou různých typů cílů, od vesmírných cílů, nadmořské výšky, pak hlavic balistických raket, pak vzdušných cílů, řízených střel se ohýbají kolem profilu terénu a nakonec se jedná o takzvaná bezpilotní letadla .

3. Zlepšení kvality radarových snímků

Nechť radar1 poskytne informace x 1 1 (cíl č. 1 z radaru1). a radar2 poskytne informace x 2 1 (cíl č. 1 z radaru2). od té doby doba lokalizace pro jakoukoli radarovou stanici je odlišná; jsou na různých místech - existují chyby ve vazbě na polohu země; v algoritmech zpracování radarových dat jsou chyby.

Pokud existuje několik cílů: x 1 1, x 1 2, x 2 1, x 2 2, x 3 1, x 3 2, x 4 1, x 4 2, pak za účelem získání účinnosti z terciárního zpracování je nezbytné k vyřešení následujících úkolů:

1. Úkol redukovat na jednotný souřadnicový systém;

2. Úkol přivést do jednotného časového systému;

3. Problém identifikace (seskupování);

Zvažte řešení těchto problémů:

1. Redukce na jednotný souřadnicový systém.

Jeden z radarů je centrální. Musím vědět l- vzdálenost mezi radarem.

2. Přechod na systém s jediným časem.

t0 je počáteční čas. - lokalizační čas radaru1, - lokalizační čas radaru2; ... Používáme hypotézu uniformy přímý pohyb a definovat. Potom se z sníží na jeden souřadnicový systém a čas. Získáme dané značky, jedná se o sestavy, které obsahují souřadnice, parametry zrychlení, stav. příslušenství, cílové číslo atd. Vzhledem k výskytu chyb je nutné seskupování (rozpoznávání vzorů). Známky nikdy nebudou stejné, i když jsem se snažil. Chyba zůstane.

3. Problém s identifikací značky jsou řešeny ve dvou fázích:

1. hrubá identifikace

2. přesná identifikace

Hrubá identifikace.

Řešení problému je založeno na předpokladu, že zprávy (formuláře) o stejném cíli z různých radarů by měly mít stejné komponenty:

Je zavedena podmínka: (definována jako vektor přípustných odchylek pro všechny složky, k = 1,2,3 (koeficient)).

k určuje pravděpodobnost přijetí hypotézy:

hypotéza 1: nesoulad forem kvůli jejich rozdílu;

hypotéza 2: nesrovnalosti způsobené chybami;

Hypotéza 1: Chyby převodu v přednáškách

hypotéza 2: Různé cíle v přednášce

Pokud hypotéza 1 vyhovuje, pokud hypotéza 2 nesplňuje atd. Pro každou souřadnici, rychlost, obecně pro všechny složky. Vytvoří se delta přípustný vektor. Problém výběru delty je kontroverzní. Pokud jsou deltám přiřazeny velké, pak mohou být značky z různých cílů seskupeny nebo identifikovány, a pokud jsou malé, značky patřící ke stejným cílům budou přeskočeny. Normální zákon chyb. Pokud použijeme vzorec k určení delty, pak se ukáže, že objednáme oblak značek, vybereme nějaké značky, ale zůstane velká sada značek, které budou samy o sobě. Problém hrubé identifikace je bla bla =)

Rozměr značek se zmenšuje a vyvstává potřeba přesné identifikace.

Přesná identifikace.

Dynamika změn souřadnic letecké situace vede k použití heuristických pravidel:

Pravidlo 1. Pokud v oblasti přípustných odchylek obdržely značky z jednoho radaru, pak se počet cílů rovná počtu značek. Pravidlo je považováno za spravedlivé, protože jedna a tatáž radarová stanice nemůže vydat několik značek od stejného cíle současně.

Pravidlo 2. Pokud je v oblasti přípustných odchylek od jakéhokoli radaru přijata jedna značka, pak se má za to, že patří ke stejnému cíli. Pravidlo je považováno za spravedlivé, protože je nepravděpodobné, že by radarová stanice byla schopna vidět své cíle a nevidět ostatní.

Pravidlo 3. Pokud je z jakéhokoli radaru obdržen stejný počet značek, pak je zřejmé, že počet cílů se rovná počtu bodů obdržených z jednoho radaru. Toto pravidlo je považováno za spravedlivé, protože je nepravděpodobné, že by radar viděl pouze své vlastní značky a neviděl cíl, který je pozorován sousedním radarem.

Pravidlo 4. Pokud z několika radarů obdržel ne stejný počet značek, pak se předpokládá, že radar, který udává maximální počet značek, určuje nejpravděpodobnější obraz o vzdušné situaci.

Pravidlo 1:

Cíle nelze seskupit.

