DE4243527A1 - Verfahren zur Klassifizierung eines Radarzieles - Google Patents
Verfahren zur Klassifizierung eines RadarzielesInfo
- Publication number
- DE4243527A1 DE4243527A1 DE4243527A DE4243527A DE4243527A1 DE 4243527 A1 DE4243527 A1 DE 4243527A1 DE 4243527 A DE4243527 A DE 4243527A DE 4243527 A DE4243527 A DE 4243527A DE 4243527 A1 DE4243527 A1 DE 4243527A1
- Authority
- DE
- Germany
- Prior art keywords
- spectrum
- spectral
- radar
- block
- main block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/288—Coherent receivers
- G01S7/2883—Coherent receivers using FFT processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Klassifizierung
eines Radarzieles nach dem Oberbegriff des Patentanspru
ches 1.
Ein derartiges Verfahren ist beispielsweise in der deut
schen Patentanmeldung P 38 26 754.3 beschrieben. Dieses
Verfahren ist insbesondere anwendbar auf Düsenflugzeuge,
die nicht kooperativ sind, das heißt, keine Kennung abge
ben. Eine Klassifizierung auch solcher Düsenflugzeuge ist
möglich, da die umlaufenden Teile eines Triebwerkes eine
Modulation in dem Radarecho bewirken. Dadurch entstehen in
dem Spektrum des empfangenen Radarechos periodische Lini
enstrukturen, welche typischerweise die Blattfolgefre
quenz (= Blattzahl des Rotors × Drehfrequenz des Trieb
werks), die Drehfrequenz des Triebwerks und außerdem ge
wisse Zwischenfrequenzen, die auf Intermodulationen zwi
schen der ersten und der zweiten Triebwerksstufe zurückzu
führen sind, enthalten. Aus dem Spektrum des Radarechos
wird die Blattfolgefrequenz sowie die Drehfrequenz ermit
telt und daraus die zu dem Triebwerks gehörende (Rotor)-
Blattzahl abgeleitet. Dieser das Triebwerk und damit das
Düsenflugzeug charakterisierende Wert wird mit zugehörigen
gespeicherten Vergleichswerten verglichen. In Abhängigkeit
von diesem Vergleich erfolgt dann die Klassifizierung.
Dieses Verfahren beruht in nachteiliger Weise auf der An
nahme, daß von bekannten Düsenflugzeugen die Blattzahl so
wie der Drehfrequenzbereich der Triebwerke bekannt sind.
Der Erfindung liegt die Aufgabe zugrunde, ein gattungsge
mäßes Verfahren anzugeben, bei dem keine Kenntnisse über
das Zustandekommen der Modulation in dem empfangenen Ra
dar-Echosignal benötigt werden und bei dem eine zuverläs
sige Klassifikation ermöglicht wird.
Diese Aufgabe wird gelöst durch die im kennzeichnenden
Teil des Patentanspruchs 1 angegebenen Merkmale. Vorteil
hafte Ausgestaltungen und/oder Weiterbildungen sind den
Unteransprüchen entnehmbar.
Ein erster Vorteil der Erfindung besteht darin, daß ein
lernendes Klassifikationsverfahren verwendet wird. Damit
ist eine vielseitige Anwendungsmöglichkeit vorhanden, z. B.
eine Klassifikation von Flugzeugen mit einem Propeller-
oder Turboprop-Triebwerk und/oder eine Klassifikation von
Hubschraubern.
Ein zweiter Vorteil besteht darin, daß bei der Signalver
arbeitung zu einem im Signalverlauf sehr frühzeitigem
Zeitpunkt eine Digitalisierung erfolgt, so daß eine Daten
verarbeitungsanlage effektiv einsetzbar ist.
Ein dritter Vorteil besteht darin, daß lediglich im Fre
quenzbereich ausgewertet wird, so daß eine schnelle Aus
wertung ermöglicht wird.
Ein vierter Vorteil besteht darin, daß zunächst ein in di
gitaler Form vorliegender Merkmalsvektor, welcher Merkmale
des zu klassifizierenden Radarzieles enthält, erzeugt
wird. Dieser Merkmalsvektor wird anschließend vorteilhaf
terweise in einer als neuronales Netz aufgebauten Daten
verarbeitungsanlage ausgewertet.
Weitere Vorteile ergeben sich aus der folgenden Beschrei
bung.
Die Erfindung wird im folgenden anhand eines Ausführungs
beispieles näher erläutert unter Bezugnahme auf schema
tisch dargestellte Zeichnungen. Es zeigen:
Fig. 1 bis Fig. 4 Blockdiagramme zur Erläuterung der Erfindung.
