-
Die
Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erkennen
eines Radarziels.
-
MTI(moving
target identification – bewegte
Ziele identifizierende)-Radare
sind bekannt. Derartige Radare können
eine wetterunabhängige,
Tag-und-Nacht-Überwachungsfähigkeit
liefern und haben eine weitreichende Suchfähigkeit als ein Ergebnis des
schnellen Scannens bzw. Abtastens des Radarstrahls. Ein MIT-Radar
kann verwendet werden, um eine Standortinformation in Bezug zu einem
sich bewegenden Ziel zu liefern, und kann auch verwendet werden,
um ein Ziel als zu einer bestimmten Klasse von Zielen gehörend zu
klassifizieren. Zum Beispiel kann ein MIT-Radar verwendet werden,
um ein Ziel zu klassifizieren als eine Person, ein Fahrzeug mit
Rädern
oder ein Fahrzeug auf Schienen. Momentan wird die Aufgabe einer
Zielerkennung unter Verwendung eines MIT-Radars von einem menschlichen
Operator bzw. Bedienperson ausgeführt. In einem bekannten MIT-Radar werden Echosignale
von Zielen in Audiosignale konvertiert, die an einen Audiolautsprecher
ausgegeben werden. Um ein bestimmtes Ziel zu identifizieren, wird
die Antenne des Radars für
mehrere Sekunden auf ein Ziel gerichtet, während dieser Zeit hört eine
Bedienperson auf die Ausgabe des Audiolautsprechers. Eine Bedienperson
erfordert Training, um die Fähigkeit
zu entwickeln, Ziele aus ihren entsprechenden Audiofrequenzen zu
klassifizieren. Wenn jedoch eine beobachtete Szenerie viele unterschiedliche
Typen von Zielen enthält,
kann eine menschliche Bedienperson, wie trainiert auch immer, nicht
alle Typen in der Szene klassifizieren und kann keine aktuelle Information über eine
sich schnell ändernde
Szene liefern.
-
In
dem Fall von bildgebenden Radaren wurden, um eine Zielerkennung
von Radarsignalen durchzuführen,
Algorithmen entwickelt, die auf die Verfügbarkeit von zweidimensionalem
hochauflösenden
Bildmaterial von Zielen angewiesen sind. Sie nutzen die Unterschiede
zwischen räumlichen
Strukturen von Radarbildern aus, um Ziele zu klassifizieren. Sie
sind bedauerlicherweise nicht geeignet zur Verwendung mit MIT-Radaren,
die hauptsächlich
Sensoren mit niedriger Auflösung
sind: MIT-Radare zeigen Zielbilder als einzelne helle Punktobjekte
ohne räumliche
Struktur, weder in Entfernung (range) noch in Azimut (azimuth).
-
Es
gibt gewisse Umstände,
in denen ein MIT-Radar eine bessere räumliche Auflösung erreichen
kann. Wenn das Radar mit höherer
Bandbreite arbeitet, dann hat die Radarsignatur eine höhere Schrägentfernungsauflösung (slant
range resolution) und das Ziel wird in der Entfernung aufgelöst, z.B.
ergibt eine Bandbreite von 500 MHz eine Schrägentfernungsauflösung von
0.3 m. Es ist jedoch nicht möglich,
eine höhere
Azimutauflösung
zu erreichen. Dies deswegen, da abbildende Radare eine SAR(synthetic
aperture radar – Radar
mit synthetischer Apertur)-Verarbeitung verwenden, die eine Azimutauflösung liefert,
die viel geringer ist als die reale Strahl-Azimut-Apertur.
-
Eine
SAR-Verarbeitung nimmt eine statische Szene an und sich bewegende
Objekte werden dabei im Azimut nicht fokussiert. Somit kann im besten
Fall ein MIT-Radar nur eindimensionale Profile mit hoher Entfernungsauflösung von
sich bewegenden Zielen erlangen. Begrenzter Erfolg wurde erzielt
bei der Entwicklung von Erkennungsalgorithmen, welche das eindimensionale
Profil mit hoher Entfernungsauflösung
von Zielen zur Klassifikation ausnutzen. Eine Technik, die auf einem
eindimensionalen Vergleich von Entfernungsprofilen mit Vorlagen
basiert, wird in den „Proceedings
of the International Radar Symposium IRS-98" beschrieben. Es gibt jedoch zwei wich tige
Nachteile bei einem Entfernungsprofilklassifizierer. Erstens sind
Radare mit hoher Bandbreite teuerer und es ist schwieriger, Entfernungsprofile
mit hoher Auflösung
zu extrahieren, da bewegende Ziele durch eine Abfolge von Entfernungszellen
migrieren können
und beträchtliche
Schwierigkeiten verursachen können.
Zweitens sind Zielentfernungsprofile sehr empfindlich gegenüber Veränderungen
bei der Zielorientierung bezüglich
des Radars und physikalischen Zielgestaltcharakteristiken.
-
Da
ein Ziel jede Anzahl von Artikulationen bzw. Varianten haben kann,
einen Bereich von Gestaltvariationen und eine fast unendliche Anzahl
von externen Anpassungskonfigurationen, ist die Anzahl von potentiellen
unabhängigen
Realisierungen von Entfernungsprofilen eines bestimmten Ziels groß. Dies
stellt ein großes
Problem für
Klassifizierer dar, die eine Vorlagenübereinstimmung (template matching)
verwenden, da sie eine Erkennung ausführen durch Vergleich des Entfernungsprofils
eines unbekannten Ziels mit einem Satz von Vorlagen (templates)
und Auswahl der Klasse, welche die beste Übereinstimmung liefert: dies
stützt
sich auf das Vorhandensein eines Vorlagensatzes, der jede einzelne
unabhängige
Realisierung einer Zielsignatur für eine zu erkennende Klasse
von Zielen besitzt.
-
Eine
weitere für
einen MIT-Radar geeignete Option ist, die Doppler-Charakteristiken
von sich bewegenden Zielen bei der Bestimmung der Zielklassifikation
zu verwenden. Doppler ist das Phänomen,
durch das die Radarreflexion von einem Objekt in der Frequenz verschoben
wird aufgrund der radialen Bewegung des Objekts relativ zu einem
Radarsystem. Eine Dopplerreflexion von einem Ziel kann beobachtet
werden durch Betrachten eines empfangenen Echos in der Frequenzdomaine.
Rohradardaten von einem Ziel werden aufgezeichnet als eine Serie
von zeitlichen Abtastwerten. Unter Verwendung einer n-Punkt schnellen
Fourier-Transformation (FFT – fast
Fourier transform) werden zeitliche Abtastwerte in ein Spektrum
umgewandelt, das n Frequenzabtastwerte oder Bins aufweist. Die n
Frequenzabtastwerte bilden ein Dopplerprofil, wobei die maximale eindeutige
Frequenz von dem Inversen des Radarimpulswiederholdungsintervalls
bestimmt wird und die Dopplerauflösung pro Frequenzbin das 1/n-te
des eindeutigen Dopplers ist.
-
Ein
Zielklassifizierer kann basieren auf einer Vorlagenübereinstimmung
(template matching) ähnlich einem
Entfernungsprofilklassifizierer, aber unter Verwendung von Vorlagen
von unabhängigen
Realisierungen der Dopplerprofile von sich bewegenden Zielen. Obwohl
Dopplerprofile vergleichsweise weniger empfindlich sind gegenüber Zielartikulationen,
zeigen sie dennoch Fluktuationen bei sich ändernder Zielorientierung und Bildgeometrie.
Ferner variieren Dopplerprofile als eine Funktion von Zielgeschwindigkeit
und die Form eines Profils wird moduliert als ein Ergebnis der Schwingungs-
und Rotationsbewegung des Ziels. Ein Zielklassifizierer, der auf
einer Vorlagenübereinstimmung
basiert, würde
eine untragbar hohe Anzahl von gespeicherten Dopplerprofilen erfordern.
