JP2020193904A - 目標信号分離装置、パッシブレーダー装置および目標信号分離方法 - Google Patents

Abstract

【課題】連続波の受信信号からクラッタの信号を除去して、移動目標からの信号を分離することが可能な目標信号分離装置、パッシブレーダー装置および目標信号分離方法を提供する。【解決手段】本発明にかかる目標信号分離装置１０は、受信信号と観測パラメータとを取得する取得部１１と、目標不在時における過去の受信信号と過去の観測パラメータとを教師データとする機械学習によって得られた予測式を用いて、取得部１１が取得した現在の観測パラメータに対応する雑音信号を予測する解析部１２と、取得部１１が取得した現在の受信信号と、解析部１２により予測された雑音信号との差分をとる処理を行い、差分が所定の閾値を超えた場合に目標信号を分離する出力部１３と、を備える。【選択図】図１

Description

本発明は、目標信号分離装置および目標信号分離方法に関し、特に雑音信号を予測する技術に関する。

ＲＣＳ（Ｒａｄｅｒ Ｃｒｏｓｓ Ｓｅｃｔｉｏｎ：レーダー反射断面積）の小さい移動目標をレーダーで検出する際、より低い周波数の電波を用いるのが有効であると知られている。電波の波長が移動目標のサイズに近いと、共振現象が発生するためである。飛行目標の検出には、ＶＨＦ／ＵＨＦ帯の電波が有効とされている。

通常、移動目標を検出する際には、信号処理が容易なパルス波を用いたレーダーが使用される。
しかし、上述した低い周波数の電波は、パルス波を用いた高出力レーダーへの使用が許可されていないため、パルス波ではなく連続波として用いる必要がある。非特許文献１は、ＦＭ放送波を用いたパッシブレーダーで目標を探知する方法を開示している。

目標をレーダーで検出する際、目標以外からの反射波であるクラッタが受信信号に含まれる。地表面・地表構造物による反射をグランドクラッタ、海面・波による反射をシークラッタ、雨雲による反射をウェザークラッタと呼ぶ。
パッシブレーダーの受信信号は微弱であるため、クラッタを除去して目標信号を分離することが重要である。

クラッタを除去する方法としては、地表構造物、波、雨雲等の移動速度と、移動目標の移動速度との差に基づいて、移動目標からの反射信号を分離する方法が知られている。パルス波を用いたレーダーにおいては、各パルス信号に対する受信信号の位相差からドップラー速度を検出することが可能であり、クラッタの散乱特性を利用して、ＭＴＩ（Ｍｏｖｉｎｇ Ｔａｒｇｅｔ Ｉｎｄｉｃａｔｏｒ：移動目標指示装置）を用いて移動目標を検出することができる。
また、特許文献１は、補助アンテナの利得を調整し、主アンテナの受信信号からグランドクラッタを除去する技術を開示している。

特開２０１７−２１１２３８号公報

"FM radio based bistatic radar", IEE Proceedings - Radar, Sonar and Navigation (Vol.152, 2005)

低ＲＣＳ目標を検出するために、連続波を用いた場合、クラッタを除去することができないという問題がある。

連続波を用いた場合、パルス波のように受信信号の位相差を用いた信号処理を行うことができない。また、クラッタの散乱特性も変化すると考えられる。したがって、パルス波を用いた従来のレーダーと同様に、クラッタを除去することはできない。
また、特許文献１に記載された方法で除去することができるのはグランドクラッタのみであり、天候により変動するウェザークラッタやシークラッタを除去することはできない。

本開示は上記課題を解決するためにされたものであって、連続波の受信信号からクラッタの信号を除去して、移動目標からの信号を分離することが可能な目標信号分離装置、パッシブレーダー装置および目標信号分離方法を提供することを目的とする。

本開示にかかる目標信号分離装置は、受信信号と観測パラメータとを取得する取得手段と、目標不在時における過去の受信信号と過去の観測パラメータとを教師データとする機械学習によって得られた予測式を用いて、前記取得手段が取得した現在の観測パラメータに対応する雑音信号を予測する解析手段と、前記取得手段が取得した現在の受信信号と、前記解析手段により予測された前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に受信信号から目標信号を分離する出力手段と、を備えたものである。