Das empfangene Radar-Echosignal einer Puls- oder
CW("continous wave")-Radaranlage wird zunächst durch be
kannte kohärente Signalverarbeitung in das Basisband umge
setzt, so daß dort ein komplexes analoges Eingangssignal
im Zeitbereich entsteht.
Dieses Eingangssignal, das im folgenden auch Radarsignal-
Muster genannt wird, gelangt gemäß Fig. 1 zunächst in eine
Vorverarbeitung, an deren Ausgang der bereits erwähnte di
gitale Merkmalsvektor entsteht. Dieser wird anschließend
an eine digital arbeitende Auswerteeinheit, die vorteil
hafterweise als neuronnales Netz ausgebildet wird und die
in Fig. 1 als Multi-Layer-Perzeptron bezeichnet ist, wei
tergeleitet. An deren Ausgang sind in Abhängigkeit von der
Ausbildung der Auswerteeinheit und den zu klassifizieren
den Radarobjekten (Radarzielen) mehrere vorgebbare Radar
objekt-Klassen vorhanden, welche den detektierten Radar
zielen zugeordnet werden können.
Fig. 2 zeigt ein Blockbild zur genaueren Erläuterung der
Vorverarbeitung. Bei dieser wird das analoge komplexe Ra
darsignal-Muster (Eingangssignal) zunächst digitalisiert.
Anschließend erfolgt eine blockweise Signalverarbeitung.
Zur Digitalisierung wird das analoge Radarsignal-Muster
mit einer daran angepaßten Abtastfrequenz, z. B. 100 kHz,
abgetastet und zugehörige komplexe Abtastwerte erzeugt.
Dabei wird die Abtastfrequenz gemäß dem Abtasttheorem an
die höchste im Radarsignal-Muster vorkommende Frequenz an
gepaßt. Eine vorgebbare Anzahl von Abtastwerten, z. B.
8192, das heißt 8K, wird zu einem Hauptblock zusam
mengefaßt. Es ist vorteilhaft, die Länge (Anzahl der Ab
tastwerte) des Hauptblockes ebenfalls gemäß dem zu verar
beitenden Radarsignal-Muster zu optimieren. Es ist zweck
mäßig, wenn der Hauptblock die Signale mehrerer Drehperi
oden (Umläufe), z. B. fünf Umläufe, einer Radarantenne be
inhaltet. Ein solcher Hauptblock wird nun parallel an die
mit Teil 1 und Teil 2 bezeichneten Vorverarbeitungsstufen
weitergeleitet.
In Teil 1 erfolgt aus dem Hauptblock eine Extraktion spek
traler Periodizitäten, was nachfolgend anhand der Fig. 3
noch näher erläutert wird. Dabei werden unterschiedliche
spektrale Auflösungen, die mit Fein, Mittel sowie Grob be
zeichnet sind, verwendet.
In Teil 2 erfolgt aus dem Hauptblock eine zu diesem gehö
rende Extraktion der spektralen Hüllkurve, was nachfolgend
anhand der Fig. 4 näher erläutert wird.
Die Ergebnisse der Auswertungen in Teil 1 und Teil 2 wer
den zu einem Merkmalsvektor, der z. B. eine Länge N = 428
besitzt, zusammengefaßt. Dieser Merkmalsvektor charakteri
siert lediglich ein erfaßtes Radarziel ohne es zu klassi
fizieren. Der Merkmalsvektor enthält in digitaler Form die
aus dem Frequenzspektrum eines Radarzieles abgeleiteten
Merkmale. Der Merkmalsvektor wird an eine Datenverarbei
tungsanlage, vorzugsweise ein sogenanntes neuronales Netz
(Multi-Layer-Perzeptron in Fig. 1), weitergeleitet, in
welcher eine Auswertung und Klassifikation erfolgt. Die
Datenverarbeitungsanlage zeigt an, in welche der vorgebba
ren Radarobjekt-Klassen ein detektiertes Radarziel fällt.
Als neuronales Netz wird vorzugsweise ein sogenanntes
"Backpropagation-Netz" oder "Multi-Layer-Perzeptron" ver
wendet.
Die Gewinnung der Merkmale über die spektralen Periodizi
täten in den beispielhaft vorgegebenen Auflösungen Fein,
Mittel sowie Grob wird anhand der Fig. 3 näher erläutert.
Dabei wird bei der Auflösung Fein die höchste Auflösung
erreicht. Diese ist bestimmt durch die erwähnte Abtastrate
für das analoge Radarechosignal. Die Auflösung Mittel ist
beispielsweise um den Faktor 4 schlechter als diejenige
von Fein. Die Auflösung Grob ist beispielsweise um den
Faktor 16 schlechter als diejenige von Fein.
