Prelucrarea terțiară a informațiilor radar Pdf. Prelucrarea informațiilor radar

Volkova G.A.

CERCETAREA ALGORITMELOR DE PRELUCRARE SECUNDARĂ A INFORMAȚIILOR RADAR

Caiet de lucru de laborator

PROCESAREA SECUNDARĂ

INFORMAȚII RADAR.

Introducere
Prelucrarea informațiilor radar este împărțită în primar și secundar. Dispozitivul principal de procesare rezolvă problema detectării și măsurării coordonatelor (interval, azimut și elevație) ale poziției instantanee a țintei față de radar în fiecare perioadă a sondajului.

Coordonatele poziției instantanee atât a țintelor adevărate, cât și a celor false în formă digitală sunt trimise către dispozitivul de procesare secundar, în care, pe baza lor, se determină locația fiecărei ținte detectate în sistemul de coordonate selectat, ca urmare a căruia se marchează sunt formate NS care poate fi adevărat și fals. marcă- un set de coduri pentru interval, azimut și elevație la un anumit moment discret în timp.

O notă obținută în orice sondaj nu ne permite să luăm o decizie cu privire la prezența unei ținte în zona de vizionare, deoarece ar putea fi falsă, nu poate fi utilizată pentru a judeca traiectoria țintei.

În procesorul secundar pe baza notelor obținute în n recenzii învecinate, sunt rezolvate următoarele sarcini principale:

Detectarea traiectoriei țintei,

Urmărirea traiectoriilor țintă,

Calculele traiectoriei în interesul consumatorilor de informații radar.

Aceste sarcini includ estimarea parametrilor traiectoriei, specificate de obicei printr-o funcție vectorială, calcularea coordonatelor netezite (interpolate) și previzionate (extrapolate) și marcarea țintelor. Prelucrarea informațiilor secundare se efectuează automat folosind un computer digital.

Să luăm în considerare una dintre modalitățile de a bloca automat traiectoria țintei folosind exemplul unui radar cu două coordonate. Lăsați coordonatele țintei detectate să fie transmise de la dispozitivul de procesare primar și să se formeze un semn X 1 care nu aparține niciunei traiectorii urmărite anterior. Această marcă este luată ca marcă de pornire a traiectoriei țintă. Deoarece radarul este conceput pentru a urmări obiecte dintr-o anumită clasă (de exemplu, aeronave), minimul V min și maxim V m a x viteza țintă. Prin urmare, putem evidenția zona S 2 sub forma unui inel cu un centru la primul punct și cu raze R min = V min T recenzie și R m a x = V m a x T prezentare generală, în cadrul căreia ținta poate fi în următoarea prezentare generală, a se vedea Figura 1. Operația de formare a unei zone se numește stroboscop, iar zona în sine este numită stroboscop.

Dacă stroboscopul S 2 a doua vizualizare atinge semnul X 2, atunci traiectoria este conectată și, dacă există mai multe astfel de semne, atunci fiecare dintre ele este considerată ca o posibilă continuare a traiectoriei. Dacă stroboscopul nu atinge niciun semn, atunci are loc o resetare. Criteriul legăturii traiectoriei în acest caz este „2/2”.

Cele două semne pot fi utilizate pentru a determina direcția de mișcare și viteza medie scopuri
, apoi calculați poziția posibilă a marcajului în următorul (al treilea) sondaj. Determinarea poziției marcajului în următoarea imagine de ansamblu se numește extrapolare.

În etapa de blocare automată a traiectoriei, este acceptată cea mai simplă ipoteză despre mișcarea rectilinie și uniformă a țintei. Valorile coordonatelor extrapolate sunt calculate utilizând formula:

.

În jurul marcajului extrapolat se formează un stroboscop circular S 3, ale cărui dimensiuni sunt determinate de erorile de măsurare a poziției marcajului țintă
și erori în calcularea poziției marcajului extrapolat
:

Faptul că următoarea notă primită atinge stroboscopul este verificat prin compararea diferenței de coordonate obținute X eu și extrapolat X NS eu mărci cu dimensiuni pe jumătate de stroboscop:

.

Dacă stroboscopul S 3 în cel de-al treilea sondaj, un punct a fost lovit, se consideră că aparține traiectoriei detectate. Procesul continuă. Dacă niciun semn nu cade în stroboscop, atunci traiectoria continuă de-a lungul marcajului extrapolat, dar stroboscopul crește în dimensiune.

