DE69615587T2

DE69615587T2 - Verfahren zur momentabschätzung und ermittlung von merkmalen von spektren als entfernungs- oder zeitfunktion bestimmenden vorrichtungen

Info

Publication number: DE69615587T2
Application number: DE69615587T
Authority: DE
Inventors: Bruce Cornman; Kent Goodrich; Sue Morse
Original assignee: University Corp for Atmospheric Research UCAR
Current assignee: University Corp for Atmospheric Research UCAR
Priority date: 1996-03-19
Filing date: 1996-11-01
Publication date: 2002-06-06
Anticipated expiration: 2016-11-02
Also published as: AU715501B2; DE69615587D1; EP0888560A1; US5940523A; AU1157097A; EP0888560B1; WO1997035209A1

Description

Erfindungsgebiet

Die vorliegende Erfindung betrifft Dopplermessvorrichtungen, die imstande sind, Dopplerspektren als Funktion der Entfernung oder der Zeit zu berechnen, insbesondere ein Berechnungssystem, das ein verbessertes Verfahren zur Momentenschätzung aufweist, wie es in einem automatischen meteorologischen Überwachungssystem als bevorzugter Ausführungsform der Erfindung zwecks genauer Echtzeiterkennung meteorologischer Phänomene wie Winde, Windscherungen und Turbulenz zum Einsatz gelangt.

Problem

Auf dem Gebiet der Spektralsignalverarbeitung besteht ein Problem darin, gültige Daten aus den empfangenen Signalen zu extrahieren. Von ihrem Charakter her können diese Signale Radar-, optische, Infrarot-, Tomografiesonarsignale sein, und der Einsatzbereich kann zum Beispiel in der meteorologischen Überwachung, der medizinischen Bildgebung, der Satellitenbildgebung und im automatisierten Bergbau liegen. Die gültigen Daten repräsentieren eine bestimmte "Signatur", die erkannt und gemessen werden muss. Die von dem/den Sensor(en) empfangenen Spektren werden durch Rauschen verunreinigt, wodurch es schwierig ist, mittels der derzeitigen Signalverarbeitungsverfahren die in den Spektren enthaltene Signatur zu extrahieren.
Im Bereich automatischer meteorologischer Überwachungssysteme besteht ein besonderes Problem darin, rechtzeitige, genaue und schnelle Schätzungen meteorologischer Phänomene zu erlangen, die sich über die räumliche Region erstrecken, die von dem meteorologischen Überwachungssystem abgedeckt wird. Üblicherweise verwenden diese Überwachungssysteme Dopplerradarsignale, um das Vorhandensein und die örtliche Verteilung von Winden, Windscherungen und Turbulenz zu ermitteln. Um rechtzeitige, genaue und schnelle Schätzungen dieser meteorologischen Phänomene zu erlangen, muss das Überwachungssystem die Genauigkeit der Dopplermomente sowie die Aktualisierungsrate und Genauigkeit der Windschätzungen maximieren. Vorhandene automatische meteorologische Überwachungssysteme sind manchmal nicht in der Lage, die gewünschten Ergebnisse zu erzielen, da sie nicht imstande sind, die für diese Parameter erforderliche Genauigkeit zu erreichen.
Radarsysteme erfüllen zwei primäre Funktionen: Aufklärung und Verfolgung, und zwei sekundäre Funktionen: Zielerfassung und Zielmessung. Wetterradarsysteme W wie in Fig. 2 sind beispielsweise vom Aufklärungstyp und dienen dazu, ein Raumvolumen V abzusuchen, um das Vorhandensein und die örtliche Verteilung meteorologischer Ereignisse M zu erkennen, die sich auf örtliche Aktivitäten, zum Beispiel den Flugbetrieb auf einem Flugplatz, auswirken können. Moderne Wetterradarsysteme W sind gepulste Dopplerradarsysteme, die einen Strom von Impulsen P mit festgelegter Dauer und Funkfrequenzstärke in wiederholten Intervallen, bezeichnet als Impulswiederholperiode (PRP), aussenden. Die gesendeten Impulse P werden von einer Vielzahl von Streuern im Impulsvolumen M reflektiert, und die empfangenen Echosignale RE werden verarbeitet, um Dopplerinformationen zu extrahieren.
Wetteraufklärungsradars W tasten ein Raumvolumen V kontinuierlich ab. Die Antennenstrahlbreite, die Antennenabtastrate und die Impulswiederholfrequenz des Radarsenders bestimmen die Anzahl von Impulsen, die pro Zeiteinheit gesendet, und somit die Anzahl von zurückkehrenden Echosignalen, die vom Radar W empfangen werden. Ein typisches Wetteraufklärungsradar W sendet während der Zeitspanne, die benötigt wird, um den Antennenstrahl über ein Ziel (meteorologisches Ereignis) M zu führen, eine Vielzahl von Impulsen. Die vom Ziel M reflektierte Radarenergie wird zu der Radar-Richtantenne A zurückgeführt und an den Radarempfänger R weitergeleitet. Der Radarempfänger R verarbeitet die zurückgegebenen Echos RE, um das in diesem Signal enthaltene Rauschen zu minimieren. Das Signal enthält eine Anzahl von Rauschkomponenten, die unter anderem Störzeichen aufweisen, die von Reflexionen an Hindernissen, topografischen Merkmalen in der Nähe des Radarsenders sowie von der zeitlichen und räumlichen Variabilität der Winde und Niederschläge, von einem geringen Rauschabstand, von Geschwindigkeitsfaltungen, Funkfrequenzinterferenz (RFT), Flugzeugen und anderen punktförmigen Zielen (zum Beispiel Vögeln) herrühren. Der Radarempfangssignalprozessor muss die zurückgegebenen Echos RE aus den im empfangenen Signal enthaltenen Rauschsignalen herausdifferenzieren, um das Vorhandensein, die örtliche Bewegung und den Charakter der Ziele M zu ermitteln, die im Strahlmuster der Radarantenne erkannt werden.
Um die Nützlichkeit von Dopplerwindmesseinrichtungen bei der Echtzeiterkennung meteorologischer Phänomene wie Winde, Windscherungen und Turbulenz voll auszunutzen, ist es wichtig, dass die Daten aus diesen Dopplerwindmesseinrichtungen qualitativ gesteuert werden. Diese Dopplerwindmesseinrichtungen umfassen Lidars, Sodars, Wetterradars und Klarluft-Windprofilerkennungseinrichtungen. Windprofüerkennungseinrichtungen sind zum Beispiel in der Lage, Dopplermomente (und somit Wind- und Turbulenzschätzungen) aus atmosphärischen Klarluft-Rücklaufinformationen zu erzeugen, indem ein Sendeimpulserzeugungssystem mit einer sehr hohen Impulswiederholrate (PRF) und langen Verweilzeiten zur Anwendung kommt. Auf diese Weise wird eine sehr große Anzahl von Datenmustern pro Raumvolumeneinheit verarbeitet, um den Rauschabstand (SNR) der Rückgabeechos zu erhöhen. Das im Allgemeinen schwache atmosphärische Klarluftsignal kann somit von dem Umgebungsrauschpegel unterschieden werden, der durch die Radar-Hardware und verschiedene Umweltquellen außerhalb des Radarsystems verursacht wird.
Im Betrieb ermittelt eine Windprofilerkennungseinrichtung den Mittelwert einer Anzahl von Datenmustern, die Zeitbereichs-Rückkehrleistungswerte aus einer gegebenen Richtung des Radarstrahls aufweisen, woraufhin eine schnelle Fourier-Transformation (FFT) vorgenommen wird, um ein einzelnes, ungemitteltes Spektrum zu erzeugen. Üblicherweise verwendet dieser Schritt eine Zeitserie von Datenmustern, die in Intervallen von einer halben Sekunde erfasst werden. Dieses Verfahren zur Erzeugung eines einzelnen, ungemittelten Spektrums wird mehrfach (etwa 60 Mal) wiederholt, um eine Reihe ungemittelter Spektren zu erzeugen. Danach ermittelt das Windprofilerkennungssystem nacheinander das Mittel dieser einzelnen, ungemittelten Spektren, um ein gemitteltes Spektrum zu erzeugen. Die ersten drei Momente des gemittelten Spektrums stellen die grundlegenden Messdaten dar, die von der Windprofilerkennungseinrichtung erlangt werden. Das nullte Moment des gemittelten Spektrums gibt die Gesamtsignalleistung und, wenn es mit dem Rauschpegel kombiniert wird, den Rauschabstand (SNR) für die Messung an. Das erste Moment des gemittelten Spektrums ist die radiale Geschwindigkeit des gegebenen gesendeten Radarstrahls in der jeweiligen Blickrichtung der Antenne und ermöglicht, wenn es mit den ermittelten radialen Geschwindigkeiten des gesendeten Radarstrahls in anderen Antennenblickrichtungen kombiniert wird, die Schätzung des Windvektors. Das zweite Moment des gemittelten Spektrums liefert Informationen zur Ausbreitung der radialen Windgeschwindigkeiten innerhalb des Volumens des Radarimpulses und kann zur Schätzung von Windturbulenzintensitäten verwendet werden. Die oben beschriebenen einzelnen Windschätzungen werden über einen Konsensalgorithmus weiter verarbeitet, um eine qualitätskontrollierte Windschätzung zu erzeugen. In diesem Schritt werden die über eine vorgegebene Zeitspanne erfassten einzelnen Windschätzungen (für jede Höhe) geprüft, um festzustellen, ob es einen "Cluster" (Häufung) von Werten gibt, die sämtlich innerhalb eines gemeinsamen Windgeschwindigkeitsbereichs liegen. Ist ein derartiger Konsens vorhanden, so wird der Durchschnitt dieser Werte als Konsenswindschätzung definiert. Anderenfalls wird für die entsprechende Höhe in dem gegebenen Zeitintervall keine Windschätzung mitgeteilt.
Derzeit erzeugen Windprofilerkennungseinrichtungen den Konsenswindwert für jede Höhe. Dieser Konsenswert kann, bei Entfernung der außerhalb liegenden Werte, als Mittelwert betrachtet werden. Oft hindert eine Vielzahl von Verunreinigungsquellen den vorhandenen Konsensalgorithrnus daran, genaue Winddaten zu erzeugen. Dieser Mangel rührt von einer Anzahl von Quellen her, zu denen gehören: stationäre und bewegliche Bodenstörzeichen, die zeitliche und räumliche Variabilität der Winde und Niederschläge, ein geringer Rauschabstand, Funkfrequenzinterferenz (RFI), Geschwindigkeitsfaltungen, Flugzeuge und andere Punktziele im Abtastfeld des Antennenstrahlmusters. Eine Anzahl von bisher unternommenen Versuchen zur Lösung einiger dieser Probleme erbrachte nur einen beschränkten Erfolg.
Derzeit in Windprofilerkennungseinrichtungen angewandte Qualitätskontrollalgorithmen sind darauf gerichtet, die Verunreinigung auf der Ebene des Konsenswindes zu beseitigen und erfordern daher Daten, die über einen längeren Zeitraum erfasst wurden, um gültige Ergebnisse zu liefern. Diese Verfahren sind für den Einsatz bei der menschlichen Interpretation großflächiger meteorologischer Merkmale, jedoch nicht für den Einsatz in automatischen meteorologischen Überwachungssystemen geeignet, um rechtzeitige, genaue und schnelle Schätzungen von Winden, Windscherungen und Turbulenz vornehmen zu können. Es gibt weitere Algorithmen zur Verarbeitung von Daten aus Windprofilerkennungseinrichtungen, die für die Qualitätskontrolle im Bereich der Windschätzung geeignet sind. Diese Verfahren liefern genauere stündliche Winddaten, eignen sich jedoch nicht für den Einsatz in automatischen meteorologischen Überwachungssystemen, um rechtzeitige, genaue und schnelle Schätzungen von Winden, Windscherungen und Turbulenz vornehmen zu können. Ein derartiges automatisches meteorologisches Überwachungssystem wird in dem Dokument "Automated Gust Front Detection Using knowledge-Based Signal Processing" (Automatische Böenfronterkennung unter Nutzung der kenntnisbasierten Signalverarbeitung) von Richard. L. Delanoy u. a. offen gelegt, veröffenfilicht in den Dokumenten der IEEE National Radar Conference, April 1993, S. 150-155. In dem Dokument von Delanoy wird der Einsatz eines Wetterradars offen gelegt, der die Verwendung einer angepassten Filterung zur Ermittlung von Merkmalen einschließt, die ausgehend von Spektraldaten selektiv auf ein Objekt, zum Beispiel eine Böenfront, hinweisen, wobei diese Verarbeitung auch die Verwendung von Fuzzy-Logik und Bildverarbeitung einschließt.
Erfindungsgemäß wird ein System geschaffen, das von mindestens einem Sensor Spektraldaten empfängt, die sowohl gültige Daten mit mindestens einem für einen Nutzer interessanten Merkmal als auch verunreinigende Komponenten enthalten, und eine Vorrichtung zum Reduzieren der Effekte der verunreinigenden Komponenten auf die gültigen Daten, umfassend: ein Mittel zum Segmentieren eines vordefinierten Raumgebiets in mehrere Segmente; ein Mittel zum Empfangen von Spektraldaten von jeder Entfernung des vordefinierten Raumgebiets für einen gegebenen Strahl aufweisen, gekennzeichnet durch ein Mittel zum Berechnen eines Rauschpegels für jede Entfernung des vordefinierten Raumgebiets für einen gegebenen Strahl; ein Mittel zum Filtern der Spektraldaten, wobei jedes Element dieser Spektraldaten durch einen zugeordneten berechneten Rauschpegel korrigiert wird; ein Mittel zum Verarbeiten der gefilterten Spektraldaten, um eine Mehrzahl mathematischer Charakteristiken der gefilterten Spektraldaten zu bestimmen; ein Mittel zur Fuzzy-Logik-Analyse der bestimmten Mehrzahl mathematischer Charakteristiken, um örtliche zusammengesetzte Daten zu erzeugen; und ein Mittel zur Bildverarbeitung der örtlichen zusammengesetzten Daten, um aus ihnen das mindestens eine Merkmal zu gewinnen.
Die oben beschriebenen Probleme wurden gelöst und ein technischer Fortschritt auf dem Gebiet der Spektralsignalverarbeitung erzielt durch das Berechnungssystem, das ein verbessertes Verfahrender Momentenschätzung für Vorrichtungen aufweist, die Spektren als Funktion der Entfernung oder der Zeit messen. Die bevorzugte Ausführungsform dieses Systems wird dargestellt als Teil eines automatischen meteorologischen Überwachungssystems zur genauen Echtzeiterkennung meteorologischer Phänomene wie Winde, Windscherungen und Turbulenz. Dieses automatische meteorologische Überwachungssystem verwendet einen genormten Wetterradarsender, um ein vorgegebenes Raumvolumen mit einem Strom von Radarimpulsen abzutasten, um die Merkmale meteorologischer Phänomene zu ermitteln, die in dem vorbestimmten Volumen vorhanden sind. Das erfindungsgemäße Berechnungssystem nutzt eine neuartige Signalfilterung und neuartige Signalverarbeitungsalgorithmen in dem verbesserten Verfahren zur Momentenschätzung, um die gültigen Daten aus den Rückechos, die durch das Vorhandensein verunreinigender Signale gestört sind, zu extrahieren. Die auf diese Weise vorgenommene Abtrennung der gültigen Daten vom Rauschen verbessert die Reaktionsfähigkeit und Genauigkeit des Systems, in dem dieses Verfahren implementiert ist.
Das Berechnungssystem, das ein verbessertes Verfahren zur Momentenschätzung aufweist, verwendet Signalverarbeitungsalgorithmen, die auf einer Kombination von mathematischer Analyse, Fuzzy-Logik-Verfahren und Büdverarbeitungsverfahren basieren. Dieses verbesserte Verfahren zur Momentenschätzung ist auf eine breite Palette von spektrumsbasierten Systemen, wie zum Beispiel Messsysteme auf Dopplerbasis, anwendbar. Das zugrunde liegende Dopplermesssystem überwacht ein vorgegebenes Raumvolumen und erzeugt ein Dopplerspektrum für jeden Entfernungsbereich entlang einer vorgegebenen Blickrichtung. In jeder Entfernung kann das Dopplerspektrum als eine zweidimensionale Kurve g(x) aufgefasst werden, wobei x die Dopplergeschwindigkeit und g(x) die Signalleistung bei dieser Dopplergeschwindigkeit bezeichnet, wie in Fig. 20 dargestellt. Die Erfassung aller zweidimensionalen Dopplerspektren als Funktion der Entfernung kann man sich vorstellen als die Beschreibung einer dreidimensionalen Oberfläche g(x,y), wobei g(x,y) die Signalleistung bei der Dopplergeschwindigkeit x und der Entfernung y bezeichnet, wie als Konturschema in Fig. 21 dargestellt. Da die Koordinatenachsen nicht die gleichen Einheiten verwenden, wird eine a-priori-Koordinatenskalierung definiert durch:
αΔv = Δx, βΔR = Δy (1)
wobei α und β die jeweiligen Skalierungsfaktoren für die Dopplergeschwindigkeit v und die Entfernung R bezeichnen. Weiterhin kann die Signalleistung g(x,y) auch (zum Beispiel linear oder logarithmisch) skaliert werden, um bestimmte Merkmale des Signals hervorzuheben.
Der dreidimensionale Doppler-Geschwindigkeits-/-Entfernungs-Koordinatenraum wird dann in eine Vielzahl von Teilregionen aufgeteilt. Die Signalleistungsdaten für jede dieser Teilregionen werden von dem Berechnungssystem verarbeitet, um eine Vielzahl mathematischer Mengen, wie zum Beispiel Gradient und Krümmung, zu berechnen. Diese berechneten mathematischen Mengen werden dann über Fuzzy- Logik-Verfahren synthetisiert, um einen örtlichen, zusammengesetzten Wahrscheinlichkeitswert zu erzeugen, der anzeigt, wie ähnlich die Daten in der gegebenen Teilregion den Eigenschaften des gewünschten Signals sind. Dieses Verfahren lässt sich auch im umgekehrten Sinne anwenden, das heißt, um Teilregionen zu identifizieren, die bestimmten Verunreinigungsmerkmalen entsprechen. Dann wendet das Berechnungssystem globale Bildverarbeitungsverfahren auf die berechneten zusammengesetzten Wahrscheinlichkeitswerte an, um den gewünschten Abschnitt des Dopplerspektrums zu extrahieren, der der atmosphärischen Signalregion in dem meteorologischen Überwachungssystem der bevorzugten Ausführungsform der Erfindung entspricht. Danach werden die Dopplermomente aus der dementsprechend identifizierten atmosphärischen Signalregion errechnet.
Wenngleich diese von dem Berechnungssystem verwendeten Verfahren auf alle oben erwähnten spektralbasierten Messeinrichtungen zutreffen, wird als bevorzugte Ausführungsform der Erfindung eine spezifische Anwendung auf Doppler-Windprofilerkennungseinrichtungen beschrieben.

