CC BY
126DOI: 10.32603/1993-8985-2018-21-6-75-82
УДК 621.396.96
Е. Н. Воробьев, В. И. Веремьев, Д. В. Холодняк
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина) ул. Профессора Попова, д. 5, Санкт-Петербург, 197376, Россия
РАСПОЗНАВАНИЕ ВИНТОМОТОРНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В ПАССИВНОЙ БИСТАТИЧЕСКОЙ РЛС1
Аннотация. Пассивные бистатические радиолокационные станции (ПБРЛС) в настоящее время позволяют осуществлять обнаружение, определение координат и сопровождение движущихся объектов. Для обеспечения возможности интеграции ПБРЛС в системы управления воздушным движением необходимо решить задачу распознавания воздушных объектов, в частности винтомоторных летательных аппаратов (ЛА). Это позволит увеличить степень обеспечения безопасности полетов авиации. Для решения задачи распознавания проведен анализ эхосигналов от винтомоторных ЛА - таких, как вертолет и винтовой самолет. Сформулированы информативные признаки, которые могут быть использованы при распознавании винтомоторных ЛА в ПБРЛС. Предложен метод распознавания винтомоторных ЛА, который основан на извлечении модуляционных составляющих эхосигнала, обусловленных вращающимися частями двигательной установки ЛА, и на оценке параметров их вращения. Разработан алгоритм обработки эхосигналов, позволяющий реализовать предложенный метод распознавания на практике в ПБРЛС. Представлены экспериментальные результаты работы алгоритма обработки на примере реальных сигналов, отраженных от вертолета Ми-8 и винтового самолета Cessna 172. Экспериментальные данные записаны двумя разными ПБРЛС, использующими сигналы цифрового эфирного телевидения стандарта DVB-T2 в качестве радиолокационного подсвета воздушного пространства. Оцененные параметры вращения лопастей винтов винтомоторных ЛА соответствуют фактическим значениям. Такое соответствие позволяет не только распознавать класс, но и в некоторых случаях идентифицировать тип ЛА.
Ключевые слова: радиолокационное распознавание, пассивная бистатическая РЛС, частотно-временной анализ
Для цитирования: Воробьев Е. Н., Веремьев В. И., Холодняк Д. В. Распознавание винтомоторных летательных аппаратов в пассивной бистатической РЛС // Изв. вузов России. Радиоэлектроника. 2018. № 6. С. 75-82. doi: 10.32603/1993-8985-2018-21-6-75-82
E. N. Vorobev, V. I. Veremyev, D. V. Kholodnyak
Saint Petersburg Electrotechnical University "LETI" 5, Professor Popov Str., 197376, St. Petersburg, Russia
RECOGNITION OF PROPELLER-DRIVEN AIRCRAFT IN A PASSIVE BISTATIC RADAR
Abstract. Nowadays passive bistatic radars (PBR) allow for detection, determination of coordinates and tracking of moving objects. In order to enable PBR integration into air traffic control systems, it is necessary to solve the problem of recognizing airborne objects, in particular, propeller-driven aircraft (AC). This will increase the degree of aviation safety. To solve the recognition problem, the analysis of propeller-driven aircraft echo signals, such as helicopter and propeller airplane, is performed. The in-formative features that can be used for recognition of propeller-driven aircraft in PBRs are defined. The method for propeller-driven aircraft recognition is proposed, that is based on extraction of modulation components originated from the rotational parts of the aircraft and estimation of their rotation parameters. The algorithm for echo signal processing is developed, which makes it possible to apply the proposed recognition method for PBRs.
The experimental results of the processing algorithm are presented on the example of real signals reflected from the Mi-8 helicopter and the Cessna 172 propeller aircraft. The experimental data are recorded by two different PBRs using DVB-T2
1 При подготовке публикации использовались результаты работ по проекту "Разработка многопозиционного комплекса полуактивной радиолокации и радиомониторинга излучаюших и радиомолчащих объектов" (Соглашение от 21 ноября 2018 г. № 075-11-2018-035) с использованием мер государственной поддержки, предусмотренных постановлением Правительства Российской Федерации от 9 апреля 2010 г. № 218.
© Воробьев Е. Н., Веремьев В. И., Холодняк Д. В., 2018
75
digital terrestrial television signals standard for airspace illumination. The estimated rotation parameters of the aircraft propeller blades correspond to the actual values. Such a correspondence allows not only to recognize the aircraft group, but in some cases to identify its type.
Keywords: radar recognition, passive bistatic radar, time-frequency analysis
For citation: Vorobev E. N., Veremyev V. I., Kholodnyak D. V. Recognition of Propeller-Driven Aircraft in a Passive Bistatic Radar. Journal of the Russian Universities. Radioelectronics. 2018, no. 6, pp. 75-82. doi:10.32603/1993-8985-2018-21-6-75-82 (In Russian)
Введение. В последние десятилетия пассивные бистатические радиолокационные станции (ПБРЛС) получили активное развитие и нашли широкие области применения [1]—[4]. К особенностям ПБРЛС относится использование сигналов сторонних передатчиков в качестве радиолокационного подсвета. Сегодня ПБРЛС применяются главным образом для обнаружения, определения координат и сопровождения движущихся объектов, а также представляют перспективное средство для современных систем обеспечения безопасности, контроля воздушного движения и управления движением судов. Однако задача распознавания воздушных объектов для ПБРЛС по-прежнему остается нерешенной. Под распознаванием следует понимать отнесение обнаруженного объекта к определенному классу, т. е. группе летательных аппаратов (ЛА), схожих по конструктивным признакам. Особый интерес представляет распознавание винтомоторных ЛА таких классов, как вертолет и винтовой самолет, поскольку они имеют схожие информативные признаки (эффективная площадь рассеяния, скорость и высота полета), что затрудняет решение задачи распознания ЛА этих классов.
Распознавание винтомоторных объектов в традиционных активных РЛС основано на анализе особенностей структуры отраженного сигнала [5]— [7]. Сигнал, отраженный от объектов этих классов, имеет сложную структуру, которая состоит из мощной составляющей сигнала, отраженного от фюзеляжа, и более слабых составляющих сигнала, обусловленных вращающимися лопастями и втулками винтов двигательной установки [8]. Для распознавания винтомоторных ЛА в импульсных РЛС требуется достаточно долгое накопление данных и применение алгоритмов распознавания, требующих большой вычислительной мощности [5].
В свою очередь, ПБРЛС не имеют таких требований, предъявляемых к параметрам сигнала импульсных РЛС, так как ПБРЛС использует непрерывный сигнал для подсвета объектов. Возможности обнаружения и распознавания вертолетов с помощью ПБРЛС, использующих сигналы 76
стандартов GPS, DVB-T и FM в качестве сигналов подсвета, активно исследуются в последние годы [9]-[11]. В ПБРЛС для распознавания вертолетов используются такие же признаки, как и в активных РЛС. Для успешного и достоверного распознавания необходима информация о параметрах вращения несущего и рулевого винтов. Однако модуляционные составляющие эхосигнала вертолета, обусловленные рулевым винтом, слабо или вовсе не заметны при экспериментальных измерениях. Использование параметров только несущего винта затрудняет процесс распознавания.
Сложности, возникающие при распознавании винтомоторных ЛА в ПБРЛС, связаны главным образом с параметрами сигналов телекоммуникационных стандартов сторонних источников, применяемых в качестве радиолокационного подсвета. Использование цифровых сигналов наземного вещания предпочтительно относительно аналоговых, так как их полоса частот шире (а значит, лучше разрешение по дальности) и их свойства не зависят от передаваемого контента (что обеспечивает стабильность характеристик ПБРЛС). В России имеется хорошо развитая инфраструктура с большой зоной покрытия цифрового эфирного телевидения (ЦЭТВ) стандарта DVB-T2. Сигналы этого стандарта используются в качестве подсвета разработанной в СПбГЭТУ "ЛЭТИ" ПБРЛС, которая осуществляет обнаружение и сопровождение движущихся объектов, в том числе вертолетов и винтовых самолетов [4], [12].
