книги / Обнаружение, распознавание и пеленгация объектов в ближней локации
..pdf0,10 0,32 0,55 0,77 а
а |
6 |
Рис. 2.10. Зависимость автокорреляционной функции ТЕ оги
бающей от относительной ширины полосы а энергетическо го спектра процесса при сдвигах между отсчетами:
п = 1 (а), я = 5 (б); I — прямоугольный спектр; 2 — гауссов спектр
отсчетов АКФ огибающей. Таким образом, отсчеты огибающей, выделенные с помощью сопряженного по Гильберту процесса, мо гут быть использованы в качестве информативных параметров, инвариантных к средней частоте сигнала.
2.5. Экспериментальные исследования регрессионных статистических характеристик
непрерывных сигналов
При исследовании статистических свойств непрерывных сиг налов в системах ближней локации обработку реализаций сигна лов и помех можно проводить частотным (спектральным) и вре менном методами в соответствии с двумя способами представле ния случайных процессов в частотной и временной областях.
Спектральный метод. Сигнал на входе систем ближней ло кации в общем случае представляет собой нестационарный слу чайный процесс. Это приводит к необходимости разбиения к-й выборочной реализации на отрезки t,(t + Tr), в пределах которых
зависимостью статистических характеристик от времени можно пренебречь. Внутри этих отрезков общие частотные свойства сиг налов могут быть представлены энергетическими спектрами, стро го говоря, дискретными.
Наиболее просто оценку энергетического спектра можно по лучить как преобразование Фурье от автокорреляционной функции
Сх(т), которую в свою очередь можно оценить на основании 2.4.
При этом выбор оптимального времени осреднения требует знания априорной информации о параметрах, обусловливающих неста ционарный характер процесса.
Этот способ получения оценок энергетического спектра осно ван на использовании аппаратуры, состоящей из измерителя кор реляционных характеристик и преобразователя Фурье. Измеритель корреляционных функций (см. 2.4) осуществляет вычисление оценки автокорреляционной функции при фиксированных значе ниях временного сдвига. Вычисление оценки энергетического спектра осуществляется преобразователем Фурье. Обработка реа лизации ведется на интервалах квазистационарности t0,(t + T).
Полученные при этом оценки энергетического спектра являются «скользящими» функциями времени.
По результатам измерений «мгновенных энергетических спек тров» непрерывных сигналов оценивают средние значения относительной ширины спектра реализации, полученные как отношения ширины полосы энергетического спектра по уровню 0,5 от макси мального значения к средней частоте.
Различие в значениях относительной ширины полосы спектра сигналов и помех в АИС отражает различие в пространственно геометрических характеристиках объектов и помех. Полученные результаты могут быть использованы для построения СПР с час тотным способом обработки сигнала. При этом они должны пред ставлять собой либо многоканальные, либо адаптивные системы, требующие время на адаптацию.
Относительная сложность подобных систем и требования к универсальности систем ближней локации обусловливают целесо образность применения систем с временным способом обработки сигналов, не требующих времени на адаптацию. Усредненные спектральные характеристики нельзя использовать для оценки ав торегрессионных функций нестационарных случайных процессов с изменяющимися во времени средней частотой и дисперсией. Кроме того, при больших угловых скоростях визирования объек тов в системах ближней локации средняя частота в спектре сигна ла может изменяться с высокой скоростью. Тогда данный способ вычисления оценок корреляционных функций и спектральных плотностей дает существенные ошибки, а реализация линейных
частотных систем становится невозможной при малом времени обработки сигнала.
Временнбй метод. В системах ближней локации (см. 2.4) для оценки коэффициентов регрессии целесообразно применять вре менной метод получения регрессионных характеристик нестацио нарных сигналов. Временной метод статистической обработки не стационарных сигналов основан на представлении случайных процессов с нулевыми математическими ожиданиями математиче скими моделями вида
х(0 = £(/)соз[Ф(/)], |
(2.78) |
где £(/) — огибающая; Ф(Г) — фаза.
Отметим, что {*(/)} — центрированный случайный процесс, {£(/)} и {Ф(/)}~ нестационарные нецентрированные случайные процессы с переменными во времени математическими ожида ниями. При этом даже при слабой ковариации отсчетов парамет ров {£(/)} или (Ф(/)} сигнала, последние могут быть сильно стати стически взаимосвязаны за счет детермированных составляющих. При анализе таких параметров в системах ближней локации целе сообразно получать оценки начальных статистических характери стик при неизвестных в каждой реализации математических ожи даниях. Такими начальными статистическими параметрами сигна лов могут являться оценки авторегрессионных функций огибаю щей и интервалов между нулями случайного процесса {*(/)}.