Când este detectată traiectoria unui obiect de manevră, dimensiunile porților trebuie calculate ținând seama de posibila manevră. Mărimea stroboscopului afectează direct performanța de detectare a traiectoriei. Creșterea acestuia duce la o creștere a numărului de semne false în stroboscop, ca urmare, probabilitatea de detectare falsă crește. F AZ. Reducerea dimensiunii stroboscopului poate duce la pierderea semnului adevărat în stroboscop, reducând astfel probabilitatea unei detectări corecte. D AZ.

Cu o distribuție gaussiană a erorilor de măsurare a coordonatelor și a erorilor de extrapolare, pentru a asigura probabilitatea specificată de a atinge un semn în poartă, forma acestuia trebuie să coincidă cu elipsa de eroare; când traiectoria este detectată în spațiul stroboscopic - elipsoid de eroare... Cu toate acestea, formarea unor astfel de porți este asociată cu costuri de calcul ridicate și, în practică, acestea se limitează la formarea porților de o astfel de formă, ceea ce este convenabil pentru calculele din sistemul de coordonate adoptat. În acest caz, stroboscopul generat trebuie să acopere elipsa de eroare (elipsoid).

Traiectoria este considerată găsită dacă este îndeplinit criteriul de detectare. Diagrama bloc a algoritmului de captare automată a traiectoriei este prezentată în Fig. 2, săgețile aldine arată liniile de comunicație prin care informațiile sunt transmise sub formă de coduri, restul liniilor de comunicație transmit „zerouri” și „unele” corespunzătoare absența și prezența unui semn în stroboscop în eu - a treia recenzie.

Detectarea (captarea automată) a traiectoriilor.
Procesul de detectare a traiectoriei (auto-captare) este în esență un proces de testare a ipotezelor H 1 că setul de note obținute în sondajele învecinate este traiectoria țintei, relativă la ipoteza H0, că toate aceste semne au apărut ca urmare a unei alarme false.

Atunci când traiectorii de captare automată sunt folosite criteriile Neumann-Pearson, Bayesian și Wald. Algoritmul de captare automată poate fi obținut prin metoda raportului de probabilitate. De exemplu, atunci când se utilizează criteriul Bayes, procedura optimă de autocaptură este redusă la formarea raportului de probabilitate Λ și compararea acestuia cu pragul Λ 0:

Unde
și
- distribuția densității articulare a mărcilor cu condiția ca ipotezele să fie adevărate H 1 și H 0 respectiv.

P 0 și P 1 - probabilități a priori ale absenței și prezenței unei traiectorii, respectiv,

CU 01 și CU 10 - costul erorilor: captarea falsă a traiectoriei și respectiv săritura traiectoriei.

Costurile deciziilor corecte sunt luate egal cu zero. În acest caz, valoarea riscului mediu este minimizată, unde F AZ și D AZ - probabilități de blocare automată falsă și, respectiv, blocare automată corectă a traiectoriei țintă.

Câștiguri mari în timpul autocapturii sunt obținute utilizând analiza secvențială (criteriul lui Wald), atunci când raportul de probabilitate este format ca fiecare eu-al doilea punct și este comparat cu două praguri:
și
:
.
Dacă se depășește pragul superior, se ia o decizie d 1 - traiectorie găsită; dacă  este mai mic decât pragul inferior, atunci se ia o decizie d 0 - traiectoria nu a fost găsită. Dacă
,
apoi se ia o decizie d privind continuarea testării: în curs (i + 1) a treia revizuire și procedura descrisă se repetă. În acest caz, decizia se ia în medie în mai puțin de n recenzii.
Notăm prin ( δ eu , eu= l, 2, ...) o succesiune de zerouri și unele corespunzătoare absenței sau prezenței semnelor în stroboscopii formate în procesul de detectare a traiectoriei:

dacă există un semn în stroboscop pe eu-al treilea pas;

in caz contrar.

δ eu =

Raportul de probabilitate în al zecelea sondaj

,

luând logaritmul este simplificat:

.

Apoi algoritmul de detectare a traiectoriei folosind criteriul Wald

se reduce la adăugarea „greutății” la sumă
dacă δ eu= 1 și scăderea „greutății”
dacă δ eu= 0 și comparând suma la pragurile lnΛ H și lnΛ B.

În acest caz, câștigul în comparație cu detectorul Neumann-Pearson este de aproximativ e AZ = D AZ și în momentul detectării unei traiectorii false
.

Cu toate acestea, pentru a simplifica detectoarele de traiectorie, se utilizează algoritmi sub-optimi, de exemplu, k / m. Deci, atunci când se utilizează criteriul „4/5” pentru detectarea traiectoriei, este necesar ca după stabilirea traiectoriei în conformitate cu criteriul „2/2”, cel puțin încă 2 semne în cele trei sondaje ulterioare să cadă în stroboscop („ Criteriul de confirmare a traiectoriei 2 din 3 ”). Traiectoria detectată este transmisă pentru urmărire. Dacă nu apare nicio confirmare, traiectoria este resetată.