Předmluva k ruskému vydání
Předmluva redaktora
Úvodní slovo
Seznam použitých symbolů
Kapitola 1 Úvod
1.1. Digitální zpracování informací v radaru
1.1.1. Radarová klasifikace
1.1.2. Obecná informace o funkčních prvcích radaru
1.1.3. Zásady konstrukce radaru se sledováním v režimu recenze
1.2. Zpracování dat v radaru s fázovaným polem
1.2.1. PAR s elektronickým skenováním
1.2.2. Použití fázovaného pole v radaru
1.2.3. Ovladač
1.2.4. Sledování cílů pomocí PAR
1.3. Zpracování dat v radarových sítích
1.3.1. Příklady radarových sítí
1.3.2. Metody zpracování dat
1.3.3. Radary on-off a on-off radar
1.4. Doprovodné filtry
1.4.1. Obecná ustanovení teorie systémů
1.4.2. Teorie statistického filtrování
1.4.3. Aplikace filtrační teorie
1.5. Aplikace systémů TSORI v radaru
1.5.1. Příklady aplikace TSORI
1.6. Závěr
Kapitola 2. Matematický aparát teorie odhadů a filtrování
2.1. Úvod do teorie gradingu
2.1.1. Historie problému
2.1.2. Základní definice
2.1.3. Klasifikace problémů hodnocení
2.1.4. Test nejmenších čtverců
2.1.5. Kritérium minimální střední kvadratické chyby
2.1.6. Kritérium maximální pravděpodobnosti
2.1.7. Test maximální zadní pravděpodobnosti (Bayesovský test)
2.2. Podrobné zvážení odhadu kritériem minimální střední kvadratické chyby v parametrických problémech
2.2.1. Společné rozhodnutí problémy s odhadem pomocí kritéria minimální střední kvadratické chyby
2.2.2. Lineární odhad podle kritéria minimální střední kvadratické chyby
2.3. Odhad podle kritéria minimální střední kvadratické chyby v dynamických problémech
2.3.1. Systémové modely
2.3.2. Filtrování, extrapolace a vyhlazování
2.3.3. Lineární extrapolace a filtrování při odhadu podle kritéria minimální střední kvadratické chyby
2.4. Kalmanova filtrace
2.4.1. Diskrétní Kalmanův filtr a extrapolátor
2.4.2. Numerický příklad
2.4.3. Stacionární provoz Kalmanova filtru
2.5. Adaptivní filtrování
2.5.1. Úvod
2.5.2. Citlivost a divergence Kalmanova filtru
2.5.3. Bayesovské metody adaptivního filtrování
2.5.4. Suboptimální nebayesovské adaptivní filtry
2.6. Nelineární filtrování
2.6.1. Úvod
2.6.2. Rozšířený Kalmanův filtr
2.6.3. Jiné metody neoptimálního filtrování
2.7. Závěr
Kapitola 3. Systém sledování cílů v režimu kontroly
3.1. Úvod
3.2. Zásady budování SCRO systémů
3.2.1. Struktura datového souboru
3.2.2. Tvorba a aktualizace mapy odrazů od místních objektů
3.3. Matematické modely trajektorie senzoru a cíle
3.3.1. Souřadnicový systém
3.3.2. Radarová měření
3.3.3. Cílový model
3.4. Doprovodné filtry
3.4.1. Aplikace Kalmanova algoritmu
3.4.2. a-b-algoritmus
3.4.3. Dvourozměrný problém
3.4.4. Adaptivní způsob sledování manévrovací cíl
3.5. Zachyťte převýšení na cesty
3.5.1. Algoritmy pro odpovídající a vazba vyvýšení na trajektorie
3.5.2. Korelační tvar a velikost stroboskopu
3.6. Metody vazby trajektorie
3.6.1. Charakteristika algoritmů vazby trajektorie
3.6.2. Metoda posuvného okna
3.6.3. Příklad použití algoritmu
3.6.4. Tvar a velikost trajektorie spojovacích bran
3.7. Závěr
Kapitola 4. Algoritmy údržby
4.1. Úvod
4.2. Hlavní vlastnosti základního sledovacího filtru
4.2.1. Zpěvákův přístup
4.2.2. Polomarkovský přístup
4.2.3. Nelineární filtrování radarových naměřených dat
4.3. Adaptivní filtrování při sledování manévrovacího cíle
4.3.1. Algoritmus detekce manévru
4.3.2. Způsoby implementace přizpůsobivosti
4.4. Filtrace v podmínkách odlesků od místních objektů
4.4.1. Optimální bayesovský přístup
4.4.2. Suboptimální algoritmy
4.4.3. Společná optimalizace zpracování signálu a radaru
4.5. Filtrování s více cíli
4.5.1. Případ dvou protínajících se trajektorií
4.5.2. Optimální a suboptimální sledovací filtry
4.5.3. Doprovod skupinového cíle (pořadí bitvy)
4.6. Navádění pomocí měření radiální rychlosti
4.6.1. Sledování jediného cíle bez rušení
4.6.2. Sledování jednoho cíle na pozadí odrazů od místních objektů
4.6.3. Případ dvou protínajících se trajektorií
4.6.4. Lineární zpracování měření radiální rychlosti
4.7. Aktivní sledování pomocí fázovaného pole
4.7.1. Adaptivní řízení rychlosti aktualizace trajektorie
4.7.2. Sledování více cílů pomocí překrývajících se pulzních sledů
4.8. Bistatické sledovací systémy
4.8.1. Údržba filtrační struktury
4.8.2. Srovnávací analýza monostatického a bistatického radaru
4.9. Závěr
Bibliografie
Seznam děl přeložených do ruštiny
Přidání. Nové metody zpracování informací ve stavovém prostoru na základě teorie odhadu (Yuriev A.N., Bochkarev L.M.)
D.1. Obecné problémy s filtrováním a klasifikací
D 2. Detekce a diskriminace cílových trajektorií
D.Z. Sledování manévrovacího cíle
D.4. Doprovod více cílů
D.5. Sledování cílů pomocí více senzorů
Odkazy na dodatek