Чтобы устранить влияние нестационарности процесса {*(/)},
обусловленное изменением во времени средней частоты, на стати стические характеристики, отсчеты процесса {*(/)} будем проводить с помощью сопряженного по Гильберту случайного процесса (у(/)}
Д. |
(2.79) |
t —* |
|
|
00 |
Из выражений (2.78) и (2.79) видно, что при Ф(^) = пк |
|
у(*,)=о. |
* ( ',) = £ ( ',М - О Ч - |
Таким образом, для получения отсчетов огибающей £, необ ходимо проводить отсчеты исходной реализации процесса {*(/)}
в те моменты времени tjf когда y{tt) = О, т.е. когда сопряженный |
|
по Гильберту процесс (у(/)} пересекает нулевой уровень. Для по |
|
лучения |
информации о статистических характеристиках фазы |
отсчеты |
Ф(/) удобно заменить отсчетами длительностей |
интервалов между нулями, связанными с Ф(7) зависимостью |
Ф(?,)-Ф(/,_,) = я; т, |
В моменты t0i, когда исходная |
реализация x(t) пересекает нулевой уровень, |
|
х(/0,) = 0; |
созФ(г0,) = 0, Ф(г0() = ^ + и7г. |
Расположение отсчетов £, и т, на реализации процесса показано на рис. 2.11.
Сопряженный процесс на информационно-измерительных комплексах и установках физического моделирования радиотех нических систем может быть получен при помощи квадратурного гетеродина. На входе приемной системы реализацию отраженного эхо-сигнала можно представить в виде
и с(0 = Е0(/)cos[cor/ -Ф (0 ],
где Е0 (() — огибающая; шг — частота гетеродина; Ф(/) — фаза.
Рис. 2.11. Формирование выборок огибающей и интервалов между нулями нестационарного случайного процесса:
а — исходный сигнал .т(/); б — сопряженный процесс y{t)\ в — от счеты огибающей г — отсчеты длительностей интервалов меж ду нулями т,; N — объем выборки; q — координата начала выбор ки, отсчитывается от опорного момента времени
Сопряженные по Гильберту процессы в установках физического моделирования получаются на выходах двух смесителей.
Напряжение гетеродина на первом смесителе С/г1 (/), на вто
ром— Ur2(t):
С/г1 (г) = £, sin сог/, Ur2(t) = E2cos ©ГЛ
Процессы на выходах смесителей после фильтрации сигналов с частотой 2сог можно записать в виде
:K ') = y £ r £ 0(') sin<I>('); * ( 0 = у £ Л ( 0 « » ф (0-
Другой способ получения сопряженных процессов основан на следующем свойстве преобразования Гильберта. Если функции x(t) и y(t) связаны преобразованием Гильберта, то их спектры
|£, (ш)| = |Sj, (со)|, a argiS, (со) = argiS^, (со) ± |
т.е. модули спектров |
равны, а фазы всех спектральных составляющих сдвинуты на ^
или —л .
2
Таким образом, случайные процессы {*(/)} и {у(с)}, сопря женные по Гильберту, при исследованиях статистических свойств сигнала {t/c(/)} могут быть получены на выходах широкополос
ного фазорасщепителя.
Рассмотрим структурную схему установки, на которой можно проводить исследования для получения отсчетов £, и т, и ввода их в ЭВМ (рис. 2.12). В установке отсчеты £, выполняются анало го-цифровым преобразователем (АЦП) б, на сигнальный вход ко торого поступает исследуемый процесс {jc(f)}, а на командный
вход через коммутатор 5 — запускающий импульс с выхода от метчика нулей 1. Отметчик нулей формирует импульс в момент пересечения сопряженным процессом у (t) нулевого уровня. Ком мутатор разрешает запуск АЦП только после того, как сигнал на его входе превысит заданный порог t/n, чтобы не перегружать память ЭВМ 9 отсчетами шума. Одновременно с запуском АЦП в
Рис. 2.12. Структурная схема установки для получения вы борок огибающей и интервалов между нулями:
/ — отметчик нулей; 2,3 — компараторы; 4— формирователь адреса; 5 — коммутатор; 6 — АЦП; 7 — генератор тактовых импульсов; 8 — счетчик; 9— ЭВМ
блоке 4 формируется адрес этого отсчета и вводится в память ЭВМ. Отсчеты х,- проводятся подсчетом количества тактовых им пульсов в счетчике 8 с известным периодом следования за проме жуток времени г,- = г, - между соседними пересечениями про цессом {*(/)} нулевого уровня. Генератор тактовых импульсов 7 подключен к счетчику импульсов через коммутатор, который в момент пересечения процессом {jc(f)} нулевого уровня (по сигна лу компаратора 3) останавливает счетчики, вводит показание счет чика (отсчет х,) и адрес отсчета в память ЭВМ, после чего произ водит сброс счетчика в исходное (нулевое) положение и разрешает подсчет следующего значения х|+1.