本開示にかかる目標信号分離方法は、現在の受信信号と現在の観測パラメータとを取得し、目標不在時における過去の受信信号と過去の観測パラメータとを教師データとする機械学習によって得られた予測式を用いて、現在の観測パラメータに対する雑音信号を予測し、現在の受信信号と前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に目標信号を分離する、ものである。

本開示によれば、連続波の受信信号からクラッタの信号を除去して、移動目標からの信号を分離することが可能な目標信号分離装置、パッシブレーダー装置および目標信号分離方法を提供することができる。

本発明にかかる目標信号分離装置の構成図である。 本発明の概要を示す概略図である。 本発明にかかる雑音信号の予測に用いられる受信方向とクラッタの種別を示す概念図である。 本発明にかかる雑音信号の予測に用いられる受信方向を示す配列D（ｉ，ｊ）を示す図である。 本発明にかかる雑音信号の予測に用いられる決定木の例を示す図である。 本発明にかかる雑音信号の予測に用いられる決定木に対応する天候パラメータを示す図である。 本発明にかかる目標信号分離装置の差分をとる処理を示す概念図である。 本発明にかかる目標信号分離装置の処理の例を示すフローチャートである。

＜第１実施形態＞
図１を用いて、本発明の実施の形態にかかる目標信号分離装置の構成について説明する。この目標信号分離装置１０は、図１に示されるように、取得部１１、解析部１２、出力部１３を備えている。

取得部１１は、現在の受信信号を取得する。
また、取得部１１は、現在の観測パラメータを取得する。観測パラメータは、観測条件に関するパラメータである。

解析部１２は、予測式に基づいて、取得部１１が取得した現在の観測パラメータにおける雑音信号を予測する。予測式は、目標が存在しない時点で取得された過去の受信信号、過去の観測パラメータを教師データとする機械学習によって計算される。
教師データとして用いられる目標が存在しない時点で取得されたデータとしては、出力部１３において目標が存在しないと判断されたデータを用いてもよい。
解析部１２は予測した雑音信号を出力部１３に出力する。

出力部１３は、取得部１１が取得した現在の受信信号と解析部１２が出力した雑音信号との差分をとる処理を行い、差分が閾値を超えた場合に目標が存在すると判定する。そして、目標が存在すると判定した場合には、差分結果を目標信号として分離する。
閾値を超えなかった場合の受信信号及び観測パラメータを、解析部１２で使用する予測式の機械学習に使用してもよい。

本実施の形態にかかる目標信号分離装置は、機械学習によって得られた予測式を用いて雑音信号を予測する。したがって、観測パラメータの変化に伴うクラッタの変化に対応できる。よって、本実施の形態にかかる目標信号分離装置は、連続波の受信信号から目標信号を分離することができる。

＜第２実施形態＞
図２を用いて、本発明の実施の形態にかかる目標信号分離装置１０の概要について説明する。目標信号分離装置１０は、パッシブレーダー２３が受信した信号から目標信号の分離を行う。目標信号とは、送信局２１が送信した連続波が、移動目標２２によって反射された信号である。送信局２１が送信する電波は、例えば、ＦＭ放送波、テレビ放送波、又は携帯電話で使用されている電波であるが、他のＶＨＦ／ＵＨＦ帯の電波であってもよい。移動目標２２は、例えば、飛行機、船舶、自動車であり、低ＲＣＳ目標であっても良い。

図１を用いて、本発明の実施の形態にかかる目標信号分離装置１０の構成について説明する。この目標信号分離装置１０は、図１に示されるように、取得部１１、解析部１２、出力部１３を備えている。

取得部１１は、観測機材であるレーダーから現在の受信信号を取得する。レーダーは、受信のみを行うパッシブレーダーである。
受信信号は、移動目標２２により反射された電波である目標信号およびクラッタにより反射された電波である雑音信号を含んでいる。