Решение задачи распознавания винтомоторных ЛА расширит области применения ПБРЛС. Возможность распознавания слабо различимых винтомоторных ЛА сделает ПБРЛС эффективным инструментом обнаружения несанкционированных полетов и сигнализации о них. Это позволит, в частности, интегрировать ПБРЛС в системы управления воздушным движением гражданских и частных аэродромов с целью увеличения степени обеспечения безопасности полетов авиации.
Постановка задачи. Для распознания винтомоторных ЛА в ПБРЛС необходимо провести анализ структуры эхосигналов от вертолета и винто-
вого самолета, сформулировать их информативные признаки, разработать алгоритм обработки эхосиг-налов, отраженных от винтомоторных ЛА. Верификацию работоспособности алгоритма обработки необходимо провести на экспериментальных данных, полученных с помощью ПБРЛС, использующей сигналы ЦЭТВ БУБ-Т2 в качестве радиолокационного подсвета.
Структура отраженного сигнала. Сигнал, отраженный от винтомоторных ЛА, уникален с точки зрения радиолокационного распознавания из-за особенностей вторичного излучения, обусловленных отражениями от фюзеляжа, лопастей, втулки и винта (винтов - несущего и рулевого -для вертолета). Наиболее полезен для распознавания сигнал, отраженный от вращающихся лопастей винтов, так как он имеет в частотной области квазисимметричные модуляционные составляющие вокруг линии фюзеляжа. Такая многокомпонентная структура сигнала, называемая микро-Доплером или микродоплеровской сигнатурой, - характеристика движения, содержащая закон модуляции доплеровской частоты эхосиг-нала [13]. Микродоплеровская сигнатура представляется в виде распределения в частотной и временной областях. Типовая структура амплитудного спектра сигнала А (/), отраженного от винтомоторных
объектов, представлена на рис. 1, а. Наиболее мощная составляющая соответствует отражению от фюзеляжа, в то время как квазисимметричные составляющие вокруг линии фюзеляжа обусловлены вра-
Ак
Фюзеляж
\
Рулевой ^ винт
Втулка
7
Несущий винт
Н-Ц—-I /
/
А
Несущий винт
б
Рис. 1
щением лопастей и втулок винта. Приближающийся конец лопасти винта соответствует составляющей с наибольшей доплеровской частотой, а компонента с наименьшей частотой Доплера вызвана отдаляющейся лопастью винта.
Эхосигнал во временной области состоит из периодичных модуляционных составляющих (характерных пиков), вызванных вращающимися лопастями винтов в моменты времени, когда лопасть перпендикулярна направлению облучения. В качестве примера на рис. 1, б во временной области показана структура сигнала А (?), отраженного от вертолета. Характерные пики с большим периодом повторения соответствуют отражениям от лопастей несущего винта, а с меньшим периодом - отражениям от лопастей рулевого винта вертолета. В свою очередь, эхосигнал самолета с одним винтом во временной области содержит один набор периодических составляющих с одинаковым периодом. Эти признаки могут быть использованы в качестве информативных для распознавания винтомоторных ЛА. Период повторения модуляционных составляющих Тм
имеет строгую зависимость от фактических параметров винта ЛА, а именно частоты вращения / (или периода вращения Тв ) и количества лопастей Мл : Тм
= 1/(/вN) = Тв /мл . Таким образом, это соотношение определяет взаимосвязь выбранных для распознавания признаков эхосиг-нала и фактических параметров винтов двигательной установки. В качестве примера приведем расчет ожидаемого периода повторения модуляционных составляющих для несущего винта вертолета Ми-8, который состоит из Жл = 5 лопастей и вращается с частотой / = 192 об/мин = 3.2 Гц. Период повторения модуляционных составляющих эхосигнала от несущего винта должен составлять Тм = 1/ (3.2- 5) = 62.5 мс.
Алгоритм обработки. На рис. 2 представлена структурная схема разработанного алгоритма обработки эхосигналов винтомоторных ЛА в ПБРЛС для решения задачи распознавания. Алгоритм позволяет оценить параметры вращения винтов двигательной установки ЛА, определить класс и в некоторых случаях тип ЛА, т. е. осуществить распознавание. Входными данными для алгоритма служат отсчеты двумерной взаимной функции неопределенности (ВФН) й )|, кото -
рая при практической реализации в ПБРЛС вычисляется согласно выражениям [14]
а
Входные данные (ВФН)
Рис. 2
И', d )| =
M -1
m=0
- j2%dm (l) е M
(1)
N-1
rm (l) = X s (mN + и) 5ref (mN + и -1), (2)
n=0
где l - дискретизированная задержка; d - дискре-тизированный частотный (доплеровский) сдвиг; M - количество сегментов, на которые разбивает-
ся сигнал при обработке; т = 0,М -1 - номер сегмента; N - количество отсчетов принятого
сигнала в обрабатываемом сегменте; n = 0, N -1 -номер отсчета внутри сегмента; 5 - принятый
r
сигнал; sref - комплексно сопряженный опорный
сигнал ("r" - символ комплексного сопряжения).
При вычислении ВФН в качестве опорного сигнала 5ref используется восстановленная эталонная копия сигнала передатчика, свободная от шумов и искажений. Также принятый сигнал 5 предварительно проходит через этап адаптивной фильтрации, предназначенный для подавления в канале наблюдения прямого сигнала и его мощных копий, возникающих из-за отражения от местных предметов и многопутного распространения. Подробное описание всех этапов обработки сигналов в ПБРЛС представлено в [4].
Также на вход алгоритма от обнаружителя целей поступает матрица X той же размерности, что и массив ВФН, которая содержит единицы в тех ячейках, где обнаружены цели. Для обнаружения целей в ПБРЛС используется двумерный адаптивный алгоритм с усреднением ячеек из семейства методов с постоянным уровнем ложной тревоги (Cell-Averaging CFAR, CA-CFAR) [4], [15]:
X =
a11 a12 ••• a1 j a21 a22 ••• a2 j
ai1
ai 2
4
где 1 е 1,2 Б +1 - номер строки (Б - максимальный частотный сдвиг, число строк соответсвует числу элементов частотных сдвигов 2Б +1);
7 е 1, Ь - номер столбца (число столбцов соответствует числу элементов задержки Ь).
На первом шаге алгоритма на всех элементах по задержке в матрице X обнаруженных целей осуществляется поиск элемента задержки /^, в котором присутствует микродоплеровская сигнатура (цБ - от англ. ш1сго-Эорр1ег), обусловленная вращающимися частями ЛА. В качестве критерия принятия решения об обнаружении микродоплеровской сигнатуры на исследуемой задержке используется параметр с (количество обнаружений на одном элементе задержки), который задается в зависимости от помеховой обстановки. Если число обнаружений (количество единиц в матрице Х) на одном из элементов задержки превышает значение параметра с, то для дальнейшей обработки выделяется сечение ВФН на этой задержке:
l|iD = j
2 D+1
X
i=1
aij > с,
где | - символ условия.
Для каждого сечения ВФН, т. е. для каждого значения задержки /, выражение (1) представляет собой дискретное преобразование Фурье вектора [го (/), г (/),..., М-1 (/)] и вычисляется с помощью быстрого преобразования Фурье (БПФ) [14]. Результатом БПФ свертки сигналов (2) служит их взаимный спектр [16]. Таким образом, се-
чение ВФН представляет собой вектор значений W = ^((ь ^) взаимного спектра принятого и
опорного сигналов. Применяя на следующем шаге алгоритма обратное БПФ (ОБПФ) к сечению ВФН, получим вектор взаимной корреляции Ь принятого и опорного сигналов длиной 2Б +1 на выделенной задержке /^ь :
Ь = ^ №],
где ^1 - ОБПФ.