Úvod

Hlavním úkolem radaru je shromažďovat a zpracovávat informace o znělých objektech. Jak víte, ve vícepolohových pozemních radarech je veškeré zpracování radarových informací rozděleno do tří fází.

Primární zpracování spočívá v detekci cílového signálu a měření jeho souřadnic s odpovídající kvalitou nebo chybami.

Sekundární zpracování zajišťuje určování parametrů trajektorie každého cíle na základě signálů z jedné nebo několika pozic MRLS, včetně operací identifikace cílových značek.

V terciární zpracování parametry trajektorií cílů získané různými přijímači MPRS jsou kombinovány s identifikací trajektorií.

Proto je velmi důležité zvážit podstatu všech typů zpracování radarových informací.

Abychom dosáhli našich cílů, zvažte následující otázky:

1. Primární zpracování radarových informací.

2. Sekundární zpracování radarových informací.

3. Terciární zpracování radarových informací.

Tento tutoriál najdete v následujících zdrojích:

1. Bakulev P.A. Radarové systémy: Učebnice pro univerzity. - M.:

Radiotechnika, 2004.

2. Belotserkovsky G.B. Základy radaru a radaru

zařízení. - M.: Sovětský rozhlas, 1975.

1. Primární zpracování radarových informací

K automatizaci procesů správy letectví musíte mít

komplexní a průběžně aktualizované informace o souřadnicích a vlastnostech vzdušným cílům. Tyto informace v automatizovaných řídicích systémech (ACS) se získávají pomocí prostředků obsažených v subsystému pro sběr a zpracování radarových informací (RLI), jmenovitě: stanoviště a zpracovatelská střediska pro RLI, palubní radarové hlídkové a naváděcí systémy. Hlavním způsobem získávání informací o vzdušných cílech jsou radary. Nazývá se proces získávání informací o objektech v zóně viditelnosti radaru zpracovává se RLI.

Takové zpracování umožňuje získání dat o souřadnicích cíle, parametrech jeho trajektorie, času polohy atd. Soubor informací o cíli se běžně nazývá označit... Složení značek kromě výše uvedených údajů může zahrnovat informace o cílovém čísle, jeho národnosti, množství, typu, důležitosti atd.

Signály, které nesou informace nezbytné pro operátora, se nazývají užitečné, ale zpravidla jsou do nich nutně zasahovány a zkreslují informace. V tomto ohledu v procesu zpracování vznikají úkoly získávání užitečných signálů a získávání potřebných informací za přítomnosti interference.

Zpracování informací je založeno na existenci rozdílu mezi užitečným signálem a interferencí. Celý proces zpracování radarového obrazu lze rozdělit do tří hlavních fází: primární, sekundární a terciární zpracování.

Ve fázi primární zpracování RLI cíl je detekován a jeho souřadnice jsou určeny. Primární zpracování se provádí po jednom, ale častěji v několika přilehlých pásmech. To stačí k detekci cíle a určení jeho souřadnic. Primárním zpracováním radarových dat je tedy zpracování informací za jedno období radarového průzkumu. Primární zpracování radarových snímků zahrnuje:

Detekce užitečného signálu v šumu;

Určení souřadnic cíle;

Kódování cílových souřadnic;

Přiřazení čísel cílům.

Donedávna tento problém řešil operátor radaru. V současné době však lidský operátor v reálných podmínkách sledování pomocí indikátorů pro mnoho cílů pohybujících se vysokou rychlostí není schopen posoudit rozmanitost vzdušné situace pouze pomocí vizuální metody. V tomto ohledu nastal problém přenosu části nebo všech funkcí osoby - operátora při zpracování radarových snímků do výpočetních zařízení, která byla vytvořena v zařízeních ACS letectvím.

Primární zpracování RLI začíná detekcí užitečného signálu v šumu. Tento proces se skládá z několika fází:

Detekce jednoho signálu;

Detekce roztržení signálu;

Vytvoření kompletního signálního balíčku;

Určení dosahu k cíli a jeho azimutu.

Všechny tyto fáze jsou implementovány pomocí optimálních algoritmů založených na kritériích minima rozhodovacích chyb a výsledků měření.

Operace prováděné během primárního zpracování tedy mohou být prováděny radarem nezávisle.