Radarerkennung: Swerling-Modelle und Monte Carlo

Was dir die Radargleichung nicht sagt

Die klassische Gleichung zur Radarreichweite gibt eine einzige Zahl aus: den Bereich, in dem Ihr empfangenes SNR die Erkennungsschwelle erreicht. Sauber, deterministisch und völlig irreführend, wenn Sie glauben, dass das die ganze Geschichte ist. Die Gleichung geht davon aus, dass Ihr Ziel ein festes RCS hat, die Atmosphäre perfekt transparent ist und jede Komponente in Ihrem Radar exakt den Spezifikationen entspricht. Echte Ziele kooperieren nicht.

Flugzeuge schwanken und gieren und ändern ihren dargestellten Querschnitt von einem Impuls zum nächsten um 20 dB oder mehr. Schiffe hüpfen und rollen auf hoher See. Regen ist nicht einfach da — er streut Ihr Signal und erhöht sich zwischen 0,01 dB/km bei leichtem Nieselregen und 20 dB/km bei tropischem Regenguss, und das ist ein bidirektionaler Verlust. Ihr Klystron- oder Solid-State-Verstärker? Er gibt außerhalb der Produktionslinie von Gerät zu Gerät eine um ±1 dB unterschiedliche Leistung ab, und weitere ±2 dB schwanken, wenn sich die Temperatur von Winter zu Sommer ändert. Die Gleichung zur Radarreichweite gibt Ihnen eine Punktschätzung. Was Sie tatsächlich benötigen, ist eine Wahrscheinlichkeitsverteilung, die um diese Schätzung herum angelegt ist und alles berücksichtigt, was in der realen Welt variiert.

In dieser exemplarischen Vorgehensweise wird der Radarerkennungssimulator verwendet, um ein bodengestütztes Überwachungsradar zu analysieren, das mit 3 GHz arbeitet. Wir arbeiten uns mit Modellen zur Zielfluktuation durch, fügen das Wetter hinzu und führen Monte-Carlo-Tests durch, um zu sehen, wie stark Ihr Erfassungsbereich tatsächlich variiert, wenn Sie Fertigungstoleranzen und Umgebungsunsicherheiten berücksichtigen.

Zielmodelle: Auswahl des richtigen Swerling-Gehäuses

Bevor Sie etwas ausführen, müssen Sie ein Zielfluktuationsmodell auswählen. Die fünf Swerling-Fälle wurden in den 1950er Jahren entwickelt und sind immer noch der Standard, da sie physikalischen Streumechanismen eindeutig zugeordnet werden können. Jeder einzelne steht für Folgendes:

Swerling 0 ist der optimistische Fall — das Ziel-RCS ist konstant, sodass Sie den vollen Nutzen der inkohärenten Integration nutzen können. Verwenden Sie es für Kalibrierungskugeln oder dreiflächige Eckreflektoren, bei denen die Geometrie wirklich stabil ist. Für ein Flugzeug in Jagdflugzeuggröße bei 3 GHz mit Impuls-zu-Puls-Integration ist Swerling 2 die Standardwahl. Die Annahme, dass es viele Streuungen gibt, trifft zu, weil sich Rumpf, Flügel, Heck, Triebwerkseinlässe und Steuerflächen gegenseitig stören. Das RCS folgt einer Rayleigh-Verteilung von Impuls zu Impuls.

Swerling 1 ist konservativer — es geht davon aus, dass sich das Ziel-RCS langsam ändert, sodass Sie effektiv den gleichen RCS-Wert für alle Ihre Impulse integrieren. Das macht die Integration weniger effektiv und führt zu einer geringeren Erkennungswahrscheinlichkeit bei gleichem SNR. Die meisten Techniker überspringen Swerling 1, aber wenn Sie ein System entwerfen, bei dem Sie einen Spielraum gegen die ungünstigsten Zielausrichtungswinkel benötigen, lohnt es sich, sowohl Swerling 1 als auch Swerling 2 auszuführen, um Ihre Leistung zu verbessern.