Полученный вектор значений взаимной корреляции может служить оценкой эхосигнала от винтомоторного ЛА и может быть использован для обнаружения модуляционных составляющих и оценки их периодичности. Обнаружение модуляционных составляющих, обусловленных вращением лопастей, осуществляется с помощью одномерного алгоритма адаптивного обнаружения с усреднением ячеек СЛ-СЕАЯ, выходом которого является вектор Ь', содержащий номера элементов вектора Ь, в которых произошло обнаружение модуляционных составляющих.
На следующем шаге проводится оценка периодов повторения модуляционных составляющих. Формируется вектор моментов времени
г
г = Д/ (2Б +1)'
где г £ 1,2Б +1 - номер элемента частотного сдвига; Д/ - шаг по частоте при вычислении ВФН.
Из вектора 1 выбираются элементы, соответствующие значениям вектора Ь', и формируется вектор моментов времени появления модуляционных составляющих р. Далее решается задача разделения обнаруженных модуляционных составляющих на группы периодичностей по критерию кратности в пределах заданной доверительной погрешности по следующей системе гипотез:
Н0:шос1[р (к) ,р (к ')]>Д?;
Н1 :шоф (к) ,р (к 0]<Д?,
где гипотеза Н0 - исследуемые модуляционные составляющие не периодичны; Н1 - модуляционные составляющие периодичны с периодом Т; к, к' - номера исследуемых элементов вектора р; Д - доверительная погрешность.
Если периоды повторения всех модуляционных составляющих одинаковы, то принимается решение об обнаружении объекта с одним винтом (пропеллером) или двумя винтами с одинаковым периодом вращения. Такой объект может быть классифицирован как "винтовой самолет" или "одновинтовой вертолет". Если наблюдаются две группы модуляционных составляющих с различным периодом повторения, то принимается решение об обнаружении объекта класса "вертолет". В этом случае модуляционные составляющие с большим периодом повторения обусловлены отражениями от лопастей несущего винта, с меньшим периодом - отражениями от лопастей рулевого винта вертолета. Полученные оценки периодов повторения модуляционных составляющих могут быть использованы для дальнейшей идентификации типа ЛА с помощью сравнения этих значений с подготовленной базой данных.
Экспериментальные исследования. Экспериментальные исследования проводились с помощью ПБРЛС, разработанной в Санкт-Петербургском государственном электротехническом университете "ЛЭТИ" [12]. Сигнал, отраженный от вертолета Ми-8, записан ПБРЛС, расположенной в городских условиях на крыше здания СПбГЭТУ "ЛЭТИ". Сигнал первого мультиплекса Ленинградского радиотелевизионного передающего центра (ЛРТПЦ) на 35-м канале стандарта ЬУБ-Т2 (586 МГц) используется для радиолокационного подсвета. Расстояние между приемной позицией и передатчиком ЬУБ-Т2 составляет 600 м, высота размещения передатчика - около 300 м. Вертолет находился в секторе наблюдения ПБРЛС на расстоянии 2.5-3 км от приемной позиции. Взаимная функция неопределенности в координатах "задержка (т^) - частота Доплера
(/Ь) ", рассчитанная в процессе обработки записанных сигналов, показана на рис. 3.
Ж.дБ 60 40 20
400 200
0
- 200 - 400
ЫЛ1
Сигнатура вертолета
/в,Гц 0 10 20 Рис. 3
n (V3 )\ 0.8
0.6
0.4
0.2
Рулевой винт
..Л...
Фюзеляж
Втулка
7'
Т
600
200
/в, Гц
- 200 Рис. 4
Сигнатура вертолета хорошо заметна и может быть извлечена из ВФН. На микродоплеровской сигнатуре вертолета можно различить составляющую сигнала, отраженного от фюзеляжа, и расширение доплеровского спектра, вызванное вращением лопастей несущего и рулевого винтов (рис. 4).
На рис. 5 представлен эхосигнал вертолета во временной области после преобразования микродоплеровской сигнатуры с помощью ОБПФ. Модуляционные составляющие с большим периодом повторения (62.44 мс) обусловлены отражениями от лопастей несущего винта (треугольные маркеры), с меньшим периодом (17.48 мс) - отражениями от лопастей рулевого винта вертолета (квадратные маркеры). Полученные оценки периодов повторения могут применяться для классификации вертолета при сравнении с типовыми параметрами вертолетов из базы данных. Извлеченные значения находятся в соответствии с теоретическими периодами повторения модуляционных составляющих для вертолета Ми-8, которые составляют 62.5 мс для отражений от лопастей несущего винта и 17.5 мс - рулевого винта.
Эхосигнал винтового самолета Cessna 172 записан экспериментальной ПБРЛС, расположенной на расстоянии 49.2 км от передатчика. Сигнал второго мультиплекса ЛРТПЦ на 45-м канале стандарта DVB-T2 (666 МГц) используется для радиолокационного подсвета. Самолет Cessna 172 находился в секторе наблюдения ПБРЛС на высоте 300 м на расстоянии около 3.5 км от приемной позиции.
b 0.8 0.6 0.4 0.2
0
50 100
Рис. 5
t, мс
М, дБ 20 0
- 20 600 400 200
0
- 200 - 400 /в, Гц
Рис. 6
n (V ) 0.8
0.6
0.4
0.2
0
- 600
Фюзеляж Винт
Li 1 У и - iJaJwuLJ«^
- 200 200 /D, Гц
Рис. 7
Рассчитанная ВФН с микродоплеровской сигнатурой винтового самолета показана на рис. 6. Значения ВФН вокруг нулевой доплеровской частоты были нормированы для лучшей визуализации сигнатуры, обусловленной вращением лопастей винта самолета.
Извлеченная микродоплеровская сигнатура самолета Cessna 172 показана на рис. 7. Она состоит из мощного отражения от фюзеляжа и более слабых составляющих вокруг линии фюзеляжа, соответствующих отражению сигнала подсвета от вращающихся лопастей винта самолета.
На рис. 8 во временной области представлен эхо -сигнал от Cessna 172, полученный после применения ОБПФ к микродоплеровской сигнатуре. Обнаружена только одна группа периодичных составляющих с одинаковым периодом повторения (квадратные маркеры). Извлеченное значение периода повторения
b 0.8 0.6 0.4 0.2
0
50 100
Рис. 8
t, мс
пиков составляет 13.3 мс, что строго соответствует реальному значению периода вращения трехлопастного винта самолета Cessna 172, находящегося в крейсерском режиме полета (/в =1500 об/мин).
Заключение. Предложенный алгоритм обработки эхосигналов может быть использован для практической реализации распознавания винтомоторных ЛА в ПБРЛС, использующей сторонние передатчики сигналов для радиолокационного подсвета. Результаты экспериментальных ис-
следований продемонстрировали работоспособность алгоритма. Однако для оценки эффективности и вероятностных характеристик, а также для отладки предложенного алгоритма обработки эхосиг-налов, отраженных от ЛА с разной конфигурацией винтов двигательной установки при разных биста-тических углах и ракурсах ЛА, необходимо большое число дополнительных натурных или модельных экспериментальных исследований.
СПИСОК ЛИТЕРАТУРЫ
1. Malanowski M., Kulpa K., Misiurewicz J. PaRaDe -PAssive RAdar DEmonstrator family development at Warsaw University of Technology // Microwaves, Radar and Remote Sensing Symposium, 22-24 Sept. 2008, Kiev, Ukraine. Piscataway: IEEE, 2008, P. 75-78.
2. Passive radar components of ARGUS 3D / H. Kuschel, M. Ummenhofer, P. Lombardo, F. Colone, C. Bongioanni // IEEE Aerospace and Electronic Systems Magazine. 2014. Vol. 29, № 3. P. 15-25.
3. AULOS: finmeccanica family of passive sensors / A. Di Lallo, A. Farina, R. Fulcoli, S. Immediata, M. Sedehi, E. Tilli, L. Timmoneri // IEEE Aerospace and Electronic Systems Magazine. 2016. Vol. 31, № 11. P. 24-29.