-
Die
veröffentlichte
deutsche Patentanmeldung
DE
195 40 722 A1 offenbart ein Verfahren zur Klassifizierung
der Beschaffenheit einer Straßenoberfläche (Schnee,
Schotter, trockener Asphalt, usw.) durch Empfang von Radarreflexionen
von der Oberfläche
und unter Verwendung von Hidden-Markov-Modellen, um die Reflexionen
zu interpretieren. Der Straßenzustand
mit dem Modell, das die beste Übereinstimmung
mit dem Frequenzspektrum der Radarreflexionen hat, wird als der
tatsächliche
Zustand der Straßenoberfläche bestimmt.
Die Verwendung neuronaler Netzwerke, um Dopplersignaturen von Radarzielen
zu klassifizieren, wird in der Veröffentlichung „Performance
of radar target recognition schemes using neural networks – a comparative
study" von D. Nandagopal
et al., International Conference on Acoustics, Speech and Signal
Processing, 1994, ISBN 0-7803-1775-0,
Seiten II/641–II/644
beschrieben.
-
Die
vorliegende Erfindung sieht ein Verfahren zum Erkennen eines Radarziels
vor, wobei das Verfahren die Schritte aufweist:
- (i)
Empfangen von Radarreflexionen von dem Ziel;
- (ii) Verarbeiten der Reflexionen, um eine Sequenz von Dopplerspektren
zu erzeugen;
- (iii) Erzeugen einer Sequenz von Doppler-Merkmalsvektoren aus
der Sequenz von Dopplerspektren; und
- (iv) Verwenden einer Hidden-Markov-Modellierung (HMM – hidden
Markov modelling), um die Sequenz von Doppler-Merkmalsvektoren als
ein Element einer bestimmten Klasse von Zielen anzeigend zu identifizieren,
dadurch gekennzeichnet, dass der Schritt (iv) ausgeführt wird
durch Zuweisen einer Auftretenswahrscheinlichkeit zu jedem Merkmalsvektor
durch Auswählen
einer Wahrscheinlichkeitsverteilung oder eines Zustands aus einem
Satz daraus, der zu einer Klasse von Zielen gehört, Multiplizieren der Auftretenswahrscheinlichkeiten
miteinander, um eine gesamte Wahrscheinlichkeit zu erlangen, Wiederholen
für andere Wahrscheinlichkeitsverteilungen
in dem Satz, um eine Kombination von Wahrscheinlichkeitsverteilungen zu
bestimmen, welche die höchste
Gesamtwahrscheinlichkeit für
diese Klasse von Zielen liefert, dann Wiederholen für zumindest
eine andere Klasse von Zielen und Auswählen der Zielklasse als diejenige,
welche die höchste
Gesamtauftretenswahrscheinlichkeit liefert.
-
In
einem bevorzugten Ausführungsbeispiel
umfasst das Verfahren ein Anordnen der Ziele derart, dass sie in
einer einzelnen Radarentfernungszelle auftreten.
-
Wahrscheinlichkeitsverteilungen
für aufeinander
folgende Merkmalsvektoren können
ausgewählt
werden auf der Basis, dass einige Über gänge zwischen Verteilungen,
die aufeinander folgenden Merkmalsvektoren zugeteilt sind, für die Klasse
von Zielen erlaubt sind und andere verboten sind.
-
Ein
vorläufiges
HMM-Trainingsverfahren kann implementiert werden, in dem Parameter
für die
Zustände
oder Wahrscheinlichkeitsverteilungen und Übergangswahrscheinlichkeiten
erzeugt werden durch Ableiten von Doppler-Merkmalsvektoren für Trainingsdaten,
die von bekannten Klassen von Zielen erlangt werden, und Berechnen
des Mittelwerts und der Varianz von Vektoren, die ähnlichen
Zielen oder Zielklassen entsprechen. Das HMM-Trainingsverfahren
kann eine Vielzahl von Zyklen durch Zustandssequenzen umfassen.
-
In
einem weiteren Aspekt sieht die vorliegende Erfindung eine Vorrichtung
zum Erkennen eines Radarziels vor, wobei die Vorrichtung aufweist
einen Radarempfänger
zum Empfang von Radarreflexionen von einem Ziel, und Verarbeitungsmittel,
die ausgebildet sind, um (a) die Reflexionen zu verarbeiten, um
eine Sequenz von Dopplerspektren zu erzeugen, und um (b) eine Sequenz
von Doppler-Merkmalsvektoren
aus der Sequenz von Dopplerspektren zu erzeugen, wobei die Verarbeitungsmittel
HMM(hidden Markov modelling)-Mittel
aufweist, das ausgebildet ist, die Sequenz von Doppler-Merkmalsvektoren
als ein Element einer bestimmten Klasse von Zielen anzeigend zu
identifizieren, dadurch gekennzeichnet, dass das HMM-Mittel ausgebildet
ist, jedem Merkmalsvektor eine Auftretenswahrscheinlichkeit zuzuweisen
durch Auswählen
einer Wahrscheinlichkeitsverteilung oder eines Zustands aus einem
Satz daraus, der zu einer Klasse von Zielen gehört, Multiplizieren der Auftretenswahrscheinlichkeiten
miteinander, um eine gesamte Wahrscheinlichkeit zu erlangen, Wiederholen
für andere
Wahrscheinlichkeitsverteilungen in dem Satz, um eine Kombination
von Wahrscheinlichkeitsverteilungen zu bestimmen, welche die höchste Gesamtwahrscheinlichkeit
für diese
Klasse von Zielen liefert, dann Wiederholen für zumindest eine andere Klasse
von Zielen und Auswählen
der Zielklasse als diejenige, welche die höchste Gesamtauftretenswahrscheinlichkeit
liefert. Die Vorrichtung kann ausgebildet sein, Ziele in einer einzelnen
Entfernungszelle zu umfassen.
-
Das
HMM-Mittel kann ausgebildet sein, Wahrscheinlichkeitsverteilungen
für aufeinander
folgende Merkmalsvektoren auszuwählen
auf der Basis, dass einige Übergänge zwischen
Verteilungen, die aufeinander folgenden Merkmalsvektoren zugeteilt
sind, für
die Klasse von Zielen erlaubt sind und andere verboten sind. Es
kann ausgebildet sein, einem vorläufigen HMM-Trainingsverfahren
unterzogen zu werden, in dem Parameter für die Zustände oder Wahrscheinlichkeitsverteilungen
und Übergangswahrscheinlichkeiten
erzeugt werden durch Ableiten von Doppler-Merkmalsvektoren für Trainingsdaten,
die von bekannten Klassen von Zielen erlangt werden, und Berechnen
des Mittelswerts und der Varianz von Vektoren, die ähnlichen
Zielen oder Zielklassen entsprechen. Das HMM-Trainingsverfahren
kann eine Vielzahl von Zyklen durch Zustandssequenzen umfassen.
-
Zum
vollständigen
Verständnis
der Erfindung werden nun Ausführungsbeispiele
davon auf beispielhafte Weise unter Bezugnahme auf die beigefügten Zeichnungen
beschrieben, wobei:
-
1 ein
schematisches Blockdiagramm eines Radarzielerkennungssystems der
Erfindung ist;
-
2 ein
Ablaufdiagramm von Verarbeitungsroutinen ist, die in dem System
von 1 verwendet werden;
-
3 die
Verwendung einer LDA-Routine illustriert, um eine LDA-Transformationsfunktion
in dem System von 1 zu berechnen;
-
4 die
Modifizierung von Zieldateien durch eine LDA-Umwandlung in dem System
von 1 darstellt;
-
5 eine
HMM-Parameterbestimmung darstellt;
-
6 bis 8 HMM-Topologien
darstellen; und
-
9 ein
schematisches Blockdiagramm eines weiteren Ausführungsbeispiels eines Radarzielerkennungssystems
der Erfindung ist.
