Содержание к диссертации
Введение
1 Обзор литературы 12
1.1 Основные задачи систем распознавания сигналов 12
1.2 Классификация систем распознавания 13
1.3 Алгоритмы распознавания по совокупности признаков 15
1.4 Алгоритмы распознавания случайных сигналов 16
1.4.1 Алгоритмы распознавания случайных сигналов во временной области 17
1.4.2 Алгоритмы распознавания случайных сигналов в спектральной области 21
1.4.3 Нейросетевые алгоритмы распознавания случайных сигналов... 24
1.5 Влияние включения средств помехозащиты на дальность обнаружения РЛС 26
1.6 Выводы 30
2 Синтез алгоритмов распознавания маскирующих радиолокационных помех 31
2.1 Статистическое описание сигналов и преднамеренных помех 31
2.2 Постановка задачи 36
2.3 Оптимальные алгоритмы распознавания преднамеренных помех во временной области 38
2.4 Квазиотпимальные и эвристические алгоритмы распознавания преднамеренных помех во временной области 49
2.5 Распознавание преднамеренных помех по корреляционным признакам 54
2.5.1 Выбор пороговых значений, фиксирующих вероятности ложного распознавания помех с различной мощностью и корреляционными свойствами 54
2.5.2 Анализ эвристического алгоритма распознавания помех по корреляционным признакам 57
2.6 Эвристический алгоритм распознавания преднамеренных помех в спектральной области 63
2.7 Влияние параметров пассивных помех на эффективность их распознавания 70
2.7.1 Влияние некоррелированной составляющей на эффективность распознавания пассивных помех 71
2.7.2 Влияние ширины спектра пассивных помех на эффективность их распознавания 73
2.7.3 Влияние доплеровского смещения спектра пассивных помех на эффективность их распознавания 75
2.7.4 Влияние формы СПМ пассивных помех на эффективность их классификации 78
2.8 Выводы 80
3 Оценка параметров узкополосных помех с использованием марковской аппроксимации 82
3.1 Математические модели в задачах марковской теории оценивания... 82
3.2 Применение теории марковских процессов в радиотехнических задачах 83
3.3 Алгоритм оценки степени связности узкополосных случайных процессов, описываемых марковскими моделями 92
3.4 Сравнительный анализ эффективности алгоритмов оценки связности по структуре ОКМ и ИКА 99
3.5 Связь марковской и весовой аппроксимации СПМ узкополосных помех 103
3.6 Анализ эффективности обнаружения целей на фоне коррелированных помех при адаптивном порядке РФ 106
3.7 Реализация алгоритмов распознавания помех и оценивания связности 108
3.8 Выводы 115
Заключение 117
Библиографический список 119
- Алгоритмы распознавания случайных сигналов во временной области
- Квазиотпимальные и эвристические алгоритмы распознавания преднамеренных помех во временной области
- Влияние доплеровского смещения спектра пассивных помех на эффективность их распознавания
- Алгоритм оценки степени связности узкополосных случайных процессов, описываемых марковскими моделями
Введение к работе
Актуальность темы. Защита радиотехнических систем (РТС) от комбинированных помех всегда рассматривалась как одна из важнейших проблем. Ее актуальность в настоящее время обусловлена быстрым развитием методов и средств радиопротиводействия, а также многообразием типов преднамеренных радиопомех, снижающих эффективность выделения полезных сигналов. Для борьбы с помехами разработаны эффективные средства подавления. При этом синтез оптимальных и квазиоптимальных алгоритмов выделения полезного сигнала, как правило, осуществляется в предположении о наличии априорной информации о видах действующих помех.
При отсутствии априорных сведений о применяемых комбинированных помехах выделение сигнала требует адаптации к текущей поме-ховой обстановке, т.е. решения задачи распознавания типов помех, присутствующих в анализируемых элементах разрешения. Классификация преднамеренных помех усложняется их случайным характером, нестационарностью во времени и неоднородностью в пространстве.
