Radarreichweitenanalyse: Monte-Carlo-Konfidenzintervalle

Warum Schätzungen der Einpunkt-Erkennungsreichweite Sie verraten

In jedem Radar-Lehrbuch finden Sie die Entfernungsgleichung. Sie stecken Sendeleistung, Antennenverstärkung, Rauschzahl, Ziel-RCS ein, drehen die Kurbel und heraus erscheint eine Zahl. Die Ingenieure nehmen diese Zahl, bauen ganze Systembudgets darauf ab, weisen die Marge darauf basierend zu — und sind dann überrascht, wenn das hergestellte Radar nicht ganz ins Schwarze trifft.

Hier ist das Problem: Die Reichweitengleichung ist deterministisch, aber nichts in der realen Welt kooperiert damit. Das Ziel-RCS steht nicht still; es schwankt stark, je nach Blickwinkel und Streumechanismen. Rauschzahl des Empfängers? Das variiert von Gerät zu Gerät, das von der Produktionslinie kommt. Ihre Sendeleistung liegt an einem kalten Morgen möglicherweise auf dem Minimum der Spezifikation und steigt auf das Spezifikationsmaximum, wenn das Radar den ganzen Nachmittag in einem warmen Geräteträger läuft. Die Regendämpfung hängt davon ab, was gerade tatsächlich vom Himmel fällt, nicht von einem Jahresdurchschnitt, den Sie aus einer Wetterdatenbank abgerufen haben.

Eine Einzelpunktschätzung fegt all diese Unsicherheiten unter den Teppich. Es gibt Ihnen falsches Vertrauen. Was Sie tatsächlich benötigen, ist eine Wahrscheinlichkeitsverteilung — eine Reihe von Ergebnissen mit zugehörigen Wahrscheinlichkeiten. An dieser Stelle kommt die Monte-Carlo-Simulation ins Spiel.

In diesem Beitrag wird ein funktionierendes Beispiel vorgestellt, bei dem der Radar Detection Monte Carlo Simulator zur Analyse eines gepulsten X-Band-Radars verwendet wird. Wir zeigen, wie Konfidenzbänder aus Monte Carlo Ihnen die Informationen liefern, die Sie tatsächlich benötigen, um vertretbare Designentscheidungen zu treffen, und nicht nur schöne PowerPoint-Folien.

Das Referenzdesign

Wir haben es mit einem bodengestützten 10-GHz-X-Band-Radar zu tun. Nichts Exotisches — eine ziemlich standardmäßige Konfiguration, die Sie vielleicht in einem kleinen Überwachungssystem oder einer UAV-Erkennungsanwendung finden. Hier sind die Parameter:

Das Ziel, das wir verfolgen, ist ein kleines UAV oder vielleicht ein großer Vogel — RCS im Mittel 1 m² mit langsamen Fluktuationseigenschaften. Wir haben es als Swerling I modelliert, was bedeutet, dass das RCS über alle Impulse in einem einzigen Zeitraum ungefähr konstant bleibt, sich aber von Scan zu Scan ändert. Dies ist realistisch für Ziele, bei denen sich der Seitenwinkel während der Integrationszeit kaum ändert.

Die Fehlalarmrate ist auf 10eingestellt, was für Suchradargeräte ziemlich normal ist. Wenn Sie noch enger sind, verbringen Sie Ihre ganze Zeit damit, Geistern hinterherzujagen. Wenn Sie losgehen, leuchtet Ihre Bedienkonsole wie ein Weihnachtsbaum.