-
Unter
Bezugnahme auf 1 wird ein Radarzielerkennungssystem
der Erfindung gezeigt, das im Allgemeinen mit 10 bezeichnet
wird. Das System 10 weist auf eine Antenne 12,
eine Radarvorrichtung 14, einen Analog-Digital(A/D)-Wandler 16,
eine Datenaufzeichnungsvorrichtung 18, einen Computer 20 und
eine Anzeigevorrichtung 22. Der Computer 20 befindet
sich unter Steuerung der Bedienperson über eine Maus 24 und eine
Tastatur 28. Daten werden zwischen Teilen des Systems 10 entlang
Datenleitungen 30 übermittelt,
wobei diese zwischen dem Computer und dem A/D-Wandler 16,
zwischen dem Computer 20 und der Datenaufzeichnungsvorrichtung 18 und
zwischen dem A/D-Wandler 16 und der Datenaufzeichnungsvorrichtung 18 jeweilige Schalter 33, 34 und 35 umfassen.
Die Steuerungsleitungen 36 sehen vor, dass Computer-erzeugte
Steuerungssignale an die Radarvorrichtung 14, den A/D-Wandler 16 und
die Anzeigevorrichtung 22 geleitet werden. Eine Kommunikationsleitung 37 ist
vorgesehen, um Nachrichten zwischen dem Computer 20 und
der Datenaufzeichnungsvorrichtung 18 zu übermitteln.
-
Die
Antenne 12 ist eine feste Parabolantenne mit hoher Verstärkung. Die
Radarvorrichtung 14 ist ein „Midas"-Radar, das von Thales-Wells hergestellt
wird und in der Veröffentlichung „Wide bandwidth
mobile radar for ISAR/SAR radar imaging" von J. D. Mckenzie und E. J. Brown-Kenyon
in den Proceedings of the Institute of Electrical Engineers, Band
219, Seiten 1 bis 6, 1994, beschrieben wird.
-
Das
Midas-Radar ist ein statisches Erdbasiertes kohärentes gepulstes Radar. Es
verwendet dieselbe Antenne zum Senden und Empfangen und ist deswegen
ein monostatisches System. Es arbeitet bei einer Mittenfrequenz
von 15.75 GHz und bei dieser Frequenz hat die Antenne eine kreisförmige Strahlbreite
von 1.9 Grad. Das Radar hat eine Spitzensendeleistung von 200 W,
was zu einem maximalen Betriebsbereich von 2000 m zwischen ihm selbst
und dem Ziel führt.
Es kann bei einer Bandbreite arbeiten, die zwischen 10 MHz und 500
MHz liegt. Für
dieses Ausführungsbeispiel
wird die Betriebsbandbreite auf 15.6 MHz gesetzt, was zu einer Entfernungsauflösung von
9.6 m führt.
Das Radar ist linear polarisiert, wobei sowohl die Sende- als auch die
Empfangspolarisation auf horizontal gesetzt sind. Es arbeitet durch
Senden einer Serie von Impulsen in einem Intervall von 2.441 × 10–4 Sekunden.
-
Nachdem
jeder Impuls gesendet wurde, ist das Radar untätig bzw. im Ruhezustand für eine kurze Dauer
und zeichnet dann 32 Werte entsprechend einem Radarecho von einer
Serie von 32 übereinstimmenden
Entfernungszellen auf. Die Entfernungszellen sind entlang einer
radialen Linie angeordnet, die sich vom Zentrum der Antenne nach
außen
erstreckt. Die erste Entfernungszelle ist in der Entfernung die
nächste
zur Antenne und die letzte ist die am weitesten entfernte. Das Radar
verwendet die Zeitverzögerung
zwischen dem Ende der Übertragung
eines Impulses und dem Beginn der Aufzeichnung der ersten Entfernungszelle,
um den Schrägentfernungsoffset
(slant range offset) zu dem Start der ersten Entfernungszelle zu
bestimmen. Jede Entfernungszelle enthält die Radarrückstrahlung
von einem Bereich, der von einem nicht-überlappenden Footprint bzw.
einer Aus leuchtzone auf dem Gelände,
das von dem Radar überwacht
wird, abgegrenzt wird. Jedes Objekt oder Teil eines Objekts und
alle Teile des Geländes,
die dem Radar ausgesetzt sind und sich innerhalb der Grenze des
Entfernungszellenradar-Footprints befinden, tragen zu dem Radarecho
bei, das von dem Radar empfangen wird. Der Radar-Footprint, der jeder Entfernungszelle
entspricht, kann einer rechteckigen Form angenähert werden, mit einer Breite
entlang der Schrägentfernung
gleich der Radarentfernungsauflösung,
die 9.6 m beträgt,
und einer Quer-Entfernungsbreite, die von dem Produkt Rsiθaz angegeben wird: hier ist θaz die Antennenazimutstrahlbreite, die in
diesem Ausführungsbeispiel
1.9 Grad ist, und Rsi ist der Schrägentfernungsoffset
von dem Radar zu der i-ten Entfernungszelle. Rsi ist
eine Funktion des Entfernungsoffsets zu der ersten Entfernungszelle
und der Bereichsnummer (gate number) und ist gegeben durch: Rsi =
r0 + Δr(i – 1), 1 ≤ i ≤ 32 (1)wobei Δr die Schrägentfernungsauflösung ist
und r0 der Entfernungsoffset zu der ersten
Entfernungszelle ist. Für
dieses Ausführungsbeispiel
ist r0 auf 250 m gesetzt. Der Entfernungsoffset
für die
zweiunddreißigste
Entfernungszelle ist somit 557.2 m. Der Radar-Footprint für jede Entfernungszelle
hat eine konstante Entfernungsausdehnung, nimmt aber mit der Schrägentfernung
in der Azimutrichtung linear zu. In diesem Ausführungsbeispiel nimmt die Azimutausdehnung
von 8.3 m für
die erste Entfernungszelle auf 18.5 m für die 32. Entfernungszelle
zu. Die maximale Dimension von durch dieses Ausführungsbeispiel zu klassifizierenden
Zielen ist 8 m, wobei das Radar das Radarecho von dem gesamten Ziel
in den Wert einer einzelnen Entfernungszelle platzieren kann. Es
ist tatsächlich
nicht nötig,
dies zu tun, aber es vereinfacht den Erkennungsprozess – das Ziel kann über mehrere
Entfernungszellen ausgebreitet werden, wenn gewünscht.
-
Die
Antenne kann 360 Grad im Azimut und von –10 Grad bis +20 Grad in Elevation
schwenken. Der Elevationswinkel wird auf 0 Grad gesetzt und der
Azimutwinkel wird manuell angepasst, so dass er direkt auf das Ziel
deutet. Das Radar erfasst die Rückstrahlung
von dem Ziel, wenn es in das Schrägentfernungsintervall von 557.2
m bis 250 m von dem Radar kommt. Jeder der 32 Werte, den das Radar
für jeden
Impuls aufzeichnet, der gesendet wird, ist ein komplexer Wert mit
einem realen und einem imaginären
Teil. Das analoge Signal wird durch einen A/D-Wandler geleitet,
wo das Signal digitalisiert wird. Die gesamte nachfolgende Verarbeitung wird
auf den digitalen Daten durchgeführt.
Das Radar hat ein Impulswiederholungsintervall von 2.441 × 10–4 Sekunden
und es sendet 4096 Impulse pro Sekunde und empfängt Daten für 32 Entfernungszellen für jeden Impuls.
-
Der
A/D-Wandler 16 ist ein standardmäßiger Typ, zum Beispiel ein
Tektronics-Modell TKAD10C, und kann sowohl reale als auch imaginäre Teile
eines komplexen Eingangssignals digitalisieren. Die Datenaufzeichnungsvorrichtung 18 ist
ein standardmäßiges magnetisches
Hochgeschwindigkeits-Bandaufnahmegerät, zum Beispiel ein Ampex-107-DCRsi-Rekorder,
der Daten mit einer Rate von 107 Mbits s–1 aufzeichnet.