Решение задачи классификации случайных сигналов основано на статистической теории распознавания, методах статистической радиотехники и цифровой обработки сигналов. Эти направления представлены в работах таких зарубежных и отечественных ученых, как Ф. Розенблатт, Р. Дуда, П. Харт, Р. Гонсалес, Дж. Ту, К. Фукунага, К. Фу, Э. Патрик, А.А. Харкевич, В.Г. Репин, Г.П. Тартаковский, Б.Р. Левин, П.А. Бакулев, Я.Д. Ширман, А.В. Миленький, В.Н. Вапник, А.Я. Червоненскис, Я.А. Фомин, Г.Р. Тарловский, Ю.И. Журавлев, А.Л. Горелик, В.А. Скрипкин, В.В. Моттль, И.Б. Мучник и др.
При постоянном (заблаговременном) включении средств помехо-защиты потери в эффективности обнаружения сигналов неизбежны даже при отсутствии помех. Причиной их возникновения в РТС, в частности в импульсных радиолокационных системах (РЛС), являются потери импульсов на переходные процессы в фильтрах подавления пассивных помех и увеличение уровня собственных шумов приемного устройства за счет введения компенсационных каналов для подавления активных шумовых помех. Более предпочтительным является такой режим работы устройств помехозащиты, при котором они задействуются по результатам принятия решений о типе помех, присутствующих в канале наблюдения. Поэтому распознавание действующих на входе приемного устройства РЛС помех открывает возможности реализации адаптивного включения соответствующих средств защиты только для тех элементов пространства и интервалов времени, в которых радиолокационные помехи наблюдаются. Дальнейшая классификация коррелированных помех (при их описании с помощью марковских моделей) по признаку связности позволяет также оптимизировать порядок режекторных фильтров подав-
ления и рационально перераспределять импульсный объем между операциями режекции и когерентного накопления.
Цели и задачи работы. Целью работы являются разработка не-обучающихся алгоритмов распознавания для эффективной классификации комбинированных маскирующих помех в условиях априорной неопределенности и ограниченного объема выборки, отводимой на распознавание, а также оценка спектрально-корреляционных свойств узкополосных помех, аппроксимируемых марковскими моделями.
Для достижения поставленных целей в работе решены следующие основные задачи:
выполнена оценка потерь в эффективности обнаружения целей при постоянном включении средств помехозащиты (отсутствии процедуры распознавания);
введен критерий качества распознавания помеховой обстановки;
выбраны информативные признаки маскирующих помех во временной и частотной области, на основании которых синтезированы решающие правила и алгоритмы для классификации комбинированных помех;
проанализировано влияние характеристик пассивных помех на эффективность их распознавания;
синтезирован алгоритм оценивания степени связности узкополосных помех, описываемых марковскими процессами, и выполнен анализ его работоспособности.
Методы анализа. В работе использовались методы статистической теории распознавания, статистической радиотехники, теории принятия решений, спектрального анализа сигналов, математической статистики, матричного исчисления, численные методы вычислительной математики, параметрического моделирования случайных процессов. Данные теоретические методы сочетались с экспериментальными исследованиями на основе имитационного моделирования.
Научная новизна работы состоит в следующем:
синтезированы новые алгоритмы распознавания типов комбинированных маскирующих помех;
разработан алгоритм нахождения состоятельной оценки степени связности пассивных помех по структуре обратной корреляционной матрицы;
получены аналитические выражения для описания формы огибающей энергетического спектра да-связных марковских процессов; найдено соответствие между параметром связности и множителем весовой модели отражений от коррелированных помех.
Достоверность полученных результатов обусловливается использованием в процессе исследований адекватных описательных и математических моделей, корректным использованием математического
аппарата и логической обоснованностью выводов, совпадением полученных частных результатов с известными, а также подтверждением полученных оценок методами имитационного моделирования.