Einrichtung der Nennanalyse

Geben Sie diese Werte in das [Radar Detection Monte Carlo Tool] ein (https://www.rfcalculator.com/radar-detection-monte-carlo). Der Taschenrechner gibt sofort einige wichtige Zahlen aus:

• R= 45,2 km — das ist deine nominelle Erkennungsreichweite von 50%, also die Entfernung, bei der du gerade Chancen hast, das Ziel zu erkennen
• R= 28,4 km — der Erfassungsbereich von 90%, eine viel konservativere Zahl, die Ihnen ein hohes Maß an Sicherheit gibt
• Integrationsgewinn = 6,3× — ausgehend von der n^0,8-Näherung mit 10 inkohärenten Impulsen

Das SNR-Diagramm im Vergleich zur Reichweite zeigt, dass das SNR nach der Integration die Erkennungsschwelle (etwa 12,4 dB über dem Grundrauschen für Pfa = 10≤bei 10 integrierten Impulsen) in etwa 45 km überschreitet. Dies entspricht dem, was Sie aus der klassischen Reichweitengleichung erhalten würden, was beruhigend ist — zumindest der Nennwert ergibt Sinn.

Aber hier ist das Interessante: Die Lücke zwischen Rund Rist riesig. Sie verlieren fast 17 km und steigen von 50% Selbstvertrauen auf 90% Selbstvertrauen. Dieser Spread sagt etwas Wichtiges über die Unsicherheit in diesem System aus, die hauptsächlich auf das Swerling I RCS-Fluktuationsmodell zurückzuführen ist.

# Vergleich des Swerling-Modells

Versuchen Sie jetzt etwas: Ändern Sie das Swerling-Modell von I auf 0 (nicht schwankendes Ziel) und führen Sie die Simulation erneut aus. Der Wert von R wird auf 50,1 km verschoben — eine Steigerung von 10%. Auf den ersten Blick scheint das rückwärts zu sein. Sollte ein schwankendes Ziel nicht schwieriger zu erkennen sein?

Die Antwort hängt ganz davon ab, welche Entdeckungswahrscheinlichkeit Ihnen wichtig ist. Bei einem sehr hohen Pd (über 0,9) sind nicht schwankende Ziele definitiv einfacher zu erkennen, da das RCS niemals auf einen katastrophal niedrigen Wert absinkt. Ihnen wird eine bestimmte Mindestrendite garantiert. Aber bei moderatem Pd von etwa 50% können schwankende Ziele (Swerling I) tatsächlich eine ähnliche oder sogar etwas bessere Leistung erzielen. Warum? Weil das RCS gelegentlich deutlich über seinem Mittelwert liegt, und diese glücklichen Ergebnisse mit hohem RCS-Wert erhöhen den mittleren Erkennungsbereich. Der berühmte „Swerling-Verlust“ — die Strafe, die Sie für RCS-Schwankungen zahlen — tritt wirklich nur auf, wenn Sie hohe Erkennungswahrscheinlichkeiten fordern.

Wechseln Sie jetzt zu Swerling II (schnelle Fluktuation, bei der das RCS von Puls zu Puls wechselt, aber immer noch einer Chi-Quadrat-Verteilung mit 2 Freiheitsgraden folgt). Bei gleichem Mittelwert des RCS ergibt sich ein Wert von R= 43,8 km — geringfügig kürzer als Swerling I mit 50% Pd. Die schnelle Fluktuation hilft sogar ein wenig, wenn Sie viele Impulse integrieren, da statistisch gesehen garantiert einige dieser Impulse einen hohen RCS-Wert empfangen. Es ist ein subtiler Effekt, aber er ist da.

Auswirkung der Regendämpfung

Okay, jetzt fügen wir der Mischung Wetter hinzu. Stellen Sie die Regenrate auf 25 mm/h ein — das ist starker tropischer Regen, der Sie auf der Autobahn zum Anhalten bringt. Führen Sie die Simulation mit Swerling I erneut aus.

Das Tool wendet die bidirektionale Dämpfung nach ITU-R P.838 an. Bei 10 GHz bietet das Modell:

• k = 0,0101, α = 1,276 (frequenzabhängige Koeffizienten)
• Spezifische Dämpfung: σ = 0,0101 × 25^1,276 ≈ 0,57 dB/km in einer Richtung
• Wechselseitiger Pfad: 1,14 dB/km

Bei einer nominalen Erfassungsreichweite von 45 km ergibt sich ein bidirektionaler Regenverlust von 51,3 dB. Das ist katastrophal. Der Wert von R sinkt auf 12,3 km. Ihre Erkennungsreichweite ist gerade um mehr als den Faktor drei zusammengebrochen. Das System ist jetzt komplett auf Regen begrenzt, nicht auf Hardware beschränkt.