Zur Gewinnung der Merkmale für die Periodizitäten im Fein
spektrum (linke Spalte in Fig. 3) wird das im Zeitbereich
vorliegende komplexe Eingangssignal (Radarechosignal), das
aus den 8192 Abtastwerten des erwähnten Hauptblockes (8K-
Block) besteht, nach einer daran angepaßten Fensterung
(WIN) zum Beispiel mit einem Hamming-Fenster, mit einer
daran angepaßten schnellen Fouriertransformation FFT
("Fast Fourier Transformation") in den Frequenzbereich
transformiert. Diese Fouriertransformation wird als 8K-FFT
bezeichnet und ist an die Länge des Hauptblocks angepaßt.
In dem Eingangssignal (Zeitdaten) möglicherweise enthalte
ner Clutter wird vor der nachfolgenden Weiterverarbeitung
dadurch beseitigt, daß die zugehörigen Spektralanteile auf
den Amplitudenwert Null gesetzt werden. Zur Identifikation
eines nicht-kooperativen Flugzieles werden außerdem die
von der Flugzeugzelle, das heißt die von der Geschwindig
keit des Flugzeuges, herrührenden Anteile im Spektrum be
seitigt, das heißt auf den Amplitudenwert Null gesetzt.
Anschließend wird eine Betragsbildung (ABS) sowie eine
nachfolgende Frequenznormierung (FNORM) des Spektrums
durchgeführt. Bei der Frequenznormierung (FNORM) wird das
Spektrum so verschoben, daß dessen Hauptlinie in die Mitte
der ersten Spektralhälfte fällt, das heißt, die Hauptlinie
liegt bei dem Abtastwert mit der Nummer 2048. Weiterhin
wird nur die erste Spektralhälfte, das heißt, die Abtast
werte bis zu Nummer 4096, ausgewertet. Die zweite Spek
tralhälfte (Abtastwerte mit den Nummern 4097 bis 8192)
wird verworfen, das heißt, diese Abtastwerte werden nicht
berücksichtigt. Die verbleibenden 4096 Abtastwerte (Be
trags-Spektrallinien) der ersten Spektralhälfte werden in
einer Autokorrelationsstufe (AKF) autokorreliert. An
schließend erfolgt eine Amplitudennormierung (ANORM) der
Autokorrelationsfunktion. Die ersten 100 Koeffizienten
dieser normierten Autokorrelationsfunktion werden nun zur
Charakterisierung des Fein-Spektrums verwendet und dement
sprechend als Merkmale in den Merkmalsvektor übernommen.
Aus Fig. 3 geht hervor, daß die Gewinnung der Merkmale des
Mittel-Spektrums (mittlere Spalte) und des Grob-Spektrums
(rechte Spalte) in ähnlichen Verarbeitungsstufen erfolgt
wie bei dem Fein-Spektrum.
Zur Gewinnung der Merkmale für die Periodizitäten im Mit
tel-Spektrum wird der aus 8192 (8K) Abtastwerten beste
hende Hauptblock in vier Unterblöcke unterteilt, die je
weils 2048 (2K) Abtastwerte enthalten, das heißt, Unter
block 1 enthält Abtastwerte mit den Nummern 1 bis 2048;
Unterblock 2 diejenigen Abtastwerte mit den Nummern 2049
bis 4096, und so weiter. Diese vier Unterblöcke werden
nach einer an die Blocklänge (2K) angepaßten Fensterung
(WIN) zum Beispiel mit einem Hamming-Fenster nacheinander
mit einer daran angepaßten schnellen Fouriertransformation
(2K-FFT) in den Spektralbereich transformiert. Es erfolgt
wieder, wie beschrieben, eine Beseitigung der Clutter- und
Flugzeugzellenanteile. Nach der Betragsbildung (ABS) er
folgt eine Frequenz-Normierung (FNORM) des Spektrums. Da
bei wird bei jedem Unterblock die darin enthaltene Haupt
linie des Spektrums in die Mitte der jeweils ersten Spek
tralhälfte verschoben, das heißt, die vier Hauptlinien
liegen bei den Abtastwertnummern 512, 2560, 4608 sowie
6656. Jeder Unterblock enthält 1024 Abtastwerte der je
weils ersten Spektralhälften, das heißt, Unterblock 1 die
Abtastwerte mit den Nummern 1 bis 1024, Unterblock dieje
nigen mit den Nummern 2049 bis 3072, und so weiter. Die je
weils zweiten Spektralhälften der Unterblöcke werden ver
worfen (bleiben unberücksichtigt). In der nächsten Verar
beitungsstufe erfolgt eine Mittelung (Mittelwertsbildung)
für jede der 1024 Spektrallinien. Dabei wird z. B. aus al
len 4 Abtastwerten für die Hauptlinie in einem Akkumulator
ein zugehöriger Mittelwert, z. B. ein arithmetischer Mit
telwert, gebildet. Die sich aus der Mittelwertbildung er
gebenden 1024 Betragsspektrallinien werden in einer daran
angepaßten Autokorrelationsstufe (AKF) autokorreliert. An
schließend erfolgt eine Amplitudennormierung (ANORM) der
Autokorrelationsfunktion. Die ersten 100 Koeffizienten
dieser normierten Autokorrelationsfunktion werden nun zur
Charakterisierung des zu dem Hauptblock gehörenden Mittel-
Spektrums verwendet und als Merkmale in den Merkmalsvektor
übernommen.