Kurze Beschreibung der Zeichnungen

Fig. 1 zeigt den grundlegenden Aufbau des meteorologischen Überwachungssystems der bevorzugten Ausführungsform der vorliegenden Erfindung;
fig. 2 zeigt als Blockschema den Gesamtaufbau des automatischen meteorologischen Überwachungssystems;
Fig. 3 zeigt ein gemitteltes Dopplerspektrum mit einem deutlich erkennbaren gewünschten Signal;
Fig. 4 zeigt ein gemitteltes Dopplerspektrum mit einem geringen Rauschabstand;
Fig. 5 zeigt ein gemitteltes Dopplerspektrum mit einem starken Störsignal;
Fig. 6 verdeutlicht das Flugzeugproblem mit der Zeitfolge ungemittelter Spektren und die nachfolgenden gemittelten Spektren für eine gegebene Höhe;
Fig. 7 zeigt die Wirkung nichtstationärer Windfelder (großräumige Turbulenz) auf die Spektralmittlung;
Fig. 8 zeigt ein Interessenabbild (interest map) für den "Weißegrad";
Fig. 9 zeigt ein Beispiel für ein Bodenstörsignal und die atmosphärische Rückgabe als Funktion von Geschwindigkeit und Höhe;
Fig. 10 zeigt ein Beispiel eines Interessenabbildes für den absoluten Wert der Steigung des Spektralsignals;
Fig. 11 zeigt ein Interessenfeld (interest field) nach der Anwendung des "Steigungs"- Interessenabbildes;
Fig. 12 zeigt ein Interessenabbild für das Krümmungsfeld;
Fig. 13 zeigt ein Krümmungs-Interessenfeld für das Datenbeispiel;
Fig. 14 zeigt ein "Gesamt"-Interessenfeld unter Verwendung von Steigungen und Krümmungen entlang der Geschwindigkeitsachse;
Fig. 15 zeigt ein Konturabbild (contour map) der gesamten Interessenwerte oberhalb einer Schwelle "T";
Fig. 16 zeigt eine erweiterte Region mit überlappenden Störzeichen und das atmosphärische Signal, einschließlich der Extrapolation des atmosphärischen Signals durch das Störzeichen;
Fig. 17 zeigt ein Beispiel für ein Flugzeugsignal in ungemittelten Spektren;
Fig. 18 zeigt als Ablaufschema die Verarbeitung der ungemittelten Spektren, um auf das Vorhandensein intermittierender Rauschquellen hinzuweisen;
Fig. 19A und 19B zeigen als Ablaufschema die Verarbeitung des gemittelten Spektrums zum Erkennen des Vorhandenseins kontinuierlicher Rauschquellen;
Fig. 20 zeigt eine grafische Darstellung der Dopplergeschwindigkeit im Verhältnis zur Signalleistung;
Fig. 21 zeigt eine grafische Darstellung von Signalleistungs-Konturlinien, die über eine grafische Darstellung der Dopplergeschwindigkeit im Verhältnis zur Signalleistung gelegt ist;
Fig. 22-27 zeigen grafische Darstellungen der Signalleistung zur Verdeutlichung des Wavelet-Analyseprozesses.

Detaillierte Beschreibung

Fig. 2 zeigt als Ablaufschema den Gesamtaufbau eines automatischen meteorologischen Überwachungssystems, in dem das Berechnungssystem, das ein erfindungsgemäßes verbessertes Verfahren der Momentenschätzung aufweist, implementiert ist. Die bevorzugte Ausführungsform der Erfindung stellt ein automatisches meteorologisches Überwachungssystem dar, das auch als Wetterradarsystem W bezeichnet und verwendet wird, um ein meteorologisches Phänomen zu erkennen, das sich in dem vorgegebenen räumlichen Bereich befindet, der von dem durch dieses System erzeugten Radarstrahl abgetastet wird. Das automatische meteorologische Überwachungssystem W verarbeitet die Rückechos RE im Berechnungssystem C, um dadurch die gewünschten Daten aus den Rückechos zu extrahieren, die durch das Vorhandensein von verunreinigenden Signalen gestört sind.
Zum Zweck der vorliegenden Beschreibung wird ein Windprofilerkennungssystem W als eine Anwendung des Berechnungssystems C offen gelegt. Das in dem Berechnungssystem C implementierte verbesserte Verfahren zur Momentenschätzung eignet sich insbesondere für ein Windprofilerkennungssystem, da die Genauigkeit und Reaktionsfähigkeit eines Windprofilerkennungssystems eine Funktion der Genauigkeit der Dopplermomente darstellt. Es gibt zahlreiche andere auf dem Dopplereffekt basierende Systeme, die aus der Verwendung des Berechnungssystems C nutzen ziehen können; die Beschreibung einer Windprofilerkennungsanwendung dient lediglich der Verdeutlichung, wobei nicht beabsichtigt ist, dass sie den Anwendungsbereich des Berechnungssystems C einschränkt.

Momentenberechnung

Die Unzulänglichkeiten bisheriger Windprofilerkennungssysteme bei der Lokalisierung des atmosphärischen Signalbereichs in den gemittelten Dopplerspektren stellen das Problem dar, das durch das in dem automatischen meteorologischen Überwachungssystem nach der bevorzugten erfindungsgemäßen Ausführungsform verwendete Berechnungssystem C gelöst wird. Die bevorzugte Ausführungsform der Erfindung weist ein Windprofilerkennungs-Wetterradarsystem W auf, das die von den meteorologischen Phänomenen M erzeugten Rückechos mittels des erfindungsgemäßen Berechnungssystems C in einzigartiger Weise verarbeitet, um die Charakteristika der meteorologischen Phänomene M, die in dem vorgegebenen Raumbereich V vorhanden sind, der von dem Radarstrahl des Wetterradarsystems W abgetastet wird, genauer und schneller zu ermitteln. In der bevorzugten Ausführungsform der Erfindung werden die Windmerkmale der meteorologischen Phänomene M von dem Windprofilerkennungs-Wetterradarsystem W gemessen. Dabei enthalten die Dopplerspekfren, die sich aus den Rückechos RE ergeben, im Allgemeinen ein Klarluftwind-Rückechosignal, kombiniert mit verschiedenen Störsignalen, die sämtlich ein Hintergrundrauschsignal überlagern. Wenn die Stör- und Rauschsignale relativ zu dem atmosphärischen Rückechosignal schwach sind, erfolgt die Identifizierung des Ortes des atmosphärischen Rückechosignals direkt, und die resultierenden Momente sind exakt. Wenn jedoch das atmosphärische Rückechosignal von Stör- und/oder Rauschsignalen überdeckt oder dominiert wird, erbringen die momentsuchenden Algorithmen der bisherigen Windprofilerkennungssysteme verfälschte Ergebnisse. Das Momentsuchverfahren momentsuchender Algorithmen der bisherigen Windprofilerkennungssysteme verwendet den Spitzenwert der Dopplerspektren als Anfangspunkt zum Suchen des atmosphärischen Rückechosignalbereichs. Wenn daher der Spitzenwert der Dopplerspektren einem Rausch- oder Störsignal zugeordnet und dieses von dem atmosphärischen Rückechosignal getrennt wird, sind die von dem Windprofilerkennungssystem W errechneten resultierenden Momente fehlerhaft. Zur Verdeutlichung zeigt Fig. 3 eine Darstellung eines typischen nicht verunreinigten gemittelten Dopplerspektrums, grafisch wiedergegeben in Form der Signalleistung als Funktion der radialen Geschwindigkeit. In dieser Abbildung ist das atmosphärische Rückechosignal (RE) deutlich von dem Rauschen N (die gestrichelte horizontale Linie bezeichnet den Grundrauschpegel) abgehoben, wobei ein schwaches Störsignal, das den feststellbaren Spitzenwert NP anzeigt, nahe dem Nullpunkt der radialen Geschwindigkeit auf der horizontalen Achse vorhanden ist. Die gestrichelten vertikalen Linien NVP, NVN bezeichnen den Nyquist-Geschwindigkeitsbereich. Der vermutete Bereich des atmosphärischen Rückechosignals RE wird gefunden, indem man auf beiden Seiten des ausgewählten Spitzenwertes des stärksten Signals (RE) bis zum Rauschpegel abwärts geht. Es ist klar, dass das Wählen des von dem Bereich RE in Fig. 3 bezeichneten Spitzenwertes in diesem Beispiel das gewünschte Ergebnis erbringt. Betrachten wir nun einen Fall, in dem der Rauschabstand gering ist, so dass das atmosphärische Rückechosignal RE im Rauschen verborgen ist. Fig. 4 zeigt ein typisches Beispiel dieser Situation, wobei ein durch Rauschen verunreinigtes gemitteltes Dopplerspektrum in Form der Signalleistung als Funktion der radialen Geschwindigkeit grafisch dargestellt ist. In diesem Falle erbringt die Verwendung des Spitzenwertes zur Ermittlung des Ortes des atmosphärischen Rückechosignals RE eine falsche Momentenberechnung. Das heißt, der Spitzenwert der größten Amplitude in Fig. 4 ist NP, der an der Position des mit "Rausch-Vr" bezeichneten Pfeils in Fig. 4 steht und dem Rauschen NP uhd nicht dem atmosphärischen Rückechosignal RE zugeordnet wird, das eine etwas kleinere Amplitude aufweist als der Rauschspitzenwert NP. Betrachten wir schließlich eine Situation mit einem Störsignal großer Amplitude, das das atmosphärische Rückechosignal dominiert. Fig. 5 zeigt ein typisches Beispiel dieser Situation, wobei ein durch ein Störsignal großer Amplitude verunreinigtes gemitteltes Dopplerspektrum in Form der Signalleistung als Funktion der radialen Geschwindigkeit grafisch dargestellt ist. Wie im vorhergehenden Falle wird das atmosphärische Rückechosignal RE bei Anwendung des Spitzenwertsuchverfahrens verfehlt, da das Störsignal großer Amplitude CS stärker ist als das atmosphärische Rückechosignal RE. Aus diesen Beispielen wird deutlich, dass zum Erkennen des atmosphärischen Rückechosignals bei Vorhandensein von Verunreinigungen ein anderes Verfahren erforderlich ist, um sicherzustellen, dass das richtige Signal zur Bestimmung des Windprofils verarbeitet wird.