Das ist eine brutale Lektion, die X-Band-Radardesigner früh lernen: Sie können die gesamte Sendeleistung und den Antennengewinn der Welt nutzen, aber starker Regen wird Ihre Leistung immer noch ruinieren. Genau aus diesem Grund haben Wetterradare, die im X-Band arbeiten, einen erheblichen Abstand zu ihrer Erkennungsreichweite bei klarem Himmel. Der Konstrukteur muss wissen, wie hoch der Wert unter realistischen Wetterbedingungen ist, und nicht nur die Zahl der Sonnentage, die im Vorschlag gut aussieht.

In der Praxis würden Sie wahrscheinlich mit einer niedrigeren Frequenz (S-Band oder L-Band) arbeiten wollen, wenn Sie Allwetterleistung benötigen, oder akzeptieren, dass Ihr X-Band-System bei Niederschlägen eine verminderte Reichweite hat. Es gibt kein kostenloses Mittagessen.

Die Monte Carlo Confidence Bands

Setze die Regenrate wieder auf Null und sieh dir die Monte-Carlo-Konfidenzbänder für Swerling I genauer an. Hier wird es aus gestalterischer Sicht interessant:

• p95-Band (im besten Fall) : R♦ ♦ = 52,1 km — 15% besser als Nennwert
• p50-Band (Median) : R‡ = 45,2 km — entspricht erwartungsgemäß der nominalen Prognose
• p5-Band (schlimmster Fall) : Rfactors = 38,7 km — 14% schlechter als der Nennwert

Die Asymmetrie ist hier relativ gering, da die von uns erlaubten Parameterschwankungen (±0,5 dB bei der Rauschzahl, ±0,3 dB bei der Sendeleistung) im Vergleich zur Swerling I RCS-Fluktuation, die die statistische Streuung dominiert, bescheiden sind. Wenn Sie die Hardwaretoleranzen noch weiter verschärfen würden, würden Sie nicht viel gewinnen — die RCS-Fluktuation wäre immer noch der limitierende Faktor.

Hier ist die wichtigste Erkenntnis für Fertigung und Test: Die Anforderung sollte anhand der p5-Kurve geschrieben werden. Ihr Radar muss bei allen hergestellten Einheiten einen Wert von R ≥ 38,7 km erreichen, einschließlich der ungünstigsten Kombination von Bauteiltoleranzen. Wenn Sie die Spezifikation anhand der Nennzahl von 45,2 km schreiben, besteht etwa die Hälfte Ihrer Produktionseinheiten die Abnahmetests nicht, und Sie werden monatelang mit dem Kunden darüber streiten, ob das Radar „funktioniert“ oder nicht.

Die meisten Ingenieure überspringen diesen Schritt und bereuen es später, wenn das erste Seriengerät von den Integrationstests zurückkommt und die vorhergesagte Reichweite nicht ganz erreicht. Die Monte-Carlo-Analyse sagt Ihnen im Voraus, welche Marge Sie zuweisen müssen.

Interpretation der ROC-Kurve

Die ROC-Kurve (Receiver Operating Characteristic) zeigt die Erkennungswahrscheinlichkeit im Vergleich zu —log( Pfa) im Bereich R. Für den Betriebspunkt wählten wir (Pfa = 10ERB, was auf der waagerechten Achse =6 entspricht):

• Pd ≈ 0,50 — konstruktionsbedingt, da wir speziell den Erfassungsbereich von 50% gewählt haben

Aber schauen Sie, was passiert, wenn Sie die Fehlalarmrate ändern. Wenn Sie den Wert Pfa auf 10( —log= 8) festziehen, sinkt die Erkennungswahrscheinlichkeit auf 0,31. Sie haben den Detektor so konservativ gemacht, dass er Ziele in diesem Bereich in mehr als zwei Dritteln der Fälle verfehlt. Umgekehrt steigt Pd auf 0,72, wenn Sie Pfa auf 10( —log= 4) entspannen. Dies ist der klassische Kompromiss zwischen Erkennung und Fehlalarm, den CFAR-Prozessoren (Constant False Alarm Rate) in realen Betriebssystemen ständig bewältigen müssen.