Внедрение научных результатов. Результаты диссертационной работы внедрены в разработки НИИ «Рассвет», г. Рязань, ОАО «Московский институт электромеханики и автоматики», г. Москва, а также в учебный процесс Рязанского государственного радиотехнического университета при преподавании дисциплин «Теоретические основы радиоэлектронной борьбы», «Средства радиоэлектронной защиты РЭС» и «Радиотехнические системы», в том числе в форме программно-методического обеспечения к лабораторным работам, что подтверждено соответствующими актами.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях.
1.40-я и 41-я научно-технические конференции «Радиотехнические системы и устройства». Рязань, 2008 и 2010.
2.15-я МНТК «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань, 2008.
3.10-я международная конференция и выставка «Цифровая обработка сигналов и ее применение» DSPA-2008. Москва, 2008.
XIII и XIV ВНТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и образовании» НИТ-2008 и НИТ-2009. Рязань, 2008 и 2009.
МНТК к 100-летию со дня рождения В.А. Котельникова. Москва, 2008.
6.9-я МНТК «Проблемы техники и технологий телекоммуникаций»
ПТиТТ-2008. Казань, 2008.
7. XV МНТК «Информационные системы и технологии» ИСТ-2009.
Нижний Новгород, 2009.
Публикации. По теме диссертации опубликовано 13 работ. Из них 2 статьи в изданиях, рекомендованных ВАК для опубликования основных результатов диссертаций на соискание ученой степени кандидата наук, 4 статьи в межвузовских сборниках научных трудов, 7 тезисов докладов на конференциях.
Основные положения, выносимые на защиту
Алгоритм распознавания типов радиолокационных помех по спектральным признакам обеспечивает правильную классификацию маскирующих активных и пассивных помех с вероятностью не менее 0,985 и приближается к эффективности оптимальной системы распознавания при длине контрольной выборки N> 16.
Синтезированный алгоритм распознавания помех сохраняет работоспособность в условиях действия двухмодовых пассивных помех, приближаясь при N> 10 по вероятности их правильного распознавания к оптимальному алгоритму и уступая ему не более 6 %.
3. Учет в процедуре распознавания параметра связности узко полосных помех, описываемых марковскими процессами, и его оценивание позволяют увеличить дальность обнаружения целей от 1 % до 13 % по сравнению с системой обнаружения без распознавания помех.
Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения и приложений. Общий объем диссертации 145 страниц, в том числе 132 страницы основного текста, включая библиографический список из 172 источников. Иллюстративный материал представлен в виде 32 рисунков и 10 таблиц.
Алгоритмы распознавания случайных сигналов во временной области
Системы распознавания случайных сигналов являются сложными динамическими системами, состоящими в общем случае из совокупности технических средств получения и переработки информации, и предназначены для решения на основе специально сконструированных алгоритмов задач распознавания соответствующих недетерминированных процессов. Каждая система распознавания приспособлена для распознавания ограниченного количества сигналов или помех.