Verunreinigungsquellen

Es ist günstig, die Verunreinigungsquellen in kontinuierliche und intermittierende Quellen zu untergliedern. Weiterhin sollten diese Kriterien (kontinuierlich bzw. intermittierend) auf eine spezifische Verarbeitungsaufgabe bezogen werden. Ein vorbeiziehender Regenschauer kann zum Beispiel in räumlichen und/oder zeitlichen Maßstäben variieren, die die radiale Geschwindigkeitsschätzung aus einem einzelnen Strahl von Radarimpulsen nicht beeinträchtigen, da der Regen in diesem Radarstrahl über die Zeitspanne hinweg konstant ist, die benötigt wird, um ein gemitteltes Spektrum zu erzeugen. Der Regen kann jedoch vielleicht in den anderen Radarstrahlen nicht zu sehen sein. Wenn nun eine Windschätzung unter Nutzung der radialen Geschwindigkeiten aller Radarstrahlen (für verschiedene Zeiten und Blickrichtungen) vorgenommen wird, kann die durch den Regen verursachte Schwankung höchst fehlerhafte Schätzungen erbringen. Daher können Regenschauer auf der Ebene des gemittelten Spektrums (radiale Geschwindigkeit) als kontinuierlich und auf der Windschätzungsebene als intermittierend angesehen werden.
Der Nutzen dieser Kategorisierung besteht darin, dass sie dazu beitragen kann, festzulegen, an welcher Stelle des Verarbeitungsstroms die verschiedenen Verunreinigungsquellen abgeschwächt werden sollten, zum Beispiel auf der Ebene der ungemittelten Spektren, der gemittelten Spektren oder der Windschätzung. In den folgenden nummerierten Punkten wird diese Frage ausführlicher behandelt.
(1) Flugzeuge. - Auf Grund ihres großen Radarquerschnitts und ihrer schnellen Bewegung können Flugzeuge, die das Radarstrahlmuster durchfliegen, ein bedeutsames Verunreinigungsproblem darstellen. Flugzeuge können als prototypische intermittierende Störquelle betrachtet werden und beeinträchtigen die Verarbeitung des Rückechosignals auf Momentenebene. Fig. 6 verdeutlicht das Flugzeugproblem mit einer Zeitfolge ungemittelter Spektren und die nachfolgenden gemittelten Spektren für eine gegebene Höhe, in der sich das Flugzeug befindet. Fig. 6 zeigt eine grafische Darstellung der Signalleistung als Funktion der radialen Geschwindigkeit, wobei die Abfolge der grafisch darübergelegten Kurven die gemittelte Spektralebene (AVE) und eine zeitlich geordnete Abfolge ungemittelter Spektralebenen darstellt und wobei drei der ungemittelten Kurven, T3, T2, T1 in Fig. 6 dargestellt sind. In jedem der ungemittelten Spektren T3-T1 erscheint das Flugzeug als lokalisiertes Rückechosignal mit großer Amplitude, das zufällig entlang der Achse der radialen Geschwindigkeit platziert ist. Die zufällige Platzierung des Flugzeug-Rückechosignals rührt vermutlich von Mehrfachfaltungen in Kombination mit den verschiedenen Sichtliniengeschwindigkeiten her, da das Flugzeug das Radarstrahlmuster schnell durchfliegt. Wenn das Flugzeug in einer signifikanten Anzahl dieser Rohspektren zu sehen ist, kann das resultierende gemittelte Signal entlang der gesamten Geschwindigkeitsachse "verschmiert" werden. Auf Grund der sehr hohen Rückechosignalleistung des Flugzeuges wird das generell viel schwächere atmosphärische Rückechosignal vollkommen unterdrückt.
(2) Regenschauer. - Diese Kategorie kann sowohl intermittierende als auch kontinuierliche Verunreinigungen zeigen, die sowohl die Momenten- als auch die Windschätzungsabschnitte der Windprofilverarbeitung beeinträchtigen.
(3) Quasi-stationäre Bodenstörungen. - Diese kontinuierliche Verunreinigungsquelle rührt von sich wiegenden Büschen, Bäumen, Stromleitungen usw. her. Der durch quasi-stationäre Bodenstörungen verursachte Verunreinigungsgrad wird üblicherweise mit der Umgebungswindgeschwindigkeit korreliert und beeinträchtigt den Momentenabschnitt der Windprofilverarbeitung.
(4) Sich bewegende Punktziele. - Sich bewegender Bodenverkehr stellt ein ähnliches, jedoch weniger gravierendes Problem dar als Flugzeuge. Zugvögel können ebenfalls ernste Probleme bei der Momentenschätzung hervorrufen. Als intermittierende Störquelle beeinträchtigen sich bewegende Punktziele die Windprofilverarbeitung auf Momentenebene.
(5) Geschwindigkeitsfaltung. - Geschwindigkeitsfaltung kann unter Bedingungen sehr starker Winde, starken Regens und einer Kombination beider auftreten, wenn diese Bedingungen radiale Geschwindigkeiten erzeugen, die die voreingestellte Nyquist- Geschwindigkeit des Windprofilerkennungssystems überschreiten. Diese Verunreinigungsquelle kann intermittierend oder kontinuierlich sein und beeinträchtigt daher sowohl die Momenten- als auch die Windschätzungsabschnitte der Windprofilverarbeitung.
(6) Geringer Rauschabstand. - Daten eines geringen Rauschabstandes neigen dazu, zu einer Funktion der Umgebungsatmosphäre zu werden: geringe Luftfeuchtigkeit oder sehr schwache Winde (keine durch Turbulenz verursachten Veränderungen im Brechungsindex). Hierbei handelt es sich im Allgemeinen um eine kontinuierliche Verunreinigungsquelle.
(7) Nichtstationäres Windfeld. - Wanderwellen großer Wellenlänge oder ein Frontaldurchgang stellen eine Verunreinigungsquelle von kontinuierlichem Charakter dar und beeinträchtigen den Windschätzungsabschnitt der Windprofilverarbeitung. Wenn der nichtstationäre Zustand auf Turbulenz zurückzuführen ist, handelt es sich im Allgemeinen um eine intermittierende Verunreinigungsquelle. Dies ist eine subtile Bedingung, die die Momentenberechnung beeinträchtigt und zu einer Überschätzung des zweiten Moments führt. Um dies zu erkennen, betrachte man drei ungemittelte Spektren, die zur Berechnung eines gemittelten Spektrums herangezogen werden.
Fig. 7 zeigt als grafische Darstellung die Signalleistung als Funktion der radialen Geschwindigkeit, wobei die Abfolge der grafisch darüber gelegten Kurven die gemittelte Spektralebene (AVE) und eine zeitlich geordnete Abfolge ungemittelter Spektralebenen darstellt und wobei drei der ungemittelten Kurven, T3, T2, T1 in Fig. 7 dargestellt sind. Wenn die größeren Turbulenzwirbel das Geschwindigkeitsfeld stören, können die ungemittelten Spektren wie in den unteren drei Spektren T3-T1 in Fig. 7 erscheinen. Der Ort der radialen Geschwindigkeit variiert, doch die Breite der Spektren (relativ zu den statistisch stationären kleineren Turbulenzwirbeln) nicht. Wenn das Mittel dieser drei Spektren genommen wird, wie in den oberen Spektren (AVE) der Abbildung dargestellt, bewirkt die Kombination der Einzelspektren eine übermäßige Verbreiterung der gemittelten Spektren. Eine falsche Schlussfolgerung aus diesen verbreiterten gemittelten Spektren könnte besagen, dass die Stärke der kleineren Turbulenzen sehr groß ist, obwohl die eigentliche Ursache in einer zeitweiligen Schwankung des größeren Stroms liegt.
(8) Inhomogenes Windfeld. - Diese Verunreinigungsquelle beruht üblicherweise auf einer Scherung im horizontalen Windfeld und beeinträchtigt das Windschätzungsverfahren, wenn die standardmäßige einheitliche Windannahme zugrunde gelegt wird.
(9) Funkfrequenzinterferenz (RFI). - Diese Verunreinigungsquelle rührt von verschiedenen Funkquellen (Mobiltelefone, Amateurfunkanlagen) her, die auf Frequenzen arbeiten, die nahe bei der Sendefrequenz der Profilerkennungseinrichtung liegen. Die RFI-Verunreinigung erscheint als recht großes Amplitudensignal in einem schmalen Band der Dopplergeschwindigkeiten und über viele Höhenwerte hinweg. Diese Verunreinigungsart ähnelt den Bodenstörungen dahingehend, dass sie leicht zu identifizieren und zu beseitigen ist, solange sie deutlich vom atmosphärischen Signal getrennt ist.
Es ist wichtig zu beachten, dass jeder Algorithmus zur Berechnung rasch aktualisierter Windschätzungen empfindlicher auf Probleme der intermittierenden Datenqualität reagiert. Das heißt, dass jeder Punkt aus der obigen Aufstellung, der als Problem "auf Momentenebene" bezeichnet ist, auch die nachfolgende Windschätzungsverarbeitung beeinträchtigt. Dies ergibt sich aus der fehlenden Fähigkeit, Verfahren wie den Konsensalgorithmus einzusetzen, um Langzeitmittel zu berechnen und äußere Verunreinigungen abzuschwächen.

Abschwächalgorithmen

Um gültige und brauchbare Daten aus den Rückechosignalen zu gewinnen, verwendet das Berechnungssystem C die in Fig. 1 dargestellte Architektur. Eine Reihe von modernen Signalverarbeitungsalgorithmen wird im erflndungsgemäßen Berechnungssystem C verwendet, um genaue Dopplermomente zu ermitteln, die benötigt werden, um rasch aktualisierte Wind-, Windscherungs- und Turbulenzschätzungen vorzunehmen. Um die gewünschte Reaktionsfähigkeit und Genauigkeit zu erreichen, ist es klar, dass die Beseitigung der oben erwähnten Verunreinigungsquellen zwingend geboten ist. Weiterhin besteht der einzige Weg zum Erreichen dieses Zieles darin, in Abhängigkeit von der jeweiligen Verunreinigungsquelle die Daten auf mindestens einer und vorzugsweise mehreren der folgenden Ebenen zu verarbeiten: Ebenen der ungemittelten Spektren und der gemittelten Spektren.

Mathematische Merkmalsextrahierung mittels Fuzzy-Logik

Spezialisten, die gemittelte Spektraldaten untersuchen, können üblicherweise den Bereich des atmosphärischen Rückechosignals selbst dann identifizieren, wenn die Spektren durch Rauschen und Störungen verunreinigt sind. Leider sind automatische Algorithmen, die in der Vergangenheit zur Identifizierung des atmosphärischen Rückechosignals entwickelt wurden, deutlich "ungeschickter" als Experten. Weiterhin wurden vorhandene automatische Verfahren im Allgemeinen für die Nachbearbeitung oder Analyse über lange Zeitintervalle verwendet und arbeiten bei kürzeren Zeitspannen nicht effektiv. Die hierin beschriebenen vollautomatischen Verfahren sind in der Lage, fast das Qualitätsniveau eines Spezialisten zu erreichen und eignen sich folglich für Echtzeitanwendungen in meteorologischen Überwachungssystemen. Der hierin als bevorzugte erfindungsgemäße Ausführungsform offen gelegte Ansatz stützt sich auf die mathematische Analyse in Kombination mit Fuzzy-Logik- und Bildverarbeitungsverfahren, um die Methodik der Spezialisten zu simulieren. Zwei sehr unterschiedliche Anwendungen dieser Methodik werden bei der Verarbeitung der Dopplerspektren verwendet: (1) Beseitigen der Verunreinigung durch intermittierende Punktziele auf ungemittelter Spektralebene und (2) Extrahieren des atmosphärischen Rückechosignals aus den gemittelten Spektren. Diese beiden Probleme tragen fast gegenteiligen Charakter. Im ersteren Fall ist das datenverunreinigende Element das gewünschte Merkmal, das isoliert und beseitigt werden soll, während in der letzteren Situation das atmosphärische Rückechosignal aus den datenverunreinigenden Elementen zu extrahieren ist. Dessen ungeachtet sind die grundlegenden Verarbeitungsalgorithmen für diese ungleichen Anwendungen die gleichen, wobei die Unterschiede in der Spezifik der jeweiligen Implementierung zu finden sind.

Bildung eines Fuzzy-Logik-Algorithmus

In den letzten Jahren haben sich Fuzzy-Logik-Algorithmen zu einem sehr nützlichen Werkzeug für die Lösung komplexer Probleme der realen Welt entwickelt. Die Fuzzy- Logik eignet sich gut für Anwendungen in linearen und nichtlinearen Steuersystemen, Signal- und Bildverarbeitung sowie Datenanalyse. Die Stärke der Fuzzy-Logik- Algorithmen liegt in ihrer Fähigkeit, systematisch die Klassifizierung, Mustererkennung und die natürlichen Mehrdeutigkeiten in Messdaten anzusprechen. Typische Nicht-Fuzzy-Anwendungen erfordern eine starre Unterteilung in "wahr" oder "falsch", wobei nichts dazwischen liegen kann. Die übliche Wahrscheinlichkeitstheorie quantifiziert lediglich die Wahrscheinlichkeit, dass das Ergebnis eines gegebenen Prozesses oder Experiments wahr oder falsch ist. Die Fuzzy-Logik ermöglicht eine direktere, intuitive und flexible Methodik beim Umgang mit den Launen der realen Welt. Während Fuzzy-Logik-Algorithmen in den technischen Wissenschaften bereits in breitem Maße und erfolgreich angewandt werden, ist der Einsatz dieser Verfahren in den meteorologischen Wissenschaften noch äußerst begrenzt. Auf Grund der inhärenten Mehrdeutigkeit vieler Aspekte der atmosphärischen Datenmessung, -analyse und numerischen Modellierung ist die Fuzzy-Logik ein sehr praktisches Werkzeug auf diesem Gebiet.
Im Allgemeinen umfasst die Bildung derartiger Fuzzy-Logik-Algorithmen vier Hauptschritte: Fuzzifizierung, Folgerung, Zusammensetzung und Defuzzifizierung. Im ersten Schritt erfolgt die Umwandlung von Messdaten in skalierte, einheitslose Zahlen, die die Entsprechung oder "Interessenebene" der Daten in Bezug auf das gewünschte Ergebnis bezeichnen. Diese Entsprechung wird durch die Anwendung einer festgelegten funktionalen Beziehung oder eines "Interessenabbildes" zwischen den Daten und der Interessenebene quantifiziert. Man betrachte als Beispiel eine Anzahl von Bällen, die in verschiedenen Grautönen bemalt sind, wobei "weiß" und "schwarz" die beiden Extreme bilden. In der Booleschen Logik ist auf die Frage: "ist dieser Ball weiße" nur eine von zwei Antworten möglich, "ja" oder "nein". Daher ist die Beantwortung dieser Frage für einen weißen oder schwarzen Ball einfach. Bei einem grauen Ball, der "fast weiß" ist, erzwingt die Boolesche Logik ein "Abrunden", wobei der fast weiße Ball als "weiß" angesehen wird. In der Fuzzy-Logik wird ein Interessenabbild, die die Graustufen berücksichtigt, konstruiert, wie in Fig. 8 dargestellt, in dem eine Interessenkurve als Funktion des Weißegrades dargestellt ist.
Der zweite Schritt, die Folgerung, ermöglicht die Konstruktion logischer Regelausdrücke. In der Booleschen Logik könnte eine derartige Regel die folgende Form annehmen:
wenn (A = WAHR UND B = WAHR), DANN (C = WAHR) (2)
wohingegen in der Fuzzy-Logik eine derartige Regel erscheinen könnte als:
wenn (A = 0,7 WAHR UND B = 0,3 WAHR), DANN (C ist 0,4 WAHR) (3)
wobei ein Wert von 0,7 WAHR der resultierende Interessenwert (interest value) nach der Anwendung eines Interessenabbildes auf die Daten A wäre. In dem obigen "Weißegrad"-Beispiel kann ein hellgrauer Ball einen Interessenwert von 0,7 aufweisen. Wichtig ist zu beachten, dass in diesem Beispiel ein maximaler Wahrheitswert von 1,0 angenommen wurde. Während dies in der Booleschen Logik zwingend ist, ist es in der Fuzzy-Logik nicht notwendig. Das heißt, wenn es für das gegebene Problem geeignet ist, könnte ein maximaler Wahrheitswert von 2,8 verwendet werden, so dass 0,7 WAHR einen Interessenwert von 0,7 · 2,8 = 1,96 ergeben würde. Die Verwendung von Folgerungsregeln ist in der vorliegenden Anwendung nicht enthalten, und die Synthese verschiedener Datenarten wird mittels des nächsten Schrittes, der Zusammensetzung, ausgeführt.
Der dritte Schritt bei der Bildung von Fuzzy-Logik-Algorithmen ist das Zusammensetzen, wobei die Interessenwerte aus einer Anzahl verschiedener Datenarten auf systematische Weise miteinander kombiniert werden. Dieser Prozess kann zu einer neuen, auf einer höheren Ebene liegenden Fuzzy-Regel oder zu einem exakten Wert führen. Für die vorliegende Anwendung werden die Interessenwerte an einem gegebenen (Radialgeschwindigkeits-/Entfernungs-) Punkt zu einem "Gesamt"-Interessenwert (IT) kombiniert, der eine präzise, eindeutige Zahl für diesen Punkt darstellt, indem eine gewichtete Linearkombination angewandt wird. Die Linearkombination der einzelnen Interessenwerte wird mit Koeffizienten (αi) berechnet, die so gewählt werden, dass ein gegebenes Leistungsmaß wie zum Beispiel ein statistisches Fertigkeitsniveau maximiert wird. Dies kann ein für alle Mal mittels verschiedener Optimierungsroutinen oder mittels empirischer Analyse erfolgen. Mathematisch wird das gesamte Interessenfeld am Ort der Radialgeschwindigkeits-/Entfernungskoordinate ( ) durch die einfache Formel
angegeben, wobei die Summe über alle Interessenfelder hinweg genommen wird. Es ist wichtig, zu beachten, dass alle einzelnen Interessenabbilder den gleichen Bereich aufweisen müssen, also alle von 0 bis 1 oder alle von -1 bis 1, usw. Der Normalisierungsfaktor in Gleichung (4) gewährleistet, dass der Wertebereich für das Gesamtinteresse im gleichen Bereich wie die Interessenabbilder liegt. Eine weitere, allgemeinere Anwendung der Gleichung (4) setzt adaptives Gewichten ein:
wobei 0 ≤ βi( ,t) ≤ 1 als "Vertrauens"-Werte betrachtet werden können, die für jeden Raum-Zeit-Punkt berechnet werden. Wird zum Beispiel der Rauschabstand verwendet, um die Gewichte zu modulieren, so ergibt ein geringer Rauschabstand niedrigere Werte für β, während bei höheren Rauschabstandswerten β vergrößert wird.
Der letzte (optionale) Schritt, die Defuzzifizierung, nimmt das Ergebnis des Zusammensetzungsschriftes, wenn dieser eine zusammengesetzte Fuzzy-Regel erzeugt hat, und erzeugt eine präzise Zahl. In der vorliegenden Anwendung wird dieser Schritt hauptsächlich mittels des oben beschriebenen Zusammensetzungsprozesses ausgeführt. Als Eingabe in die Bildverarbeitungsabschnitte des Algorithmus werden jedoch die Gesamtinteressenwerte als Schwellen gestaltet, so dass in einem Sinne jedem Radialgeschwindigkeits-/Entfernungspunkt eine präzise Zahl, Eins oder Null, in Abhängigkeit davon zugeordnet wird, ob der Punkt einem gegebenen Merkmal zugeteilt ist oder nicht. In diesem Zusammenhang kann sich "Merkmal" auf einen der folgenden Aspekte beziehen: atmosphärisches Signal, Regen, Vögel, Flugzeuge, RFI usw.