Die Gewinnung der Merkmale für die Periodizitäten im Grob
spektrum erfolgt ähnlich wie bei dem Mittelspektrum. Der
aus 8192 (8K) Abtastwerten bestehende Hauptblock wird in
16 Unterblöcke, die jeweils 512 (0,5 K) Abtastwerte ent
halten, zerlegt. Das heißt, Unterblock 1 enthält die zu
den Nummern 1 bis 512 gehörenden Abtastwerte, Unterblock
diejenigen Abtastwerte mit den Nummern 513 bis 1024 und so
weiter. Diese 16 Unterblöcke werden nach einer an die
Blocklänge (0,5 K) angepaßten Fensterung (WIN) z. B. mit ei
nem Hamming-Fenster nacheinander mit einer daran ange
paßten schnellen Fouriertransformation (0,5 K-FFT) in den
Spektralbereich transformiert. Es erfolgt, wie beschrie
ben, eine Beseitigung der Clutter- und Flugzeugzellenan
teile. Nach der Betragsbildung (ABS) erfolgt eine Fre
quenznormierung (FNORM) des Spektrums. Dabei wird, wie be
schrieben, bei jedem Unterblock die darin enthaltene
Hauptlinie des Spektrums in die Mitte der ersten Spektral
hälfte verschoben, das heißt, die 16 Hauptlinien liegen
bei den Abtastwertnummern 128, 640, 1152 und so weiter.
Jeder Unterblock enthält 256 Abtastwerte der jeweils er
sten Spektralhälften, die jeweils zweiten Spektralhälften
der Unterblöcke werden verworfen (bleiben unberücksich
tigt). In der nächsten Verarbeitungsstufe erfolgt eine
Mittelung (Mittelwertsbildung) für jede der 256 Spektral
linien. Dabei wird z. B. aus allen 16 Abtastwerten für die
Hauptlinie in einem Akkumulator ein zugehöriger Mittel
wert, z. B. ein arithmetischer Mittelwert, gebildet. Die
sich aus der Mittelung ergebenden 256 Be
tragsspektrallinien werden in einer daran angepaßten Auto
korrelationsstufe (AKF) autokorreliert. Anschließend er
folgt eine Amplitudennormierung (ANORM) der Autokorrelati
onsfunktion. Die ersten 100 normalisierten Koeffizienten
dieser normierten Autokorrelationsfunktion werden nun zur
Charakterisierung des zu dem Hauptblock gehörenden Grob-
Spektrums verwendet und als Merkmale in den Merkmalsvektor
übernommen.
Teil 2 (Fig. 2) der Vorverarbeitung betrifft die Extrak
tion von Merkmalen über den groben Verlauf des Spektrums
(spektrale Hüllkurve) des zu dem Hauptblock gehörenden
Eingangssignales. Diese Extraktion wird im folgenden an
hand der Fig. 4 genauer erläutert. Der aus 8192 (8K) Ab
tastwerten bestehende Hauptblock wird in 64 Unterblöcke,
die jeweils 128 Abtastwerte enthalten, eingeteilt. Diese
64 Unterblöcke werden nach einer an die Blocklänge ange
paßten Fensterung (WIN) z. B. mit einem Hamming-Fenster
nacheinander mit einer daran angepaßten schnellen
Fouriertransformation (128-FFT), d. h. einer 128-Punkte-
FFT, in den Spektralbereich transformiert. Es erfolgt wie
der, wie beschrieben, eine Beseitigung der Clutter- und
Flugzeugzellenanteile. Außerdem wird das Frequenzspektrum
so verschoben, daß die zu der Geschwindigkeit des Flug
zeugs (Flugzeugzelle) gehörende Dopplerfrequenz auf der
Frequenz Null liegt. Anschließend erfolgt für das Spektrum
eine Betragsbildung (ABS). Nach dieser erfolgt eine Mitte
lung (Mittelwertbildung) in einem Akkumulator für jede der
128 (Betrags-)Spektrallinien. Dabei werden aus den 64
Unterblöcken jeweils die zugehörigen Spektrallinien ermit
telt und daraus für jede der 128 Spektrallinien ein Mit
telwert der Abtastwerte, z. B. ein arithmetischer Mittel
wert, gebildet. Für diese gemittelten 128 Spektrallinien
wird anschließend eine Amplitudennormierung (ANORM) durch
geführt. Als Merkmale für die spektrale Hüllkurve des
Hauptblockes werden nun die nach der Amplitudennormierung
vorliegenden 128 Abtastwerte, die zu den normalisierten
128 Betrags-Spektrallinien gehören, verwendet und in den
Merkmalsvektor (Fig. 2) übernommen.