Eficiența algoritmilor de captare automată se caracterizează prin:

Probabilitatea de detectare a traiectoriei adevărate D AZ;

Probabilitate de detectare a traiectoriei false F AZ;

Timpul mediu de captare automată a traiectoriei adevărate T SR AZ;

Timpul mediu de captare automată a traiectoriei false T SR LZ.

Pentru a calcula aceste caracteristici, se folosește aparatul lanțurilor Markov.

Să aplicăm aparatul matematic al lanțurilor Markov la analiza unui dispozitiv de captură (automat) care funcționează conform următorului algoritm: traiectoria este setată conform criteriului „2/2”, iar detectarea este fixă ​​dacă marca lovește stroboscop în cel puțin una dintre următoarele trei vizualizări după stabilirea traiectoriei (criteriul de confirmare „1/3”). Astfel, criteriul de detectare a traiectoriei poate fi numit „2 + 1 din 5”, adică „3 din 5”.

Considerăm că intrarea dispozitivului de captură în următorul sondaj primește un „unu” dacă marca țintă cade în stroboscopul extrapolat și „zero” dacă marca nu se încadrează în acest stroboscop.

Combinațiile posibile de „zerouri” și „unele” în timpul ciclurilor de scanare m determină starea mașinii. Să alcătuim un tabel cu stări ale mașinii de captură pentru criteriul „3 din 5”:
Stare Nr. Combinație "0" și "1" stări caracteristice

1 11 - egalitate traiectorie

3 111.1101.11001 - apucare automată

5 11000 - resetare traiectorie
Un grafic este construit conform tabelului de stare, vezi fig. 3. Nodurile graficului indică stările automatului. Deasupra marginilor grafului sunt indicate probabilitățile de tranziție de la stare la stare și se presupune că marca lovește stroboscopul (apariția unui „unu” la intrarea automatului) are loc cu probabilitatea R, și absența sa în stroboscop (apariția unui "zero" la intrarea mașinii) - cu probabilitatea q.

Trecerea sistemului de la stat la stat depinde de:

Din starea mașinii în acest moment,

Din acțiunea de intrare curentă („unu” sau „zero” la intrare). În consecință, stările automatului formează un simplu lanț Markov.

Vectorul stărilor inițiale (în cazul nostru, după a doua revizuire, care determină indexul) -

arată că cu probabilitate a existat o corelare a traiectoriei conform criteriului „2/2”, cu o probabilitate
nu a existat nicio legătură în traiectorie, care corespunde resetării traiectoriei, iar stările rămase ale automatului sunt imposibile până la începutul celui de-al treilea sondaj.

Matricea probabilității de tranziție este ușor compilată pe baza graficului:

,

unde numărul liniei corespunde numărului stării din care trece automatul, iar numărul coloanei indică starea în care trece automatul.

Puteți defini vectorii de stare ai automatului în 3,4 și 5 recenzii:

,

Etc.
Vectorii de stare calculați pentru 3, 4 și 5 anchete au forma:

,
,
.
În acest caz, suma probabilităților pentru rând este egală cu una.

Al treilea element al vectorului de stare oferă valoarea probabilității de a captura automat traiectoria pentru numărul corespunzător de cicluri de scanare:

,

,

.

În măsura în care R există probabilitatea de a atinge semnul în stroboscop, apoi în felul său simț fizic R corespunde probabilității de detectare corectă a țintei în stroboscopul auto-blocare D p și q = 1- D Pagini. Figura 4a prezintă dependența probabilității de captare automată de numărul de revizuire pentru diferite probabilități de detectare corectă în stroboscop. D p. Se poate observa că odată cu creșterea numărului de revizuire, probabilitatea autocapturii D AZ crește și D AZ cu cât mai mult, cu atât mai mult D p.

Probabilitatea unei autocapturi false este determinată de același raport, cu singura diferență că R există posibilitatea unei alarme false în stroboscopul autocapturii F p și q = 1- F p.

Dependențele probabilității unei autocapturi false de numărul sondajului la diferite probabilități de alarme false în stroboscop sunt prezentate în Fig. 4b.

Probabilități D pp și F pp calculat după formulele:

D pp =D ; F pp =MF,

Unde Dși F- probabilitatea de detectare corectă și alarmă falsă în elementul de rezoluție în timpul procesării primare, M- numărul de elemente de rezoluție din stroboscop.