Процесс проектирования систем распознавания случайных сигналов предполагает решение следующих основных задач [1]. 1. Определение полного перечня признаков (параметров), характеризующих случайные сигналы, для распознавания которых разрабатывается данная система. Данная совокупность признаков формируется на основании как априорной, так и апостериорной информации о случайных сигналах, подлежащих распознаванию. Первоначально определяется максимальное количество информативных признаков, характеризующих распознаваемые классы. 2. Составление априорного алфавита классов. При решении последующих задач априорный алфавит классов может уточняться. 3. Разработка априорного словаря признаков. В него включаются только те признаки, относительно которых может быть получена достоверная априорная информация, необходимая для описания классов на языке этих признаков. 4. Разбиение априорного пространства признаков на области, соответствующие классам априорного алфавита классов, и выбор правила классификации (решающего правила). Последнее определяется требованиями, предъявляемыми к системе распознавания. Подобное разбиение должно быть выполнено в некотором смысле оптимальным образом, например, чтобы при этом обеспечивалось минимальное значение ошибок, сопровождающих распознавание поступающих на вход системы классификации неизвестных случайных сигналов. 5. Выбор показателей эффективности системы распознавания и оценка их значений. В качестве показателей эффективности системы могут рассматриваться вероятность правильного распознавания (ВПР), среднее время принятия решения, объем аппаратных и вычислительных ресурсов, необходимых для получения апостериорной информации, и др. Оценка значений выбранной совокупности показателей эффективности, как правило, проводится на основе экспериментальных исследований либо реальной системы распознавания, либо ее математической модели. 6. Выбор алгоритмов распознавания, обеспечивающих отнесение распознаваемого случайного сигнала к одному из классов. Данная задача представляет собой общую постановку проблемы распознавания. Выбор конкретного алгоритма классификации зависит от ограничений на построение системы распознавания и требований к показателям ее эффективности. 1.2 Классификация систем распознавания В зависимости от полноты априорной информации, необходимой для классификации объектов, различают системы распознавания без обучения, обучающиеся и самообучающиеся системы. В системах без обучения первоначальной априорной информации достаточно для того, чтобы определить априорный словарь признаков и на основе непосредственной обработки входных данных произвести классификацию. В обучающихся системах (системах с «учителем») априорная информация позволяет выделить случайные сигналы, принадлежащие различным классам, и сформировать из них обучающую последовательность (обучающую выборку). Цель процедуры обучения - определение разделяющих функций путем многократного предъявления системе распознавания различных последовательностей с указанием классов, к которым они принадлежат. Накопление статистической информации продолжается, пока количество ошибок распознавания в среднем не снизится до некоторого желаемого уровня. В самообучающихся системах в процессе обучения из-за ограниченного объема априорной информации система не получает указаний о том, к какому классу принадлежат сигналы обучающей выборки. Эти указания заменяются набором правил, в соответствии с которыми система распознавания сама вырабатывает классификацию и в дальнейшем ее придерживается.
Классификация систем распознавания также может быть произведена по типу используемых информативных признаков. Признаки подразделяют на детерминированные, вероятностные и логические. Детерминированные признаки принимают конкретные числовые значения, которые могут рассматриваться в качестве координат в признаковом пространстве, соответствующем данному классу. При рассмотрении детерминированных признаков ошибками измерений часто пренебрегают [1]. Вероятностные признаки принимают случайные значения, которые распределены по всем классам; решение о принадлежности распознаваемого сигнала к тому или другому классу принимается только на основании значений признаков, определенных в результате проведения эксперимента. Признаки распознаваемых объектов следует рассматривать как вероятностные и в случае, если измерение их числовых значений производится со значительными ошибками. Логические признаки можно рассматривать как элементарные высказывания («да», «нет» или «истина», «ложь») с полной определенностью. К логическим признакам относятся признаки, не имеющие количественного выражения. Эти признаки принимают два значения истинности в зависимости от наличия или отсутствия некоторых свойств у распознаваемых сигналов. В зависимости от того, на языке каких признаков производится описание классов, системы распознавания могут быть подразделены на детерминированные, вероятностные и логические. В детерминированных системах для построения алгоритмов распознавания используются «геометрические» меры близости, основанные на измерении расстояний между распознаваемым объектом и эталонами классов. В вероятностных системах используются алгоритмы распознавания, основанные на теории статистических решений. В логических системах используются методы распознавания, основанные на булевой алгебре.
Квазиотпимальные и эвристические алгоритмы распознавания преднамеренных помех во временной области
В [80] показано, что механизм формирования доплеровского спектра отражений от объемно-распределенных пассивных помех определяется следующими не зависящими друг от друга факторами: 1) различные скорости ветра на различных высотах приводят к распределению радиальных скоростей частиц по вертикальному разрезу луча диаграммы направленности антенны (ДНА); 2) влияние турбулентности атмосферы приводит к колебаниям скорости ветра относительно ее среднего значения; 3) неоднородность скорости падения отражающих частиц также приводит к различию их радиальных составляющих скорости. Существует еще один фактор, в значительной степени определяющий ширину спектра пассивной помехи, - вращение или перемещение ДНА РЛС. Однако он не зависит от характеристик пассивной помехи. Таким образом, разброс скорости ветра и турбулентность атмосферы являются основными факторами, определяющими ширину спектра помех от облаков дипольных отражателей. На малых дальностях преобладает эффект турбулентности, а по мере увеличения дальности ширина спектра линейно увеличивается из-за влияния градиента скорости ветра [80]. Центр доплеровского спектра дипольных помех приблизительно совпадает со значением радиальной скорости ветра.