Für diesen beispielhaft gewählten Hauptblock ergibt sich
also gemäß Fig. 2 ein Merkmalsvektor der Länge N = 428
(428 Merkmale). Es ist ersichtlich, daß die Anzahl und Art
der Merkmale in einfacher Weise an die zu klassifizieren
den Radarziele angepaßt werden kann. Beispielsweise kann
die Anzahl der zu einem Hauptblock gehörenden Abtastwerte
geändert werden. Außerdem kann die Unterteilung in Fein-,
Mittel- sowie Grob-Spektren feiner abgestuft werden, d. h.,
z. B. in mehr als drei Spektren. Das gewählte Abstufungs
verhältnis (hier 1 : 4 (Mittel) sowie 1 : 16 (Grob)) kann
ebenfalls geändert werden. Weiterhin kann z. B. die Anzahl
der Merkmale (hier 128) für die Hüllkurve geändert werden,
z. B. durch Änderung der Anzahl (hier 64) der Unterblöcke.
Die Vorteile des beschriebenen Vorverarbeitungsverfahrens
zur Gewinnung eines Merkmalsvektors, der ein Radarziel
charakterisiert, lassen sich folgendermaßen zusammenfas
sen:
- - es ist eine weitgehende Modellfreiheit vorhanden, daß heißt, zur Gewinnung des Merkmalsvektors wird keine Bibliothek und/oder ein Speicher benötigt, in welchen Merkmale über Radarziele gespeichert sind;
- - im Frequenzspektrum werden gleichzeitig Periodizi täten, z. B. Blattfolgefrequenz und Drehzahl eines (Düsen-)Triebwerks, ermittelt, welche erst bei un terschiedlichen spektralen Auflösungen, z. B. fein, mittel sowie grob, erkennbar sind;
- - durch die unterschiedlichen spektralen Auflösungen ist eine redundante Darstellung möglich, durch welche vorhandene Frequenzverschiebungen, z. B. in folge schwankender Drehzahlen eines oder mehrerer Triebwerke, ausgleichbar werden; denn bei verrin gerter Auflösung werden nebeneinanderliegende Spektrallinien (hohe Auflösung) zusammengefaßt;
- - durch die Autokorrelation erfolgt eine Rauschab senkung im Spektrum, so daß eine zuverlässige Er mittlung der Merkmale ermöglicht wird;
- - möglicherweise vorhandene Spitzen(amplituden) im Rausch-Spektrum werden durch einen Glättungsvor gang beseitigt, welcher durch die Mittelung (Mit telwertbildung) über mehrere Spektren für jede darin vorkommende (Nutz-)Spektrallinie erfolgt;
- - als zusätzliches Merkmal wird die Einhüllende des Spektrums ermittelt und beschrieben;
- - es ist eine Auswertung und Beschreibung spektraler Symmetrien möglich.
Die Weiterverarbeitung eines derartigen Merkmalsvektors
kann in unterschiedlicher Weise erfolgen. Z.B. können aus
den Fein-, Mittel- sowie Grobspektren in bekannter Weise
die Blattfolgefrequenz sowie die Drehzahl eines Triebwerks
ermittelt werden. Daraus ist dann in bekannter Weise die
Blattzahl des Rotors bestimmbar, welche ein Merkmal eines
Triebwerks ist. Inbesondere mit einem erwähnten neuronalen
Netz ist eine darüber hinausgehende hochflexible weiterge
hende Auswertung möglich. Beispielsweise können die ein
oder mehrere Triebwerke charakterisierenden Interferenzen,
die z. B. durch unterschiedliche Drehzahlen entstehen, er
faßt und ausgewertet werden.
