DE4243527A1 - Verfahren zur Klassifizierung eines Radarzieles - Google Patents

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.