取得部１１は、測定パラメータ、天候パラメータおよび受信パラメータを取得する。
測定パラメータは、測定を行った時間および位置に関するパラメータである。測定パラメータは、例えば、測定日時又は測定場所（緯度、経度、標高）である。
天候パラメータは、天候に関するパラメータである。天候パラメータは、例えば、天候（晴れ、曇り、雨、雪、霧）、雨量／降雨量、雲量、気圧、風速・風向、気温、湿度である。
受信パラメータは、受信条件に関するパラメータである。受信パラメータは、例えば、受信時間、受信周波数、受信方向（仰角方向θ、水平方向φ）、受信分解能である。
気温、風速等の気象データは、気象機材、又はインターネットから取得する。

取得部１１は、受信信号を各パラメータと関連付けて、取得部１１が備えるデータベースに保存する。受信信号はフーリエ変換したものが保存される。
この際、受信方向（仰角方向θ、水平方向φ）を固定パラメータとし、受信方向以外の天候・受信パラメータについては、別テーブルとして最適な表形式で保存しても良い。受信方向（仰角方向θ、水平方向φ）ごとに予測式を求める際、他の受信方向における教師データは用いずに、当該受信方向における教師データを用いて機械学習を行うことができる。かかる場合、機械学習に用いる教師データの量を少なくすることができて、学習を高速で行うことが可能となるため、学習回数が多い場合に利点がある。
取得部１１は、現在の受信信号を出力部１３に出力する。また、取得部１１は現在の天候パラメータ及び現在の受信パラメータを解析部１２に出力する。

解析部１２は、予測式に基づいて、取得部１１が取得した現在の天候・受信パラメータにおける雑音信号を予測する。予測式は、目標が存在しない時点で取得された過去の受信信号、過去の天候・受信パラメータを教師データとする機械学習によって作成される。
教師あり学習に用いられる目標が存在しない時点で取得されたデータとして、出力部１３において目標が存在しないと判断されたデータを用いることができる。

以下予測式について説明する。
予測式は、後述するように、基本的に、周波数、受信方向（仰角方向θ_i、水平方向φ_j）に対応する配列Ｄ（ｉ，ｊ）を変数として、重み付け係数である回帰係数と組み合わせて構成する。
予測式はクラッタの受信強度を表す関数である。まず、様々な気象条件下において観測された過去の観測日時における受信信号の部分和で予測式を表すことを考えると、予測式Ｆ（ω）は式（１）の様に表現される。

ωは周波数を表す。ｋは、観測の時期、つまり観測日時を表すパラメータである。a_0、a_kは回帰係数、つまり重み付け係数である。ｆ_ｋ（ω）は受信強度関数である。ｋは１からｎの整数とする。

クラッタの発生は気象状態の影響を受けるため、式（１）の回帰係数は天候により変動する。そこで、予測式の種類を示すパラメータpを用いて、予測式Ｆ_ｐ（ω）を以下の式（２）の様に表現する。

式（１）と同様に、ωは周波数を表す。ｋは、観測の時期、つまり観測日時を表すパラメータである。a_0|p、a_k|pは回帰係数、つまり重み付け係数である。ｆ_ｋ（ω）は受信強度関数である。ｋは１からｎの整数とする。パラメータｐは、後述する機械学習によって決定される。

さらに、予測式の回帰係数は方向ごとに異なる。例えば、受信アンテナが山の上に設置されていた場合、受信方向（仰角方向θ、水平方向φ）によって、シークラッタとグランドクラッタとウェザークラッタとの割合が変化するためである。図３は受信方向（仰角方向θ、水平方向φ）とクラッタの関係を示す。地球表面を基準としたとき、θは垂直面内、φは水平面内の角度を表す。グランドクラッタとは、地表面・地表構造物による反射波である。シークラッタとは、海面・波による反射波である。ウェザークラッタとは、雨雲による反射波である。