Swerling 3 und 4 kommen zur Anwendung, wenn Sie einen dominanten Streueffekt haben. Stellen Sie sich ein kleines Flugzeug vor, bei dem der Triebwerkseinlass oder ein Eckreflektor am Heck den Rücklauf dominiert. Die RCS-Verteilung wechselt von Rayleigh zu einem Chi-Quadrat mit vier Freiheitsgraden, das ein längeres Heck hat. Gelegentlich erhalten Sie starke Renditen, die die Erkennung erleichtern, aber die mittlere Leistung ist ähnlich wie bei Swerling 2.

Den Nennwert für Groß- und Kleinschreibung einrichten

Lassen Sie uns ein typisches 3-GHz-Bodenüberwachungsradar konfigurieren. Diese Parameter stehen für ein Mittelstreckensystem wie ein L-Band-Flugsicherungsradar oder einen bodengestützten Luftverteidigungssensor:

Der Simulator berechnet das SNR an jedem Entfernungsbereich mithilfe der Friis-Radargleichung — der bidirektionalen Pfadverlust-Version, bei der Sie R¾ anstelle von R² im Nenner erhalten. Dann ordnet er das SNR der Erkennungswahrscheinlichkeit zu, wobei die Marcum-Q-Funktion für Swerling 0 oder die entsprechende dezentrale Chi-Quadrat-CDF für Swerling 1 bis 4 verwendet wird. Die nichtkohärente Integration von N Impulsen verbessert Ihr SNR, jedoch nicht um den vollen Faktor von N. Bei schwankenden Swerling-Zielen liegt die Integrationseffizienz näher an N^0,8, da das Target-Fading Ihre Impulse dekorreliert.

Bei diesen Eingängen beträgt die nominale Erfassungsreichweite bei Pd = 0,5 etwa 180 km. Das ist der mittlere Erkennungspunkt — die Hälfte der Zeit werden Sie in diesem Bereich erkennen, die Hälfte der Zeit nicht. Die Erkennungsreichweite von 90% liegt näher bei 120 km. Das ist der Bereich, in dem neun von zehn Scanmöglichkeiten eine Erkennung auslösen. Dieser Unterschied von 60 km zwischen Pd = 0,5 und Pd = 0,9 ist ausschließlich auf die Ziel-RCS-Fluktuation zurückzuführen. Wenn Sie Swerling 0 (konstantes Ziel) verwenden würden, lägen diese beiden Bereiche viel näher beieinander.

Regen hinzufügen: ITU-R P.838 Attenuation

Schauen wir uns jetzt an, was passiert, wenn es regnet. Aktivieren Sie die Regendämpfung und stellen Sie die Regenrate auf 16 mm/h ein, was moderatem Regen in der ITU-R-Klimazone K entspricht. Der Simulator wendet das P.838-spezifische Dämpfungsmodell an:

§0 §

wobei k und α frequenzabhängige Koeffizienten sind, die mit der Polarisation variieren. Bei 3 GHz mit horizontaler Polarisation sind k ≈ 0,00155 und α ≈ 1,265. Stecken Sie R = 16 mm/h ein und Sie erhalten δ_R ≈ 0,044 dB/km. Das klingt nicht nach viel, aber denken Sie daran, dass dies ein wechselseitiger Weg ist. Auf einer Strecke von 180 km zum Ziel und zurück verlieren Sie 16 dB. Das reicht aus, um Ihre Erkennungsreichweite im Nennfall von 180 km auf etwa 120 km zu reduzieren.

Die Regenregion ist auf die ersten 4 km Höhe begrenzt — das sogenannte helle Band, in dem der Regen am intensivsten ist, bevor er zu verdunsten beginnt oder in höheren Lagen zu Schnee wird. Der Simulator berücksichtigt dies, indem er eine effektive Weglänge durch die Regenregion berechnet, anstatt davon auszugehen, dass Regen bis zum Ziel reicht. Bei einem bodengestützten Radar, das ein Ziel in 10 km Höhe anvisiert, befindet sich Ihr Weg größtenteils über der Regenschicht.