D AZ (n) la D str = 0,8
D AZ (n) la D str = 0,9

F AZ (n) la F pagină =

F AZ (n) la F pagină =

Fig. 4, a Fig. 4, b

Metoda de mai sus pentru determinarea caracteristicilor de performanță ale unui dispozitiv de captură automată utilizând aparatul matematic al lanțurilor Markov este o metodă analitică riguroasă. Cu toate acestea, dezavantajul acestei metode îl reprezintă calculele greoaie atunci când se utilizează criterii mai complexe. Deci, de exemplu, o creștere în n duce la o creștere a ordinii matricilor, iar operațiile cu ele devin dificile. În acest caz, pentru a ridica matricile la o putere și a efectua alte operații, este necesar să utilizați un computer. Prin urmare, mai jos propunem o metodă simplificată pentru calcularea caracteristicilor de calitate ale autocapturii, care permite utilizarea construcțiilor grafice pentru a lua în considerare procesul de autocaptură pe planul mersurilor aleatorii.

Vom lua în considerare procesul de captură automată sub aceleași ipoteze, adică începutul autocapturii se presupune a fi două unități la rând. Apariția zero-urilor și a unora în următorii pași (cicluri de scanare) ar trebui să ducă fie la trecerea pragului superior „captură automată”, fie a pragului inferior „resetare”. Între momentele apariției combinației „11” și trecerea pragului superior sau inferior, procesul trece la fiecare pas într-una sau alta stare. Deoarece apariția zerourilor și a celor la intrarea dispozitivului este aleatorie, procesul de tranziție al dispozitivului de la o stare la alta este echivalent cu „mersul” aleatoriu. În acest caz, planul pe care au loc plimbările se numește de obicei „planul plimbărilor aleatorii”.

Traiectoria unei plimbări a unui proces pe un plan poate fi considerată ca o mișcare (plimbare) a unui punct, care se numește de obicei un punct „reprezentativ”. Astfel, întregul proces de captură automată poate fi reprezentat grafic. În același timp, calculul caracteristicilor de performanță ale dispozitivului de captură automată este mult simplificat, iar compilarea matricilor nu este necesară în acest caz.

Figura 5 prezintă un grafic al mersurilor aleatorii pentru criteriul „3 din 6”. Ordonata arată numărul de pași (cicluri de revizuire), iar abscisa arată numărul de zerouri din combinație.

Mișcarea punctului reprezentativ începe din momentul în care două unități apar la rând, probabilitatea acestei stări R 2. Săgețile indică direcțiile posibile de mișcare ale punctului reprezentativ, adică tranziții de la o stare la alta. Tranzițiile în direcția ascendentă vertical se produc cu o probabilitate R, și în diagonală spre dreapta și în sus - cu probabilitatea q. Presupunând că statele individuale sunt independente, se calculează probabilitățile de a găsi un punct în fiecare dintre stări. Mersurile aleatorii ale acestui punct apar discret în regiunea „incertitudinii” până când punctul se află fie pe linia întreruptă superioară (starea „captură automată”), fie pe cea inferioară (starea „resetare”), după care mișcarea punctului reprezentativ se oprește. Se poate observa că autocaptura poate avea loc la treilea, al patrulea, al cincilea și al șaselea pas, în timp ce probabilitățile de captare automată la al treilea pas (ciclul de revizuire) sunt calculate
, la pasul 4
, la pasul 5
iar la pasul 6
.

Probabilitățile calculate de captură automată la un anumit pas ne permit să determinăm, prin însumare, probabilitățile de captare automată pentru număr finit pași. Este ușor să vă asigurați că, atunci când utilizați criteriul „3 din 6”, probabilitatea autocapturii în 3 pași (ciclul de revizuire); în patru pași
, în cinci pași și, în cele din urmă, în șase pași.

Pentru a calcula probabilitatea unei autocapturi corecte Das în funcție de numărul de pași, încă luăm în considerare p= D pp, q=1 - D pagină și pentru a calcula probabilitatea unei autocapturi false F AZ acceptăm p= F pp, q=1 - F pp (folosind aceleași rapoarte).

Pentru a calcula timpul mediu de captare automată, vom folosi formula binecunoscută așteptării matematice:

,

unde sunt probabilitățile P l(pe un anumit l-al treilea pas) trebuie să îndeplinească condiția de normalizare:

,

acestea. potriviți întregul grup de evenimente.