そこで、式（２）に方位Ｄに関する情報を追加した式（３）に示すＦ_ｐ，Ｄ（ω）を予測式として用いる。

式（１）と同様に、ωは周波数を表す。ｋは、観測の時期、つまり観測日時を表すパラメータである。a_0|p、a_k|pは回帰係数、つまり重み付け係数である。ｆ_ｋ（ω）は受信強度関数である。ｋは１からｎの整数である。
Ｄ（ｉ，ｊ）は受信方向（仰角方向θ_i、水平方向φ_j）に対応する配列である。Ｄ（ｉ，ｊ）は、仰角方向θを１〜Iに分割し、水平方向φを１〜Jに分割することにより、受信方向をI×Jの要素に分割した配列である。Ｄ（ｉ，ｊ）と受信方向（仰角方向θ_i、水平方向φ_j）の関係を図４に示す。図４において、Ｄ_ijは、仰角方向がθ_iで水平方向がφ_jである受信方向を表している。
式（３）を用いることで、後述する決定木が受信方向ごとに作成されることになる。
クラッタは、受信方向並びに、気温、湿度、風向などの観測データを与えれば再現できるため、式（３）を予測式として用いた機械学習によりクラッタの受信強度を計算することができる。

解析部１２は、目標が存在しない時点で取得されたデータに関して、式（３）の回帰係数を分類する決定木を作成する。分岐条件を学習するため、分岐点に各パラメータを設定し、予測式により繰り返し計算を行う。決定木における配置順序、分岐条件に関しては、情報理論で用いられるエントロピーを用いることができる。エントロピーとは情報の乱雑さを表す指標である。学習効果の度合いが回帰係数に反映される。

決定木による分析例を図５に示す。分岐条件として、天候の属性分類である気温、湿度、風速の数値を用いた場合の例である。学習終了の判定はエントロピーを用いることができる。
図５の決定木に対応する天候パラメータの例を図６に示す。図６は図２に示す移動目標２２が存在しない状態のデータであり、各項目の数値条件（以上又は未満）が決定木の分岐点に対応する。ここで、移動目標２２が存在しない状態とは、過去に差分をとる処理を行った際に移動目標２２からの信号が分離できなかった状態である。
図５の決定木に示す分析例の場合、受信アンテナがある角度を指向したとき、気温パラメータが２６℃では「風速」に分岐する。次に、風速が８［ｍ／ｓ］以上と８［ｍ／ｓ］未満で分類される。
例えば、風が強い時、波が高いことになるので、波が立ち、シークラッタによる反射波の受信強度が増大することになる。これは、他のクラッタでも同様な特性であり、クラッタの受信強度は、受信方向（θ、φ）に依存することになる。
機械学習の結果、「風速」以降も分岐点に与えられるパラメータの数値条件により分類され、予測式が得られる。

図５において、決定木の分岐先のＦ_ｐは予測式を表す。予測式Ｆ_１、Ｆ_２、Ｆ_３、Ｆ_４は、それぞれ、図６に示すＮｏ．１、２、３、４の天候パラメータに対応している。
図５に示す決定木は、機械学習を用いて、各分岐点における分岐の有無及び分岐の基準となる判断値を求めることにより作成される。分岐の有無については、例えば、気温が５℃未満の場合にこれ以上の分岐はないことが学習されている。このときの予測式は、Ｆ_１である。予測式Ｆ_ｐの回帰係数ａ_ｋ｜ｐは、機械学習によって求められる。
また、分岐の基準となる判断値については、機械学習の結果、同じ天候パラメータであっても、分岐点によって異なる値となる場合がある。例えば、予測式がＦ_２となる場合は、湿度が８０％以上であるため判断値は８０であるのに対し、予測式がＦ_３となる場合は、湿度が７０％未満であるため湿度の判断値は７０である。
したがって、決定木の各分岐点における分岐の有無、分岐の基準となる判断値及び回帰係数ａ_ｋ｜ｐが、機械学習の結果得られることとなる。

解析部１２は、取得部１１から受け取った天候・受信パラメータに対応する予測式のパラメータｐを求める。そして、ｐに対応する予測式（３）により雑音信号を予測し、出力部１３に出力する。

出力部１３は、取得部１１が取得した現在の受信信号と、解析部１２が出力した雑音信号の差分をとる処理を行い、差分が閾値を超えた場合に目標が存在すると判定する。かかる場合、出力部１３は、差分結果を目標信号として分離する。閾値は、統計処理を行って、平均値等に基づいて決定しても良い。図７は差分をとる処理を示す概念図である。受信強度関数の線形和である予測式によって予測値を算出し、現在の観測値との差分をとる処理を行って、推定値を算出している。
本発明はパルス波ではなく連続波を用いるため、差分をとる処理がし易い。理由は以下の通りである。パルス波の方式では時間軸上で断続的に電波が照射されるため、パルス繰り返し周期からパルス幅を引いた時間では無変調となる。一方で、連続波の方式では時間軸上で常時、連続して電波が照射されるため、目標及びクラッタからの反射波の受信強度は連続的に得られることになるからである。