4. Пассивная когерентная радиолокация / А. В. Бархатов, В. И. Веремьев, Е. Н. Воробьев, А. А. Коновалов, Д. А. Ковалев, В. М. Кутузов, В. Н. Михайлов. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2016. 163 с.
5. Radar detection of helicopters with application of CLEAN method / J. Misiurewicz, K. S. Kulpa, Z. Czekala, T. A. Filipek // IEEE Transactions on Aerospace and Electronic Systems. 2012. Vol. 48, № 4. P. 3525-3537.
6. Bullard B., Dowdy P. Pulse doppler signature of a rotary-wing aircraft // IEEE Aerospace and Electronic Systems Magazine. 1991. Vol. 6, № 5. P. 28-30.
7. Tikkinen J., Helander E., Visa A. Joint utilization of incoherently and coherently integrated radar signal in helicopter categorization // IEEE Intern. Radar Conf., 9-12 May 2005, Arlington, VA, USA. Piscataway: IEEE, 2005. P. 540-545.
8. Misiurewicz J., Kulpa K., Czekala Z. Аnalysis of recorded helicopter echo. Radar 97 (Conf. Publ. No. 449), 14-16 Oct. 1997, Edinburgh, UK. London: IET, 1997, P. 449-453.
Статья поступила в редакцию 17 сентября 2018 г.
9. Clemente C., Soraghan J. J. Passive bistatic radar for helicopters classification: A Feasibility Study. IEEE Radar Conf., 7-11 May 2012, Atlanta, GA, USA. Piscataway: IEEE, 2012, P. 0946-0949.
10. Analysis of recorded helicopter echo in a passive bistatic radar / M. Baczyk, J. Misiurewicz, D. Gromek, K. Kulpa // European Radar Conf. (EuRAD), 9-11 Oct. 2013, Nuremberg, Germany. Piscataway: IEEE, 2013. P. 243-246.
11. Helicopter detection capability of passive coherent location (PCL) radar / J. Tikkinen, K. Hiltunen, K. Martikainen, M. Isohookana // 9th European Radar Conf., 31 Oct. - 2 Nov. 2012, Amsterdam, Netherlands. Piscataway: IEEE, 2012. P. 138-141.
12. DVB-T2 passive radar developed at Saint Petersburg Electrotechnical University / E. Vorobev, A. Barkhatov, V. Veremyev, V. Kutuzov // 22nd International Microwave and Radar Conference (MIKON), 14-17 May 2018, Poznan, Poland. Piscataway: IEEE, 2018, pp. 204-207.
13. Евдокимова Е. О. Модель сигнала для оценки параметров подвижных объектов на основе анализа доплеровского спектра // Изв. ЮФУ. Технические науки. 2013. Т. 142, № 5. С. 122-128.
14. Бархатов А. В., Козлов А. С. Быстрое вычисление частотно-временной функции в радиолокационной станции на графических процессорах // Изв. вузов России. Радиоэлектроника. 2015. № 5. С. 42-47.
15. Kang E. W. Radar system analysis, design, and simulation. Boston: Artech House, 2008. P. 392
16. Сергиенко А. Б. Цифровая обработка сигналов: учеб. пособие. 3-е изд. СПб.: БХВ-Петербург, 2011. 768 с.
Воробьев Евгений Николаевич - магистр по программе двойного диплома по направлениям "Инфоком-муникационные технологии и системы связи" и "Communications and Signal Processing" (2014), аспирант кафедры микрорадиоэлектроники и технологии радиоаппаратуры Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина), инженер 2-й категории НИИ "Прогноз". Автор более 30 научных работ. Сфера научных интересов - радиолокационное распознавание; цифровая обработка сигналов; пассивная когерентная радиолокация. E-mail: [email protected]
Веремьев Владимир Иванович - кандидат технических наук (2000), директор НИИ "Прогноз". Автор более 100 научных работ. Сфера научных интересов - комплексный экологический мониторинг; комплексные вопросы построения радиолокационных систем; многодиапазонные многопозиционные радиолокационные комплексы для мониторинга воздушного пространства и морской поверхности. E-mail: [email protected]
Холодняк Дмитрий Викторович - доктор технических наук (2016), профессор кафедры микрорадиоэлектроники и технологии радиоаппаратуры Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина). Автор более 200 научных работ. Сфера основных научных интересов - применение метаматериалов, высокотемпературных сверхпроводников, технологии LTCC и нефостеровских элементов для создания передовых СВЧ-устройств с улучшенными характеристиками и расширенными функциональными возможностями. E-mail: [email protected]
REFERENCES
1. Malanowski M., Kulpa K., Misiurewicz J. PaRaDe -PAssive RAdar DEmonstrator Family Development at Warsaw University of Technology. Microwaves, Radar and Remote Sensing Symposium, 22-24 Sept. 2008, Kiev, Ukraine. Piscataway: IEEE, 2008, pp. 75-78.
2. Kuschel H., Ummenhofer M., Lombardo P., Colo-ne F., Bongioanni C. Passive Radar Components of ARGUS 3D. IEEE Aerospace and Electronic Systems Magazine. 2014, vol. 29, no. 3, pp. 15-25.
3. Di Lallo A., Farina A., Fulcoli R., Immediata S., Sedehi M., Tilli E., Timmoneri L. AULOS: Finmeccanica Family of Passive Sensors. IEEE Aerospace and Electronic Systems Magazine. 2016. Vol. 31, no. 11, pp. 24-29.
4. Barkhatov A. V., Veremyev V. I., Vorobev E. N., Konovalov A. A., Kovalev D. A., Kutuzov V. M, Mikhailov V. N. Passivnaya kogerentnaya radiolokaciya [Passive Coherent Radar]. Saint-Petersburg, SPbGETU "LETI", 2016, 163 p. (In Russian).
5. Misiurewicz J., Kulpa K. S., Czekala Z., Filipek T. A. Radar Detection of Helicopters with Application of CLEAN Method. IEEE Transactions on Aerospace and Electronic Systems. 2012, vol. 48, no. 4, pp. 3525-3537.
6. Bullard B., Dowdy P. Pulse Doppler Signature of a Rotary-Wing Aircraft. IEEE Aerospace and Electronic Systems Magazine. 1991, vol. 6, no. 5, pp. 28-30.
7. Tikkinen J., Helander E., Visa A. Joint Utilization of Incoherently and Coherently Integrated Radar Signal in Helicopter Categorization. IEEE International Radar Conference, 9-12 May 2005, Arlington, VA, USA. Piscataway: IEEE, 2005, pp. 540-545.
8. Misiurewicz J., Kulpa K., Czekala Z. Analysis of Recorded Helicopter Echo. Radar 97 (Conf. Publ. No. 449), 14-16 Oct. 1997, Edinburgh, UK. London: IET, 1997, pp. 449-453. Received September, 17, 2018
9. Clemente C., Soraghan J. J. Passive Bistatic Radar for Helicopters Classification: A Feasibility Study. IEEE Radar Conference, 7-11 May 2012, Atlanta, GA, USA. Piscataway: IEEE, 2012, pp. 0946-0949.
10. Baczyk M., Misiurewicz J., Gromek D., Kulpa K. Analysis of Recorded Helicopter Echo in a Passive Bistatic Radar. European Radar Conference (EuRAD), 9-11 Oct. 2013, Nuremberg, Germany. Piscataway: IEEE, 2013, pp. 243-246.
11. Tikkinen J., Hiltunen K., Martikainen K., Isohookana M. Helicopter Detection Capability of Passive Coherent Location (PCL) Radar. 9th European Radar Conference, 31 Oct. - 2 Nov. 2012, Amsterdam, Netherlands. Piscataway: IEEE, 2012, pp. 138-141.
12. Vorobev E., Barkhatov A., Veremyev V., Kutuzov V. DVB-T2 passive radar developed at Saint Petersburg Electrotechnical University. 22nd International Microwave and Radar Conference (MIKON), 14-17 May 2018, Poznan, Poland. Piscataway: IEEE, 2018, pp. 204-207.