Проанализируем, как меняется ВПР пассивных помех при изменении ширины спектра флуктуации помехи методом имитационного моделирования. На рис. 2.15 и 2.16 показаны ВПР пассивных помех при использовании алгоритма распознавания по критерию максимального правдоподобия при вариации относительной ширины спектра флуктуации в диапазоне Д/Г= 0,02...0,1 и отношении шум-помеха X = -40 дБ по оптимальному и эвристическому алгоритмам соответственно.
Полагается, что огибающая СПМ помехи имеет гауссовскую форму (2.7) и нулевую доплеровскую скорость. Численные результаты для ВНР гипотезы Нп получены методом имитационного моделирования путем усреднения исходов классификации по А = 10000 статистически независимых реализаций длиной N и определяют предельную эффективность распознавания пассивных помех.
Из рис. 2.15 и 2.16 видно, что узкополосные процессы с большей относительной шириной спектра требуют для достоверного распознавания более длинной контрольной выборки, поскольку имеют меньшую степень корреляции. Так, для обеспечения ВПР пассивной помехи Рг2 0,95 при А/Г =0,02 необходимо не менее 4 отсчетов, при А/Т =0,05 - не менее 5 отсчетов, а при А/Т — 0,1 - не менее 6 отсчетов для оптимального алгоритма, и соответственно не менее 7, 8 и 9 отсчетов для эвристического алгоритма. Сравнение полученных зависимостей показывает, что при 7Y 10 по ВПР гипотезы Hi эвристический алгоритм приближается к оптимальному алгоритму.
Из полученных численных результатов - Ргг_о&—»1 и Р22_эд/г=ол 0,965 при Л 10 — следует, что при наиболее неблагоприятных условиях (помеха с широким спектром флуктуации) он уступает оптимальному не более 1,035 раза.
Если источники помех движутся с различными скоростями, то спектральная плотность радиоотражений от них имеет не одну, а несколько мод, и такую помеху называют многомодовой. Для РЛС наземного базирования к пассивным помехам, имеющим нулевую доплеровскую скорость, относят отражения от местных предметов. Примерами подвижных помех естественного и искусственного происхождения являются гидрометеообразования, облака дипольных отражателей, стаи птиц [80,131]. Часто рассматривают случай, когда в принимаемом сигнале содержатся две коррелированные помехи с разной доплеровской частотой, автокорреляционные функции (АКФ) которых описываются при различных значениях параметров. Поскольку эти две помехи не коррелированны между собой, АКФ суммарной помехи будет равна сумме АКФ каждой из помех [132]. При равной мощности мод и гауссовской огибающей спектра коэффициенты корреляции будут определяться выражением
р(/, к) = 0,5ехр{-7г2[А/Г1(/"- )]2/2,8}-ехр{і/,ІГ(/- )}+ +0,5ехр{-7і2[А/Г2(/-А:)]2/2,8}-ехр{і/;)2Г(/-А:)}, где і - мнимая единица, AfT\,fd\T, bfT2,fdlT- соответственно относительная ширина спектра и относительная доплеровская частота мод первой и второй помех. Если пассивная помеха является одномодовой, то ее доплеровская скорость (частота) либо компенсируется автокомпенсаторами [133], и дальнейшая обработка ведется с «остановленной» помехой, либо для подавления используется перестраиваемый режекторный фильтр. Однако для ситуации многомодовой помехи, когда источники отражений имеют различное значение доплеровской скорости, ее компенсация либо подстройка РФ затруднены.