Der Computer 20 ist ein standardmäßiger Parallelcomputer, zum
Beispiel ein Hewlett Packard-Modell V2500 mit zwanzig CPU-Knoten
des Typs PA8500, einer Taktrate von 440 MHz und einer Speicherkapazität von 0.5
Terabyte. Das System 10 hat eine grafische Benutzeroberfläche (GUI – graphical
user interface), die auf der Anzeigevorrichtung 22 angezeigt
wird und mit der eine Bedienperson mit dem System 10 unter
Verwendung der Maus 24 und der Tastatur 28 interagieren
kann. Von dem System 10 erzeugte Ergebnisse werden ebenfalls auf
der Anzeigevorrichtung 22 angezeigt, zu sammen mit einer
Standardinformation, die von dem Radargerät erzeugt wird, wie die Entfernung
und Geschwindigkeit eines Ziels.
-
Das
System 10 erkennt und klassifiziert sich bewegende Ziele
als zu einer von drei Zielgruppen gehörend, das heißt zu Personen,
Fahrzeuge mit Rädern
und Fahrzeuge auf Schienen. Die Fahrzeuge müssen bestimmte Formen haben
und sich in standardmäßigen Konfigurationen
befinden, zum Beispiel müssen
Fahrzeugtüren
geschlossen sein. Ein Ziel wird von dem System 10 zuverlässig erkannt,
wenn es sich in einer geraden Linie bewegt, entweder vorwärts (head-on)
oder mit dem Heck zuerst (tail-on) hinsichtlich der Antenne 12.
Ein Ziel wird als sich vorwärts
auf die Antenne 12 zu bewegend betrachtet, wenn es sich
direkt darauf zu bewegt, und es wird als sich von der Antenne 12 weg
bewegend betrachtet, wenn sich das Ziel direkt von der Antenne 12 weg
bewegt. Wenn das Ziel eine Person ist, findet eine Erkennung zuverlässig statt,
wenn sich die Person in Schritt- oder Jogginggeschwindigkeit bewegt.
Wenn das Ziel ein Fahrzeug mit Rädern
oder ein Fahrzeug auf Schienen ist, findet eine Erkennung zuverlässig statt,
wenn sich das Fahrzeug mit einer Geschwindigkeit von 20 km h–1 bewegt.
-
Bevor
das System 10 verwendet werden kann, um unbekannte Ziele,
die sich auf die oben beschriebene Weise bewegen, zu erkennen und
in die drei Zielgruppen zu klassifizieren, muss es dafür trainiert
werden. Das System 10 wird wie folgt trainiert.
-
Das
System 10 wird zuerst verwendet, um Trainingsdaten zu sammeln,
die Radarreflexionen von einem Satz von kooperativen beispielhaften
Zielen entsprechen, die Zielklassen aufweisen, in die das System 10 unbekannte
Ziele in der Praxis klassifizieren soll. In dem vorliegenden Ausführungsbeispiel
sind die Zielgruppen Personen, Fahrzeuge mit Rädern und Fahrzeuge auf Schienen.
Die Schalter 33 und 34 sind geöffnet und der Schalter 35 ist
geschlossen. Elemente eines Satzes von kooperativen beispielhaften
Zielen, die Personen, Fahrzeuge mit Rädern und Fahrzeuge auf Schienen
umfassen, werden der Reihe nach in die Hauptstrahlungskeule der
Antenne 12 gebracht. Die kooperativen Ziele bewegen sich
hinsichtlich der Antenne 12 auf sie zu (head-on) und von
ihr weg (tail-on). Die Personen bewegen sich in Schritt- und Jogginggeschwindigkeiten
und die Fahrzeuge mit Rädern
und Fahrzeuge auf Schienen bewegen sich mit einer Geschwindigkeit von
20 km h–1.
Fünfundzwanzig
kooperative beispielhafte Ziele werden verwendet, um das System 10 zu
trainieren. Die Tabelle 1 zeigt die Anzahl von kooperativen beispielhaften
Zielen, die zu jeder Zielgruppe gehören, und die Anzahl, die angeordnet
ist, sich auf die Antenne 12 zu oder von ihr weg zu bewegen.
-
-
Trainingsdaten,
die von dem System 10 für
eine bestimmte Zielgruppe gesammelt werden, umfassen Daten von nur
einem beispielhaften Ziel in dieser Gruppe. Zum Beispiel können für die Zielgruppe „Fahrzeuge mit
Rädern" Trainingsdaten von
einem Lastkraftwagen gesammelt werden. In Betrieb kann das System 10 jedoch
jedes Fahrzeug mit Rädern
erkennen und klassifizieren, zum Beispiel ein Auto, einen Land Rover
oder einen Lastkraftwagen.
-
Das
kooperative Ziel wird in Bewegung gesetzt und die Radarantenne wird
gesteuert, direkt auf das Ziel zu zeigen. Das Radar wird ange schaltet
und beginnt mit dem Senden von Impulsen mit einer Impulswiederholungsfrequenz
von 4 kHz. Ein Radaroperator überwacht
das empfangene Radarecho auf der Anzeigevorrichtung 22:
wenn das Ziel in das Entfernungsintervall von 250 m bis 557.2 m
kommt, schaltet der Operator bzw. die Bedienperson den Radaraufzeichnungsmodus
an. Die Bedienperson verwendet die Tastatur 28, um den
Aufzeichnungsmodus zu aktivieren. Sobald der Aufzeichnungsmodus
aktiviert wurde, erfasst die Radarvorrichtung 14 für jeden
gesendeten Impuls Daten für
32 Entfernungszellen, die von dem A/D-Wandler 16 digitalisiert werden
und seriell in der Datenaufzeichnungsvorrichtung 18 gespeichert
werden.
-
Ein
Impuls des Radars erzeugt 32 komplexe Werte, die als ein kontinuierlicher
Datenblock in der Datenaufzeichnungsvorrichtung 18 gespeichert
werden, der zwischen einem Header-Block und einem Footer-Block eingeschoben
ist. Die Daten für
den Header-Block und den Footer-Block werden von der Radarvorrichtung 14 erzeugt
und enthalten Information hinsichtlich des Radarbetriebsmodusaufbaus
und des Aufzeichnungsmodusaufbaus, was für Nachverarbeitungszwecke nützlich ist.
Es werden Daten für
insgesamt 16384 Impulse aufgezeichnet, danach wird der Aufzeichnungsmodus
deaktiviert. Die Datenaufzeichnungsvorrichtung 14 sendet
Bandadressen für
den Beginn und das Ende der Aufzeichnungssequenz über die
Kommunikationsleitung 37 an den Computer 20, was
unter Verwendung der Datenverbindung 30 auf der Anzeigevorrichtung 22 angezeigt
wird. Die Bedienperson macht eine manuelle Aufzeichnung der Beginn-
und Endbandadressen und notiert den Zieltyp und ob es sich darauf
zu oder weg bewegte. Diese Information ist erforderlich, um eine Zieldatei
zu bilden.
-
Der
Prozess wird für
insgesamt fünfundzwanzig
kooperative Ziele wiederholt, die in Tabelle 1 aufgeführt sind
und die sich auf die oben beschriebene Weise bewegen: d.h. Fahrzeuge
bewegen sich mit 20 km/h und Personen in Schritt- oder Jogginggeschwindigkeit.
Sobald alle fünfundzwanzig
kooperativen Ziele abgebildet wurden, ist die Phase der Datenerfassung
abgeschlossen.
-
Bei
Beendigung der Datenerfassung wird der Schalter 34 geschlossen
und der Schalter 35 wird geöffnet. Unter Verwendung der
Tastatur 28 gibt die Bedienperson eine Bandadresse für das erste
kooperative Ziel ein. Der Computer 20 sendet über die
Kommunikationsverbindung 37 eine Anweisung an die Datenaufzeichnungsvorrichtung 14,
die Daten an der eingegebenen Adresse aus dem Band zu lesen und
diese zu verarbeiten durch eine Reihe von Routinen, die auf dem
Computer 20 laufen.