Este ușor să vă asigurați că a fost efectuată "captura automată a evenimentelor l-al ciclu de revizuire "la l din k inainte de m pentru orice criteriu al formei "k din m" nu formați un grup complet. Prin urmare, pentru a calcula T, este necesar să se efectueze normalizarea. Pentru criteriul de captură automată "k de la m", normalizarea se realizează după cum urmează:

Apoi pentru criteriul „3 din 6” timpul mediu de captură automată este calculat prin formula:

,
Unde
.

Pentru a calcula timpul mediu corect de captare automată TÎnlocuitor SR AZ p= D pp,

q=1 - D CTP și la calcularea timpului mediu de autocaptură falsă T SR LZ:

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

Rezultatele calculării probabilităților de detectare corectă și falsă a traiectoriei, precum și timpul mediu de captare automată conform metodei propuse utilizând „planul mersurilor aleatorii” coincid complet cu calculul bazat pe utilizarea aparatului de discrete. Lanțuri Markov.

Urmărirea traiectoriei .
Urmărirea traiectoriilor constă în legarea continuă a notelor nou obținute în următorul sondaj de traiectorii corespunzătoare, netezirea coordonatelor și evaluarea parametrilor traiectoriei țintei. Diagrama bloc a algoritmului de urmărire a traiectoriei este prezentată în Fig. 8.

Lăsați marcajele să fie selectate ca urmare a acompaniamentului. Pe baza acestor cote primite cu erori, este necesar să se genereze date de traiectorie continuă (netezire sau interpolare) și, de asemenea, să se determine parametrii traiectoriei cu cea mai mică eroare posibilă.

De obicei, traiectoria țintei este dată de un polinom de gradul  (funcție de netezire) pentru fiecare dintre coordonatele (interval, azimut și elevație). De exemplu, pentru coordonata distanței:

,
al cărui grad depinde de manevrabilitatea țintei. Coeficienți polinomiali
interval semnificativ r 0, viteza V r, accelerație A r etc. supus evaluării.
Estimarea parametrilor traiectoriei se poate face prin metoda funcției de maximă probabilitate, în timp ce rolul zgomotului este jucat de erorile măsurătorilor de coordonate, distribuite în mod normal cu o valoare medie zero.

Funcția de probabilitate pentru mărcile selectate
este determinat n-densitatea de probabilitate gaussiană dimensională
.

Luând un logaritm
și determinarea derivatei parțiale pentru fiecare dintre valorile estimate
, este compilat un sistem de ecuații de probabilitate:

Aceasta este prelucrarea imaginilor radar din mai multe surse de informații radar. Este necesar din următoarele motive:

1. Îmbunătățirea fiabilității detectării

2. Eliminarea constrângerilor geometrice asupra procesului de detectare. O țintă de grup ca una singură și timpul de detectare este destul de scurt dacă radarul este amplasat suprafața pământului... Apărarea aerospațială funcționează cu o gamă întreagă de diferite tipuri de ținte, variind de la ținte spațiale, altitudine, apoi focoasele rachetelor balistice, apoi țintele aeriene, rachetele de croazieră se îndoaie în jurul profilului terenului și, în cele din urmă, acestea sunt așa-numitele vehicule aeriene fără pilot .

3. Îmbunătățirea calității imaginilor radar

Să radar1 să ofere informații x 1 1 (ținta # 1 din radar1). iar radar2 va da informații x 2 1 (ținta # 1 din radar2). de cand timpul de localizare pentru orice stație radar este diferit; sunt în locuri diferite - există erori de legare la poziția solului; există erori în algoritmii de prelucrare a datelor radar.

Dacă există mai multe obiective: x 1 1, x 1 2, x 2 1, x 2 2, x 3 1, x 3 2, x 4 1, x 4 2, atunci pentru a obține eficiență din procesarea terțiară, este necesare pentru rezolvarea următoarelor sarcini:

1. Sarcina de a reduce la un sistem de coordonate unificat;

2. Sarcina de a aduce la un sistem de timp unificat;

3. Problema identificării (grupării);

Luați în considerare soluția la aceste probleme:

1. Reducerea la un sistem de coordonate unificat.

Unul dintre radare este central. Trebuie să știu l- distanța dintre radar.

2. Aducerea la un singur sistem de timp.

t0 este ora de început. - timpul de localizare al radar1, - timpul de localizare al radar2; ... Folosim ipoteza uniformei mișcare dreaptăși definește. Apoi de la se reduce la un singur sistem de coordonate și timp. Obținem notele date, acestea sunt rapoarte, care includ coordonate, parametri de accelerație, stare. accesorii, număr țintă etc. Datorită apariției erorilor, este necesară gruparea (recunoașterea tiparului). Marcajele nu vor fi niciodată egale, deși am încercat. Eroarea va rămâne.