Анализ эффективности системы распознавания для ситуации многомодовой коррелированной помехи позволит ответить на вопрос о чувствительности синтезированного алгоритма классификации маскирующих помех в спектральной области к частично некомпенсированной доплеровской скорости помехи. Будем полагать, что пассивная помеха имеет в своем спектре две моды с доплеровскими частотами /д\ = 0 и fd2 Ф 0 [134]. Усреднив результаты =10000 независимых испытаний, получим зависимости ВПР пассивных помех для оптимального и эвристического алгоритмов от разности относительных доплеровских смещений мод помехи /SfdT—{fd2-fd\)T при различных значениях длины контрольной выборки (рис. 2.17 и 2.18).
Влияние доплеровского смещения спектра пассивных помех на эффективность их распознавания
Первым этапом решения задач оценивания случайных процессов и полей является разработка и построение математических моделей (ММ) сигналов и помех. Применение современных методов синтеза и анализа, основанных на теории условных марковских [136] и марковских [137] процессов, предполагает описание ММ для случайных процессов в виде стохастических дифференциальных или разностных уравнений [138, 139]. При этом повышение достоверности указанных ММ при разработке может быть достигнуто в основном за счет возможно более полного использования всех доступных экспериментальных данных, имеющих отношение к решаемой задаче.
При формировании ММ в случае гауссовских случайных процессов способ ее построения часто состоит в следующем. По имеющейся реализации выборки находится оценка корреляционной функции случайного процесса. Затем на основе преобразования Фурье определяется его спектральная плотность, которая с требуемой точностью аппроксимируется дробно-рациональной функцией. Гауссовский процесс с такой спектральной плотностью можно получить на выходе линейного фильтра, описываемого соответствующим стохастическим дифференциальным уравнением. Линейное стохастическое дифференциальное уравнение /7-го порядка сводится к системе линейных стохастических уравнений первого порядка. Эта система уравнений и определяет ММ исходного случайного процесса.
Другой распространенный способ разработки ММ гауссовских процессов связан с непосредственной оценкой по экспериментальным данным коэффициентов разностного уравнения авторегрессии или авторегрессии - скользящего среднего (АРСС). Основное достоинство такого подхода к формированию ММ состоит в том, что для оценки параметров модели уравнения АР удается получить выражение для апостериорной плотности вероятности оцениваемых параметров по реализации случайного эргодического процесса.
Статистическая динамика стационарной дискретной гауссовской последовательности в общем случае описывается АР уравнением вида где уп — последовательность на выходе ММ, хп — входная возбуждающая последовательность с нулевым математическим ожиданием и единичной дисперсией, 7 , к = 1,/7 - неизвестный вектор АР коэффициентов. Порядок АР модели р фактически показывает, что п-й отсчет выходной последовательности зависит в общем случае только от/7 предыдущих. Задача построения АР модели по экспериментальным данным сводится к выбору порядка авторегрессии р и нахождению оценок параметров модели, т.е. вектора коэффициентов Цд Ц.
В задачах синтеза и анализа работы радиотехнических устройств в радиолокации и связи физическая природа действующих различного рода внешних и внутренних шумов и помех в большинстве случаев позволяет рассматривать эти мешающие воздействия как стационарные нормальные случайные процессы [20]. Для их описания широко применяются марковские модели [140, 141]. Одним из параметров модели Маркова, определяющим статистическую зависимость і-й реализации дискретного случайного процесса от т предыдущих реализаций, является так называемая связность модели т. В радиотехнических задачах, связанных с обнаружением полезного сигнала на фоне помех, аппроксимация последних w-связной марковской последовательностью решает задачу синтеза практически реализуемых устройств обработки. Так оптимальное обнаружение сигнала на фоне коррелированной марковской помехи с априорно известной связностью осуществляется двухэтапной процедурой, включающей обеление помехи с последующим когерентным суммированием полезного сигнала [73]. Соответствующая структура системы обработки TV-импульсного сигнала представляет собой каскадное включение РФ т-то порядка с конечной импульсной характеристикой и многоканального фильтра накопления (TV-m-l)-ro порядка. При априорной неопределенности параметра связности m порядок и параметры фильтров становятся неопределенными, что требует решения задачи адаптации на основе оценивания порядка марковской модели.