13. Evdokimova E. O. Signal Model for Moving Object Parameters Estimation Based on Doppler Spectrum Analysis. Izvestiya YuFU. Tekhnicheskie Nauki [Journal of SFedU. Engineering Sciences]. 2013, no. 5 (142), pp. 122-128. (In Russian)
14. Barkhatov A. V., Kozlov A. S. Radar Amplitude-Range-Doppler Surface Fast Calculation on Graphics Processing Units. Journal of the Russian Universities. Radioelectronics. 2015, no. 5, pp. 42-47. (In Russian)
15. Kang E. W. Radar System Analysis, Design, and Simulation. Boston: Artech House, 2008, p. 392
16. Sergienko A. B. Tsifrovaya obrabotka signalov: uchebnoe posobie [Digital Signal Processing] 3rd ed. SPb., BKHV-Peterburg, 2011, 768 p. (in Russian).
Evgenii N. Vorobev - Dual Master's Degree in"Communication Technologies and Communication Systems" and "Communications and signal processing" (2014), Postgraduate student of the Department of Microelectronics and Radio Engineering of Saint Petersburg Electrotechnical University "LETI", engineer at the Research Institute "Prognoz". The author of more than 30 scientific publications. Area of expertise: radar recognition; digital signal processing; passive coherent location. E-mail: [email protected]
Vladimir V. Veremyev - Ph.D. in Engineering (2000), Director of the Research Institute "Prognoz". The author of more than 100 scientific publications. Area of expertise: complex ecological monitoring, complex questions of the radar systems design, multiband multistatic radars for air space and sea surface surveillance. E-mail: [email protected]
Dmitry V. Kholodnyak - D.Sc. in Engineering (2016), Professor at the Department of Microelectronics and Radio Engineering of Saint Petersburg Electrotechnical University "LETI". The author of over 200 technical papers. Area of expertise: applications of metamaterials, high-temperature superconductors, LTCC technology, and non-Foster circuits to design of advanced microwave devices with improved performance and enhanced functionality. E-mail: Dmitry .Kholodny ak@mwlab. spb. ru
DOI: 10.32603/1993-8985-2018-21-6-75-82 УДК 621.396.96
E. N. Vorobev, V. I. Veremyev, D. V. Kholodnyak
Saint Petersburg Electrotechnical University "LETI" 5, Professor Popov Str., 197376, St. Petersburg, Russia
RECOGNITION OF PROPELLER-DRIVEN AIRCRAFT IN PASSIVE BISTATIC RADAR1
Abstract. Nowadays passive bistatic radars (PBR) allow for detection, determination of coordinates and tracking of moving objects. In order to enable PBR integration into air traffic control systems, it is necessary to solve the problem of recognizing airborne objects, in particular, propeller-driven aircraft (AC). This will increase the degree of aviation safety. To solve the recognition problem, the analysis of propeller-driven aircraft echo signals, such as helicopter and propeller airplane, is performed. The informative features that can be used for recognition of propeller-driven aircraft in PBRs are defined. The method for propeller-driven aircraft recognition is proposed, that is based on extraction of modulation components originated from the rotational parts of the aircraft and estimation of their rotation parameters. The algorithm for echo signal processing is developed, which makes it possible to apply the proposed recognition method for PBRs.
The experimental results of the processing algorithm are presented on the example of real signals reflected from the Mi-8 helicopter and the Cessna 172 propeller aircraft. The experimental data are recorded by two different PBRs using DVB-T2 digital terrestrial television signals standard for airspace illumination. The estimated rotation parameters of the aircraft propeller blades correspond to the actual values. Such a correspondence allows not only to recognize the aircraft group, but in some cases to identify its type.
Key words: radar recognition, passive bistatic radar, time-frequency analysis
For citation: Vorobev E. N., Veremyev V. I., Kholodnyak D. V. Recognition of Propeller-Driven Aircraft in Passive Bistatic Radar. Journal of the Russian Universities. Radioelectronics. 2018, no. 6, pp. 83-90. doi:10.32603/1993-8985-2018-21-6-75-82 (In Russian)
Е. Н. Воробьев, В. И. Веремьев, Д. В. Холодняк
Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина) ул. Профессора Попова, д. 5, Санкт-Петербург, 197376, Россия
РАСПОЗНАВАНИЕ ВИНТОМОТОРНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В ПАССИВНОЙ БИСТАТИЧЕСКОЙ РЛС
Аннотация. Пассивные бистатические радиолокационные станции (ПБРЛС) в настоящее время позволяют осуществлять обнаружение, определение координат и сопровождение движущихся объектов. Для обеспечения возможности интеграции ПБРЛС в системы управления воздушным движением необходимо решить задачу распознавания воздушных объектов, в частности винтомоторных летательных аппаратов (ЛА). Это позволит увеличить степень обеспечения безопасности полетов авиации. Для решения этой задачи проведен анализ эхосигналов от винтомоторных ЛА - таких, как вертолет и винтовой самолет. Сформулированы информативные признаки, которые могут быть использованы при распознавании винтомоторных ЛА в ПБРЛС. Предложен метод распознавания винтомоторных ЛА, который основан на извлечении модуляционных составляющих эхосигнала, обусловленных вращающимися частями двигательной установки ЛА, и на оценке параметров их вращения. Разработан алгоритм обработки эхосигналов, позволяющий реализовать предложенный метод распознавания на практике в ПБРЛС. Представлены экспериментальные результаты работы алгоритма обработки на примере реальных сигналов, отраженных от вертолета Ми-8 и винтового самолета Cessna 172. Экспериментальные данные записаны двумя разными ПБРЛС, использующими сигналы цифрового эфирного телевидения стандарта DVB-T2 в качестве радиолокационного подсвета воздушного пространства. Оцененные параметры вращения лопастей винтов винтомоторных ЛА соответствуют фактическим значениям. Такое соответствие позволяет не только распознавать класс, но и в некоторых случаях идентифицировать тип ЛА.
1 In preparing the publication, the authors used the results of the project "Development of Multi Station Complex of Semi Active Radiolocation and Radio Monitoring of Radiating and Silent Objects" (Agreement of November 21, 2018. No. 075-11-2018-035) using government support measures in compliance with RF Government Regulation of April 9, 2010. No. 218.
© Воробьев Е. Н., Веремьев В. И., Холодняк Д. В., 2018
83
Ключевые слова: радиолокационное распознавание, пассивная бистатическая РЛС, частотно-временной анализ
Для цитирования: Воробьев Е. Н., Веремьев В. И., Холодняк Д. В. Распознавание винтомоторных летательных аппаратов в пассивной бистатической РЛС // Изв. вузов России. Радиоэлектроника. 2018. № 6. С. 83-90. СоП 10.32603/1993-8985-2018-21-6-75-82
Introduction. In recent decades, passive bistatic radars (PBRs) have been actively developed and have found wide range of applications [1]-[4]. The PBR special feature is the use of third-party transmitter signals as radar illumination. Nowadays PBRs are used mainly for detecting, position determining and tracking of moving objects. Moreover, they represent the most advanced tool for modern security systems, air traffic control and ship traffic control. However, the problem of airborne object recognition by means of PBR is still unsolved. Recognition should be understood to mean the solution of the problem of assigning detected object to a certain class, i.e., a group of aircraft (AC) similar in their design features. Of particular interest is the recognition of propeller-driven aircraft of such classes as helicopter and propeller aircraft, since they have similar informative features (radar cross-section, speed and altitude).This makes recognition of such AC more complicated.
Recognition of propeller-driven objects in conventional active radars is based on the reflected signal structural feature analysis [5]-[7]. The signal reflected from the objects of these classes has a complex structure, which consists of a powerful signal component reflected from the fuselage and weaker signal components caused by rotating blades and hubs of the propellers [8]. In pulse radars, recognition of propeller-driven aircraft requires quite a long accumulation time and applying of recognition algorithms requiring high computation power [5].