3. Problemă de identificare notele sunt rezolvate în două etape:

1. identificarea brută

2. identificare exactă

Identificare dură.

Soluția problemei se bazează pe presupunerea că rapoartele (formularele) despre aceeași țintă de la radare diferite ar trebui să aibă aceleași componente:

Se introduce condiția: (definit ca un vector al abaterilor admisibile pentru toate componentele, k = 1,2,3 (coeficient)).

k determină probabilitatea de a accepta ipoteza:

ipoteza 1: nepotrivirea formelor datorită diferenței lor;

ipoteza 2: discrepanța datorată erorilor;

Ipoteza 1: erori de conversie la prelegeri

ipoteza 2: Obiective diferite în cadrul prelegerii

Dacă îndeplinește ipoteza 1, dacă nu, ipoteza 2. Și așa mai departe pentru fiecare coordonată, viteza, în general pentru toate componentele. Se formează un vector admisibil delta. Problema selecției delta este controversată. Dacă deltele sunt atribuite mari, atunci marcajele de la diferite ținte pot fi grupate sau identificate, iar dacă sunt mici, marcajele care aparțin acelorași ținte vor fi omise. Legea normală a erorilor. Dacă folosim formula pentru a determina delta, atunci se dovedește că vom comanda norul de semne, vom selecta câteva semne, dar va exista un set mare de semne care vor fi pe cont propriu. Problema identificării brute este bla bla =)

Dimensiunea mărcilor este redusă și apare nevoia unei identificări exacte.

Identificare exactă.

Dinamica schimbărilor în coordonatele situației aeriene duce la utilizarea regulilor euristice:

Regula 1. Dacă în zona abaterilor admisibile au primit semne de la un radar, atunci numărul țintelor este egal cu numărul de puncte. Regula este considerată corectă, deoarece una și aceeași stație radar nu poate emite mai multe semne de la aceeași țintă în același timp.

Regula 2. Dacă în zona abaterilor admisibile de la orice stație radar a primit un semn, atunci se consideră că aparțin aceleiași ținte. Regula este considerată corectă, deoarece este puțin probabil ca stația radar să-și poată vedea țintele și să nu-i vadă pe alții.

Regula 3. Dacă se primește un număr egal de semne de la orice radar, atunci este evident că numărul de ținte este egal cu numărul de semne primite de la un radar. Regula este considerată corectă, deoarece este puțin probabil ca radarul să vadă doar propriile urme și să nu vadă ținta, care este observată de radarul vecin.

Regula 4. Dacă nu se primește același număr de mărci de la mai multe radare, se presupune că radarul care dă numărul maxim de mărci determină imaginea cea mai probabilă a situației aeriene.

Regula 1:

Țintele nu pot fi grupate.