Простой марковской последовательностью называется дискретная последовательность X, для которой вероятность значения х(Д.) в к-ът момент времени зависит только от предшествующего значения х(Д_і) и не зависит от всех остальных значений. Связность модели т в этом случае равна 1. По аналогии с простой марковской моделью вводится сложная или т-связная модель, текущее значение которой х( ) определяется как независимое по отношению к значениям х( .(„,+і)), x(tHm+2)),...[\42, 143].
Можно провести аналогию между связностью марковской модели т и порядком АР модели р, поскольку оба этих параметра связаны с количеством предыдущих отсчетов наблюдаемого дискретного случайного процесса, от которых зависит текущий.
Марковские модели с дискретным временем и конечным (дискретным) числом состояний (фазовым пространством), называют марковскими цепями [20, 143]. Вероятность перехода односвязной марковской цепи из состояния X/ в момент времени tk.\ в состояние Xj в момент времени tk определяется так называемыми переходными вероятностями простой цепи Маркова [144]. Марковская односвязная последовательность с N возможными состояниями характеризуется квадратной матрицей переходных вероятностей для к-го момента времени.
Алгоритм оценки степени связности узкополосных случайных процессов, описываемых марковскими моделями
Определим затрачиваемые на реализацию алгоритмов обнаружения вычислительные ресурсы. Затраты будем определять в количестве ЭО, в качестве которых выступают операции сложения и умножения. Будем считать, что операция умножения и сложения выполняется за один такт.
Для реализации алгоритма распознавания по спектральным признакам необходимо осуществить операции умножения временных отсчетов входной выборки на весовые коэффициенты, БПФ и сглаживания полученной выборки спектральных отсчетов. Для N точечного БПФ требуется 5Mog2A ЭО [164], для весовой обработки и сглаживания - N и 2NW ЭО соответственно. Общее число ЭО зависит от количества элементов разрешения, которое для двухкоординатной РЛС составляет Z?maxAa/(5i?5a), где Rmwi - дальность действия РЛС, Да - сектор обзора в азимутальной плоскости, bR и 8а — разрешающая способность РЛС по дальности и азимуту соответственно. Если N—16, Rmax/8R = 1000 и Да/бос = 360, то общее число ЭО составит
Быстродействие цифровых устройств обработки радиолокационных сигналов также зависит и от верхней частоты дискретизации применяемых аналого-цифровых преобразователей (АЦП). Высокоскоростные АЦП выполняют с параллельной (Flash ADC) или последовательно-параллельной (конвейерной) архитектурой. Наиболее быстродействующей является параллельная архитектура, при которой входной сигнал подается на линейку компараторов сразу, а затем преобразовывается в двоичный код дешифратором, благодаря чему преобразование занимает очень небольшое время - десятки наносекунд. К недостаткам параллельных АЦП надо отнести небольшую разрядность (не более 16), что не позволяет использовать их для сигналов с большим динамическим диапазоном, и высокое энергопотребление.
Последовательно-параллельные (конвейерные) АЦП позволяют работать на высоких частотах (20...60 MSPS) при меньших мощностях потребления (десятки мВт) и имеют более высокую разрядность (16...20), чем параллельные АЦП. Параллельные АЦП при этом могут использоваться как части конвейерной (обычно 2-каскадной) архитектуры.
Помимо двухкаскадных разработаны 3-х и 4-каскадные конвейерные АЦП, имеющие в своем составе 3-разрядные параллельные АЦП, в которых за счет некоторого снижения быстродействия (до 3...20 MSPS) достигается еще большая экономия потребляемой мощности. Выпускаются также сдвоенные согласованные конвейерные АЦП, имеющие внутреннее мультиплексирование с выходом на одну общую шину данных (например, AD9201).