Starker Regen macht das Ganze noch schlimmer. Bei 50 mm/h — ein tropisches Gewitter — ergibt sich in etwa 0.5_R ≈ 0,21 dB/km. Das entspricht einem bidirektionalen Verlust von fast 80 dB über einen Pfad von 180 km, wodurch Ihre nominale Erkennungsreichweite unter 90 km sinkt. Im X-Band (10 GHz) oder höher wird die Regendämpfung bei mäßigem bis starkem Niederschlag zum dominierenden Verlustmechanismus. Aus diesem Grund arbeiten Radare zur Luftüberwachung mit großer Reichweite im L-Band oder S-Band — der Regenverlust ist überschaubar.

Monte Carlo: Quantifizierung der Systemunsicherheit

Der nominale Erfassungsbereich ist nur der Median — die Hälfte aller hergestellten Radarsysteme wird schlechter abschneiden als dieser Wert. Um die vollständige Streuung zu sehen, aktivieren Sie die Monte-Carlo-Simulation mit 50.000 Versuchen und den folgenden Toleranzen:

Diese Toleranzen stellen typische Fertigungsabweichungen und Betriebsunsicherheiten dar. Die Spitzenleistung variiert von Gerät zu Gerät aufgrund von Toleranzen und Temperaturschwankungen der Verstärkerkomponenten. Der Antennengewinn hängt von der Ausrichtung der Einspeisung, dem Radomübertragungsverlust und der Genauigkeit der Mustermessung ab. Zu den Systemverlusten gehören eine Fehlanpassung des Wellenleiters, eine Dämpfung des Filters und eine Fehlanpassung am Frontend des Empfängers — alle diese Faktoren sind von Gerät zu Gerät unterschiedlich. Das Ziel-RCS variiert je nach Seitenwinkel um ±3 dB (oder mehr), selbst bei demselben Flugzeug.

Das Monte-Carlo-Ergebnis zeigt, dass die Erkennungsreichweite des 10. Perzentils — die schlechtesten 10% der Kombinationen aus System und Umgebung — 95 km beträgt. Das ist 25% kürzer als die nominalen 180 km. Das 90. Perzentil (beste 10%) erreicht 155 km. Diese Streuung stellt die reale Variabilität dar, die Sie bei einer Flotte von Radargeräten beobachten können, die unter unterschiedlichen Bedingungen arbeiten.

Der einflussreichste Parameter ist das Ziel-RCS, das fast 60% der Erkennungsbereichsvarianz bei der Empfindlichkeitsstörung ausmacht. Dies ist für Swerling 2-Ziele sinnvoll: Das RCS schwankt von Puls zu Puls mit einer Rayleigh-Verteilung, und die Enden dieser Verteilung dominieren Ihre Erkennungswahrscheinlichkeit bei moderatem SNR. In der Praxis bedeutet das, dass sich Investitionen in eine höhere Sendeleistung oder eine größere Antenne immer weniger auszahlen, wenn Sie die Streuung des Seitenwinkels des Ziels nicht richtig berücksichtigt haben. Sie können eine 10 dB RCS-Abschwächung nicht mit 3 dB mehr Sendeleistung beheben — die Mathematik funktioniert nicht zu Ihren Gunsten.

Der zweitwichtigste Parameter ist in der Regel die Spitzenleistung, gefolgt von Systemverlusten. Die Antennenverstärkung ist überraschend stabil, wenn Sie Ihre mechanische Konstruktion ordnungsgemäß ausgeführt haben. Die Rauschzahl spielt bei großen Entfernungen, wo Sie bereits eine SNR-Grenze haben, eine größere Rolle, aber bei kürzeren Reichweiten, bei denen Sie eine SNR-Grenze haben, trägt die Unsicherheit der Rauschzahl weniger zur allgemeinen Varianz des Erfassungsbereichs bei.