Prefață la ediția rusă
Cuvânt înainte al editorului
cuvânt înainte
Lista simbolurilor utilizate
Capitolul 1 Introducere
1.1. Prelucrarea digitală a informațiilor din radar
1.1.1. Clasificarea radar
1.1.2. Informații generale despre elementele funcționale ale radarului
1.1.3. Principiile construirii unui radar cu urmărire în modul de revizuire
1.2. Prelucrarea datelor în radar cu matrice fazată
1.2.1. PAR cu scanare electronică
1.2.2. Utilizarea matricei fazate în radar
1.2.3. Controlor
1.2.4. Urmărirea țintei utilizând PAR
1.3. Prelucrarea datelor în rețelele radar
1.3.1. Exemple de rețele radar
1.3.2. Metode de prelucrare a datelor
1.3.3. Radar on-off și rețele radar on-off
1.4. Filtre de escorta
1.4.1. Dispoziții generale teoria sistemelor
1.4.2. Teoria filtrării statistice
1.4.3. Aplicarea teoriei filtrării
1.5. Aplicarea sistemelor TSORI în radar
1.5.1. Exemple de aplicații TSORI
1.6. Concluzie
Capitolul 2. Aparatul matematic al teoriei estimării și filtrării
2.1. Introducere în teoria notării
2.1.1. Istoria problemei
2.1.2. Definiții de bază
2.1.3. Clasificarea problemelor de evaluare
2.1.4. Testul celor mai mici pătrate
2.1.5. Criteriul minim de eroare pătrat mediu
2.1.6. Criteriul de maximă probabilitate
2.1.7. Test de probabilitate posterioară maximă (test Bayesian)
2.2. Examinarea detaliată a estimării prin criteriul erorii pătrate medii minime în problemele parametrice
2.2.1. Decizie comună probleme de estimare prin criteriul erorii pătrate medii minime
2.2.2. Estimator liniar conform criteriului erorii pătrate medii minime
2.3. Estimarea prin criteriul erorii pătrate medii minime în problemele dinamice
2.3.1. Modele de sistem
2.3.2. Filtrare, extrapolare și netezire
2.3.3. Extrapolarea și filtrarea liniară atunci când se estimează după criteriul erorii pătrate medii minime
2.4. Filtrarea Kalman
2.4.1. Filtru Kalman discret și extrapolator
2.4.2. Exemplu numeric
2.4.3. Funcționarea staționară a filtrului Kalman
2.5. Filtrare adaptivă
2.5.1. Introducere
2.5.2. Sensibilitatea și divergența filtrului Kalman
2.5.3. Metode Bayesiene de filtrare adaptivă
2.5.4. Filtre adaptive non-bayesiene suboptime
2.6. Filtrare neliniară
2.6.1. Introducere
2.6.2. Filtru Kalman extins
2.6.3. Alte metode de filtrare suboptimă
2.7. Concluzie
Capitolul 3. Sistem de urmărire a țintei în modul de revizuire
3.1. Introducere
3.2. Principiile construirii sistemelor SCRO
3.2.1. Structura fișierului de date
3.2.2. Formarea și actualizarea hărții reflecțiilor din obiecte locale
3.3. Modele matematice traiectoria senzorului și a țintei
3.3.1. Sistem de coordonate
3.3.2. Măsurători radar
3.3.3. Modelul obiectivului
3.4. Filtre de escorta
3.4.1. Aplicarea algoritmului Kalman
3.4.2. algoritmul a-b
3.4.3. Problemă bidimensională
3.4.4. Metodă adaptivă de urmărire a unei ținte de manevră
3.5. Adaptați cotele la căi
3.5.1. Algoritmi pentru potrivirea și legarea elevațiilor la traiectorii
3.5.2. Forma și dimensiunea stroboscopului de corelație
3.6. Metode de legare a traiectoriei
3.6.1. Caracteristicile algoritmilor de legătură a traiectoriei
3.6.2. Metoda ferestrei culisante
3.6.3. Un exemplu de utilizare a algoritmului
3.6.4. Forma și dimensiunea porților de legătură ale traiectoriei
3.7. Concluzie
Capitolul 4. Algoritmi de întreținere
4.1. Introducere
4.2. Principalele caracteristici ale filtrului de urmărire de bază
4.2.1. Abordarea lui Singer
4.2.2. Abordarea semi-Markov
4.2.3. Filtrarea neliniară a datelor de măsurare radar
4.3. Filtrare adaptivă în timp ce urmăriți o țintă de manevră
4.3.1. Algoritm de detectare a manevrelor
4.3.2. Modalități de implementare a adaptabilității
4.4. Filtrarea în condiții de reflexii din obiecte locale
4.4.1. Abordare Bayesiană optimă
4.4.2. Algoritmi suboptimali
4.4.3. Optimizarea comună a procesării datelor de semnal și radar
4.5. Filtrarea cu mai multe ținte
4.5.1. Cazul a două traiectorii care se intersectează
4.5.2. Filtre de urmărire optime și suboptimale
4.5.3. Escorta unei ținte de grup (ordin de luptă)
4.6. Îndrumare folosind măsurători ale vitezei radiale
4.6.1. Urmărirea unei singure ținte în absența interferențelor
4.6.2. Urmărirea unei singure ținte pe fundalul reflecțiilor din obiecte locale
4.6.3. Cazul a două traiectorii care se intersectează
4.6.4. Prelucrarea liniară a măsurătorilor vitezei radiale
4.7. Urmărire activă utilizând o matrice etapizată
4.7.1. Control adaptiv al ratei de actualizare a traiectoriei
4.7.2. Urmărirea mai multor ținte folosind trenuri de impulsuri suprapuse
4.8. Sisteme de urmărire bistatică
4.8.1. Structura filtrului de întreținere
4.8.2. Analiza comparativă a radarului monostatic și bistatic
4.9. Concluzie
Bibliografie
Lista lucrărilor traduse în rusă
Plus. Noi metode de procesare a informațiilor în spațiul de stare bazate pe teoria estimării (Yuriev A.N., Bochkarev L.M.)
D.1. Probleme generale de filtrare și notare
D 2. Detectarea și discriminarea traiectoriilor țintă
D.Z. Urmărirea unei ținte de manevră
D.4. Însoțirea mai multor ținte
D.5. Urmărirea țintelor utilizând mai mulți senzori
Referințe la supliment

Introducere

Sarcina principală a radarului este colectarea și procesarea informațiilor despre obiectele care sunt sunate. În radarele terestre cu mai multe poziții, după cum știți, toată prelucrarea informațiilor radar este împărțită în trei etape.