Beispielproblem

Die oben vorgestellten Algorithmuskonzepte sind anhand des nachfolgenden vereinfachten Beispiels leichter verständlich. Bodenstörungen können eine bedeutsame Quelle für Datenverunreinigung sein und erscheinen als Signal großer Amplitude mit dem Zentrum bei Geschwindigkeit Null und einer Erhebung über mehrere Höhenbereiche oberhalb des Bodens. Dem Spezialisten fällt es nicht schwer, diese Merkmalsart zu erkennen, doch ist es durchaus nicht einfach, einen Rechner die gleiche Aufgabe automatisch und sachgerecht ausführen zu lassen.
Es sollte beachtet werden, dass die im folgenden vereinfachten Beispiel beschriebenen Verfahren nur eine brauchbare intuitive Weise zum Verstehen des Einsatzes der Fuzzy-Logik-Methodik darstellen. Wie bei allen unten beschriebenen Algorithmuselementen ist es gewöhnlich am besten, ein kompliziertes Problem in sehr spezifische und zielgerichtete Unteralgorithmen aufzuteilen. Ein einziges Verfahren, das gleichzeitig das Bodenstörsignal beseitigen und das atmosphärische Rückechosignal beibehalten würde, ist problematisch, da die Bodenstörungen oft auf Kosten des gewünschten atmosphärischen Rückechosignals beseitigt werden. Daher schließt ein ausgeklügelteres Verfahren die Implementierung eines Unteralgorithmus ein, der speziell dafür entworfen wurde, Störungen zu identifizieren und dann ein Störmerkmal zu erzeugen, das nachfolgend in dem unten beschriebenen momentensuchenden Unteralgorithmus zum Einsatz kommt. Ungeachtet dessen verdeutlicht das folgende vereinfachte Beispiel die entscheidenden Punkte der Fuzzy-Logik-Methodik. Mathematisch lässt sich dieses Störsignal definieren als ein Satz von Punkten, die: (1) quasi symmetrisch um die Radialgeschwindigkeit Null angeordnet; (2) mit großen Steigungen entlang der Radialgeschwindigkeitsachse (positiv an einer Seite des Nullpunktes und negativ an der anderen Seite) versehen; (3) mit kleinen Steigungen entlang der Entfernungsachse versehen; (4) mit großer negativer Krümmung entlang der Radialgeschwindigkeitsachse (um die Radialgeschwindigkeit Null herum) versehen; und (5) mit kleinen Krümmungen entlang der Entfernungsachse versehen sind. Diese Charakteristika können als Randlinie visualisiert werden, die entlang der Entfernungsachse verläuft. Fig. 9 verdeutlicht diese Merkmalsart zusammen mit einem atmosphärischen Rückechosignal. Fig. 9 zeigt grafisch die Signalleistung als Funktion der radialen Geschwindigkeit für eine Vielzahl von Entfernungen, von denen vier, h1-h4, dargestellt sind. Jede der in Fig. 9 dargestellten Kurven schließt eine Bodenstörsignalkomponente h1G-h4G sowie eine atmosphärische Rückechosignalkomponente RE1-RE4 ein.
Leider sind alle oben erwähnten Charakteristika des Bodenstörsignals den Charakteristika des eigenfilichen atmosphärischen Rückechosignals recht äfinlich. Diese Signale tendieren dazu, sich nur in der Signalgröße zu unterscheiden. So können Störsignale "große" Steigungen aufweisen, während das atmosphärische Rückechosignal "nicht so große" Steigungen aufweist. Weiterhin können auch die Steigungen an den Rändern des Störsignals "nicht so groß" sein. Für das Problem, zwischen Signalen dieser Art zu unterscheiden, bieten sich gerade Fuzzy-Logik-Verfahren an. Dies liegt daran, dass alle verfügbaren Informationen auf systematische Weise einbezogen werden, bevor festgelegt wird, ob Daten behalten oder verworfen werden. Das heißt, striktes Festlegen von Schwellenwerten einzelner Datenarten wird vermieden, so dass die Erkennung eines Merkmals aus mehreren Indikatoren möglich wird. Weiterhin verringert der Einsatz von Bestätigungsinformationen aus disparaten Mengen, wie zum Beispiel Steigungen und Krümmungen, die Wahrscheinlichkeit der falschen Merkmalserkennung.

Interessenabbilder

Bei dem Bodenstörungsbeispiel gilt weiterhin eine große positive oder negative Steigung der Datenwerte in Richtung der Radialgeschwindigkeitsachse als deutlicher Hinweis auf das Vorliegen einer Störung. Da beabsichtigt ist, diese Verunreinigung zu beseitigen, erhält sie einen negativen Interessenwert. Leichte Steigungen der grafisch abgebildeten Datenwerte können dem atmosphärischen Rückechosignal zugeordnet werden, so dass sie einen positiven Interessenwert erhalten. Steigungen der nahe bei Null liegenden Datenwerte können neben dem Spitzenwert von Stör- oder atmosphärischen Rückechosignalen oder sogar in vom Rauschen dominierten Bereichen lokalisiert werden. Wie weiter unten ausführlich beschrieben, entstammen diese Steigungsberechnungen einer örtlichen Analyse der kleinsten Quadrate oder der Wavelets, so dass Rauschbereiche kleine Steigungen aufweisen können, wenn sie über die Methode der passenden kleinsten Quadrate geglättet oder mit den Wavelets herausgefiltert werden. Man kann sich diese Punkte als "neutrale" Indikatoren für Störungen vorstellen, so dass ihnen nahe bei Null liegende Interessenwerte gegeben werden. Eine Interessenabbild für den absoluten Wert der Steigung der Datenwerte könnte somit wir die in Fig. 10 dargestellte Kurve aussehen.
Es ist bequem, die Interessenwerte dahingehend aufzufassen, dass sie beschreiben, wie gut der gegebene Datenwert einer gewünschten Eigenschaft entspricht. Für die vorliegende Anwendung wurden die Interessenabbilder für einen Bereich von ± 1 angelegt. Wie oben erwähnt, sind die Interessenwerte nicht auf Werte zwischen ± 1 beschränkt, sondern können sogar beliebige Werte aufweisen, so lange sie für alle einzelnen Interessenabbilder konsistent sind. Der Einsatz des "Entsprechungs" Modells lässt lediglich die intuitive Auswahl der Interessenabbilder zu. Dies ist ein Hauptunterschied zwischen der Fuzzy-Logik und der Wahrscheinlichkeitstheorie: die Interessenabbilder können die Situation in einem probabilistischen Kontext beschreiben (falls eine Wahrscheinlichkeitsdichtefunktion bekannt ist), wobei die Werte zwischen 0 und 1 Liegen, doch ist dies nicht notwendig. Dies bietet eine größere Flexibilität bei der Implementierung des Verfahrens und ermöglicht auch die Einbeziehung dec Intuition und des Wissens vom Spezialisten. Die Interessenabbilder werden auf der Grundlage der Erfahrungen von Wissenschaftlern und Algorithmusentwicklern erstellt. Falls gewünscht, können sie auch anhand verschiedener quantitativer Verfahren festgelegt werden: über bekannte Wahrscheinlichkeitsdichtefunktionen, Optimierungsverfahren und/oder neurale Netzwerke. Die Leistung des Algorithmus ist recht robust in dem Sinne, dass die Gesamtleistung relativ unempfindlich gegenüber geringfügigen Veränderungen der Interessenabbilder ist. Es scheint, dass brauchbare Interessenabbilder eine sehr gute Leistung erbringen, da die Stabilität von der Kombination von Informationen aus vielerlei Quellen herrührt.

Interessenfelder

Mittels Interessenabbild kann jedem Punkt im Höhenbereich der Radialgeschwindigkeit auf der Grundlage des Wertes eines Datenfeldes ein Interessenwert zugeordnet werden, was zur Ausbildung eines Interessenfeldes führt.
Die Anwendung der Steigungsinteressenabbild aus Fig. 10 auf die Steigungen der grafisch dargestellten Datenwerte entlang der Radialgeschwindigkeifsachse auf die Daten der ersten Höhe h1 in Fig. 9 könnte zu dem in Fig. 11 dargestellten "Steigungs"-Interessenfeld führen. Diese Abbildung zeigt, wie die dem Störsignal zugeordneten großen Steigungen der grafisch dargestellten Datenwerte große negative Gewichtungen erhalten (zwei Negativspitzen umgeben den Nullpunkt der Radialgesehwindigkeit), wohingegen die leichten Steigungen des atmosphärischen Rückechosignals eine positive Gewichtung erhalten (zwei kleine positive Buckel am äußersten rechten Ende des Rückechosignals). Es ist jedoch klar, dass dieser eine Vorgang nicht ausreicht, um das atmosphärische Rückechosignal eindeutig gegenüber dem Störsignal zu identifizieren. Das heißt, ebenso wie das atmosphärische Rückechosignal weisen auch die Ränder des Störsignals Bereich mit leichten Steigungen auf, denen positive Gewichtungen gegeben wurden. Weiterhin haben die zentralen Bereiche (Bereich geringer oder nicht vorhandener Steigungen) dieser beiden Signale ähnliche, neutrale Gewichtungen erhalten. Um das gewünschte atmosphärische Rückechosignal weiter zu verstärken und gleichzeitig das unerwünschte Rauschen und die Störsignale abzuschwächen, werden mit Interessenfeldern andere Charakteristika dieser Signale analysiert.

Kombinieren von Interessenfeldern

Im Allgemeinen ist mehr als eine Quelle für Identifizierungsmerkmale wie Steigung und Krümmung entlang der Radialgeschwindigkeits- und der Entfernungsachse vorhanden, und der obige Prozess wird für die verschiedenen Mengen wiederholt, um einen Satz von Interessenwerten für jeden Analysepunkt zu erzeugen. Die einzelnen Interessenwerte an einem gegebenen Punkt werden mittels Gleichung (4) zu einem "Gesamt"-Interessenwert (IT) für diesen Punkt kombiniert.
In dem Bodenstörungsbeispiel wird aus der Krümmung der Datenwerte an jedem Punkt ein zweites Interessenfeld gebildet. Eine große negative Krümmung wird am ehesten der Zentralregion der Bodenstörung, eine leichte negative Krümmung dem Zentrum des atmosphärischen Signals zugeordnet. Weiterhin wird eine kleine positive Krümmung den Rändern eines Merkmals und eine große positive Krümmung dem Rauschen oder anderen datenverunreinigenden Elementen zugeordnet. Ein Interessenabbild für das Krümmungsfeld könnte aussehen wie das in Fig. 12 dargestellte Abbild.
Wie oben erwähnt, wird dieses Interessenabbild auf die Krümmung entlang der Radialgeschwindigkeitsachse für den ersten Bereich h1 der Daten aus Fig. 9 angewandt, woraus sich das "Krümmungs"-lnteressenfeld in Fig. 13 ergibt. Es ist zu erkennen, dass die Steigungs- und Krümmungsinteressenfelder einander ergänzen, wobei die Bereiche großen negativen Interesses aus dem Krümmungsfeld den zentralen Bereich der Störung und der Bereich mit großem negativen Interesse aus dem Steigungsfeld die "Seiten" des Störsignals identifizieren.
Im Allgemeinen müsste eine Anzahl von Interessenfeldern kombiniert werden, doch im vorliegenden vereinfachten Beispiel würde ein Gesamtinteressenwert IT( ) an einem gegebenen Punkt im "Geschwindigkeits-Höhen-Koordinatensystem durch eine lineare Kombination der beiden Interessenwerte zugeteilt:
wobei αs und αc die konstanten Gewichtungen bezeichnen. Fig. 14 zeigt, wie das Gesamtinteressenfeld bei Verwendung gleicher Koeffizienten für die beiden Interessenwerte aussieht.

Extrahieren von Merkmalen

In diesem hypothetischen Beispiel wurde der korrekte Ort des atmosphärischen Rückechosignals sichtbar als der breite, mit positivem Interesse belegte Buckel RE auf der rechten Seite von Fig. 14. Bei der Anwendung auf reale Daten sind die Ergebnisse nicht so klar, und es ist eine weitere Verarbeitung notwendig, um das gewünschte Signal vollständig zu extrahieren. Die kleinen Spitzen, die in Fig. 14 die Radialgeschwindigkeit Null umgeben, zeigen dieses Problem. Lokalisierte Bereiche "vernünftiger" Amplitudeninteressenwerte können sich aus den oben genannten Verarbeitungsschritten ergeben. Diese Merkmale können eine zufällige örtliche Verteilung wie im Falle rauschdominierter Signale aufweisen oder örtlich kohärent sein wie an den Rändern eines Störsignals gemäß der Darstellung im obigen Beispiel. Um dieses Problem anzugehen, ist es notwendig, von der Feinskalierungsanalyse zu einer globaleren Analyse überzugehen.
Der nächste Schritt des Berechnungsprozesses besteht darin, "Kandidatenmerkmale" aus dem Satz von Gesamtinteressenpunkten aufzubauen, die sich oberhalb einer gegebenen Schwelle befinden. Es ist wichtig zu beachten, dass bis zu diesem Punkt eine strenge Schwellenfestlegung der Daten vermieden wurde, um den Informationsverlust zu verringern. Fig. 15 zeigt, wie ein Konturabbild der Gesamtinteressenwerte oberhalb einer Schwelle "T" im vorliegenden Beispiel aussehen könnte. Die grafische Darstellung in Fig. 15 zeigt eine Interessenabbildung als Funktion von Entfernung und radialer Geschwindigkeit. Wie in der obigen Fig. 14 tritt das atmosphärische Rückechosignal auf der rechten Seite der Abbildung für das menschliche Auge hervor, obgleich kleinere Bereiche von Interessen oberhalb der Schwelle sichtbar sind. Diese Konturen sind jedoch nur grafische Konstrukte, denn die Daten sind noch immer einzelne Punkte und keine bestimmten Merkmale. Ein Spezialist würde die örtlichen Informationen visuell zu globalen Merkmalen verarbeiten. Deshalb wird in diesem Stadium der Versuch unternommen, die Fähigkeit des Menschen zur Verarbeitung des Bildes nachzubilden und das gewünschte Signal aus der Verunreinigung zu extrahieren.
Für diese Art der Merkmalsextrahierung und -charakterisierung steht eine Reihe von Bildverarbeitungsverfahren zur Verfügung. In der bevorzugten Ausführungsform der Erfindung werden zwei Verfahren verwendet, die schon früher auf Wetterradarbilder angewandt wurden: ein 2D-Gruppenalgorithmus für die ungemittelten Spektren und ein "Linearketten"-Algorihmus für die Verarbeitung gemittelter Spektren. Bei beiden Verfahren werden örtliche Daten mit Schwellen versehen, kombiniert und danach bestemmten, räumlich benachbarten Merkmalen zugewiesen. Dann können verschiedene analytische oder empirische Regeln auf diese Merkmale angewandt werden, um die "falschen" auszusondern und die "wahren" zu behalten. Eine vernünftige a-priori-Annahme könnte zum Beispiel sein, dass sich ein atmosphärisches Merkmal über eine erhebliche Zahl von Bereichen erstreckt. Eine nachfolgende Regel könnte sich dann auf die Anzahl von Bereichen beziehen, die ein bestimmtes Merkmal ausfüllt. Ein weiteres Unterscheidungsverfahren könnte das Zuordnen eines "Punktwertes" zu jedem Merkmal auf der Grundlage der Summe aller Gesamtinteressenwerte seiner zugehörigen Punkte sein. Diese beiden einfachen Regeln reichen wahrscheinlich aus, um das korrekte Merkmal in Fig. 15 zu identifizieren.