-
Unter
Bezugnahme nun auf 2 wird ein Ablaufdiagramm gezeigt,
das die Reihe von Routinen 51 bis 54 darstellt,
die von dem Computer 20 ausgeführt werden, um Daten von der
Datenaufzeichnungsvorrichtung 18 zu verarbeiten. Die Reihe
weist eine Datendekodierungsroutine 51, eine Zielextraktionsroutine 52,
eine Dopplernormalisierungsroutine 53 und eine „zeitlich
zu Doppler-Rahmen-Umwandlungs"-Routine 54 auf.
An der eingegebenen Adresse in der Datenaufzeichnungsvorrichtung 18 liest
der Computer 20 Daten für
16384 Impulse. Das Datenformat, das zur Aufzeichnung von Daten auf
der Datenaufzeichnungsvorrichtung 18 verwendet wird, besteht
aus einem Header-Block, gefolgt von einem Datenblock aus 32 komplexen
Werten, die den 32 pro Impuls aufgezeichneten Entfernungszellen
entsprechen, gefolgt von einem Footer-Block. Die Dekodierungsroutine 51 entfernt
die Header- und Footer-Information und platziert die 32 komplexen
Werte in eine Datenmatrix. Die Dekodierungsoperation wird für alle 16384
Impulse durchgeführt,
die während
der Datenerfassung auf der Datenaufzeichnungsvorrichtung 18 aufgezeichnet
wurden. Die Ausgabe nach der Dekodierungsroutine 51 ist
eine zweidimensionale Matrix, die 16384 Zeilen hat, wobei jede Zeile 32 Spalten
aufweist. Jede Zeile stellt Radardaten dar, die von individuellen
Impulsen empfangen wurde, und jede Spalte stellt Daten von individuellen
Entfernungszellen dar. Folglich ist zum Beispiel das Element (100, 12)
die Radardaten, die von dem 100sten Impuls an der 12ten Entfernungszelle
abgeleitet werden.
-
Die
zweidimensionale Datenmatrix aus der Dekodierungsroutine 51 wird
von der Zielextraktionsroutine 52 verarbeitet. Die „Extrahieren"- oder Zielextraktionsroutine 52 erfasst
die Entfernungszelle, welche die Radarreflexion von dem kooperativen
beispielhaften Ziel enthält.
Dies wird erreicht unter Verwendung standardmäßiger Erfassungsalgorithmen
basierend auf einem festen Schwellenwert oder einem adaptiven Schwellenwert
für einen „konstanten
Fehlalarmanteil",
die Fachleuten in dem Bereich Radartechnik bekannt sind. Sobald
die Entfernungszelle, die von dem kooperativen beispielhaften Ziel
besetzt ist, identifiziert ist, wird die zweidimensionale Matrix
in der Größe reduziert
durch Entfernen aller Spalten mit Ausnahme der Spalte der Zielentfernungszelle.
Dies führt
zu einer Reduzierung der zweidimensionalen Datenmatrix in ein eindimensionales
Array, das 16383 Zeilen und nur eine Spalte hat. Das eindimensionale
Array sind Daten aus einer einzelnen Entfernungszelle, die von dem
kooperativen beispielhaften Ziel über 16384 Impulse besetzt wird.
Das Array mit 16384 Elementen ist ein Array aus zeitlichen Abtastwerten
des kooperativen beispielhaften Ziels, wobei jedes Element zeitlich
getrennt ist um 2.441 × 10–4 Sekunden.
Das Gesamtarray ist äquivalent
zu einer zeitlichen Dauer von 2.441 × 10–4 × 16384
= 4 Sekunden.
-
Das
eindimensionale Array aus der Routine 52 wird dann durch
die Doppler-Normalisierungsroutine 53 geleitet. Die Eingabe
in die Routine 53 ist ein zeitliches Array mit 16384 Elementen.
Eine 16384-Punkt-FFT wird
auf den eindimensionalen Daten durchgeführt, die ein Dopplerspektrum
mit 16384 Elementen erzeugt. Das eindimensionale Array stellt nun
einen Frequenzgang bzw. ein Frequenzverhalten von dem kooperativen beispielhaften
Ziel dar. Jedes Element in dem Array ist eine Frequenz- oder Doppler-Bin.
Das erste Element entspricht einer Frequenz von 0 Hz und das letzte
Element 4 kHz. Dazwischenliegende Bins sind in der Frequenz getrennt
durch 4096/16384 Hz. Da das kooperative beispielhafte Ziel eine
radiale Geschwindigkeit von nicht-null hinsichtlich der Radarantenne 12 hat,
manifestiert es sich als eine Spitze in dem Dopplerspektrum irgendwo
zwischen den Frequenz-Bin-Nummern 0 und 16383. Unter Verwendung
einer Spitzen-Anzeigevorrichtung bzw. eines Spitzen-Detektors wird der
Doppler-Bin identifiziert, der die Spitzenamplitude enthält. Das gesamte
16384-Array wird dann nach links verschoben um die Spitzenamplituden-Doppler-Bin-Nummer,
so dass die Spitze in dem Dopplerspektrum der Doppler-Bin Null entspricht.
Dies hat den Effekt der Normalisierung der Daten, so dass der Ziel-Doppler
als 0 Hz erscheint. Eine inverse FFT wird auf dem resultierenden 16384-Array durchgeführt, um
zu einem Array zurückzukehren,
das zeitliche (Zeitdomain) Abtastwerte des kooperativen beispielhaften
Ziels darstellt.
-
Das
zeitliche 16384-Element-Array aus der Routine 53 wird dann
von der Datenumwandlungs-Routine 54 verarbeitet, welche
das eindimensionale zeitliche Array in eine zweidimensionale Doppler-Rahmen-Matrix umwandelt.
In der Routine 54 ist jeder der 16384 Elemente anfangs
eine komplexe Zahl mit realen und imaginären Komponenten: die imaginäre Komponente
wird aufgegeben, wodurch nur die reale Komponente verbleibt. Die
ersten 128 Elemente in dem 16384-Element-Array werden dann ausgewählt und
in einen 128-Element-Doppler-Vektor
umgewandelt unter Verwendung einer 128-Punkt-FFT mit einem Hamming-Gewichtungsfenster.
Die 128 Elemente in dem Dopplervektor sind komplexe Werte, die in
Log- Amplituden-Werte
konvertiert werden. Der Dopplervektor stellt einen Dopplerrahmen
der Radarsignatur des kooperativen beispielhaften Ziels dar. Der
Dopplerrahmen wird in die erste Zeile einer neuen zweidimensionalen
Matrix platziert. Die 128 Elemente des Dopplerrahmens bilden die
Elemente der 128 Spalten der zweidimensionalen Matrix. Dann werden
weitere 128 Elemente aus dem ursprünglichen 16384-Element-Array
von zeitlichen Abtastwerten ausgewählt unter Verwendung eines
Versatzes bzw. einer Verschiebung (offset) um 20 Elemente hinsichtlich
der vorherigen Auswahl von 128 Elementen. Diese 128 zeitlichen Abtastwerte
werden auf ähnliche
Weise verarbeitet, um einen Dopplerrahmenvektor zu erzeugen. Dieser
zweite Rahmen wird entlang der Zeile 2 der neuen zweidimensionalen
Matrix platziert. Dieser Vorgang wird wiederholt, wobei jedes Mal
ein anderer 128-Element-Vektor aus dem Array von zeitlichen Abtastwerten
unter Verwendung des geeigneten Versatzes gewählt wird, Durchführen der
FFT und Speichern des Dopplerrahmens in der zweidimensionalen Matrix,
bis es keine Abtastwerte, aus denen gewählt werden kann, aus dem ursprünglichen
16384-Element-Array zeitlicher Abtastwerte mehr gibt. Durch die
Wahl der Größe des FFT-Fensters
und der Überlappung
in den verwendeten Elementen bei der Berechnung der Dopplerrahmenvektoren,
erzeugt der Prozess 800 unabhängige
Dopplerrahmen. Somit ist die endgültige Größe der zweidimensionalen Matrix
800 Zeilen mal 128 Spalten. Jede Zeile in dieser zweidimensionalen
Matrix stellt Daten dar für
das kooperative beispielhafte Ziel für einen unabhängigen Dopplerrahmen,
wobei die Elemente der Spalten die tatsächlichen spektralen Dopplerwerte
sind.