Ввод отсчетов Е{ и т, в ЭВМ прекращается после пересече ния объектом заданного опорного направления. По отсчетам Е{ и
т, каждой j -й реализации вычисляются скользящие выборочные
оценки начальных коэффициентов регрессии (2.42) и доверитель ные интервалы, для сравнения характеристик вычисляются также и скользящие автокорреляционные оценки.
Для обоснования информативных признаков оценки, получен ные по отдельным реализациям, усредняются по ансамблю реали зации (в пределах заданного класса объектов и условий встречи) и определяется диапазон изменения оценок от Pmjn до Р тах. Иногда полезно оценить дисперсию оценок по ансамблю.
88
Контрольные вопросы и задания
1.Как определяется зона Френеля?
2.Приведите примеры антенных систем, имеющих дискретно-непре рывный раскрыв.
3.Какими параметрами характеризуется временная структура сигнала?
4.Дайте определения пространственно-узкополосного и пространст венно-широкополосного сигналов.
5.Какими способами факторизуется структура пространственно узкополосных и пространственно-широкополосных сигналов?
6.Через какие статистические характеристики могут быть определе ны коэффициенты множественной регрессии?
7.Возможно ли регрессионное представление одного случайного параметра через другой при отсутствии ковариации?
8.Составьте матрицы центральных и начальных корреляционных моментов и вычислите коэффициенты центральной и начальной регрессии
для системы случайных величин {х\, х2}, если средние значения ц, = 1,
ц2 = 3, дисперсии а, = 0,3, ст2 = 0,5, а нормированный коэффициент взаимной корреляции случайных величин г = 0,8.
9. Приведите примеры инвариантных статистических характеристик случайных процессов.
10.Перечислите свойства частных коэффициентов центральной и начальной регрессии соседних интервалов и групп интервалов между нулями реализации стационарного узкополосного случайного процесса.
11.Перечислите свойства нормированного коэффициента корреля ции отсчетов огибающей, взятых при помощи сопряженного по Гильберту процесса.
12.Какими параметрами определяется дисперсия относительной по грешности оценки средней частоты энергетического спектра, основанной на вычислении длительности п интервалов между нулями реализации стационарного случайного процесса?
13.Рассчитайте относительную погрешность оценки средней часто ты энергетического спектра гауссовского случайного процесса по 20 ин
тервалам между нулями при относительной ширине полосы а = 0,3.
14.Докажите инвариантность коэффициента начальной регрессии интервалов между нулями реализации стационарного узкополосного слу чайного процесса к средней частоте энергетического спектра.
15.Охарактеризуйте частотный и временной методы исследования статистических характеристик нестационарных случайных процессов.
3.АЛГОРИТМЫ СИСТЕМ ОБНАРУЖЕНИЯ
ИРАСПОЗНАВАНИЯ СИГНАЛОВ
ВУСЛОВИЯХ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ
3.1.Возможные методы решения задач обнаружения и распознавания сигналов в ближней локации
Кзадачам теории оптимального приема сигналов относятся: обнаружение и распознавание сигналов, оценка параметров и фильтрация сигналов, анализ прохождения случайного сигнала по каналу с заданными характеристиками. Особенность задач в ближней локации обусловлена случайной природой и нестационарностью источника сообщения и мешающих воздействий, по этому статистический подход к их решению является наиболее эффективным. Он заключается в том, что для отыскания решения задач должны быть заданы статистические (вероятностные) моде ли сигналов и помех и статистический критерий оптимальности решения. Существуют различные методы решения задач, которые разделяются на структурные и неструктурные.