Momentenberechnungen

In diesem Beispiel mit gemittelten Spektren werden nach der Identifizierung des korrekten Merkmals die Momente auf eine den vorhandenen Verfahren ähnliche Weise berechnet. Es gibt bestimmte Details dieses Verfahrens in Bezug auf den Bereich, für den die Momente berechnet werden, die etwas vom Standardverfahren abweichen und nähere Behandlung verdienen. Das Standardverfahren ermittelt den Abschnitt der Spektren, für die die Momente berechnet werden, indem an der Spektralspitze begonnen und das Spektrum zu beiden Seiten des Spitzenwertes bis hinunter zum Rauschpegel abwärts verfolgt wird. Es ist naheliegend, dass dieses Verfahren zu falschen Momentwerten führen kann, wenn die Spektralspitze mit einer Verunreinigungsquelle verbunden ist. Die oben beschriebenen Merkmalextrahierungsverfahren können zwischen dem gewünschten atmosphärischen Rückechosignal und der Verunreinigung unterscheiden, so dass diese Kenntnis genutzt werden kann, um genauere Momente zu erhalten. Es sollte beachtet werden, dass bei einigen Windprofilerkennungseinrichtungen derzeit ein an den Standort anpassbarer Parameter (die Höhe, unter der Bodenstörungen zu erwarten sind) für den Versuch verwendet wird, um dieses Problem zu mildern. Das heißt, dass unter diesem vorgegebenen Höhenwert eine Suche nach der Spektralspitze vom Geschwindigkeitsnullpunkt weg erfolgt. Oft funktioniert dieses Verfahren, doch schlägt es fehl, wenn die Bodenstörungsverunreinigung bis über diese Höhe hinaus vorhanden ist oder wenn eine Verunreinigung durch sich bewegende Störquellen vorliegt. Zur künftigen Bezugnahme wird das Berechnungsverfahren zur Erzeugung der ersten drei Momente (Signalleistung, Radialgeschwindigkeit und Varianz des Spektrums) beschrieben. Zunächst wird der Rauschpegel (N) berechnet und von jedem Signalwert (S(v)) subtrahiert, woraus sich die modifizierten Signalwerte (v) = S(v) - N ergeben. Unter der Annahme, dass die beiden "abgeschnittenen" Radialgeschwindigkeiten (V&sub1;, V&sub2;) bekannt sind, werden nun die Momente angegeben als:
Um die hierin verwendeten, vom Standard abweichenden Verfahren zu verdeutlichen, sei das folgende Beispiel beachtet. Unter Erweiterung des Interessenbereichs zeigt Fig. 16, wie ein typisches Spektrum aussieht, wenn sich atmosphärische Rückecho- und Störsignale überlappen (dunkle dicke Linien).
Das Standardverfahren wählt die größte Spitze, das Störsignal, als Startpunkt und verfolgt dann das Signal abwärts bis zum Rauschpegel (horizontale gestrichelte Linie). Diese Schnittpunkte definieren dann die abgeschnittenen Radialgeschwindigkeiten (V&sub1;, V&sub2;), und die Momente würden danach mittels Gleichung (7) berechnet. Diese Herangehensweise führt Fehler in die Momentenberechnungen ein: die Überschätzung des nullten und des zweiten Moments und die Verzerrung des ersten Moments zum Störsignal hin. Da das Fuzzy-Logik-Verfahren zur Merkmalserkennung zwischen den Stör- und den atmosphärischen Rückechosignalen differenziert, können diese Fehler gemildert werden.
Dieser Prozess verläuft in zwei Schritten. Beginnend am Mittelpunkt des atmosphärischen Rückechosignalmerkmals wie beim Standardverfahren wird versucht, das Signal abwärts bis zum Rauschpegel zu verfolgen. Wie aus Fig. 16 zu ersehen ist, ist dies auf der rechten Seite des Signals erfolgreich und erbringt die abgeschnittene Geschwindigkeit V&sub2;. Beim Verfolgen des atmosphärischen Rückechosignals auf der Linken Seite abwärts wird jedoch ein Bodenstörungsmerkmal angeschnitten, bevor der Rauschpegel erreicht wird. Das Merkmalserkennungsverfahren ist nicht darauf gerichtet, das genaue Ausmaß dieser Merkmale zu ermitteln (dies ist die hier zu lösende Aufgabe), daher ist eine genauere Bestimmung des Schnittpunktes (P in Fig. 16) erforderlich. Dies kann mittels ähnlicher mathematischer und Fuzzy-Logik- Verfahren erfolgen, wie sie oben verwendet wurden. Der Punkt P ist Teil einer "kopfstehenden" Gratlinie (oder eines Tales) parallel zur Entfernungsachse. Ist dieser Schnittpunkt gefunden, so wird eine Extrapolation des atmosphärischen Rückechosignals bis hinunter zum Rauschpegel vorgenommen, wie durch die dünne graue Linie dargestellt, die von der linken Seite des atmosphärischen Rückechosignals ausgeht. Dies erbringt die linke abgeschnittene Geschwindigkeit &sub1;, wie in Fig. 16 dargestellt. Dann werden die Momente mittels der Gleichung (7) berechnet. Auf diese Weise werden die Fehler, die sich aus der Berechnung der Momente an Hand der verschmolzenen Signale ergeben, vermieden. Die gleiche Methodik kann auf das Überlappen des atmosphärischen Rückechos, Niederschlagssignale und Funkinterferenzen angewandt werden.

Kontinuitätsprüfungen

Sind für jede Entfernung die ersten Momente (Radialgeschwindigkeiten) berechnet, so wird eine abschließende Qualitätskontrolle vorgenommen: die Verifizierung der Kontinuität der Momente als Funktion der Entfernung. Während ein natürlicher Variabilitätsbereich über die Entfernung hinweg zugelassen wird, stellt dieser Schritt sicher, dass etwaige Ausreißer, die durchgegangen sind oder aus den vorhergehenden Schritten herrührten, beseitigt werden. Diese Kontinuitätsprüfung nutzt einen Fuzzy-Logik-Ansatz, wobei Interessenfelder aus dem chi-Quadratwert von örtlichen und quadratischen Kleinstquadratquellenpassungen zu den Momenten als Funktion der Entfernung erzeugt werden. Ein weiteres Interessenfeld wird aus der Abweichung des gegebenen Moments von einem örtlichen Mittelwert berechnet. Wenn durch diesen Prozess ein Ausreißer entdeckt wird, wird ein interpolierter Wert als Ersatzmoment verwendet. Wenn der Ausreißer nahe dem Rand (den niedrigsten oder höchsten Entfernungen) des Bereichs auftritt, wird ein extrapolierter Wert verwendet. Ein gleichartiger Qualitätskontrollprozess wird auf die zweiten Momente angewandt.

Ungemittelte Spektralverarbeitung: Punktzielbeseitigung

Die obigen Darlegungen konzentrierten sich auf die Erhöhung der Genauigkeit der Dopplermomente durch Differenzierung zwischen dem gewünschten atmosphärischen Rückechosignal und unerwünschten Verunreinigungssignalen. Leider gibt es Verunreinigungsquellen wie Flugzeuge, die eine so starke Störung des atmosphärischen Rückechosignals auf der gemittelten Spektralebene hervorrufen, dass die Genauigkeit dieser neuen Verfahren eingebüßt werden kann. Es sollte beachtet werden, dass Spezialisten ähnliche Schwierigkeiten haben, wenn sie das atmosphärische Rückechosignal zu identifizieren versuchen, das in Flugzeugverunreinigungen eingebettet ist. Die am stärksten intermittierenden Verunreinigungsquellen zeigen sich auf der ungemittelten Spektralebene. Zu diesen Quellen gehören Flugzeuge, Verkehr am Boden (Kraftfahrzeuge usw.), Vögel, nichtstationäre Windfelder und schnell fahrende Schiffe. Das Ergebnis der Verunreinigung passiert die Verarbeitungskette und verunreinigt die Momentenberechnungen und Windschätzungen. Daher werden je nach Stärke der Verunreinigung die Schätzungen des Windes, der Windscherungen und der Turbulenz beeinträchtigt.
Wie oben beschrieben und in Fig. 6 für eine einzige Entfernung dargestellt, erscheint ein Flugzeugecho in den ungemittelten Spektren meist als ein sehr großes Amplitudensignal, das als Funktion der Zeit an zufälligen Orten parallel zur Geschwindigkeitsachse auftaucht. In ungemittelten Spektren als Funktion der Dopplergeschwindigkeit und Entfernung kann das Flugzeugsignal wie in Fig. 17 mit einer Konturschwelle in Erscheinung treten, die deutlich über dem Rauschpegel liegt. Das Hauptecho des Flugzeuges ist unten links in Fig. 17 zu sehen, wobei eine Bodenreflexion bei gleicher Geschwindigkeit und doppelter Entfernung vorhanden ist. Auf der rechten Seite der Abbildung befinden sich in der gleichen Entfernung wie das Hauptechosignal des Flugzeuges einige weitere reflexionsartige Signale, die die Wirkung der Verunreinigung auf Empfänger- und Signalverarbeitungsebene auf Grund des Flugzeugechos mit großer Amplitude verdeutlichen. Diese "Bullaugen"-Signale sind mittels vieler der oben beschriebenen Verfahren leicht zu identifizieren. Die diesen Punktzielen zugeordneten Spektralwerte werden dann aus dem nachfolgenden Spektralmittelungsprozess ausgeschlossen.

Zweidimensionale Quadratanalyse nach dem Prinzip der kleinsten Quadrate

Sowohl bei den Verfahren der ungemittelten wie auch der gemittelten Spektralverarbeitung wird eine zweidimensionale Einpassung der gemittelten gefilterten Daten in eine quadratische Oberfläche nach dem Prinzip der kleinsten Quadrate ausgeführt. Da auf diese Ergebnisse weiter unten häufig Bezug genommen wird, seien die Details in diesem Unterabschnitt behandelt. Die Signalleistung steht für die Daten, die die quadratische Oberfläche (bezeichnet als g(x,y) aufweisen, wobei x eine Koordinate entlang der Radialgeschwindigkeitsachse und y die Koordinate entlang der Entfernungsachse bezeichnen). Die quadratische Oberfläche wird über alle Punkte in einem vorgegebenen Rechteck berechnet, wobei das Zentrum an dem Punkt (x&sub0;, y&sub0;) liegt. Die quadratische Oberfläche wird definiert durch:
g(x,y) = a(x - x&sub0;)² + b(x - x&sub0;)(y - y&sub0;) + c(y - y&sub0;)² + d(x - x&sub0;) + e(y - y&sub0;) + (8)
wobei gilt:
Bei der Anwendung der Einpassung auf diese quadratische Oberfläche sind verschiedene Mengen von Interesse, darunter die Krümmung entlang der Koordinatenachsen (a oder c) und die Größe des Gradientenvektors:
g(x&sub0;,y&sub0;) = (d² + e²)1/2 (10)
Orte mit sehr großen Gradienten und/oder Krümmungen sind meist Bereiche mit Datenverunreinigung, d. h. sie bezeichnen den Ort eines Punktzieles oder einer Bodenstörung.
Örtliche Maxima im Radialgeschwindigkeits-/Entfernungs-Koordinatensystem sind von ähnlicher Bedeutung. Wie oben erwähnt, erscheint das atmosphärische Rückechosignal meist als Gratlinie, die im Allgemeinen parallel zur Entfernungsachse verläuft. Punkte entlang dem oberen Teil dieser Gratlinie weisen die Eigenschaft auf, dass der Gradientenvektor nahe bei Null liegt, d. h. d und e Liegen nahe bei Null. Dies impliziert, dass an einem derartigen Punkt (x&sub0;,y&sub0;) gilt:
g(x&sub0;,y&sub0;) = A · + (11)
wobei die Matrix A und der Vektor definiert werden durch:
Damit der Punkt (x&sub0;, y&sub0;) ein örtliches Maximum wird, sollte die Matrix A negativ halbdefinit sein:
Dies impliziert, dass A negative Eigenwerte aufweisen sollte:
λ&sub1; = 1/2{a + c +[(a + c)² - 4ac + b²]1/2} ≤ 0,
λ&sub2; = 1/2{{a + c - [(a + c)² - 4ac + b²]1/2} ≤ 0 (14)
Diese Eigenwerte ergeben die Krümmung entlang der Richtung der größten und kleinsten Veränderung (λ&sub2; bzw. λ&sub1;) in der Funktion g(x,y) am Punkt (x&sub0;,y&sub0;). Diese Richtungen werden angegeben von den (Einheits-) Eigenvektoren &sub1;, &sub2;, die erhalten werden durch die Lösungen von:
(A - λ&sub1;I)·&sub1; = 0, (A - λ&sub2;I)·&sub2; = 0
Man betrachte die erste Gleichung:
Da per definitionem det A - λiI) = 0 ist, ist dieses Gleichungssystem entartet. Trotzdem kann eine Lösung für die Komponenten ξ&sub1; und ξ&sub2; wie folgt erhalten werden. Man setze ξ&sub1; auf Eins; dies impliziert, dass (ab der ersten Reihe von A) ξ&sub2; = (λ - a)/ . Der Normalisierungswert η&sub1; wird angegeben durch:
so dass der erste normalisierte Eigenvektor angegeben wird durch:
In gleicher Weise wird der andere Eigenvektor angegeben durch:
&sub2; = [1 + 2/b(λ&sub2; - a)²]-1/2[2/b(λ - a)] (19)
Bei der ungemittelten Spektralverarbeitung sind die interessanten Merkmale Punktziele, die im Koordinatenraum Radialgeschwindigkeit-Entfernung-Leistung (x,y,g) als ein sehr intensives, dreidimensionales "Bullauge" erscheinen. In der Nähe des Scheitels dieses Bullauges sind beide Eigenwerte groß-negativ und von etwa gleicher Größe. Auf Grund der digitalen Eingangsfilterung des Radarempfängers ist in der Praxis das Bullauge entlang der Entfernungsachse leicht verlängert.
Bei gemittelten Spektren sind die interessanten Merkmale die Orte des atmosphärischen Rückechosignals, die als "Gratlinie" in der allgemeinen Richtung der Entfernungskoordinate erscheinen. Für diese Situation sind die Richtungen, die den beiden Eigenwerten entsprechen, folgende: entlang der Gratlinie, wobei λ&sub1; klein ist (negativ oder zumindest klein positiv); und senkrecht zur Gratlinie, wobei λ2&sub1; negativ und größer als λ&sub1; ist.
Bei diesem Gratlinienmodell ist es von Vorteil, die den Eigenwerten zugeordneten Interessenwerte durch Projektion des zugeordneten Eigenvektoren auf die Koordinatenachse zu gewichten. Das heißt: wenn die Gratlinie entlang der Entfernungsachse gerade aufwärts verläuft, liegt der λ&sub1; zugeordnete Eigenvektor entlang der Geschwindigkeitsachse. Das Umgekehrte gilt für den anderen Eigenvektor, der entlang der Entfernungsachse verläuft. Natürlich ist das Windfeld im Allgemeinen nicht in allen Entfernungen konstant; daher verlaufen die Eigenvektoren nicht immer exakt im Einklang mit den Koordinatenachsen. Trotzdem sollten bei realistischen Windfeldern die Richtungen der Eigenvektoren nicht zu weit von den jeweiligen Achsen entfernt sein. Deshalb kann die Abweichung der Eigenvektoren von den jeweiligen Achsen als Gewichtungsfaktor für den Eigenwerten zugeordneten Interessenwert verwendet werden. Insbesondere werden der Sinus und der Kosinus von &sub2; zum Gewichten von λ&sub1; bzw. λ&sub2; verwendet. (Man erinnere sich daran, dass die Eigenvektoren orthonormal zueinander stehen, so dass jeder der beiden Eigenvektoren alle benötigten Informationen angibt.) Die (multiplikativen) Gewichte für λ&sub1; und λ&sub2; sind jeweils:
min[1.0, sin( &sub2;) + 0.3], min[1.0, cos( &sub2;) + 0.3]. (20)
Der additive Faktor von 0,3 wird verwendet, um sicherzustellen, dass auf die Eigenwerte niemals die Gewichtung Null angewandt wird. Ein derartiger Fall könnte bei Vorhandensein einer sehr großen, (in der Entfernung) lokalisierten Windscherung auftreten, wobei die örtliche Gratlinie entlang der Geschwindigkeitsachse verlaufen könnte. Das oben beschriebene Verfahren wird nachfolgend als "vektorgewichtet" bezeichnet.