-
Die
Ausgabe der zweidimensionalen Matrix durch die Umwandlungs-Routine 54 wird
als eine Zieldatei 25 in dem Computer 20 gespeichert.
Unter Verwendung der Tastatur 28 gibt die Radarbedienperson
der Zieldatei 25 einen Dateinamen: die Benennungskonvention
ist Buchstabe/Unterstrich/Buchstabe/Unterstrich/Zahl: der erste Buchstabe
in dem Namen stellt die Zielklasse dar, P für Personal, T für Fahrzeuge
auf Schienen (tracked vehicles) und W für Fahrzeuge mit Rädern (wheeled
vehicles); der zweite Buchstabe stellt die Zielbewegungsrichtung
dar, H für
vorwärts
(head-on) und T für
Heck zuerst (tail-on); die Zahl identifiziert eindeutig jede Zieldatei
von einer bestimmten Klasse. Die Zahlen werden für die Zieldateien nicht wiederholt,
die zu einer bestimmten Klasse gehören: sie können jedoch erneut verwendet
werden bei der Benennung von Zieldateien, die zu anderen Klassen
gehören.
Somit kann eine Zieldatei mit P_H_2 bezeichnet werden, was angibt,
dass die Zieldatei von einem Beispiel eines kooperativen Ziels des
Typs Personen ist, das sich auf die Antenne 12 zu bewegt
und es handelt sich um die Dateinummer 2 in dieser bestimmten Klasse.
Da jede Zieldatei 25 eine zweidimensionale Matrix enthält, in der
jede Reihe ein unabhängiger
Dopplerrahmen ist, stellt die gesamte Datei somit eine Sequenz von
Dopplerrahmen von dem kooperativen beispielhaften Ziel dar.
-
Zieldateien
für die
anderen vierundzwanzig kooperativen beispielhaften Ziele werden
auf ähnliche Wiese
erzeugt. Insgesamt fünfundzwanzig
Zieldateien werden somit in dem Computer 20 gespeichert,
die jeweils eine Sequenz von Dopplerrahmen darstellen, welche die
Zielsignatur eines beispielhaften kooperativen Ziels darstellt.
-
Jede
Zieldatei 25 besteht aus einer Reihe von 800 Dopplerrahmen
(es sind die Zeilen der zweidimensionalen Matrix) und jeder Dopplerrahmen
ist ein 128-Element-Vektor. Jedoch sind die Elemente in dem Dopplerrahmen
nicht unabhängig
und die Größe des Dopplerrahmenvektors
kann ohne Informationsverlust reduziert werden. Dieses Ausführungsbeispiel
der Erfindung verwendet einen Algorithmus, als lineare Diskriminanzanalyse
(LDA – linear
discriminant analysis) bezeichnet, um die Datenreduzierung durchzuführen. LDA sind
weithin verwendete Algorithmen und eine gute Beschreibung dieser
ist zu finden in einer Veröffentlichung von
M. J. Hunt und S. M. Richardson in „An Investigation of PLP and
IMELDA acoustic representations and their potential combination" in Proceedings of
the IEEE ICASSP 1991, Band 2, Seiten 881 bis 884. LDA soll einen
Informationsinhalt verbessern durch Übertreiben von Unterschieden
zwischen natürlichen
Gruppierungen in dem Datensatz (d.h. zwischen Klassen) während einer
Unterdrückung
von Unterschieden innerhalb der Gruppen. Der LDA-Prozess berechnet
eine lineare Transformation, die einen n-Element-Vektor in einen
m-Element-Vektor umwandelt, wobei m < n. Dies kann symbolisch ausgedrückt werden
als Y = g(X) (2)
-
Wenn
X der n-Element-Vektor ist,
ist
Y der m-Element-Vektor
und g() ist die lineare Transformationsfunktion. Dieses Ausführungsbeispiel
der Erfindung verwendet die „Fisher
Kriteria"-LDA, die
ausdrückt,
dass die maximale Anzahl von Elementen des Vektors
Y einer weniger ist als die Gesamtanzahl
der Kategorien. Die Kategorien des LDA-Prozesses werden in der Tabelle 2 gezeigt: Tabelle
2
-
Es
gibt insgesamt sechs Kategorien. Diese werden als „feine" Etiketten („fine" label) bezeichnet,
da zur Erkennung nur drei Klassenlabel bzw. Klassenetiketten definiert
werden, nämlich
Person, Fahrzeug auf Schienen und Fahrzeug mit Rädern. Da die Erfindung das „Fisher
Kriteria" verwendet,
ist die maximale Anzahl von Elementen in dem umgewandelten Vektor
fünf. Das
vorliegende Ausführungsbeispiel
der Erfindung setzt die Anzahl von Elementen in dem ausgegebenen
umgewandelten Vektor auf vier.
-
Die
Datenreduzierung wird in zwei Schritten durchgeführt. Unter Bezugnahme nun auf 3 werden alle
fünfundzwanzig
Zieldateien 25 (von denen vier gezeigt werden) von einer
LDA-Routine 101 verarbeitet, die von dem Computer 20 ausgeführt wird,
um die LDA-Transformationsfunktion
g() zu berechnen. Die LDA-Routine 101 extrahiert die „feinen" Etiketten aus den
Dateinamen der Zieldatei 25. Das „feine" Etikett basiert auf den ersten zwei
Buchstaben in dem Namen der Zieldatei 25. Die berechnete
Transformation g() wird in dem Computer 20 gespeichert.
-
Unter
Bezugnahme nun auf 4 werden die Zieldateien 25 einzeln
einer LDA-Umwandlungsroutine 102 präsentiert, die auf dem Computer 20 abläuft. Die
Zieldatei 25, die in die Routine 102 eingegeben
wird, ist eine zweidimensionale Matrix aus 800 Zeilen Dopplerrahmen,
wobei jeder Dopplerrahmen ein 128-Element-Vektor ist. Unter Verwendung
der LDA-Transformationsfunktion g(), die von der Routine 101 berechnet wird,
ist jede Zeile der Matrix mit 800 Zeilen ein Vektor mit nur vier
Elementen. Somit wurde der ursprüngliche 128-Element-Dopplerrahmen-Vektor
auf einen Merkmals-Vektor mit nur vier Elementen oder Merkmalen
reduziert. Die Ausgabe der Routine 102 ist eine weitere
zweidimensionale Matrix, die 800 Zeilen hat, aber nur vier Spalten
pro Zeile. Die Ausgabe der Routine 102 wird als eine modifizierte
Zieldatei 27 gespeichert. Die modifizierte Zieldatei 27 repräsentiert
nun eine Sequenz von 800 Merkmalsvektoren für die kooperativen beispielhaften
Ziele, wobei jeder Merkmalsvektor nur vier Merkmale (oder Elemente)
hat. Modifizierte Zieldateien für die anderen
24 kooperativen beispielhaften Ziele werden auf ähnliche Weise erzeugt unter
Verwendung der entsprechenden Zieldateien 25. Insgesamt 25 modifizierte
Zieldateien werden somit in dem Computer 20 gespeichert,
die jeweils Daten enthalten, welche die Sequenz des Merkmalsvektors
eines beispielhaften kooperativen Ziels repräsentieren.