Prelucrare primară constă în detectarea unui semnal țintă și măsurarea coordonatelor acestuia cu calitatea sau erorile corespunzătoare.

Prelucrare secundară prevede determinarea parametrilor traiectoriei fiecărei ținte pe baza semnalelor de la una sau mai multe poziții ale MRLS, inclusiv operațiunile de identificare a mărcilor țintă.

La prelucrare terțiară parametrii traiectoriilor țintelor obținute de diferiți receptori ai MPRS sunt combinați cu identificarea traiectoriilor.

Prin urmare, luarea în considerare a esenței tuturor tipurilor de procesare a informațiilor radar este extrem de relevantă.

Pentru a ne atinge obiectivele, luați în considerare următoarele întrebări:

1. Prelucrarea primară a informațiilor radar.

2. Prelucrarea secundară a informațiilor radar.

3. Prelucrarea terțiară a informațiilor radar.

Acest tutorial poate fi găsit în următoarele surse:

1. Bakulev P.A. Sisteme radare: manual pentru universități. - M.:

Inginerie radio, 2004.

2. Belotserkovsky G.B. Bazele radarului și radarului

dispozitive. - M.: Radio sovietic, 1975.

1. Prelucrarea primară a informațiilor radar

Pentru a automatiza procesele de gestionare a aviației, trebuie să aveți

informații cuprinzătoare și actualizate continuu despre coordonatele și caracteristicile obiectivelor aeriene. Aceste informații din sistemele de control automatizat (ACS) sunt obținute utilizând mijloacele incluse în subsistem pentru colectarea și prelucrarea informațiilor radar (RLI), și anume: posturi și centre de procesare pentru RLI, sisteme de patrulare și ghidare a radarului aerian. Principalele mijloace de obținere a informațiilor despre obiectivele aeriene sunt radarele. Se numește procesul de obținere a informațiilor despre obiecte din zona de vizibilitate a radarului prelucrare RLI.

O astfel de procesare permite obținerea de date despre coordonatele țintei, parametrii traiectoriei acesteia, timpul de localizare etc. Setul de informații despre țintă este denumit în mod convențional marcă... Compoziția mărcilor, pe lângă datele de mai sus, poate include informații despre numărul țintă, naționalitatea acestuia, cantitatea, tipul, importanța etc.

Semnalele care transportă informațiile necesare operatorului sunt numite utile, dar, de regulă, sunt în mod necesar interferate, denaturând informațiile. În acest sens, în procesul de procesare, apar sarcinile de extragere a semnalelor utile și obținerea informațiilor necesare în prezența interferenței.

Prelucrarea informațiilor se bazează pe existența unei distincții între un semnal util și interferență. Întregul proces de procesare a imaginii radar poate fi împărțit în trei etape principale: procesare primară, secundară și terțiară.

La scenă prelucrare primarăȚinta RLI este detectată și coordonatele sale sunt determinate. Prelucrarea primară se efectuează pe rând, dar mai des pe mai multe distanțe adiacente. Acest lucru este suficient pentru a detecta ținta și a determina coordonatele acesteia. Astfel, prelucrarea primară a datelor radar este prelucrarea informațiilor pentru o perioadă a sondajului radar. Prelucrarea primară a imaginilor radar include:

Detectarea unui semnal util în zgomot;

Determinarea coordonatelor țintă;

Codarea coordonatelor țintă;

Atribuirea numerelor către ținte.

Până de curând, această problemă a fost rezolvată de operatorul radar. Dar în prezent, în condiții reale de urmărire prin indicatori pentru multe ținte care se deplasează la viteze mari, un operator uman nu este capabil să evalueze diversitatea situației aeriene folosind doar o metodă vizuală. În acest sens, a apărut problema transferării parțiale sau a tuturor funcțiilor unei persoane - un operator în prelucrarea imaginilor radar către facilități de calcul care au fost create la facilitățile ACS de către aviație.

Prelucrare primară RLI începe cu detectarea unui semnal util în zgomot. Acest proces constă în mai multe etape:

Detectare semnal unic;

Detectarea exploziei de semnal;

Formarea unui pachet complet de semnal;

Determinarea intervalului până la țintă și azimutul acestuia.

Toate aceste etape sunt implementate folosind algoritmi optimi pe baza criteriilor unui minim de erori de decizie și rezultate ale măsurătorilor.

Astfel, operațiile efectuate în timpul procesării primare pot fi efectuate de radar independent.