出力部１３は、目標が存在すると判定された受信方向を、目標が存在する目標方向とする。また、送信局２１から送信された送信信号と、目標により反射された信号との受信時刻の差から、目標までの距離を求めることができる。送信局２１の位置、パッシブレーダー２３の位置、目標方向、及び距離から、目標の存在位置を予測することができる。
送信信号は専用のアンテナで受信しても良く、光ファイバー等を用いて受信しても良い。
閾値を超えなかった場合の受信信号及びパラメータを、解析部１２で使用する予測式の作成に使用することができる。
出力部１３は、判定結果を取得部１１に送信する。取得部１１に保存された受信信号を、移動目標２２の有無により分類するためである。

次に図８を用いて、本発明の実施の形態２にかかる目標信号分離装置における処理の例について説明する。

取得部１１は、過去の受信信号と過去の測定・天候・受信パラメータを、データベースに保存する（Ｓ１０１）。データは、目標となる信号が存在するか否かに基づいて分類されている。移動目標２２の存在の有無に関係なく実際に観測を行う。

取得部１１は、現時点において観測機材が取得した受信信号をフーリエ変換し、データースに保存する。取得部１１は現在の測定・天候・受信パラメータをデータベースに保存する（Ｓ１０２）。データは目標信号の有無を判定した後（Ｓ１０４）、目標信号の有無により分類される。

解析部１２は、データベース上で目標が存在しない場合に分類された、過去の受信信号と過去の天候・受信パラメータに基づいて、機械学習を行って予測式を計算する。なお、機械学習は観測ごとに行う必要はなく、予め算出しておいた予測式を用いてもよい。
そして、解析部１２は、現在の測定・天候・受信パラメータに対応する予測式から、クラッタ信号の受信強度の予測値計算を行う（Ｓ１０３）。

出力部１３は、予測された雑音信号と現在の受信信号の差分をとる処理を行う。出力部１３は、閾値以上であれば目標信号の分離を行う。閾値以下であれば、現在の受信信号は、取得部１１において目標が存在しないデータに分類され、学習用データとして使用できることとなる（Ｓ１０４）。また、次の観測を続けて行うことができる。

本実施の形態にかかる目標信号分離装置は、多数のパラメータと関連付いた過去の観測データをデータベースとして管理することで、機械学習により高精度の予測を行うことができる。また、学習回数を増やすことにより、目標分離の予測精度を向上させることが可能である。
また、本実施の形態にかかる目標信号分離装置は、連続波の受信信号から目標信号を分離することができる。連続波を用いた場合には、フーリエ変換の結果が安定した波形となり、差分をとる処理がしやすいからである。

なお、本実施形態の内容は、上述した説明に限定されない。上述の説明においてはクラッタ信号を電波照射によって発生する雑音と考えたが、その他の雑音を含めたとしても同様の処理を行うことは可能である。その他の雑音とは、例えば、波長の干渉によるフェージングである。

上述の説明においては、地上設備のレーダーとして説明を行ったが、空中で目標を探知する飛行機や人工衛星にも利用可能である。
また、無人機や将来の空飛ぶ自動車などをパッシブレーダーで探知する場合、ＦＭ放送波の他、テレビの放送波や携帯電話で使用する電波も利用可能である。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
受信信号と観測パラメータとを取得する取得手段と、
目標不在時における過去の受信信号と過去の観測パラメータとを教師データとする機械学習によって得られた予測式を用いて、前記取得手段が取得した現在の観測パラメータに対応する雑音信号を予測する解析手段と、
前記取得手段が取得した現在の受信信号と、前記解析手段により予測された前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に受信信号から目標信号を分離する出力手段と、
を備えた、目標信号分離装置。