In their turn, PBRs do not have such requirements that are typically applied to pulse radar signal parameters as PBRs use continuous signal for object illumination. Capabilities for helicopter detection and recognition by means of PBRs using GPS, DVB-T and FM signals as illumination ones have been extensively studied over the last years [9]-[11]. For helicopter recognition, the same features are used both in PBRs and in active radars. For successful and actual recognition, the information on rotary parameters for the main and tail rotors is required. However, the modulation components of the helicopter echo signal caused by tail rotor are weak or not at all noticeable in experimental measurements. The use of the main rotor parameters alone complicates the recognition process.
Problems arising from recognition of propeller-driven AC in PBR are mainly related to the parameters of third-party transmitter signals used as a radar illumination. The use of digital signals of terrestrial broadcasting appears more preferable than analog ones, since their frequency band is wider (and therefore, the range resolution is better) and their characteristics do not depend on the transmitted content (which ensures the PBR characteristics stability). Russia has a well-developed infrastructure with a large coverage area of digital terrestrial television (DTTV) of DVB-T2 standard. Signals of this standard are used as illumination for PBR developed in Saint Petersburg Electrotechnical University "LETI" and providing detection and tracking of moving objects, including helicopters and propeller-driven air-crafts [4], [12].
Solution to a problem of propeller-driven AC recognition will expand the PBR application area. The ability to recognize weakly distinguishable propeller-driven AC will make PBRs an effective tool for detecting and signaling unauthorized flights. This will allow, in particular, the integration of PBRs into the air traffic control systems of civil airports and private airfields for the purpose of flight operation safety.
Research objective. To solve a problem of propeller-driven AC recognition in PBRs it is necessary to carry out the helicopter and propeller-driven AC echo signal structure analysis, to define their informative features, develop an algorithm for processing echo signals reflected from propeller-driven AC. The processing algorithm efficiency is to be verified on experimental data obtained by means of PBR using DVB-T2 DTTV signals as radar illumination.
Reflected signal structure. Signal reflected from propeller-driven AC is unique from the point of view of radar recognition due to specifics of the secondary radiation. It is caused by reflections from the fuselage, rotor blades (main and tail for a helicopter) and rotor head. The most useful for recognition is the signal reflected from the rotating rotor blades, as in the frequency domain there are quasi-symmetric modulation components around the fuselage line. Such a multi-component signal structure is called micro-Doppler or micro-Doppler signature, i.e. mo-
Fig. 1
tion characteristic containing the law of modulation of the Doppler frequency of an echo signal [13].
Micro-Doppler signature is represented as distribution in frequency and time domains. The typical structure of the amplitude spectrum for the signal A (f), reflected from propeller-driven objects is shown in Fig. 1, a. The most powerful component corresponds to the reflection from the fuselage, while the quasi-symmetrical components around the fuselage line are caused by the blades and rotor hubs rotation. The approaching tip of the rotor blade corresponds to the component with the highest Doppler frequency, whereas the component with the lowest Doppler frequency results from the receding tip of the rotor blade.
The echo signal in the time domain consists of periodic modulation components (characteristic peaks) caused by rotating blades at a time when the blade is perpendicular to the direction of illumination. As an example, Fig.1, b demonstrates A(t) signal structure reflected from helicopter in the time domain. Characteristic peaks with bigger repetition interval correspond to reflections from the main rotor blades, and with smaller repetition interval correspond to reflections from the tail rotor blades of the helicopter. In turn, the echo signal of an aircraft with one propeller in the time domain contains one set of periodic components with the same period. These features can be used as informative for recognition of propeller-driven AC. Repetition period of modulation components Tm strongly depends on the AC propeller
Input
(CAF)
Fig. 2
actual parameters, i.e. rotation frequency f (or rotation period Tr) and the number of blades N^ : Tm = 1/(fNb) = Tr/Nb. Thus, this ratio determines
the relationship of the echo signal features selected for recognition and the actual parameters of the propellers. As an example, we will provide calculation of the modulation components desired repetition period for the Mi-8 helicopter main rotor, which consists of N = 5 blades and rotates with the frequency of fr =192 r.p.m. or fr = 3.2 Hz. The repetition period of modulation components of the main rotor echo signal is to amount Tm =1/ (3.2-5)=62.5 msec.
Processing algorithm. Fig. 2 provides block diagram of the developed algorithm for propeller-driven AC echo signal processing for the purpose of their recognition. The algorithm allows estimating parameters of the AC propeller rotation, determining the class and in some cases the type of aircraft, i.e. performing recognition. The input data for the algorithm are the samples of the two-dimensional cross ambiguity function (CAF) |t(l, d)|, which, when implemented in PBRs, is calculated according to the expressions [14]
И, d )| =
M-1 - j 2%dm
X m (/) e M
m=0
(1)
N -1
rm (l) = X 5 (mN + n) 5ref (mN + n -1), (2) n=0
where l is sampled delay; d is sampled frequency (Doppler) shift; M is the number of segments into which the signal is decomposed when processed; m = 0,M -1 is the segment number; N is the number of samples of the received signal in the processed
segment; n = 0, N -1 is the sample number within
*
the segment; 5 is the received signal; 5ref is complex-conjugate reference signal ("*" is a symbol character for complex-conjugate).
When calculating the CAF, reconstructed reference copy of the transmitter signal, free of noise and distortion, is used as a reference signal 5ref. In addition, the received signal 5 first pass through adaptive filtering stage designed to suppress the direct signal and its powerful copies in the channel, arising due to reflection from local objects and multipath propagation. Detailed description of all the signal processing stages in PBRs is provided in [4].
Besides, the matrix X of the same dimension as the CAF array, which contains units in those cells where the targets are detected, arrives at the input of the algorithm from the target detector. To detect targets in PBRs, two-dimensional cell-averaging constant false alarm rate (Cell-Averaging CFAR, CA-CFAR) adaptive algorithm is used [4], [15]:
a11 a12 ... a1 j a21 a22 ••• a2 j
X -
ai1
ai 2
where i e 1, 2 D +1 is a number of the line (D is a maximum frequency shift, the number of lines corresponds to the number of frequency shift elements 2D +1);
j e 1, L is a number of column (the number of columns corresponds to the number of delay elements L).
At the first algorithm step, on all the elements for delay in the matrix X of detected targets, there performed a search for the delay element I^d , in which
there is a micro-Doppler signature (|D comes from the English micro-Doppler), caused by the AC rotating parts. As a criterion for making a decision on micro-Doppler signature detection in the delay under investigation, the parameter c (the number of detections in one delay element) is used, which is set in relation to interference environment. If the number of detections
(amount of units in X matrix) in one of the delay elements exceeds the parameter c value, for further processing the CAF cross sections is selected in this delay:
^D - J
2 D+1
X
i-1
aiJ >c,
where "|" is a symbol of condition.
For each CAF cross section, i.e. for each value of the delay l, the expression (1) represents the discrete Fourier transformation of the vector [ro (l), 1 (l), •••, M-1 (l)] and is calculated by means
of discrete fast Fourier transformation (DFFT) [14]. The result of DFFT of signal convolution (2) is their cross spectrum [16]. Thus, the CAF cross section is a vector of values W = ^((d ,d)of the received and
reference signal cross spectrum. Applying the inverse fast Fourier transformation (IFFT) to the CAF cross section at the next step of the algorithm, we obtain the received and reference signal cross correlation vector b with the length of 2D +1 in the selected delay I^d :
b = FDl [W],
where FDl is IFFT.
The obtained vector of cross correlation values can serve as an estimate of the propeller-driven AC echo signal and can be used to detect modulation components and estimate their periodicity. The detection of modulation components caused by blade rotation is performed using CA-CFAR one-dimensional adaptive detection algorithm the output of which is vector b',containing b vector element numbers in which the detection of modulation components occurred.
At the next step, the modulation component repetition periods are evaluated. Instant vector is formed
ti -
A/ (2D +1):
where i e 1,2D +1 is frequency shift element number; A/ is frequency step when calculating CAF.