Waveletanalyse

Ein sehr mächtiges Werkzeug bei der Analyse nicht uniformer Daten ist die Wavelet- Transformation. In der oben beschriebenen Quadratanalyse nach dem Prinzip der kleinsten Quadrate wurde eine a-priori-Wahl der räumlichen Skalierung getroffen. Das heißt, die quadratische Oberfläche wird an die Daten innerhalb eines vorgegebenen Rechtecks fester Größe angepasst. Wenn die Größe eines gegebenen Interessenmerkmals der Größenordnung des Rechtecks entspricht, ergibt die Quadratanpassung die gewünschten ersten und zweiten abgeleiteten Informationen. Passt der Maßstab des Merkmals jedoch nicht zur Größe des Rechtecks, so wird die Quadratanpassung das Merkmal nicht optimal analysieren. Da die Quadratanpassung global für das gesamte Rechteck gilt, wird sich die Position von Merkmalen, die kleiner sind als das Rechteck, nicht gut identifizieren lassen.
Dieses Problem könnte durch den Einsatz einer Anzahl unterschiedlich großer Rechtecke und die Ausführung der quadratischen Oberflächenanpassung nach dem Prinzip des kleinsten Quadrates bei jedem dieser Maßstäbe überwunden werden. Dieses Verfahren ist jedoch rechnerisch aufwendig und noch immer auf die Größe der Rechtecke beschränkt. Die kontinuierliche Wavelet-Transformation (CWT) löst dieses Problem auf mathematisch effiziente und elegante Weise. Die zweidimensionale CWT eines Signals ( ) wird definiert durch:
Das * bezeichnet eine komplexe Konjugation. Die Wavelet-Grundfunktion ψ ist eine vergrößerte, übersetzte und rotierte Version eines sogenannten "Mutter-Wavelets",
Der Parameter a > 0 ist der Vergrößerungsparameter, = (bx,by) ist der Übersetzungsvektor, und r-θ ist ein Rotationsoperator, der definiert wird durch:
Cψ ist eine Normalisierungskonstante, angegeben durch:
wobei ψ( ) die Fourier-Transformation der Wavelet-Grundfunktion bezeichnet. Die Anwendung des Konvolutionstheorems auf Gleichung (21) ergibt
Diese Version der CWT zeigt an, dass die Wavelet-Transformation der Funktion f( ) auch aus der umgekehrten Fourier-Transformation des Produktes der Fourier- Transformationen der Funktion und der Wavelet-Grundfunktion zu erhalten ist. Diese Form der CWT eignet sich für die effiziente Berechnung mittels der Schnellen Fourier-Transformation (FFT). Eine weitere Erhöhung der Effizienz lässt sich erreichen, wenn man die FFTs der geeigneten diskretisierten Wavelet-Grundfunktionen als gegeben verwendet. Es ist wichtig, zu beachten, dass sich in diesem Zusammenhang der Begriff "kontinuierlich" auf die Variation der Vergrößerungs- und Rotationsparameter bezieht, da die umgekehrte Fourier-Transformation der Gleichung (25) mit einer diskreten FFT ausgeführt wird.
Die Anwendung der kontinuierlichen Wavelet-Transformation auf die zweidimensionale Bildanalyse ist bislang sehr begrenzt. Einas der Probleme im Zusammenhang mit der vieldimensionalen Waveletanalyse besteht in der deutlichen Zunahme der Dimensionalität des resultierenden Parameterraums. Bei der eindimensionalen Fourier-Analyse wird zum Beispiel ein Signal in harmonische Komponenten zerlegt. Um das Signal oder seine Fourier-Transformation zu visualisieren, sind jeweils zwei Dimensionen erforderlich: die Signalamplitude und -position (oder -zeit) oder die Transformationsamplitude und Wellennummer (oder Frequenz). Die Analyse zweidimensionaler Daten führt zu einer Zunahme um eins in der Dimension des Phasenraums: Signalamplitude und zwei Positionsvariablen bzw. Transformationsamplitude und zwei Wellennummern für die Signal- bzw. Fourier-Transformation.
Andererseits ist der Phasenraum der Wavelet-Transformation doppelt so groß wie für das ursprüngliche Signal. Das heißt: um den Phasenraum der Wavelet- Transformation für ein eindimensionales Signal zu visualisieren, sind drei Dimensionen erforderlich: Wavelet-Amplitude und zwei Wavelet-Parameter (Position und Vergrößerung). Bei einem zweidimensionalen Signal wäre eine fünfdimensionale Visualisierung notwendig: Wavelet-Amplitude als Funktion von vier Wavelet-Parametern (zwei Positionsparametern, einem Vergrößerungsparameter und einem Rotationsparameter). Daher ist eine der Stärken der Wavelet-Transformation gleichzeitig einer ihrer einschränkenden Faktoren in der praktischen Anwendung: das Entfalten der Daten in einen höherdimensionalen Phasenraum. Durch die Anwendung der oben beschriebenen Fuzzy-Logik-Syntheseverfahren wird die Verwendung vieldimensionaler Wavelets erleichtert. Dies beseitigt natürlich nicht das Visualisierungsproblem. Es stellt jedoch kein Problem für einen Fuzzy-Logik-Algorithmus zur Merkmalsidentifizierung wie den oben erwähnten dar.
Ein weiterer beim Einsatz von Wavelets zu beachtender Faktor ist die Vielzahl zulässiger Grundfunktionen. Aus der CWT-Formel in Gleichung (21) ist zu ersehen, dass die Wavelet-Transformationsamplituden widerspiegeln, wie gut die Grundfunktion (für einen gegebenen Satz von Vergrößerungs-, Übersetzungs- und Rotationsparametern) mit den Daten korreliert wird. Da es eine große Breite an zulässigen Wavelet- Grundfunktionen gibt, ist es daher vernünftig, eine auszuwählen, die "wie die" Interessenrnerkmale "aussieht". Im Zusammenhang eines Fuzzy-Logik-Algorithmus könnte eine Reihe von Wavelet-Grundfunktionen verwendet werden, um einen gegebenen Datensatz zu analysieren, wobei jedes Wavelet gewählt wird, um bestimmte Charakteristika aus den Daten zu extrahieren.
Eine brauchbare Beziehung ist in diesem Zusammenhang
Diese Gleichung zeigt, dass mit einer einzigen Wavelet-Grundfunktion die CWT der Ableitungen der Funktion effizient ausgewertet werden kann. Ein sehr wichtiges Merkmal der Gleichung (26) besteht darin, dass die Ableitungen der Funktionen selbst nicht ausgewertet zu werden brauchen, sondern nur die Ableitungen der Wavelet-Grundfunktion. Somit kann, sogar wenn die Funktion selbst diskontinuierlich (oder nur verrauscht) ist, die CWT der Ableitungen der Funktion ausgewertet werden, so lange die Grundfunktion so gewählt wird, dass ihre Ableitungen vorhanden und kontinuierlich sind. Diese Ableitungen stehen natürlich in Beziehung mit den Mengen, die aus der oben beschriebenen Quadratanalyse abgleitet wurden (vgl. Gleichung (8)). Daher kann eine einzige Wavelet-Grundfunktion zusammen mit ihrer ersten und zweiten Ableitung verwendet werden, um Mittelungs-, Steigungs- und Krümmungsinformationen aus den Daten zu extrahieren. Weiterhin ermöglicht die CWT die Berechnung dieser Mengen in multiplen Raummaßstäben (durch Variierung des Vergrößerungsparameters) und entlang verschiedener Koordinatenachsen (durch Variierung des Rotationsparameters).
Als spezifisches Beispiel für die oben beschriebenen Konzepte ist der Einsatz der CWT bei der Identifizierung von Flugzeugverunreinigungen in ungemittelten Spektren zu betrachten. Fig. 22 und Fig. 23 zeigen in einer grafischen Netzdarstellung das eine große Amplitude aufweisende, diskrete Signal eines Flugzeugs. Bei der linearen Amplitudenskalierung (Fig. 22) ist das Hauptecho des Flugzeuges gut zu erkennen. Eine gründliche Untersuchung der Fig. 23 (mit dB-Skalierung) enthüllt andere von der Flugzeugverunreinigung herrührende Anzeichen mit niedrigerer Amplitude. Bei diesen Merkmalen, die sich in der gleichen Entfernung wie das Hauptecho befinden, handelt es sich um Anzeichen, die auf die Sättigung des Empfängers zurückzuführen sind. Ein weiteres subtiles Merkmal ist die Asymmetrie im Flugzeugsignal als Funktion der Entfernung. Diese leichte Ausweitung auf größere Entfernungen ist auf ein Bessel-Funktionsfilter im Empfänger zurückzuführen.
Wie oben dargelegt, ist es wünschenswert, eine Wavelet-Grundlage zu verwenden, die gut an das Signal angepasst ist und mindestens zu einer zweiten Ordnung differenzierbar ist. Eine Wavelet-Grundlage, die diesen Kriterien gerecht wird, ist das komplexe Morlet-Wavelet, das definiert ist durch:
wobei gilt: B = A&supmin;¹. Für die vorliegende zweidimensionale Analyse werden folgende Parameter gewählt:
wobei k0 = und &epsi; ein Anisotropiefaktor ist, der das Wavelet entlang der x-Achse streckt. Mit diesen Parametern wird Gleichung (27) angegeben durch
Man erinnere sich, dass das vergrößerte, rotierte und übersetzte Wavelet angegeben ist durch
Mit der Definition
kann die Gleichung (29) geschrieben werden als
In dieser Form ist es klar, wie &epsi; > 1 agiert, um das Wavelet in der Richtung x' zu verlängern. Wenn k&sub0; groß genug ist (≥ 5,5), ist der letzte Ausdruck in Gleichung (30) vernachlässigbar. Das Morlet-Wavelet ist dann eine modulierte, gestreckte, zweidimensionale Gaußsche Funktion. Der absolute Betrag des Wavelets ist einfach ein gestreckter Gaußscher.
Es ist naheliegend zu zeigen, dass die folgenden Beziehungen gelten:
Fig. 24 bis Fig. 27 zeigen einige der Charakteristika des absoluten Betrags des Morlet-Wavelets. Jedes dieser Wavelets hat sein Zentrum bei (0,0) (d. h. = (0,0)) und
weist einen Wert k&sub0; auf, der so groß ist, dass der letzte Ausdruck in Gleichung (30) vernachlässigt werden kann. Die erste Abbildung zeigt den absoluten Betrag des Wavelets, zentriert bei (0,0), mit einem geringen Vergrößerungsfaktor und mit einem Anisotropiefaktor &epsi; = 1, um das Wavelet symmetrisch zu gestalten. Fig. 25 zeigt das gleiche Wavelet, wobei der Vergrößerungsfaktor allerdings reduziert wurde. Fig. 26 zeigt die Wirkung einer Erhöhung des Anisotropiefaktors, wodurch das Wavelet entlang der x-Achse verlängert wird (θ = 0º). Die letzte Abbildung ist die gleiche wie Fig. 26, jedoch um 90º gedreht.
Aus diesen Abbildungen ist leicht zu ersehen, dass der absolute Betrag des Morlet- Wavelets für die Analyse des Flugzeugverunreinigungsproblems geeignet ist. Auf der Basis empirischer Versuche kann ein kleiner Satz von Wavelet-Parametern so ausgewählt werden, dass die rechnerische Effizienz maximiert wird. Zur Identifizierung weiterer, komplexerer Merkmale wird eine ausreichend allgemeine Folge von Waveletanalysen verwendet, die einen größeren Parametersatz einschließt (mehr Vergrößerungen, Rotationen usw.). Hinzu kommt der Einsatz der Waveletableitungen. In jedem Falle wird jedoch ein Fuzzy-Logik-Algorithmus gebildet, um die verschiedenen Waveletamplituden als Teil des Merkmalsidentifizierungsalgorithmus zu kombinieren.

Dichtegewichtung

Ein weiteres Bildverarbeitungsverfahren, das sowohl bei der ungemittelten wie auch bei der gemittelten Spektralverarbeitung verwendet wird, ist die Dichtegewichtung. Dieses Verfahren wird eingesetzt, um Merkmale zu "schärfen", indem jeder Punkt durch die (normalisierte) Anzahl benachbarter Punkte gewichtet wird, deren Gesamtinteressenwert über einem festgelegten Schwellenwert liegt. Dieses Verfahren ist gut geeignet, um Punkte mit geringerer Intensität an der Grenze eines Merkmals zu beseitigen, indem ihre ursprünglichen Werte mit Zahlen kleiner als eins gewichtet werden. Für einen Punkt weit innerhalb eines Merkmals mit hoher Intensität ist sein Gewichtungsfaktor die Einheit, so dass sein ursprünglicher Wert unberührt bleibt. Als Beispiel sei angenommen, dass ein Satz benachbarter Punkte durch ein Quadrat von drei mal drei Punkten definiert ist, wobei der mittlere darin enthaltene Punkt der zu gewichtende ist. Wenn die Gesamtinteressenwerte von vier dieser Punkte oberhalb des Schwellenwertes liegen, beträgt der normalisierte Gewichtungsfaktor 419, was dann mit dem ursprünglichen Gesamtinteressenwert für den zentralen Punkt multipliziert wird. Dies kann mathematisch für ein allgemeines nxm-Rechteck mit p Punkten oberhalb des Schwellenwertes kodifiziert werden. Wenn der ursprüngliche Wert des mittleren Punktes V war, so beträgt sein dichtegewichteter Wert VPlnm.

Technische Beschreibung: Verarbeitung auf der ungemittelten Spektralebene

Nachfolgend werden zwei optionale Algorithmen beschrieben: "Vollbereichs-" und "Teilbereichs"-Verarbeitung. Hierbei bezieht sich der Begriff "Bereich" auf das Radialgeschwindigkeits-/Höhen-Koordinatensystem. Der Grund für das Anbieten von zwei Verfahren liegt in der rechnerischen Effizienz, wobei das erstere Verfahren genauer, jedoch rechnerisch aufwendiger, das Letztere hingegen effizienter, doch etwas ungenauer ist. Die zweidimensionale Quadrateinpassung nach dem Prinzip der kleinsten Quadrate kann rechnerisch aufwendig sein, wenn sie auf jedes "Teilrechteck" des Radialgeschwindigkeits-/Entfernungskoordinatenraumes angewandt wird. Beim Teilbereichsverfahren wird ein "Vorfilterungs"-Schritt ausgeführt, um die Gebiete im Vollbereich zu identifizieren, in denen ein Flugzeugsignal lokalisiert werden kann. Die Kleinstquadrat- oder Waveletanalyse wird dann ausschließlich auf diese Gebiete angewandt. Der Vorfilterungsschritt nutzt einen zweidimensionalen Gruppierungsalgorithmus, um Gebiete mit Signalen großer Amplitude zu identifizieren, die Kandidatenorte für eine Flugzeugverunreinigung sein können. Die Kleinstquadrat- oder Waveletanalyse sowie Fuzzy-Logik-Verfahren werden dann auf diese Kandidatengebiete angewandt, um die Flugzeugsignalgebiete, und zwar sowohl das Hauptsignal als auch Reflexionen, tatsächlich zu identifizieren.
In den nachfolgenden Abschnitten erscheint mehrfach der Begriff "normalisiert". Im allgemeinen Sinne bezieht sich dieser Begriff auf das Dividieren einer gegebenen Menge an einem Radialgeschwindigkeits-/Höhenort durch das Maximum dieser Mengen auf dieser Höhe. Die Normalisierung des Eigenwertes λ&sub2; an einem Radialgeschwindigkeits-/Höhenort würde beispielsweise erfolgen, indem er durch das Maximum aller λ&sub2;-Werte auf dieser Höhe dividiert wird.