（付記２）
前記観測パラメータは天候パラメータを含む、付記１に記載の目標信号分離装置。

（付記３）
前記観測パラメータは受信方向を含む、付記１又は２のいずれか１項に記載の目標信号分離装置。

（付記４）
前記解析手段は、過去の受信信号と過去の観測パラメータとを教師データとする機械学習を行って、前記取得手段が取得した現在の観測パラメータに対応する雑音信号を予測する、付記１から３のいずれか１項に記載の目標信号分離装置。

（付記５）
前記解析手段は、過去の受信信号の線形和を予測式とし、機械学習により決定木を作成することにより得られた予測式を用いて雑音信号を予測する、付記１から４のいずれか１項に記載の目標信号分離装置。

（付記６）
前記取得手段は、受信信号と観測パラメータとを関連付けてデータベースに保存する、付記１から５のいずれか１項に記載の目標信号分離装置。

（付記７）
前記取得手段は、受信方向以外の観測パラメータの一部を、受信方向とは別のテーブルで管理する、付記６に記載の目標信号分離装置。

（付記８）
前記受信信号はＶＨＦ／ＵＨＦ帯の電波である、付記１から７のいずれか１項に記載の目標信号分離装置。

（付記９）
前記受信信号は、ＦＭ放送波、テレビ放送波、又は携帯電話で使用されている電波である付記１から８のいずれか１項に記載の目標信号分離装置。

（付記１０）
パッシブレーダーと、付記１から９のいずれか１項に記載の目標信号分離装置と、を備えるパッシブレーダー装置。

（付記１１）
現在の受信信号と、現在の観測パラメータを取得し、
目標不在時における過去の受信信号、過去の観測パラメータを教師データとする機械学習によって得られた予測式を用いて、前記現在の観測パラメータに対する雑音信号を予測し、
前記現在の受信信号と前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に受信信号から目標信号を分離する、
目標信号分離方法。

１０ 目標信号分離装置
１１ 取得部
１２ 解析部
１３ 出力部
２１ 送信局
２２ 移動目標
２３ パッシブレーダー

Claims (10)

1. 受信信号と観測パラメータとを取得する取得手段と、
   目標不在時における過去の受信信号と過去の観測パラメータとを教師データとする機械学習によって得られた予測式を用いて、前記取得手段が取得した現在の観測パラメータに対応する雑音信号を予測する解析手段と、
   前記取得手段が取得した現在の受信信号と、前記解析手段により予測された前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に受信信号から目標信号を分離する出力手段と、
   を備えた、目標信号分離装置。
2. 前記観測パラメータは天候パラメータを含む、請求項１に記載の目標信号分離装置。
3. 前記観測パラメータは受信方向を含む、請求項１又は２のいずれか１項に記載の目標信号分離装置。
4. 前記解析手段は、過去の受信信号と過去の観測パラメータとを教師データとする機械学習を行って、前記取得手段が取得した現在の観測パラメータに対応する雑音信号を予測する、請求項１から３のいずれか１項に記載の目標信号分離装置。
5. 前記解析手段は、過去の受信信号の線形和を予測式とし、機械学習により決定木を作成することにより得られた予測式を用いて雑音信号を予測する、請求項１から４のいずれか１項に記載の目標信号分離装置。
6. 前記取得手段は、受信信号と観測パラメータとを関連付けてデータベースに保存する、請求項１から５のいずれか１項に記載の目標信号分離装置。
7. 前記受信信号はＶＨＦ／ＵＨＦ帯の電波である、請求項１から６のいずれか１項に記載の目標信号分離装置。
8. 前記受信信号は、ＦＭ放送波、テレビ放送波、又は携帯電話で使用されている電波である請求項１から７のいずれか１項に記載の目標信号分離装置。
9. パッシブレーダーと、請求項１から８のいずれか１項に記載の目標信号分離装置と、を備えるパッシブレーダー装置。
10. 現在の受信信号と、現在の観測パラメータを取得し、
    目標不在時における過去の受信信号、過去の観測パラメータを教師データとする機械学習によって得られた予測式を用いて、前記現在の観測パラメータに対する雑音信号を予測し、
    前記現在の受信信号と前記雑音信号との差分をとる処理を行い、前記差分が所定の閾値を超えた場合に受信信号から目標信号を分離する、
    目標信号分離方法。

Images