Elements that correspond to the b' vector values are selected from the t vector and a vector of instants of modulation components p is formed. Next, we solve the problem of separating the detected modulation components into groups of periodicities with respect to repetition factor within the given confidence error according to the following system of hypotheses:
Ho :mod[p (k) ,p (k ')]>A?;
Hi :mod[p(k),p(k')]<At,
where H0 hypothesis specifies that the investigated modulation components are not periodic; Hi specifies that modulation components are periodic with the period of Tt k, k' are the p vector investigated element numbers; At is the confidence error.
If the repetition periods of all the modulation components are similar, then the decision is made to detect one-propeller or two-propeller object with the same rotation period. Such object can be classified as "propeller-driven airplane" or single-propeller "helicopter". If the two groups of modulation components with different repetition period are observed, then the decision is made to detect the "helicopter" class object. In this case, the modulation components with longer repetition period are caused by reflections from the main rotor blades, and the modulation components with shorter period are caused by reflections from the helicopter rotor blades. The obtained estimates of the modulation component repetition periods can be used to further identify the AC type by comparing these values with the developed database.
Experimental investigation. Experimental campaign was performed by means of PBR developed in the Saint Petersburg State Electrotechnical University "LETI" [12]. The signal reflected from the Mi-8 helicopter was recorded by PBR located in the city on the roof of the building of the St. Petersburg Electrotechnical University "LETI". The signal of the first multiplex of the Leningrad Radio and Television Transmitting Center (LRTTC) on the 35th channel of the DVB-T2 standard (586 MHz) is used for radar illumination. The distance between the receiver and the DVB-T2 transmitter is 600 m, and the transmitter is allocated at the height of about 300 m. The helicopter was in the PBR observation sector at the distance of 2.5...3 km from the receiver position. Cross-ambiguity function in the "delay (x^ )-
Doppler frequency (fD)" coordinates calculated during
the recorded signal processing, is shown in Fig. 3.
Fig. 4
The helicopter signature is clearly visible and can be extracted from the CAF. In the micro-Doppler signature of the helicopter, it is possible to distinguish the component of the signal reflected from the fuselage, and the Doppler spectrum expansion caused by the rotation of the main rotor and tail rotor blades (Fig. 4).
Fig. 5 shows the helicopter echo signal in time domain after Micro-Doppler signature conversion using IFFT. Modulation components with long repetition period of 62.44 msec are caused by reflections from the main rotor blades (triangular markers). The modulation components with shorter repetition period of 17.48 msec are caused by reflections from the helicopter tail rotor blades (square markers). The obtained estimates of repetition periods can be used for the helicopter classification by comparing with the typical parameters of the helicopters from the database. The derived values correlate with the theoretical repetition periods of the modulation components for the Mi-8 helicopter, which amount to 62.5 msec for reflections from the main rotor blades and 17.5 msec for the tail rotor blades.
The Cessna i72 airplane echo signal was recorded by experimental PBR located at the distance of 49.2 km from the transmitter. The signal of the second multiplex of the LRTTC on the 45th channel of the DVB-T2 standard (666 MHz) is used for radar illumination. The Cessna i72 airplane was located in the PBR observing sector at the height of 300 m at the distance of about 3.5 km from the receiver.
Fig. 5
M ,dB 20 0
0
- 200 - 400
/d-HZ VllT20 Fig. 6
№ « (t
« ^
0.8 0.6 0.4 0.2
0
- Fuselage
- ....... 1 . Propeller
-_LdiJL
200
/d,HZ
- 600 - 200
Fig. 7
The calculated CAF with micro Doppler signature of propeller-driven aircraft is given in Fig.6. The CAF values around the zero Doppler frequency were normalized for better visualization of the signature caused by the rotation of the airplane propeller blades.
The derived micro Doppler signature of the Cessna 172 airplane is provided in Fig. 7. It consists of the powerful reflection from the fuselage and the weaker components around the fuselage line, corre-
50 100
Fig. 8
t, msec
sponding to the illumination signal reflection from the aircraft rotating propeller blades.
In the time domain in Fig.8 the Cessna 172 echo signal is shown, received after IFFT was applied to the micro Doppler signature. Only one group of periodic components with the same repetition period (square markers) was found. The derived value of the peak repetition period makes 13.3 msec, which strictly corresponds to the real value of the Cessna 172 three-blade propeller rotation period in its cruising flight ( / =1500 r.p.m.).
Conclusion. The proposed echo processing algorithm can be used for recognition of propeller-driven AC in PBR using third-party transmitters for radar illumination. The experimental results have demonstrated the algorithm performance efficiency. However, to evaluate the efficiency and probabilistic characteristics, as well as to adjust the proposed algorithm for processing echo signals reflected from AC with different propeller configurations, at various bistatic angles and aspect angles of AC, a large number of additional field or simulation experimental investigations are required.
0
REFERENCES
1. Malanowski M., Kulpa K., Misiurewicz J. PaRaDe -PAssive RAdar DEmonstrator Family Development at Warsaw University of Technology. Microwaves, Radar and Remote Sensing Symposium, 22-24 Sept. 2008, Kiev, Ukraine. Piscataway, IEEE, 2008, pp. 75-78.
2. Kuschel H., Ummenhofer M., Lombardo P., Colone F., Bongioanni C. Passive Radar Components of ARGUS 3D. IEEE Aerospace and Electronic Systems Magazine. 2014, vol. 29, no. 3, pp. 15-25.
3. Di Lallo A., Farina A., Fulcoli R., Immediata S., Sedehi M., Tilli E., Timmoneri L. AULOS: Finmeccanica Family of Passive Sensors. IEEE Aerospace and Electronic Systems Magazine. 2016, vol. 31, no. 11, pp. 24-29.
4. Barkhatov A. V., Veremyev V. I., Vorobev E. N., Konovalov A. A., Kovalev D. A., Kutuzov V. M, Mikhailov V. N. Passivnaya kogerentnaya radiolokaciya [Passive Coherent Radar]. Saint Petersburg, Izd-vo SPbGETU "LETI", 2016, 163 p. (In Russian).
5. Misiurewicz J., Kulpa K. S., Czekala Z., Filipek T. A. Radar Detection of Helicopters with Application of 88
CLEAN Method. IEEE Transactions on Aerospace and Electronic Systems. 2012, vol. 48, no. 4, pp. 3525-3537.
6. Bullard B., Dowdy P. Pulse Doppler Signature of a Rotary-Wing Aircraft. IEEE Aerospace and Electronic Systems Magazine. 1991, vol. 6, no. 5, pp. 28-30.
7. Tikkinen J., Helander E., Visa A. Joint Utilization of Incoherently and Coherently Integrated Radar Signal in Helicopter Categorization. IEEE Intern. Radar Conference, 9-12 May 2005, Arlington, VA, USA. Piscataway, IEEE, 2005, pp. 540-545.
8. Misiurewicz J., Kulpa K., Czekala Z. Analysis of Recorded Helicopter Echo. Radar 97 (Conf. Publ. no. 449), 14-16 Oct. 1997, Edinburgh, UK. London, IET, 1997, pp. 449-453.
9. Clemente C., Soraghan J. J. Passive Bistatic Radar for Helicopters Classification: A Feasibility Study. IEEE Radar Conference, 7-11 May 2012, Atlanta, GA, USA. Piscataway, IEEE, 2012, pp. 0946-0949.
10. Baczyk M., Misiurewicz J., Gromek D., Kulpa K. Analysis of Recorded Helicopter Echo in a Passive Bistatic Radar.
European Radar Conference (EuRAD), 9-11 Oct. 2013, Nuremberg, Germany. Piscataway, IEEE, 2013, pp. 243-246.
11. Tikkinen J., Hiltunen K., Martikainen K., Isohookana M. Helicopter Detection Capability of Passive Coherent Location (PCL) Radar. 9th European Radar Conference, 31 Oct. - 2 Nov. 2012, Amsterdam, Netherlands. Piscataway, IEEE, 2012, pp. 138-141.