Die Erfindung ist nicht auf die beschriebenen Beispiele
beschränkt, sondern sinngemäß auf weitere anwendbar. Bei
spielsweise ist eine zuverlässige Klassifikation eines
Hubschraubers möglich. Denn die dort vorhandenen rotieren
den Teile, z. B. Haupt- und/oder Heckrotor sowie eine Tur
bine zum Antrieb derselben, bewirken ebenfalls eine cha
rakteristische Modulation in dem empfangenen Radarecho.
Claims (7)
1. Verfahren zur Klassifizierung eines Radarzieles, ins
besondere eines Düsenflugzeugs, wobei
- - aus den Radar-Echosignalen ein Doppler-Spektrum gebildet wird,
- - in dem Doppler-Spektrum Signalanteile, die von Clutter sowie der Geschwindigkeit des Radarzieles herrühren, unterdrückt werden,
- - in dem Doppler-Spektrum periodisch auftretende Spektrallinien ermittelt werden und
- - mit Hilfe der periodisch auftretenden Spektralli
nien eine Klassifizierung des Radarzieles erfolgt,
dadurch gekennzeichnet, - - daß zunächst ein im Basisband und im Zeitbereich vorliegendes analoges Radar-Echosignal in ein ent sprechendes digitales Echosignal umgewandelt wird, wobei der Zeitbereich in eine Vielzahl von Zeitin krementen unterteilt wird und zu jedem Zeitinkre ment ein komplexer Abtastwert, der einem in dem Zeitinkrement vorhandenen Amplitudenwert ent spricht, entsteht,
- - daß eine Vielzahl von Abtastwerten in einem Haupt block zusammengefaßt wird,
- - daß der Hauptblock mit Hilfe von unterschiedlichen Fouriertransformationen (FFT) in den Frequenzbe reich transformiert wird, so daß dort Betragsspek tren mit unterschiedlicher spektraler Auflösung entstehen,
- - daß in den Betragsspektren diejenigen Signalan teile, die von Clutter sowie der Geschwindigkeit des Radarzieles herrühren, beseitigt werden,
- - daß bei jedem Betragsspektrum zumindest eine Fre quenznormierung, eine Autokorrelation sowie eine Amplitudennormierung vorgenommen wird und daraus jedes Betragsspektrum bestimmende normierte Koef fizienten der Autokorrelationsfunktion gebildet werden,
- - daß zu jedem Hauptblock zumindest durch eine Fou riertransformation, eine Beseitigung der Clutter- sowie Geschwindigkeitsanteile, eine Betrags- und Mittelwertbildung sowie eine Amplitudennormierung eine vorgebbare Anzahl von Betrags-Spektrallinien, die eine spektrale Hüllkurve bestimmen, gebildet werden und daß zu jeder Betrags-Spektrallinie ein diese bestimmender normierter Betragswert ermit telt wird und
- - daß dem Hauptblock ein Merkmalsvektor, zumindest bestehend aus normierten Koeffizienten der unter schiedlichen Betragsspektren sowie normierten Be tragswerten der Hüllkurve zugeordnet wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
ein Merkmalsvektor einem Klassifikator zugeleitet wird und
daß der Klassifikator aus dem Merkmalsvektor einen zu je
dem möglichen Zieltyp zugehörigen Wahrscheinlichkeitswert
ermittelt.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß
der Klassifikator als lernender Klassifikator mit Hilfe
einer als neuronales Netz ausgebildeten Datenverarbei
tungsanlage, insbesondere einem Backpropagation-Netz, aus
gebildet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet, daß zur Erzeugung eines Betragsspek
trums mit verringerter spektraler Auflösung
- - zunächst der Hauptblock in eine vorgebbare Anzahl von Unterblöcken unterteilt wird,
- - für jeden Unterblock zumindest eine daran ange paßte Fensterung sowie eine Fouriertransformation (FFT), eine Betragsbildung sowie eine Frequenznor mierung durchgeführt wird,
- - für jede normierte Spektrallinie eine Mittelung über alle Unterblöcke vorgenommen wird und
- - aus dem entstandenen Mittelwert nach einer Auto korrelation und Amplitudennormierung die zu dem Betragsspektrum mit verringerter spektraler Auflö sung gehörenden normierten Koeffizienten der Auto korrelationsfunktion ermittelt werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet, daß zur Frequenznormierung in dem in
den Frequenzbereich transformierten Haupt- sowie Unter
blöcken die dort vorhandene Hauptspektrallinie in die
Mitte der jeweils ersten Spektralhälfte verschoben wird
und daß die jeweils zweite Spektralhälfte bei der Auswer
tung vernachlässigt wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet, daß der Hauptblock eine Länge (An
zahl der Abtastwerte) besitzt, welche die in mehreren
Drehperioden (Umläufe) empfangenen analogen Radarechosi
gnale umfaßt.
7. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet, daß der Merkmalsvektor für jedes der
vorhandenen Spektren (Fein, Mittel, Grob) eine vorgebbare
Anzahl von normierten Koeffizienten der Autokorrelations
funktion enthält.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4243527A DE4243527C2 (de) | 1992-12-22 | 1992-12-22 | Verfahren zur Klassifizierung eines Radarzieles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4243527A DE4243527C2 (de) | 1992-12-22 | 1992-12-22 | Verfahren zur Klassifizierung eines Radarzieles |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4243527A1 true DE4243527A1 (de) | 1996-01-25 |
DE4243527C2 DE4243527C2 (de) | 2003-05-15 |
Family
ID=6476150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4243527A Expired - Fee Related DE4243527C2 (de) | 1992-12-22 | 1992-12-22 | Verfahren zur Klassifizierung eines Radarzieles |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4243527C2 (de) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0845685A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
EP0845686A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
EP0959370A2 (de) * | 1998-05-20 | 1999-11-24 | DaimlerChrysler Aerospace AG | Radarverfahren in einem Kraftfahrzeug |
EP1643264A1 (de) * | 1996-09-18 | 2006-04-05 | MacAleese Companies, Inc. | System zur Erkennung von versteckten Waffen |
US7167123B2 (en) | 1999-05-25 | 2007-01-23 | Safe Zone Systems, Inc. | Object detection method and apparatus |
US7450052B2 (en) | 1999-05-25 | 2008-11-11 | The Macaleese Companies, Inc. | Object detection method and apparatus |
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
CN104535982A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种基于角域划分的飞机目标分类方法 |
DE102015200027A1 (de) | 2015-01-05 | 2016-07-07 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Bestimmen einer Eigenschaft eines Messpunkts |
WO2019081415A1 (en) * | 2017-10-24 | 2019-05-02 | Robert Bosch Gmbh | USE OF DATA FROM A RADAR SENSOR IN PERCEPTION BASED ON AUTOMATIC LEARNING |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005003024B4 (de) * | 2005-01-22 | 2010-04-15 | Eads Deutschland Gmbh | Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3002148A1 (de) * | 1980-01-22 | 1981-10-15 | Siemens AG, 1000 Berlin und 8000 München | Verfahren zur klassifizierung bewegter ziele |
DE3826754C1 (de) * | 1987-10-28 | 1998-06-10 | Daimler Benz Aerospace Ag | Verfahren zur Zielklassifizierung |
US5128679A (en) * | 1989-02-21 | 1992-07-07 | Moffat William V | Electronic combat effectiveness monitor |
-
1992
- 1992-12-22 DE DE4243527A patent/DE4243527C2/de not_active Expired - Fee Related
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1643264A1 (de) * | 1996-09-18 | 2006-04-05 | MacAleese Companies, Inc. | System zur Erkennung von versteckten Waffen |
EP0845685A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
EP0845686A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
DE19649563A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
DE19649618A1 (de) * | 1996-11-29 | 1998-06-04 | Alsthom Cge Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
EP0845685A3 (de) * | 1996-11-29 | 1999-05-26 | Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
EP0845686A3 (de) * | 1996-11-29 | 1999-05-26 | Alcatel | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten |
US6266004B1 (en) | 1998-05-20 | 2001-07-24 | Daimlerchrysler Ag | Radar method used in a motor vehicle |
EP0959370A3 (de) * | 1998-05-20 | 2000-07-19 | DaimlerChrysler Aerospace AG | Radarverfahren in einem Kraftfahrzeug |
EP0959370A2 (de) * | 1998-05-20 | 1999-11-24 | DaimlerChrysler Aerospace AG | Radarverfahren in einem Kraftfahrzeug |
US7167123B2 (en) | 1999-05-25 | 2007-01-23 | Safe Zone Systems, Inc. | Object detection method and apparatus |
US7450052B2 (en) | 1999-05-25 | 2008-11-11 | The Macaleese Companies, Inc. | Object detection method and apparatus |
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
DE102015200027A1 (de) | 2015-01-05 | 2016-07-07 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Bestimmen einer Eigenschaft eines Messpunkts |