Die ROC-Kurve ablesen

Die ROC-Kurve (Receiver Operating Characteristic) stellt für einen festen Bereich die Erkennungswahrscheinlichkeit gegen die Wahrscheinlichkeit eines Fehlalarms dar. Sie beantwortet die folgende Frage: „Wenn ich meine Fehlalarmrate von 10°³ auf 10° verringere, wie hoch ist dann die Erkennungswahrscheinlichkeit bei einer Entfernung von 150 km?“

Bei 150 km mit den Nennparametern und ohne Regen zeigt die ROC einen Anstieg der Pd-Werte von 0,41 bei Pfa = 10ß4 auf 0,68 bei Pfa = 10. Das ist ein Anstieg der Erkennungswahrscheinlichkeit um 27 Prozentpunkte bei zwei Größenordnungen mehr Fehlalarmen. Ob dieser Kompromiss sinnvoll ist, hängt ausschließlich von Ihrem betrieblichen Kontext ab.

Für die Flugverkehrskontrolle ist Pfa = 10⁄4 faktisch Pflicht — Sie können nicht zulassen, dass der Operator Hunderte falscher Kontakte pro Scan überprüft. Für ein maritimes Suchradar mit einem menschlichen Bediener, der bereits auf das Chaos im Meer und die Wetterrückgänge achtet, ist Pfa = 10möglicherweise völlig akzeptabel. Der Operator wird ohnehin die Kontakte mehrerer Scans miteinander korrelieren, sodass ein paar zusätzliche Fehlalarme pro Scan die Arbeitsbelastung nicht wesentlich erhöhen.

Die ROC-Kurve zeigt Ihnen auch den Erkennungsschwellenwert im Knie — den Punkt, an dem Sie durch eine weitere Erhöhung von Pfa nicht viel mehr Pd kaufen. In den meisten Fällen von Swerling liegt das Knie im Bereich von Pfa = 10³ bis 10. Unter diesem Wert tauschen Sie Fehlalarme sehr effizient gegen die Erkennungswahrscheinlichkeit ein. Darüber hinaus befinden Sie sich im Grundrauschen und der Kompromiss wird ungünstig.

Was dir diese Simulation nicht sagen wird

Der Simulator modelliert die Erkennung von thermischem Rauschen, die Verstärkung der Entfernungs-Doppler-Verarbeitung durch inkohärente Integration, die Regendämpfung über ITU-R P.838 und die Ziel-RCS-Fluktuation mithilfe der Swerling-Modelle. Er bietet Ihnen eine solide Grundlage für die Validierung des Linkbudgets und die Analyse der Erkennungsreichweite. Aber es modelliert nicht alles.

Unordnung — Boden, Meer, Wetter oder Spreu — ist nicht enthalten. Bei einem bodengestützten Radar, das auf Ziele in niedriger Höhe herabblickt, kann Bodenunordnung das thermische Geräusch um 30 dB oder mehr dominieren. Um das zu bewältigen, benötigen Sie ein separates Clutter-Modell und eine Doppler-Verarbeitung. ECM und Jamming werden ebenfalls nicht modelliert. Wenn jemand Ihr Radar aktiv ablehnt, kollabiert Ihr Erfassungsbereich auf eine Weise, die die Statistiken über thermisches Rauschen nicht vorhersagen können. Boden- oder Meeresreflexionen in mehreren Pfaden können bei bestimmten Höhenwinkeln zu tiefen Nullwerten in Ihrer Abdeckung führen. Der Verlust der Antennenabtastung — die Tatsache, dass Ihre Verstärkung aus der Sicht abfällt — verringert die Erkennungsreichweite an den Rändern Ihres Scanvolumens.

Für eine vollständige Analyse des Radarsystems benötigen diese Effekte ihre eigenen Modelle. Um jedoch zu verstehen, wie Ihr Radar gegen ein Punktziel im freien Raum abschneidet und dabei realistische Systemtoleranzen und atmosphärische Effekte berücksichtigt, bietet Ihnen diese Simulation den grundlegenden Wahrscheinlichkeitsrahmen. Und die meisten Ingenieure überspringen diesen Schritt komplett, verlassen sich auf die deterministische Radarentfernungsgleichung und fragen sich später, warum ihre Feldmessungen nicht den Vorhersagen entsprechen.

Radarerkennungs-Simulator