Vollbereichsverarbeitung

Dieser in Form des Ablaufschemas in Fig. 18 offen gelegte Algorithmus wird auf ungemittelte Dopplerspektren angewandt, um Punkte aus den Spektren zu beseitigen, die durch Punktziele wie zum Beispiel Flugzeuge verunreinigt sind. Das folgende Verfahren wird bei allen entfernungstorgesteuerten ungemittelten Spektren von einem gegebenen Strahl ausgeführt. Das allgemeine Konzept geht davon aus, dass diese Punkte im Doppler-Radialgeschwindigkeits-/Enffernungs-/Leistungs-Koordinatenraum als dreidimensionales "Bullauge" von hoher Intensität erscheinen. Sind diese Merkmale identifiziert, so werden sie von den übrigen Daten isoliert und nicht in die nachfolgende Erzeugung der gemittelten Spektren einbezogen. Dieses Verfahren umfasst die folgenden Schritte:
(1801) Erhalten ungemittelter Spektren von allen Entfernungen für den gegebenen Strahl.
(1802) Berechnen des Rauschpegels bei jeder Entfernung unter Einsatz eines Verfahrens auf der Grundlage des Hildebrand-und-Sekhon-Verfahrens.
(1803) Anwenden eines zweidimensionalen Mittelungsfilters auf die Spektraldaten.
(1804) Ausführen einer zweidimensionalen Quadratanalyse nach dem Prinzip der kleinsten Quadrate (QLSA-2d) oder einer Waveletanalyse der Spektraldaten. Die Analyse wird an jedem Spektralpunkt unter Nutzung dieses Punktes und der Umgebungspunkte in einer festen Kastengröße ausgeführt. Diese Analyse wird mit verschiedenen Spektralskalierungen, linear und dB, ausgeführt.
(1805) Anwenden von Fuzzy-Logik-Verfahren unter Nutzung der verschiedenen Spektralfelder, die von der Kleinstquadrat- oder Waveletanalyse zurückgegeben werden, um ein Gesamtinteressenfeld mit Bezug auf das Vorhandensein eines Punktzieles in den Spektraldaten zu erzeugen.
Die bei dieser Fuzzy-Logik-Anwendung verwendeten Datenfelder sind:
(a) Größe des Gradientenvektors aus der QLSA-2d der dB-skalierten Spektraldaten.
(b) Größe des Gradientenvektors aus der QLSA-2d der linear skalierten Spektraldaten.
(c) Verhältnis von λ&sub2; zu λ&sub1; aus der QLSA-2d der dB-skalierfien Spektraldaten.
(d) λ&sub2; aus der QLSA-2d der dB-skaiierten Spektraldaten.
(e) λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(f) λ&sub1; aus der QLSA-2d der dB-skalierten Spektraldaten.
(g) λ&sub1; aus der QLSA-2d der linear skalierten Spektraldaten.
(h) Normalisierte Differenz zwischen den Spektralintensitätswerten von Punkten in jeweils gleicher Entfernung von der Geschwindigkeit Null.
(1806) Anwenden einer Dichtegewichtungsfunktion auf das resultierende Gesamtinteressenfeld, um die wichtigen Gebiete hervorzuheben.
(1807) Schwellenwertbildung des Gesamtinteressenfeldes und Finden von Bereichen von zusammenhängendem hohem Interesse.
(1808) Systematisches Kombinieren dieser Interessenbereiche, um Merkmale zu bilden, die die erwartete elliptische Form aufweisen.
(1809) Kennzeichnen der Spektraldaten innerhalb der Merkmale, damit sie nicht in die Erzeugung der gemittelten Spektren einbezogen werden.
Wurden mittels dieser Schritte die stärkeren Flugzeugmerkmale gefunden, so können sie verwendet werden, um nach schwächeren Flugzeug-"Reflexions"-Signalen zu suchen. Das heißt, man sucht nach einem Bodenreflexionssignal in der doppelten Höhe oder einem symmetrisch um die Geschwindigkeit Null angeordneten Sättigungssignal. Ähnliche Verfahren lassen sich anwenden, um andere Verunreinigungen, wie zum Beispiel Verunreinigung durch Vögel und RFI, aus den ungemittelten Spektren zu beseitigen.

Teilbereichsverarbeitung

Bei dieser effizienteren Implementierung wird ein Vorverarbeitungsschritt, wie er als Ablaufschema in Fig. 19A und 19B offen gelegt ist, vor der Ausführung der Kleinstquadrat- oder Waveletanalyse durchgeführt. (1) Erhalten ungemittelter Spektren von allen Höhen für den gegebenen Strahl. (2) Anwenden eines zweidimensionalen Gruppierungsalgorithmus, um Bereiche zu ermitteln, die ein Flugzeugsignal enthalten könnten. (3) Anwenden der Schritte (1803-1809) des obigen Vollbereichsverarbeitungsalgorithmus auf die Kandidatenbereiche für Flugzeugverunreinigungen. Wie oben erwähnt, kann anschließend eine Suche nach schwächeren "Reflexions"- Signalen vorgenommen werden.

Technische Beschreibung: Verarbeitung auf der gemittelten Spektralebene

Im vorhergehenden Abschnitt wurde ein Qualitätskontrollverarbeitungsalgorithmus auf der ungemittelten Spektralebene beschrieben, der imstande ist, Verunreinigungen von stark intermittierenden Quellen zu beseitigen. Auf diese Weise werden die resultierenden gemittelten Spektren weniger durch diese Verunreinigungsquellen beeinträchtigt. Wie oben dargelegt, existieren jedoch viele weitere Verunreinigungsquellen, die auf der gemittelten Spektralebene angesprochen werden müssen. Ungenaue Momentenschätzungen, die durch diese kontinuierlichen Verunreinigungsquellen verursacht werden, beeinträchtigen die nachfolgenden Wind-, Windscherungs- und Turbulenzberechnungen. Die allgemeinen Verarbeitungskonzepte, mathematische Analyse, Fuzzy-Logik und Bildverarbeitung, wurden oben behandelt. Nachfolgend wird eine detaillierte Beschreibung des Algorithmus vorgelegt.
(1901) Erhalten gemittelter Spektren von allen Höhen für den Strahl.
(1902) Berechnen des Rauschpegels in jeder Höhe unter Einsatz eines Verfahrens auf der Grundlage des Hildebrand-und-Sekhon-Verfahrens.
(1903) Anwenden eines zweidimensionalen Mittelungsfilters auf die Spektraldafien.
(1904) Mittels eines Fuzzy-Logik-Verfahrens ermitteln, ob in einer gegebenen Höhe Geschwindigkeitsfaltung vorliegt. Tritt Geschwindigkeitsfaltung auf, so sind die Daten in den Höhen zu entfalten, in denen die Faltung auftritt. Die bei dieser Fuzzy-Logik- Berechnung verwendeten Datenfelder umfassen:
(a) Relative Höhe der Endpunkte über dem Rauschpegel: (wobei sich die Spektralleistung an einem Endpunkt "i" befindet und N den Rauschpegel für die gegebene Höhe bezeichnet).
(b) Normalisierte Differenz zwischen Endpunkt-Spektraldichten, wobei und die Leistungspegel an den Spektralendpunkten sind.
(c) Rauschpegel N.
(1905) Ausführen einer zweidimensionalen Quadratanalyse nach dem Prinzip der kleinsten Quadrate (QLSA-2d) oder einer Waveletanalyse der Spektraldaten. Die Analyse wird an jedem Spektralpunkt unter Nutzung dieses Punktes und der Umgebungspunkte in einer festen Kastengröße ausgeführt. Diese Analyse wird mit verschiedenen Spektralskalierungen, zum Beispiel Linear und dB-Leistung, ausgeführt. Diese Analyse kann auch mit einer Vielzahl von Kastengrößen ausgeführt werden. (1906) Anwenden von Fuzzy-Logik-Verfahren unter Nutzung der verschiedenen Spektralfelder, die von der Kleinstquadrat- oder Waveletanalyse zurückgegeben werden, um ein Gesamtinteressenfeld mit Bezug auf das Vorhandensein einer Bodenstörung zu erzeugen. Schaffen von zweidimensionalen "Störmerkmalen" auf der Grundlage dieses Interessenfeldes. Die bei dieser Fuzzy-Logik-Anwendung verwendeten Datenfelder sind:
(a) λ&sub2; aus der QLSA-2d der dB-skalierten Spektraldaten.
(b) λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(c) Größe des Gradientenvektors aus der QLSA-2d der dB-skafierten Spektraldaten.
d) Geschwindigkeitswert. (Bodenstörungsverunreinigung wird nahe der Geschwindigkeit Null erwartet, so dass die Nähe zur Geschwindigkeit Null ein brauchbares Interessenfeld darstellt.)
(e) Krümmung.
(1907) Anwenden von Fuzzy-Logik-Verfahren unter Nutzung der verschiedenen Spektralfelder, die von der Kleinstquadrat- oder Waveletanalyse zurückgegeben werden, um ein Gesamtinteressenfeld mit Bezug auf das Vorhandensein von Regen zu erzeugen. Schaffen von zweidimensionalen Regenmerkmalen auf der Grundlage dieses Interessenfeldes. Die bei dieser Fuzzy-Logik-Anwendung verwendeten Datenfelder sind:
(a) Geschwindigkeitswert.
(b) Vektorgewichtetes λ&sub2; aus der QLSA-2d der dB-skalierten Spektraldaten.
(c) Vektorgewichtetes λ&sub1; aus der QLSA-2d der dB-skalierten Spektraldaten.
(d) Vektorgewichtetes λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(e) Vektorgewichtetes λ&sub1; aus der QLSA-2d der linear skalierten Spektraldaten.
(f) Vektorgewichtetes und normalisiertes λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(g) Vektorgewichtetes und normalisiertes λ&sub1;, aus der QLSA-2d der linear skalierten Spektraldaten.
(h) Normalisierte Differenz zwischen den Spektralintensitätswerten der symmetrisch um die Geschwindigkeit Null angeordneten Punkte.
(i) Größe des Gradientenvektors aus der QLSA-2d der dB-skalierten Spektraldaten.
(j) Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der dBskalierten Spektraldaten.
(k) Verhältnis der Spektralintensität an einem gegebenen Geschwindigkeits- /Höhenpunkt zum Rauschpegel in dieser Höhe.
(1908) Nutzen von Fuzzy-Logik-Verfahren unter Nutzung der verschiedenen Spektralfelder, die von der Kleinstquadrat- oder Waveletanalyse zurückgegeben werden, von Störmerkmalen und den Spektren selbst zur Erzeugung eines kombinierten Interessenfeldes mit Bezug auf den Ort des meteorologischen Signals und unter Ausschluss von Störungen. Die bei dieser Fuzzy-Logik-Anwendung verwendeten Datenfelder sind:
(a) Vektorgewichtetes λ&sub2; aus der QLSA-2d der dB-skalierten Spektraldaten.
(b) Vektorgewichtetes λ&sub1;, aus der QLSA-2d der dB-skalierten Spektraldaten.
(c) Vektorgewichtetes λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(d) Vektorgewichtetes λ&sub1; aus der QLSA-2d der linear skalierten Spektraldaten.
(e) Vektorgewichtetes und normalisiertes λ&sub2; aus der QLSA-2d der linear skalierten Spektraldaten.
(f) Vektorgewichtetes und normalisiertes λ&sub1;, aus der QLSA-2d der linear skalierten Spektraldaten.
(g) Normalisierte Differenz zwischen den Spektralintensitätswerten der symmetrisch um die Geschwindigkeit Null angeordneten Punkte.
(h) Normalisierte Differenz zwischen den Spektralintensitätswerten der Punkte im gegebenen Strahl und ihrer entsprechenden Punkte im vorhergehenden Strahl, dessen Richtung um 180 Grad differierte.
(i) Größe des Gradientenvektors aus der QLSA-2d der dB-skalierten Spektraldaten.
(j) Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der dB- skalierten Spektraldaten.
(k) Vorhandensein eines Störmerkmals an dem Punkt.
(l) Verhältnis der Spektralintensität an einem gegebenen Geschwindigkeits- /Höhenpunkt zum Rauschpegel für diese Höhe.
(m) Normalisierte Größe des Gradientenvektors aus der QLSA-2d der dB-skalierten Spektraldaten.
(n) Verhältnis von λ&sub2; zu λ&sub1;, aus der QLSA-2d der dB-skalierten Spektraldaten.
(o) Wert (einschließlich Vorzeichen) des größeren Eigenwertes (λ&sub1; oder λ&sub2;).
(p) Normalisierter Wert (einschließlich Vorzeichen) des größeren Eigenwertes (λ&sub1;, oder λ&sub2;).
(1909) Anwenden einer Dichtegewichtungsfunktion auf das resultierende kombinierte Interessenfeld.
(1910) Schwellenwertbildung für das kombinierte Interessenfeld und Finden von Bereichen mit zusammenhängendem hohem Interesse. Systematisches Kombinieren dieser Interessenbereiche zur Bildung von Merkmalen. Punktbewertung der Merkmale an Hand des Gesamtinteresses, des Ortes und der erfassten Höhenfraktion und Aussuchen des besten Merkmals.
(1911) Anwenden von Fuzzy-Logik-Verfahren zur Ermittlung der Geschwindigkeitsabschneidepunkte für die Momentenberechnung. Die bei dieser Fuzzy-Logik- Anwendung verwendeten Datenfelder sind:
(a) Vorhandensein des atmosphärischen Hauptmerkmals.
(b) Vorhandensein eines weiteren "atmosphärenähnlichen" Merkmals.
(c) Gesamtinteressenwert.
(d) Vorhandensein eines Bodenstörungsmerkmals.
(e) Kombinierte Metrik auf der Grundlage der Krümmung und des Steigungsquadrats entlang der Geschwindigkeitsachse.
(f) Normalisierte, kombinierte Metrik auf der Grundlage der Krümmung und des Steigungsquadrats entlang der Geschwindigkeitsachse.
(g) Vorhandensein von Maxima/Minima in der Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der dB-skalierten Spektraldaten.
(h) Vorhandensein eines Maximums/Minimums in der Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der linear skalierten Spektraldaten.
(i) Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der dB- skalierten Spektraldaten.
(j) Krümmung entlang der Geschwindigkeitsachse aus der QLSA-2d der linear skalierten Spektraldaten.
(k) Quadrat der Steigung entlang der Geschwindigkeitsachse aus der QLSA-2d der dB-skalierten Spektraldaten.
(1912) Verwenden des atmosphärischen Hauptmerkmals, der gemittelten gefilterten Spektren, Rauschpegel und Geschwindigkeitsabschneidepunkte zur Berechnung der Momente und Rauschabstände in jeder Entfernung aus den gefilterten Spektren.
(1913) Prüfen der Kontinuität der erzeugten ersten Momente durch die Ausführung örtlicher linearer und quadratischer Einpassungen der Momente als Funktion der Höhe und Nutzung der chi-Quadratbewertung dieser Passungen im Sinne der Fuzzy- Logik zur Ermittlung von "schlechten" Werten. Die bei dieser Fuzzy-Logik- Anwendung verwendeten Datenfelder sind:
(a) Chi-Quadratbewertung aus der Lineareinpassung.
(b) Chi-Quadratbewertung aus der quadratischen Einpassung.
(c) Differenz zwischen dem Testmoment und dem Mittelwertmoment (berechnet aus dem örtlichen Entfernungssatz).
(1914) Für Höhen mit schlechten ersten Momenten Verwenden einer Vielzahl von Verfahren zur Interpolationl/Extrapolation/Schätzung geeigneter Werte für diese Höhe und Wählen des Mittels dieser Werte als Schätzung. Auf der Grundlage dieser Schätzung an Stelle der Merkmalsposition sind die Schritte in (1913) zu wiederholen.
(1915) Der neue Momentensatz wird erneut auf Kontinuität geprüft, wobei noch immer als schlecht zu betrachtende Momente auf den geschätzten Wert gesetzt und als Qualitätsproblem für die nachfolgende Windverarbeitung gekennzeichnet werden.
(1916) Prüfen der Kontinuität der zweiten Momente unter Einsatz des gleichen Verfahrens wie bei den ersten Momenten. Erzeugen von Schätzungen für die "schlechten" Werte wie in Schritt (1914) und Ersetzen der schlechten Werte durch diese Schätzungen.