CN104535982A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 一种基于角域划分的飞机目标分类方法 |
WO2019081415A1 (en) * | 2017-10-24 | 2019-05-02 | Robert Bosch Gmbh | USE OF DATA FROM A RADAR SENSOR IN PERCEPTION BASED ON AUTOMATIC LEARNING |
US10534071B2 (en) | 2017-10-24 | 2020-01-14 | Robert Bosch Gmbh | Using data from a radar sensor for machine learning based perception |
CN111226126A (zh) * | 2017-10-24 | 2020-06-02 | 罗伯特·博世有限公司 | 使用来自雷达传感器的数据用于基于机器学习的感知 |
CN111226126B (zh) * | 2017-10-24 | 2023-11-21 | 罗伯特·博世有限公司 | 使用来自雷达传感器的数据用于基于机器学习的感知 |
Also Published As
Publication number | Publication date |
---|---|
DE4243527C2 (de) | 2003-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0533220B1 (de) | Verfahren zur Unterscheidung mindestens zweier Ziele insbesonders für HPRF-Doppler-Radar | |
DE19705730C2 (de) | Verfahren zur Zielklassifizierung | |
DE4243527A1 (de) | Verfahren zur Klassifizierung eines Radarzieles | |
EP0223129B1 (de) | Verfahren zur Entfernungsmessung bei einem Pulsradar hoher Pulsfolgefrequenz | |
EP0626583B1 (de) | Verfahren zur Ermittlung einer periodischen Struktur in einem Linienspektrum und Verwendung eines solchen Verfahrens | |
DE3002148A1 (de) | Verfahren zur klassifizierung bewegter ziele | |
EP2483705B1 (de) | Verfahren und vorrichtung zum analysieren amplitudenmodulierter breitbandgeräusche | |
EP0845686A2 (de) | Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten | |
DE3409487A1 (de) | Verfahren zur ermittlung des propellerdrucksignals aus dem im flug mit einem am flugzeug angeordneten mikrofon gemessenen propeller/zylinder-auslass-mischsignal bei propellerflugzeugen | |
DE102005003024B4 (de) | Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar | |
DE3530036A1 (de) | Radar-empfangsvorrichtung und mit einer solchen vorrichtung ausgeruestete radaranlage | |
DE102020105314A1 (de) | Verfahren zur Bereitstellung von wenigstens einer Zielinformation | |
DE3826754C1 (de) | Verfahren zur Zielklassifizierung | |
DE102004003304B3 (de) | System zur Verbesserung der Sichtbarkeit eines Ziels | |
DE19518993A1 (de) | Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten | |
DE102010044742A1 (de) | Verfahren und Vorrichrung zur Bestimmung einer aus dem Doppler-Effekt resultierenden Doppler-Frequenzverschiebung | |
EP0845685A2 (de) | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten | |
DE3512032C2 (de) | Verfahren zur Entdeckung und Klassifizierung von Hubschraubern mittels einer Radaranlage | |
EP3144695B1 (de) | Vorrichtung und verfahren zur messung von position und geschwindigkeit eines objekts | |
DE10351154B3 (de) | Verfahren zur Unterdrückung von JEM-Signalen | |
DE3740141C2 (de) | ||
DE2741847A1 (de) | Einrichtung zum feststellen des vorhandenseins von radarechos und damit ausgeruestetes impulsradarsystem | |
EP0789252A1 (de) | Verfahren zur Unterdrückung von Störsignalen bei einem Pulsdopplerradar | |
EP0548689B1 (de) | Verfahren zum Detektieren und Unterscheiden weit entfernter Hubschrauber von anderen Fahrzeugen | |
DE102015200014A1 (de) | Vorrichtung und Verfahren zum Bestimmen einer Eigenschaft eines Objekts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8120 | Willingness to grant licences paragraph 23 | ||
8127 | New person/name/address of the applicant |
Owner name: DAIMLERCHRYSLER AEROSPACE AKTIENGESELLSCHAFT, 8099 |
|
8110 | Request for examination paragraph 44 | ||
8127 | New person/name/address of the applicant |
Owner name: EADS DEUTSCHLAND GMBH, 80995 MUENCHEN, DE DAIMLERC |
|
8127 | New person/name/address of the applicant |
Owner name: DAIMLERCHRYSLER AG, 70567 STUTTGART, DE EADS DEUTS |
|
8304 | Grant after examination procedure | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DAIMLERCHRYSLER AG, 70327 STUTTGART, DE Owner name: EADS DEUTSCHLAND GMBH, 85521 OTTOBRUNN, DE |
|
8339 | Ceased/non-payment of the annual fee | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: DAIMLER AG, 70327 STUTTGART, DE Owner name: EADS DEUTSCHLAND GMBH, 85521 OTTOBRUNN, DE |