Структурные методы обработки сигнала характеризуются сле дующими основными особенностями. При структурном подходе необходимо задать класс устройств обработки сигнала, удовлетво ряющих, например, требованию линейности фильтров с неизме ненными во времени параметрами. Следует выбрать наилучшую (по принятому критерию) систему в данном классе. Выбор наи лучшей в рамках заданного класса системы проводится по опреде ленному критерию, например по критерию максимума отношения сигнал / шум.
При структурном подходе используются структурные модели сигнала, которые в общем случае определяются как связи по прави лу Ф{...} в двух или более временных зависимостях сигнала, его производных, интегралов или его линейных преобразований. Вы ражение для структурной связи сигнала в общем случае имеет вид
F[JC(/)] = ф {л(0, i( 0 . *(')>•••> A [*(0L к M O L •••}’ (3-0
где x(t) — принятое колебание; I[x(f)] — линейное преобразо
вание x(t).
Смысл использования структурной модели сигнала заключа ется в том, что при надлежащем выборе вида преобразования Ф{...} в выражении (3.1) можно освободиться от избыточной ин формации или от влияния непостоянства безынформационных пара метров, т.е. достичь инвариантности относительно них. С этим связа но одно из достоинств структурного подхода к решению статистиче ских задач, заключающееся в том, что для его применения обычно достаточно частичного описания (задания) сигналов. На практике же требуемые параметры приходится измерять или рассчитывать.
К преимуществам структурного способа обработки сигналов следует отнести также возможность в каждый момент времени разделить траектории измеряемых информативных параметров. Вследствие этого сложные в техническом отношении устройства памяти, присущие корреляционным системам, не являются необ ходимыми элементами систем при структурном подходе.
Существуют, однако, факты, ограничивающие возможности структурного подхода при решении статистических задач оптимиза ции. Одним из недостатков структурного способа является то, что выбор структурной связи, задающей по существу структуру системы обработки сигнала, в каждом случае определяется в значительной степени интуицией исследователя и часто невозможно заранее опре делить, правильно ли выбрана структура. В частности, при решении задачи простая нелинейная система может заведомо превосходить лучшую линейную систему. Попытка решить проблему выбора над лежащей структуры путем предположения, что она является произ вольной нелинейной системой с изменяющимися во времени пара метрами, оказывается несостоятельной в связи с тем, что не сущест вует приемлемого способа исследования всех возможных систем.
При оценке возможностей структурных методов построения систем принятия решения в ближней локации необходимо учиты вать следующее.
1. При формировании структурных моделей сигналов наибо лее часто используемыми контурными моделями являются сигнал и его производные. В системах ближней локации рабочие сигналы
имеют большой динамический диапазон изменения амплитуд и частот, а операции дифференцирования первого и более высоких порядков увеличивают динамику сигнала, циркулирующего в сис теме, усложняя ее техническую реализацию.
2.Поскольку в системах ближней локации мешающие воздей ствия могут на 60 дБ и более превышать полезный сигнал, для обеспечения линейности тракта обработки (с целью исключения подавления полезного сигнала) необходимо на входе системы осуществлять спектральную селекцию принятого колебания. Такое преобразование в большинстве случаев искажает форму сигналов, что затрудняет применение в этих условиях структурных методов.
3.Сигналы и помехи в системах ближней локации часто могут совпадать по форме и отличаться только диапазоном изменения па
раметров, например параметра X сигнала экспоненциальной формы
U(t) = U0e~u
Это обстоятельство также затрудняет применение структурных методов построения систем, реагирующих на сигналы определен ной формы и инвариантных к остальным параметрам сигнала.
4.В большинстве работ, посвященных структурным методам, не используются различия корреляционных свойств сигналов и помех, поэтому процедуры обработки сводятся к дисперсионной, а не корреляционной обработке сигналов.
5.В случае одиночных сигналов заданной формы структурные методы могут упростить техническую реализацию системы. Осо бенно перспективно применение в системах ближней локации структурно-сигнальных параметрических фильтров, например при фильтрации ЧМ-колебаний.
Альтернативой структурного метода служит неструктурный метод, при котором не делают априорных предположений относи тельно структуры устройства обработки сигналов, а задают крите рии, находят алгоритм и реализуют полученную процедуру обра ботки. Преимущество этого метода заключается в том, что най денная структура устройства обработки — наилучшая (с точки зрения выбранного критерия) из всех возможных.
Недостаток неструктурного метода состоит в необходимости полностью характеризовать (задавать) все сигналы, каналы и помехи, относящиеся к задаче. Однако существует большое число практиче ски важных задач, в которых сделать это невозможно.