Zusammenfassung

Das erfindungsgemäße Berechnungssystem weist ein verbessertes Verfahren zur Momentenschätzung für Vorrichtungen auf, die Spektren als Funktion der Entfernung oder der Zeit messen. Die bevorzugte Ausführungsform dieses Systems wird als Teil eines automatischen meteorologischen Überwachungssystems für die genaue Echtzeiterkennung meteorologischer Phänomene wie zum Beispiel Winde, Windscherungen und Turbulenz dargestellt. Dieses automatische meteorologische Überwachungssystem verwendet einen Standard-Wetterradarsender, um ein vorgegebenes Raumvolumen mit einem Strom von Radarimpulsen abzutasten, um die Charakteristika meteorologischer Phänomene zu ermitteln, die sich in den vorgegebenen Raum befinden. Das erfindungsgemäße Berechnungssystem nutzt neuartige Verarbeitungsalgorithmen in dem verbesserten Verfahren zur Momentenschätzung, um die gültigen Daten aus den Rückechos, die durch das Vorhandensein verunreinigender Signale gestört sind, zu extrahieren. Die auf diese Weise vorgenommene Abtrennung der gültigen Daten vom Rauschen verbessert die Reaktionsfähigkeit und Genauigkeit des Systems, in dem dieses Verfahren implementiert ist.
Der einzige Weg zum Erreichen dieses Zieles besteht darin, in Abhängigkeit von der spezifischen Störquelle die Daten auf der Ebene der ungemittelten Spektren und der Ebene der gemittelten Spektren zu verarbeiten. Bei der Verarbeitung der Dopplerspektren gelangen zwei recht unterschiedliche Arten dieser Methodologie zur Anwendung: (1) die Beseitigung der Verunreinigungen durch intermittierende Punktziele auf der nicht gemittelten Spektralebene und (2) die Extrahierung des atmosphärischen Rückechosignals aus den gemittelten Spektren. Diese beiden Probleme tragen fast gegenteiligen Charakter. Im ersteren Fall ist das datenverunreinigende Element das gewünschte Merkmal, das isoliert und beseitigt werden soll, während in der letzteren Situation das atmosphärische Rückechosignal aus den datenverunreinigenden Elementen zu extrahieren ist. Dessen ungeachtet sind die grundlegenden Verarbeitungsalgorithmen für diese ungleichen Anwendungen die gleichen, wobei die Unterschiede in der Spezifik der jeweiligen Implementierung zu finden sind.

Claims

1. System, das von mindestens einem Sensor Spektraldaten empfängt, die sowohl gültige Daten mit mindestens einem, für einen Benutzer interessanten Merkmal als auch verunreinigende Komponenten enthalten, eine Vorrichtung zum Reduzieren der Effekte der verunreinigenden Komponenten auf die gültigen Daten, umfassend:

ein Mittel (101) zum Segmentieren eines vordefinierten Raumgebiets in mehrere Segmente;

ein Mittel (1801) zum Empfangen von Spektraldaten von jeder Entfernung des vordefinierten Raumgebiets für einen gegebenen Strahl, gekennzeichnet durch:

ein Mittel (1902) zum Berechnen eines Rauschpegels für jede Entfernung des vordefinierten Raumgebiets für einen gegebenen Strahl;

ein Mittel (1903) zum Filtern der Spektraldaten, wobei jedes Element der Spektraldaten durch einen zugeordneten den berechneten Rauschpegel korrigiert wird;

ein Mittel (104, 105) zum Verarbeiten der gefilterten Spektraldaten, um eine Mehrzahl mathematischer Charakteristiken der gefilterten Spektraldaten zu bestimmen;

ein Mittel (106) zur Fuzzy-Logik-Analyse der bestimmten Mehrzahl mathematischer Charakteristiken, um örtliche zusammengesetzte Daten zu erzeugen; und

ein Mittel (107, 108) zur Bildverarbeitung der örtlichen zusammengesetzten Daten, um aus ihnen das mindestens eine Merkmal zu gewinnen.

2. Vorrichtung nach Anspruch 1, bei der das Mittel zum Verarbeiten (104, 105) folgendes umfaßt:

ein Mittel (105) zum Verarbeiten der Spektraldaten, um mindestens eine der verunreinigenden Komponenten zu identifizieren, wobei mindestens ein Element von ungemittelten Spektraldaten und gemittelte Spektraldaten verwendet werden.

3. Vorrichtung nach Anspruch 1, bei der das Fuzzy- Logik-Analysemittel (106) folgendes umfaßt:

ein Mittel zum Identifizieren mindestens eines Musters aus mehreren der mathematischen Größen.

4. Vorrichtung nach Anspruch 3, bei der das Mittel (107) zur Bildverarbeitung folgendes umfaßt:

ein Mittel (1908) zur Synthese eines globalen Merkmals aus einer Mehrzahl der Muster.

5. Vorrichtung nach Anspruch 1, bei der das Mittel (107) zur Bildverarbeitung folgendes umfaßt;

ein Mittel (1908) zum Bestimmen mindestens eines Datenwerts aus dem synthetisierten globalen Merkmal.

6. Vorrichtung nach Anspruch 1, bei der die Spektraldaten Dopplerdaten umfassen, die auf Radarechos hinweisen, die von einem in einem mehrdimensionalen Raum angeordneten Ziel zurückkehren, wobei das Mittel zur Verarbeitung folgendes umfaßt:

ein Mittel (101) zum Umwandeln der Dopplergeschwindigkeits- und Signalleistungsdaten in Daten in einem Dopplergeschwindigkeits-Entfernungs-Koördinatenraum; und

ein Mittel (103) zum Segmentieren des Dopplergeschwindigkeits-Entfernungs-Koordinatenraums in eine Mehrzahl von Teilgebieten.

7. Vorrichtung nach Anspruch 6, bei der das Mittel (104, 105) zur Verarbeitung weiterhin folgendes umfaßt:

ein Mittel (1801-1803) zum Erzeugen einer Mehrzahl mathematischer Größen aus den Dopplerdaten für jedes der Mehrzahl von Teilgebieten.

8. Vorrichtung nach Anspruch 7, bei der das Mittel (104, 105) zur Verarbeitung weiterhin folgendes umfaßt:

ein Mittel (1804) zur Synthese der Mehrzahl mathematischer Größen in örtliche zusammengesetzte Wahrscheinlichkeitswerte.

9. Vorrichtung nach Anspruch 8, bei der das Fuzzy- Logik-Analysemittel (106) folgendes umfaßt:

ein Mittel (1805) zur Synthese eines globalen Merkmals aus einer Mehrzahl der zusammengesetzten Wahrscheinlichkeitswerte.

10. Vorrichtung nach Anspruch 8, bei der die Mehrzahl zusammengesetzter Wahrscheinlichkeitswerte für zusammenhängende der Mehrzahl von Segmenten berechnet wird.

11. Vorrichtung nach Anspruch 7, bei der das Mittel (1801-1803) zum Erzeugen einer Mehrzahl mathematischer Größen die Steigung und/oder Krümmung der Dopplerdaten in dem Dopplergeschwindigkeits-Entfernungs- Koordinatenraum berechnet.

12. Vorrichtung nach Anspruch 1, die weiterhin folgendes umfaßt:

ein Mittel zum iterativen Aktivieren des Mittels zum Verarbeiten, des Mittels für die Fuzzy-Logik- Analyse und des Mittels zum Gewinnen nacheinander erstens ungemittelter Spektren, die die Rückechosignale umfassen, und zweitens der gemittelten Spektren, die von dem Mittel zum Berechnen, dem Mittel zum Verarbeiten und dem Mittel zum Gewinnen erzeugt werden, die die ungemittelten Spektren bearbeiten.

13. Vorrichtung nach Anspruch 1, bei der das System ein Dopplersystem umfaßt, das eine Folge von Impulsen mit Hochfrequenzenergie in ein vorbestimmtes Gebiet des mehrdimensionalen Raums sendet und als Reaktion darauf Rückechosignale von in dem vordefinierten Raumgebiet vorhandenen Streuern empfängt, wobei die Rückechosignale verunreinigende Komponenten enthalten, wobei die Vorrichtung zum Reduzieren der Effekte der verunreinigenden Komponenten auf die gültigen Daten weiterhin folgendes umfaßt:

ein Mittel (101) zum Abbilden der Rückechosignale in einen Dopplergeschwindigkeits-Entfernungs- Koordinatenraum;

ein Mittel (103) zum Segmentieren des Dopplergeschwindigkeits-Entfernungs-Koordinatenraums in eine Mehrzahl von Teilgebieten;

wobei das Mittel zum Verarbeiten (104, 105) mindestens eine mathematische Größe auf der Grundlage der empfangenen Rückechosignale für jedes der Mehrzahl von Teilgebieten erlangt;

wobei das Mittel für die Fuzzy-Logik-Analyse (106) einen zusammengesetzten Wahrscheinlichkeitswert für eine Mehrzahl von Teilgebieten erlangt;

wobei das Mittel zur Bildverarbeitung (107, 108) das mindestens eine Merkmal aus den örtlichen zusammengesetzten Daten gewinnt; und

ein Mittel (109) zum Gewinnen der gewünschten Meßdaten aus einer Mehrzahl des mindestens einen Merkmals.

14. Vorrichtung nach Anspruch 13, die weiterhin folgendes umfaßt:

ein Mittel zum iterativen Aktivieren des Mittels zum Verarbeiten, des Mittels für die Fuzzy- Logik-Analyse und des Mittels zum Gewinnen nacheinander erstens ungemittelter Spektren, die die Rückechosignale umfassen, und zweitens der gemittelten Spektren, die von dem Mittel zum Bearbeiten, dem Mittel zur Fuzzy- Logik-Analyse und dem Mittel zum Gewinnen erzeugt werden, die die ungemittelten Spektren bearbeiten.

15. Vorrichtung nach Anspruch 13, bei der das Mittel zum Gewinnen (109) folgendes umfaßt:

ein Mittel zur Synthese eines globalen Merkmals aus einer Mehrzahl der zusammengesetzten Wahrscheinlichkeitswerte.

16. Vorrichtung nach Anspruch 15, bei der die Mehrzahl zusammengesetzter Wahrscheinlichkeitswerte für zusammenhängende der Mehrzahl von Segmenten berechnet wird.

17, Vorrichtung nach Anspruch 15, bei der das Mittel zum Gewinnen (109) weiterhin folgendes umfaßt:

ein Mittel zum Bestimmen mindestens eines Datenwerts aus dem gewonnenen Merkmal.

18. Vorrichtung nach Anspruch 13, bei der das Mittel zum Verarbeiten (104, 105) folgendes umfaßt:

ein Mittel (104) zum Zuordnen einzelner der empfangenen Rückechos zu zugeordneten der Segmente, von denen das empfangene Rückecho herkam; und

ein Mittel (105) zum Berechnen einer Mehrzahl empfangener Rückechos für jedes Segment, um die mindestens eine mathematische Größe zu erlangen.

19. Vorrichtung nach Anspruch 18, bei der das Mittel zum Berechnen (105) die Steigung und/oder Krümmung der Dopplergeschwindigkeits-Entfernungskoordinate berechnet.

20. Vorrichtung nach Anspruch 1, bei der das System ein Dopglersystem umfaßt, das einen Strahl, der eine Folge von Impulsen mit Hochfrequenzenerqie umfaßt, in ein vorbestimmtes Raumgebiet sendet und als Reaktion darauf Rückechosignale von in dem vordefinierten Raumgebiet vorhandenen Objekten empfängt, wobei die Rückechos verunreinigende Komponenten enthalten, wobei das Mittel (104, 105) zum Verarbeiten folgendes umfaßt:

ein Mittel (1801) zum Empfangen ungemittelter Spektren von jeder Entfernung des vordefinierten Raumgebiets für einen gegebenen Strahl;

ein Mittel (1901) zum Mitteln der ungemittelten Spektren;

ein Mittel (1905) zur Durchführung einer Fehlerquadratanalyse und einer Waveletanalyse der gefilterten gemittelten Spektren zur Erzeugung einer Mehrzahl mathematischer Größen;

wobei das Mittel (106) zur Fuzzy-Logik-Analyse folgendes umfaßt:

ein Mittel (1906) zum Erzeugen einer Mehrzahl von Interessefeldern;

ein Mittel (1907) zum Erzeugen mindestens eines Gesamtinteressefelds von der Mehrzahl von Interessefeldern zum Identifizieren vorbestimmter Verunreinigungsquellen;

wobei das Bildverarbeitungsmittel folgendes umfaßt:

ein Mittel (1908) zum Erzeugen eines kombinierten Interessefelds, das ein gewünschtes Signal darstellt, abzüglich der vorbestimmten Verunreinigungsquellen, die durch das Gesamtinteressefelderzeugungsmittel identifiziert wurden;

ein Mittel (1910) zur Schwellwertbildung des kombinierten Interessefelds; und

ein auf das Schwellwertbildungsmittel reagierendes Mittel (1911) zur Berechnung von die Objekte kennzeichnenden Daten.

21. Vorrichtung nach Anspruch 20, bei der das Mittel zur Mittelung folgendes umfaßt:

ein Mittel zum Vorfiltern der ungemittelten Spektren; und

ein Mittel zur Mittelung der vorgefilterten Spektren für jedes der Segmente.

22. Vorrichtung nach Anspruch 21, bei der das Vorfiltermittel folgendes umfaßt:

ein Mittel (1802) zum Berechnen eines Rauschpegels bei jeder Entfernung des vorbestimmten Raumvolumens;

ein Mittel (1803) zum Filtern der empfangenen ungemittelten Spektren nach Korrektur durch einen zugeordneten auf des berechneten Rauschpegels des vorbestimmten Raumvolumens;

ein auf das Filtermittel reagierendes Mittel (1804) zum Durchführen einer mehrdimensionalen Waveletanalyse der gefilterten ungemittelten Spektren;

ein Mittel (1805) zum Bestimmen eines Gesamtinteressefelds über die mehrdimensionalen Waveletanalysierten Daten;

ein Mittel (1806) zur Dichtegewichtung des Gesamtinteressefelds;

ein Mittel (1807) zur Schwellwertbildung des dichtegewichteten Gesamtinteressefelds zum Identifizieren von interessanten Gebieten;

ein Mittel (1808) zum Kombinieren der identifizierten interessanten Gebiete zur Bildung von Merkmalen; und

ein Mittel (1809) zum Löschen einzelner der Merkmale, die Rauschen darstellen, aus den ungemittelten Spektren.

23. Vorrichtung nach Anspruch 19, bei der das Vorfiltermittel folgendes umfaßt:

ein Mittel (1802) zum Identifizieren von Gebieten in dem vorbestimmten Raumvolumen, die wahrscheinlich diskontinuierliche Rauschquellen enthalten;

ein Mittel (1803) zum Filtern der empfangenen ungemittelten Spektren für die identifizierten Gebiete des vorbestimmten Raumvolumens;

ein Mittel (1806) zur Dichtegewichtung des Gesamtinteressefelds;

24. Vorrichtung nach Anspruch 19, bei der das Mittel zum Berechnen (105) folgendes umfaßt:

ein Mittel (1913) zum Prüfen der räumlichen Kontinuität von erzeugten Daten.

25. Vorrichtung nach Anspruch 19, bei der das Mittel zum Berechnen (105) weiterhin folgendes umfaßt:

ein Mittel (1914) zum Entfernen von von dem Mittel zum Prüfen identifizierter diskontinuierlicher Daten; und

ein Mittel (1915) zum Erzeugen von Ersatzdaten für die entfernten Daten.

26. Vorrichtung nach Anspruch 20, bei der das Mittel zur Schwellwertbildung (1807) folgendes umfaßt:

ein Mittel zur Dichtegewichtung des kombinierten Interessefelds;

ein Mittel zur Schwellwertbildung des gewichteten kombinierten Interessefelds zum Identifizieren von Gebieten mit einem zusammenhängenden hohen Interesse; und

ein Mittel zum Kombinieren der identifizierten Gebiete zur Bildung von Merkmalen.

27. Vorrichtung nach Anspruch 26, bei der das Berechnungsmittel (105) folgendes umfaßt:

ein Mittel zum Identifizieren eines einzelnen der gebildeten Merkmale, das mit größter Wahrscheinlichkeit das Objekt darstellt;

ein auf das identifizierte eine Merkmal reagierendes Mittel zum Berechnen mindestens einer Charakteristik des Objekts für mindestens eine Entfernung des vorbestimmten Raumgebiets.