Wahrscheinlichkeit der Radarerkennung: Swerling-Modelle und Monte-Carlo-Unsicherheitsanalyse

Was dir die Radargleichung nicht sagt

Die klassische Gleichung zur Radarreichweite gibt Ihnen eine einzige Zahl: die Reichweite, bei der das empfangene SNR Ihrer Erkennungsschwelle entspricht. Sie geht von einem Punktziel mit festem RCS, ohne atmosphärische Verluste und perfekten Systemparametern aus. Echte Radarziele funktionieren auf diese Weise nicht.

Flugzeuge flattern, Schiffe rollen, Niederschlag streut sich — der Radarquerschnitt des Ziels schwankt von Impuls zu Puls oder von Scan zu Scan. Regen führt je nach Frequenz und Regenrate zu einem bidirektionalen Wegverlust von 0,01—20 dB/km. Ihre Sendeleistung variiert von Gerät zu Gerät um ±1 dB und je nach Temperatur ±2 dB. Die Gleichung zur Radarreichweite liefert Ihnen eine Momentaufnahme; der Erkennungssimulator gibt Ihnen eine Wahrscheinlichkeitsverteilung über diesen Schnappschuss.

In dieser exemplarischen Vorgehensweise wird der Radarerkennungssimulator verwendet, um ein bodengestütztes Überwachungsradar zu analysieren, das bei 3 GHz arbeitet.

Zielmodelle: Auswahl des richtigen Swerling-Gehäuses

Bevor Sie eine Simulation ausführen, müssen Sie ein Zielfluktuationsmodell auswählen. Die fünf Swerling-Fälle decken den Bereich von optimistisch bis realistisch ab:

Für ein Kampfflugzeug mit 3 GHz und Impuls-zu-Puls-Integration ist Swerling 2 die Standardwahl. Swerling 1 ist pessimistischer (langsame Fluktuation macht die Integration weniger effektiv) und erzeugt bei gleichem SNR einen niedrigeren Pd-Wert. Verwenden Sie ihn, wenn Sie einen konservativen Verbindungsabstand benötigen.

Das nominale Gehäuse einrichten

Geben Sie die folgenden Parameter für ein 3-GHz-Bodenüberwachungsradar ein:

Der Simulator berechnet das SNR für jeden Entfernungsbereich anhand der Friis-Radargleichung und ordnet dann mithilfe der Marcum-Q-Funktion (Swerling 0) oder der entsprechenden dezentralen Chi-Quadrat-CDF für Swerling 1—4 das SNR Pd zu. Die nichtkohärente Integration von N-Pulsen verbessert das SNR bei schwankenden Swerling-Zielen um ungefähr N^0,8.

Mit diesen Eingängen beträgt die nominale Erfassungsreichweite (Pd = 0,5) etwa 180 km. Die Erfassungsreichweite von 90% liegt näher bei 120 km — dem Bereich, in dem bei neun von zehn Scanmöglichkeiten das Ziel erkannt wird.

Regen hinzufügen: ITU-R P.838 Dämpfung

Aktiviere nun die Regendämpfung und stelle die Regenrate auf 16 mm/h ein (mäßiger Regen, ITU-R-Klimazone K). Der Simulator wendet das P.838-spezifische Dämpfungsmodell an:

„MATHBLOCK_0“

wobei k und α frequenzabhängige Koeffizienten sind. Bei 3 GHz mit horizontaler Polarisation sind k ≈ 0,00155 und α ≈ 1,265, was bei 16 mm/h für δ_R ≈ 0,044 dB/km ergibt. Bei einer Entfernung von 180 km in beide Richtungen bedeutet das einen zusätzlichen Verlust von 16 dB — genug, um den Erfassungsbereich im Nennfall auf etwa 120 km zu reduzieren.

Die Regenregion ist auf die ersten 4 km Höhe (das helle Band) begrenzt, was der Simulator durch eine effektive Reduzierung der Weglänge bewältigt. Bei stärkerem Regen (50 mm/h — tropisches Gewitter) wird die nominale Erfassungsreichweite auf unter 90 km reduziert.

Monte Carlo: Quantifizierung der Systemunsicherheit

Die nominale Erfassungsreichweite ist der Median — die Hälfte aller hergestellten Radarsysteme wird schlechter abschneiden. Ermöglichen Sie Monte Carlo mit 50.000 Versuchen und den folgenden Toleranzen:

Das Monte-Carlo-Ergebnis zeigt, dass der Erfassungsbereich für das 10. Perzentil (schlechteste 10% der Kombinationen aus System und Umgebung) 95 km beträgt — 25% kürzer als der Nennwert. Das 90. Perzentil (beste 10%) erreicht 155 km. Diese Streubreite entspricht der tatsächlichen Fertigungsabweichung, der saisonalen Abweichung der Rauschzahlen und der Streuung des Zielaussichtwinkels.

Der einflussreichste Parameter ist das Ziel-RCS, das fast 60% der Erkennungsbereichsvarianz bei der Empfindlichkeitsunterbrechung ausmacht. Dies wird für Swerling-2-Ziele erwartet: Das RCS schwankt von Puls zu Puls mit einer Rayleigh-Verteilung, und die Enden dieser Verteilung dominieren Pd bei moderatem SNR. Dies hat zur Folge, dass Investitionen in eine höhere Sendeleistung oder einen besseren Antennengewinn zu sinkenden Renditen führen, wenn Sie die Varianz des Zielaspektwinkels nicht berücksichtigt haben.

Die ROC-Kurve ablesen

Die ROC-Kurve (Receiver Operating Characteristic) stellt Pd gegen Pfa für einen festen Bereich dar. Verwenden Sie es, um Folgendes zu beantworten: „Wenn ich meine Fehlalarmrate von 10′auf 10verringere, wie viel gewinne ich dann an Erkennungswahrscheinlichkeit bei 150 km?“

Bei 150 km mit den Nennparametern und ohne Regen zeigt die ROC einen Anstieg des Pd-Werts von 0,41 bei Pfa=10^³ auf 0,68 bei Pfa=10²³. Das ist ein Anstieg des Pd-Werts um 27 Prozentpunkte bei zwei Größenordnungen mehr Fehlalarmen — ein Kompromiss, der ausschließlich vom betrieblichen Kontext abhängt. Für die Flugverkehrskontrolle ist Pfa=10□ obligatorisch. Für ein Suchradar für den Seeverkehr, bei dem ein menschlicher Bediener die Kontakte überprüft, kann Pfa=10⁵ akzeptabel sein.

Was dir diese Simulation nicht sagen wird

Der Simulator modelliert die Erkennung von thermischem Rauschen, die Bereichs-Doppler-Verarbeitungsverstärkung (durch inkohärente Integration), die Regendämpfung und die Ziel-RCS-Fluktuation. Er modelliert keine Störungen (Boden, Meer, Spreu), EKM/Störungen, Mehrweg- oder Antennenabtastverluste. Für eine vollständige Radarsystemanalyse benötigen diese Effekte separate Modelle. Für die Validierung des Verbindungsbudgets und die Analyse der Erkennungsreichweite bietet Ihnen diese Simulation jedoch den grundlegenden Wahrscheinlichkeitsrahmen.

[Radarerkennungs-Simulator] (/tools/radar-detection)