12. Vorobev E., Barkhatov A., Veremyev V., Kutuzov V. DVB-T2 passive radar developed at Saint Petersburg Electrotechnical University. 22nd International Microwave and Radar Conference (MIKON), 14-17 May 2018, Poznan, Poland. Piscataway, IEEE, 2018, pp. 204-207.
Received September, 17, 2018
13. Evdokimova E. O. Signal Model for Moving Object Parameters Estimation Based on Doppler Spectrum Analysis. Izvestiya YuFU. Tekhnicheskie Nauki [Journal of SFedU. Engineering Sciences]. 2013, no. 5 (142), pp. 122-128. (In Russian)
14. Barkhatov A. V., Kozlov A. S. Radar Amplitude-Range-Doppler Surface Fast Calculation on Graphics Processing Units. Journal of the Russian Universities. Radioelectronics. 2015, no. 5, pp. 42-47. (In Russian)
15. Kang E. W. Radar System Analysis, Design, and Simulation. Boston, Artech House, 2008, 392 p.
16. Sergienko A. B. Tsifrovaya obrabotka signalov: uchebnoe posobie [Digital Signal Processing] 3rd ed. SPb., BKHV-Peterburg, 2011, 768 p. (in Russian)
Evgenii N. Vorobev - Dual Master's Degree in "Communication Technologies and Communication Systems" and "Communications and signal processing" (2014), Postgraduate student of the Department of Microelectronics and Radio Engineering of Saint Petersburg Electrotechnical University "LETI", engineer at "Prognoz" Research Institute. The author of more than 30 scientific publications. Area of expertise: radar recognition; digital signal processing; passive coherent location. E-mail: [email protected]
Vladimir V. Veremyev - Ph.D. in Engineering (2000), Director of the Research Institute of Radioelectronic Systems for Emergency Forecasting "Prognoz". The author of more than 100 scientific publications. Area of expertise: complex ecological monitoring, complex questions of the radar systems design, multiband multistatic radars for air space and sea surface surveillance. E-mail: [email protected]
Dmitry V. Kholodnyak - D.Sc. in Engineering (2016), Professor of the Department of Microelectronics and Radio Engineering of Saint Petersburg Electrotechnical University "LETI". The author of over 200 scientific publications. Area of expertise: applications of metamaterials, high-temperature superconductors, LTCC technology, and non-Foster circuits for the development of advanced microwave devices with improved performance and enhanced functionality. E-mail: [email protected]
СПИСОКJ
1. Malanowski M., Kulpa K., Misiurewicz J. PaRaDe -PAssive RAdar DEmonstrator family development at Warsaw University of Technology // Microwaves, Radar and Remote Sensing Symp., 22-24 Sept. 2008, Kiev, Ukraine. Piscataway: IEEE, 2008. P. 75-78.
2. Passive radar components of ARGUS 3D / H. Kuschel, M. Ummenhofer, P. Lombardo, F. Colone, C. Bongioanni // IEEE Aerospace and Electronic Systems Magazine. 2014. Vol. 29, № 3. P. 15-25.
3. AULOS: Finmeccanica family of passive sensors / A. Di Lallo, A. Farina, R. Fulcoli, S. Immediata, M. Sedehi, E. Tilli, L. Timmoneri // IEEE Aerospace and Electronic Systems Magazine. 2016. Vol. 31, № 11. P. 24-29.
4. Пассивная когерентная радиолокация / А. В. Бархатов, В. И. Веремьев, Е. Н. Воробьев, А. А. Коновалов, Д. А. Ковалев, В. М. Кутузов, В. Н. Михайлов. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2016. 163 с.
5. Radar detection of helicopters with application of CLEAN method / J. Misiurewicz, K. S. Kulpa, Z. Czekala, T. A. Filipek // IEEE Transactions on Aerospace and Electronic Systems. 2012. Vol. 48, № 4. P. 3525-3537.
6. Bullard B., Dowdy P. pulse doppler signature of a rotary-wing aircraft // IEEE Aerospace and Electronic Systems Magazine. 1991. Vol. 6, № 5. P. 28-30.
7. Tikkinen J., Helander E., Visa A. Joint utilization of incoherently and coherently integrated radar signal in helicopter categorization // IEEE Intern. Radar Conf., 9-12 May 2005, Arlington, VA, USA. Piscataway: IEEE, 2005. P. 540-545.
8. Misiurewicz J., Kulpa K., Czekala Z. Analysis of recorded helicopter echo. Radar 97 (Conf. Publ. № 449), 14-16 Oct. 1997, Edinburgh, UK. London: IET, 1997. P. 449-453.
9. Clemente C., Soraghan J. J. Passive bistatic radar for helicopters classification: A feasibility study // IEEE Radar Conf., 7-11 May 2012, Atlanta, GA, USA. Piscataway: IEEE, 2012. P. 0946-0949.
10. Analysis of recorded helicopter echo in a passive bistatic radar / M. Baczyk, J. Misiurewicz, D. Gromek, K. Kulpa // European Radar Conf. (EuRAD), 9-11 Oct. 2013, Nuremberg, Germany. Piscataway: IEEE, 2013. P. 243-246.
11. Helicopter detection capability of passive coherent location (PCL) radar / J. Tikkinen, K. Hiltunen, K. Martikainen, M. Isohookana // 9th European Radar Conf., 31 Oct. - 2 Nov. 2012, Amsterdam, Netherlands. Piscataway: IEEE, 2012. P. 138-141.
12. DVB-T2 passive radar developed at Saint Petersburg Electrotechnical University / E. Vorobev, A. Barkhatov, V. Veremyev, V. Kutuzov // 22nd Intern.
Microwave and Radar Conf. (MIKON), 14-17 May 2018, ной станции на графических процессорах // Изв.
Poznan, Poland. Piscataway: IEEE, 2018. P. 204-207. вузов России. Радиоэлектроника. 2015. № 5. С. 42-47.
13. Евдокимова Е. О. Модель сигнала для оценки 15. Kang E. W. Radar System Analysis, Design, and параметров подвижных объектов на основе анализа Simulation. Boston: Artech House, 2008. 392 p. доплеровского спектра // Изв. ЮФУ. Технические 16. Сергиенко А. Б. Цифровая обработка сигна-науки. 2013. Т. 142, № 5. С. 122-128. лов: учеб. пособие. 3-е изд. СПб.: БХВ-Петербург,
14. Бархатов А. В., Козлов А. С. Быстрое вычисле- 2011. 768 с. ние частотно-временной функции в радиолокацион-
Статья поступила в редакцию 17 сентября 2018 г.
Воробьев Евгений Николаевич - магистр по программе двойного диплома по направлениям "Инфоком-муникационные технологии и системы связи" и "Communications and Signal Processing" (2014), аспирант кафедры микрорадиоэлектроники и технологии радиоаппаратуры Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина), инженер 2-й категории НИИ "Прогноз". Автор более 30 научных работ. Сфера научных интересов - радиолокационное распознавание; цифровая обработка сигналов; пассивная когерентная радиолокация. E-mail: [email protected]
Веремьев Владимир Иванович - кандидат технических наук (2000), директор НИИ "Прогноз". Автор более 100 научных работ. Сфера научных интересов - комплексный экологический мониторинг; комплексные вопросы построения радиолокационных систем; многодиапазонные многопозиционные радиолокационные комплексы для мониторинга воздушного пространства и морской поверхности. E-mail: [email protected]
Холодняк Дмитрий Викторович - доктор технических наук (2016), профессор кафедры микрорадиоэлектроники и технологии радиоаппаратуры Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" им. В. И. Ульянова (Ленина). Автор более 200 научных работ. Сфера научных интересов - применение метаматериалов, высокотемпературных сверхпроводников, технологии LTCC и нефосте-ровских элементов для создания передовых СВЧ-устройств с улучшенными характеристиками и расширенными функциональными возможностями. E-mail: Dmitry.Kholodnyak@mwlab. spb. ru