-
Unter
Bezugnahme nun auf 5 werden die modifizierten Zieldateien 27 gemäß der Zielgruppe gruppiert,
aus der sie abgeleitet werden. Eine HMM(hidden Markov model)-Parameterschätzungsroutine 104 empfängt Datensätze, die
wechselweise von Gruppen von modifizierten Zieldateien eingegeben
werden, entsprechend Personen, Fahrzeuge mit Rädern und Fahrzeuge auf Schienen.
Die Routine empfängt
auch eine geeignete HMM-Topologie 106 und erzeugt drei
entsprechende Sätze
von HMM-Parametern bei 108.
-
6 zeigt
ein einfaches HMM der in der Spracherkennung verwendeten Art: es
ist möglich,
dieses in der vorliegenden Erfindung zu verwenden, aber es wird
eine bessere Leistung erlangt mit der in
7 gezeigten
Topologie.
7 zeigt schematisch die HMM(hidden
Markov model)-Topologie, die von der HMM-Parameterschätzungsroutine
104 implementiert
wird. Die HMM-Topologie hat drei Zustände, 1, 2, 3. Entsprechend
jedem Zustand gibt es eine Zustandsausgabeverteilung, wobei es sich
um eine multivariate vierdimensionale Gaußsche Wahrscheinlichkeitsverteilung
handelt, in der die Wahrscheinlichkeit der Beobachtung eines gegebenen
vier-Element-Vektors gegeben ist durch
wobei
x ein 4-Komponenten-Vektor
einer modifizierten Datendatei ist,
μ' ein vier-Komponenten-Durchschnittsvektor
ist und Σ eine
4-mal-4- Kovarianzmatrix
ist. Jeder HMM-Zustand hat vier Durchschnittsparameter und 16 Varianzparameter
(von denen zehn unabhängig
sind, da die Kovarianzmatrix per Definition symmetrisch ist). Für jede Zielgruppe
wird jeder dieser Parameter aus modifizierten Zieldateien von der
HMM-Parameterschätzungsroutine
104 berechnet,
die einen HMM-Schätzungsalgorithmus
der Art implementiert, wie er in der Spracherkennung bekannt ist.
Nur ein Teil der 800 Rahmen aus einer einzelnen modifizierten Zieldatei
kann verwendet werden, um die Parameter eines gegebenen HMM-Zustands
zu schätzen.
Somit werden die 800 Rahmen aus einer einzelnen Zieldatei tatsächlich in
Teilgruppen geteilt, die jedem Zustand und den Parametern entsprechen.
-
In
dem vorliegenden Ausführungsbeispiel
werden die Modelle initialisiert unter Verwendung einer einfachen
linearen Teilung der Zeitachse in gleiche Segmente, um die Gruppen
von Rahmen zu liefern. Andere Initialisierungsstrategien umfassen
eine Zuteilung von Rahmen zu Zuständen auf einer zyklischen Basis,
wobei die Periode des Zyklus gewählt
wird, um ein „Güte der Anpassung"-Kriterium zu optimieren,
und/oder Etikettieren von Teilen von Datenbanken per Hand, um anzuzeigen,
welche Gruppen welchen Rahmen entsprechen.
-
Anschließend führen die
weithin bekannten HMM-Nachschätzungsalgorithmen
eine automatische Ausrichtung durch, die eine Gewichtung für die Übereinstimmung
bzw. Entsprechung jedes Rahmens zu jedem Zustand liefern, und es
werden gewichtete Summen der Merkmalsvektoren verwendet, um Zustandsdurchschnitts-
und Varianzparameter für
jeden Zustand erneut zu berechnen.
-
Außer den
Zustandsausgabeverteilungen beinhaltet ein HMM auch eine „Zustandsübergangsmatrix", deren Nicht-Null-Elemente
sowohl erlaubte Zustandsübergänge (die
Topologie des Modells) definieren als auch Wahrscheinlichkeiten
des Auftretens jedes erlaubten Übergangs
spezifizieren. Null Elemente verbieten Übergänge. Somit kann die HMM-Topologie
von einem Diagramm dargestellt werden, wie 7, wobei
es einen gefüllten
Kreis gibt, der einem Zustand entspricht, und einen Pfeil, der einem
Nicht-Null-Element in der Übergangsmatrix
entspricht.
-
Die
Zustandsübergangsmatrix
muss „Zeilen-stochastisch" sein, das heißt, die
Summe der Zahlen in jeder Zeile soll Eins sein. Sie wird typischerweise
initialisiert durch Setzen aller Nicht-Null-Elemente in jeder Zeile
auf denselben Wert, ein Wert, der gewählt wird, um die Zeilen-stochastische
Beschränkung
zu erfüllen. Eine
alternative Initialisierung für
die vorliegende Erfindung wäre,
die Wahrscheinlichkeiten für „selbst (self-loop)" Übergänge (der Übergang von einem Zustand zu
sich selbst) auf kleine Werte zu setzen und auf größere Werte
für die
anderen möglichen Übergänge, wodurch
das gewünschte
Verhalten des Durchlaufens durch die Zustände gefördert wird, um die beobachteten
Daten zu erläutern.
-
Die Übergangsmatrix
wird auch durch die HMM-Nachschätzungsalgorithmen
optimiert. Bei normaler Verwendung erlauben diese Algorithmen nicht,
dass Null-Einträge
in der Übergangsmatrix
Nicht-Null werden. Somit
bleibt das anfängliche
Topologiediagramm nach der erneuten Schätzung gültig, obwohl sich die Wahrscheinlichkeiten,
die zu jedem der Übergänge gehören, geändert haben
und in manchen Fällen
werden einige dieser Wahrscheinlichkeiten Null werden.
-
Die
in 6 gezeigte Topologie ist eine typische „links-nach-rechts"-Topologie, die allgemein bei der Spracherkennung
verwendet wird. Dies kann erweitert werden, um ein wiederholtes
Durchlaufen durch die Sequenz von Zuständen und einen Eingang zu und
einen Aus gang aus jedem Zustand zu ermöglichen, wie in 7 dargestellt,
wobei die Topologie für
drei Zustandsmodelle definiert wird, die in dem Beispiel der hier
beschriebenen Erfindung verwendet werden.
-
Die
Topologie von 7 hat einen Nachteil insoweit,
da sie nicht sicherstellt, dass der vollständige Zyklus von Zuständen beachtet
wird bei der Erkennung eines gegebenen Ziels: eine komplexere Topologie
wird schematisch in 8 dargestellt, die dies erreicht
unter Verwendung des weithin bekannten Prinzips des Bindens (tying)
von Zustandsausgabeverteilungen. In 8 teilen
sich die mit „1" bezeichneten Zustände eine einzelne
gemeinsame Wahrscheinlichkeitsverteilung 01 und der Neu-Schätzungsprozess
wird modifiziert, um die entsprechenden Daten zusammenzufassen; ähnlich teilen
sich die mit „2" bezeichneten Zustände eine
weitere derartige Verteilung 02 und die mit „3" bezeichneten Zustände teilen sich eine weitere
Verteilung 03.
-
Die
Aufgabe der HMM-Parameterschätzungsroutine 140 ist,
die Werte der Übergangsmatrixwahrscheinlichkeiten
und die Zustandsausgabeverteilungen für jeden Zustand und jedes Modell
unter Voraussetzung der Trainingsdaten zu optimieren. Die verwendete
Routine ist in einem anderen Bereich weithin bekannt, dem der Spracherkennung:
sie wird zum Beispiel in „Speech
Synthesis and Recognition" von
J. N. Holmes, Van Nostrand Reinhold (UK) 1988, beschrieben. Für jede Zielgruppe
ist die Ausgabe der Routine 140 ein Hidden Markov Modell,
das Zustandsausgabeverteilungsparameter für jeden der Zustände des
Modells und eine Zustandsübergangsmatrix
aufweist.