In der Praxis würden Sie wahrscheinlich einen adaptiven Schwellenwert implementieren, der sich an die lokale Geräuschumgebung anpasst. Die ROC-Kurve zeigt Ihnen jedoch den fundamentalen Kompromissspielraum, in dem Sie arbeiten. Es gibt keinen magischen Algorithmus, der Ihnen sowohl niedrige Fehlalarme als auch eine hohe Erkennungswahrscheinlichkeit ohne ausreichendes SNR bietet — die Physik lässt das nicht zu.

Wichtige Erkenntnisse für das Design

Ein paar Dinge, mit denen Sie weggehen sollten:

Verwenden Sie für die Margenzuweisung immer die p5-Kurve. Der nominale Erfassungsbereich ist eine optimistische Einpunktschätzung, bei der nur 50% der Betriebsszenarien erfüllt oder überschritten werden. Wenn Sie eine Systemspezifikation oder eine Vertragsanforderung verfassen, legen Sie dabei das p5- oder p10-Perzentil zugrunde, nicht den Median. Ihr zukünftiges Ich (und Ihr Testingenieur) werden es Ihnen danken. Regen dominiert im X-Band. In nassen Umgebungen ist der regengedämpfte Erfassungsbereich die verbindliche Einschränkung, nicht die Hardwareleistung bei klarem Himmel. Wenn Sie ein System entwerfen, das in tropischen oder maritimen Umgebungen funktionieren muss, stellen Sie entweder auf eine niedrigere Frequenz um oder nehmen Sie eine deutlich geringere Reichweite bei Niederschlägen in Kauf. Sie können die ITU-R-Dämpfungsmodelle nicht bekämpfen. Das Swerling-Modell ist wichtig bei hohen Pd-Anforderungen. Bei Pd = 0,9 kostet der Wechsel von Swerling 0 (nicht schwankend) zu Swerling I etwa 6—8 dB SNR — den sogenannten Swerling-Verlust. Dies entspricht einer etwa 2-fachen Reduzierung des Erfassungsbereichs bei 90% Pd. Wenn Ihr Kunde hohe Erkennungswahrscheinlichkeiten für schwankende Ziele verlangt, wird die Reichweitenleistung im Vergleich zu einem Fall ohne Schwankungen erheblich beeinträchtigt. Die Impulsintegration lohnt sich. Zehn inkohärente Impulse sorgen für eine 6,3-fache SNR-Verstärkung, was einer Erhöhung der Spitzenleistung um 8 dB oder der Antennenverstärkung um 4 dBi entspricht. Das ist fast kostenlose Leistung — Sie sammeln einfach mehr Samples und berechnen daraus den Durchschnitt. Der Integrationsgewinn folgt ungefähr einem Gesetz von n^0,8 für nichtkohärente Integration (im Gegensatz zum idealen n^1,0, das Sie bei perfekter kohärenter Integration erhalten würden). Selbst mit dem inkohärenten Elfmeter ist das ein großer Gewinn.

Der Monte-Carlo-Ansatz zwingt Sie dazu, die Leistung des Radars probabilistisch zu betrachten, und genau das hätten Sie von Anfang an tun sollen. Deterministische Reichweitengleichungen sind nützlich für Schätzungen, die hinter den Kulissen liegen, aber sie verbergen die Unsicherheit, die Sie beim Systemtest überfordern wird. Führen Sie die Monte-Carlo-Simulation zu Beginn der Entwurfsphase durch, machen Sie sich ein Bild von Ihren Konfidenzintervallen und weisen Sie die Marge entsprechend zu. Ihrem Programmmanager gefallen die konservativeren Zahlen vielleicht nicht, aber zumindest müssen Sie nicht erklären, warum das Radar nicht den Spezifikationen entspricht, wenn es im Testbereich auftaucht.