Если динамический диапазон аналогового сигнала, подлежащего дискретизации, d = итах/итт = итах/ зш, то требуемое число двоичных разрядов кода т = log2 d. Отношение динамического диапазона сигналов или помех на входе АЦП (в дБ) к числу двоичных разрядов АЦП должно составлять не менее [165]
При известном динамическом диапазоне (в дБ) число разрядов АЦП т - dlkk = d/6. Следовательно, исходя из динамического диапазона пассивная помеха-шум в 80...90 дБ, необходим 14... 16-ти разрядный АЦП, в качестве которого можно выбрать АЦП AD 10678 фирмы Analog Devices [166]. Данный АЦП 16-разрядный, имеет параллельный интерфейс и быстродействие до 80 MSPS.
В качестве средства реализации алгоритмов цифровой обработки сигналов большое число разработчиков выбирают цифровые сигнальные процессоры (ЦСП) общего назначения. Главными преимуществами систем обработки сигналов на ЦСП являются гибкость системы, возможность реализации адаптивных и обучающихся алгоритмов. ЦСП распространены и доступны на рынке интегральных микросхем, имеют привлекательные цены. Кроме того, отладочные средства для программирования ЦСП недороги, достаточна информационная поддержка, выпущена литература по применению на русском языке. Разработками в области процессоров цифровой обработки сигналов традиционно занимаются такие фирмы как Texas Instruments (серия процессоров TMS320C), Analog Devices (серии ADSP-21XXX и ADSP-BF53x), Motorola (серия DSP56XXX), Hitachi (SP-DSP), NEC, Siemens, Zilog.
Тенденция развития процессоров ЦОС состоит в использовании двух и более аппаратных устройств умножения-накопления, что позволяет повысить вычислительную мощность обработки.
В качестве примера рассмотрим цифровые сигнальные процессоры Analog Devices серий ADSP214xx SHARC и BF53x BlackFin. Данные процессоры поддерживают полный набор арифметических операций, включающий, помимо умножения, сложения, вычитания и комбинированного умножения/сложения, примитивы деления (\/х и Vx), операции min, max, clip, shift, rotate. Помимо быстрой, гибкой арифметики, в этих семействах процессоров получили развитие следующие требования: непрерывный поток данных в вычислительные устройства и из них; повышенная точность и расширенный динамический диапазон в вычислительных устройствах; два генератора адреса.
Сигнальные процессоры семейства SHARC, построенные на 32-х битной супергарвардской архитектуре, сочетают высокопроизводительные ядра для операций с плавающей и фиксированной точкой, сложную подсистему памяти и расширенные возможности ввода/вывода. Процессоры ADSP214xx содержат три независимых вычислительных устройства: арифметико-логическое устройство (ALU), "умножитель с аккумулятором с фиксированной точкой и устройство сдвига. Вычислительные устройства обрабатывают данные в трех форматах: 32-разрядном с фиксированной точкой, 32-разрядном и 40-разрядном с плавающей точкой (для исключения переполнения разрядной сетки при умножении и суммировании). Производительность процессоров серии ADSP214xx достигает 2400 Мфлоп при тактовой частоте 800 МГц.
Процессоры семейства BlackPin ADSP-BF53X на настоящее время обладают самой высокой [167] производительностью среди 16-ти битных процессоров с фиксированной точкой. Они имеют ядро с частотой до 756 МГц и производительностью до 1500MMACs, быстродействующую статическую память SRAM объемом до 1,2 Мбит и большой набор периферийных устройств.
Анализ быстродействия современных ЦСП позволяет сделать вывод о возможности реализации алгоритмов распознавания маскирующих помех на одном ЦСП. Стоимость одного процессора ADSP (без комплекта отладки) серий SHARC и BlackFin на настоящее время лежит в пределах 65... 110 $.