-
Nach
dem Training, wie oben beschrieben, kann das System 10 verwendet
werden, unbekannte Ziele zu erkennen und zu klassifizieren, wenn
sich derartige Ziele in der Hauptstrahlungskeule der Antenne 12 bewegen.
Eine Zielerkennung wird wie folgt ausgeführt. Das Sys tem 10 ist
konfiguriert mit dem Schalter 33 geschlossen und den Schaltern 34 und 35 offen.
Für ein
gegebenes unbekanntes Ziel wird eine Radarreflexion digitalisiert,
um eine Radardatendatei zu erzeugen, wie oben beschrieben. Die Radardatendatei
wird direkt an den Computer 20 übermittelt. Die oben beschriebenen
Routinen 52, 53 und 54 werden auf der
Radardatendatei ausgeführt,
um eine Zieldatendatei entsprechend dem unbekannten Ziel zu erzeugen.
-
Die
Zieldatei wird dann von der Routine 102 bearbeitet, wobei
die LDA-Transformationsfunktion g() verwendet wird, die während der
Trainingsphase berechnet wurde, um jeden 128-Element-Vektor pro
Zeile der Zieldatei 25 in einen Vektor mit nur 4 Elementen
pro Zeile umzuwandeln. Dies bildet dann die modifizierte 4-Element-Zieldatei,
die 800 Rahmen für
das unbekannte Ziel enthält.
Die modifizierte Zieldatei wird dann von der HMM-Klassifizierungsroutine 206 verarbeitet.
Die vorliegende Implementierung verwendet den weithin bekannten
HMM-Viterbi-Erkennungsalgorithmus, der zum Beispiel in dem Buch „Speech
Synthesis and Recognition" von
J. N. Holmes, Van Nostrand Reinhold (UK) beschrieben wird. Für eine gegebene
Datendatei berechnet dieser Algorithmus effizient Übereinstimmungswerte
(scores) und vergleicht diese für
unterschiedliche Hypothesen hinsichtlich der Dateiinhalte. In der
vorliegenden Implementierung können „erzwungene
Wahl"- oder „nicht
erzwungene Wahl"-Modi
durchgeführt
werden.
-
Ein „erzwungene
Wahl"-Modus vergleicht
den folgenden Satz von Hypothesen für drei Zielklassen P, T und
W:
{P, T, W, _P, _T, _W, P_, T_, W_, _P_, _T_, _W}
wobei
P, T und W die Zielklassenmodelle sind und _ ein Hintergrundmodell
darstellt (kein Ziel vorhanden). Ein „nicht erzwungene Wahl"-Modus fügt eine
einzelne weitere Hypothese hinzu, was das _ oder „kein Ziel"-Modell ist. Die
Hypothese mit dem besten Wert wird von dem Erkennungsalgorithmus
berichtet; die Klassifizierung der Zieldatei ist gegeben durch Entfernen
der „kein
Ziel"-Symbole aus
der Erkennungsausgabe, um eines der drei Zielsymbole zu belassen
(oder möglicherweise
nichts in dem „nicht
erzwungenen" Fall).
-
Die
schließt
die Klassifizierungsstufe ab, in der ein unbekanntes Ziel in eine
der drei Zielklassen klassifiziert wird, d.h. das Ziel wird klassifiziert
als eine Person, ein Fahrzeug mit Rädern, ein Fahrzeug auf Schienen
oder als zu einer unbekannten Klasse gehörend.
-
Unter
Bezugnahme nun auf 9 wird ein alternatives Zielerkennungssystem
der Erfindung gezeigt, das allgemein mit 310 bezeichnet
wird. Das System 310 weist auf ein Dekodierungsmodul 337 zur
Dekodierung von Daten, die in der Datenaufzeichnungsvorrichtung 318 gespeichert
sind, und digitale Signalprozessoren (DSPs – digital signal processors) 331, 333, 333A, 333B und 335.
Der DSP 331 extrahiert Ziel-Dopplersignaturen für eine einzelne
Entfernungs-Bin, wie oben beschrieben. Die DSPs 333, 333A und 333B führen eine Dopplernormalisierung,
eine Umwandlung in Dopplerrahmen und eine LDA-Reduzierung durch,
ebenso wie oben beschrieben. Der DSP 335 führt eine
HMM-Parameterschätzung
und eine Zielklassifizierung durch, wie oben beschrieben. Das System 310 weist
ferner eine Anzeige 328, einen A/D-Wandler 316 und
eine Radarvorrichtung 314 auf. Der Computer 332 steuert
die Anzeige 328, den A/D-Wandler 316, die Radarvorrichtung 314 und
die DSPs 331, 333, 333A, 333B und 335 mittels
Steuerungssignale, die über
Steuerungsleitungen 336 übertragen werden. Die Systeme 310 und 10 arbeiten ähnlich,
aber in dem System 310 wird die Verarbeitung von Radardaten
von den DSPs 331, 333, 333A, 333B und 335 ausgeführt und
nicht durch den Computer 332.
-
Die
Erfindung kann ein bistatisches Radar mit einer kreisförmigen Strahlungspolarisation
oder jede Kombination aus horizontalen, vertikalen und kreisförmigen Polarisationen
verwenden.
-
Die
Radarvorrichtung kann eine kontinuierliche Welle (CW – continuous
wave) sein. Die Ausgabeleistung der Radarvorrichtung kann anders
als oben beschrieben sein, sollte aber groß genug sein, um einen Rauschabstand
(signal-to-noise ratio) von dem Ziel in einem gewünschten
Bereich zu erlangen, der ausreichend ist, um eine zufriedenstellende
Klassifizierungsleistung zu liefern. Die Radarvorrichtung kann eine
von 4.096 kHz verschiedene Impulswiederholungsfrequenz haben: jedoch
sollte die Impulswiederholungsfrequenz ausreichend groß sein,
um verschiedene Dopplerfrequenzen aufzulösen, die zu dem Ziel gehören, und
um mehrdeutige Dopplerreflexionen zu vermeiden.
-
Zielerkennungssysteme
der Erfindung können
Boden-basiert, in der Luft oder an Bord von Raumflugkörpern sein.
In dem Fall von Ausführungsbeispielen
der Erfindung, die sich relativ zur Erde bewegen, werden vorzugsweise
Störzeichen(clutter)reduzierungstechniken
eingesetzt, um Störzeichenreflexionen
zu reduzieren. Es kann eine Antenne mit schwenkbarer Richtcharakteristik
(scanning antenna) eingesetzt werden.
-
Digitalisierte
Radarreflexionssignale von kooperativen und unbekannten Zielen können in
einer Datenaufzeichnungsvorrichtung gespeichert werden und ein Training
und eine Zielklassifizierung können
nach dem Sammeln von Trainingsdaten und Radarreflexionen von unbekannten
Zielen durchgeführt
werden. Die Übertragungsfrequenz
des Radars 314 kann jede Frequenz sein, die für Überwachungsradare
verwendet wird, z.B. von wenigen MHz bis zu 100 GHz. Die Erfindung
kann von den beschriebenen abweichende FFT-Fenstergrößen und
Fensterüberlappungen
verwenden. Ähnlich
kann eine andere Transformation als LDA verwendet werden, um die
Vektorgröße von Eingangsrahmen
zu reduzieren.
-
Die
Erfindung kann zur Klassifizierung von mehr als drei Zielklassen
eingerichtet werden: eine vierte Zielklasse, z.B. Flugzeuge, kann
eingeführt
werden. Dies würde
die geeignete Menge an Trainingsdaten von der zusätzlichen
Klasse erfordern und ein Schätzen
der relevanten HMM-Parameter, welche die Daten von dieser Klasse
definieren würden.
Die Anzahl von Zuständen,
die für
jedes Ziel verwendet wird, kann für unterschiedliche Zielklassen
unterschiedlich gewählt
werden. Die Ausgabeverteilung jedes Zustands kann als eine Gaußsche Mischungsverteilung
statt einer einfachen multivariaten Gaußschen Verteilung modelliert
werden.
