Ampirik mod ayrışımı ile bilişsel radar bayes hedef takipçisine işlerlik kazandırılması

Abstract

Bilişsel radar alıcısının merkez ünitesi niteliğindeki Bayes Hedef Takipçisine (BHT) işlerlik kazandıran Ampirik Mod Ayrışımı (AMA) tekniğine dayalı bir metot sunulmuştur. Tüm Bayes temelli metotlarda olduğu gibi Bayes hedef takipçisinin performansı da ortam hakkında isabetli ön bilginin varlığına önemli ölçüde bağımlıdır. Bu nedenle, BHT’nin gereksinim duyduğu ön bilgiyi sağlamak üzere tasarlanan Radar Ortam Çözümcüsü (ROÇ), bilişsel radar için kritik bir öneme sahiptir. Bu çalışmada sunulan metot, AMA tekniğinin fraktal süreçler için gösterdiği istatistiksel özelliklere dayalı olup, genel ROÇ tasarımını tamamlar niteliktedir. Özel olarak, ham radar verisi, öncelikle AMA yöntemiyle içkin Mod Fonksiyonlarına (IMF) ayrılmıştır. Faz uyumlu bir radarla alınan ve fraktal Gauss niteli˘gine sahip deniz yankısının IMF enerji istatistiklerine dayalı bir “Sıfır Hipotezi” türetilmiştir. Ham radar verisi, bu hipotezin kabul veya reddine bağlı olarak gruplanan IMF’lerin kısmi bir bindirmesi olarak rafine edilmiştir. Böylelikle hedef içeren duruma yönelik olabilirlik fonksiyonu, yalnızca deniz yankısı içeren olabilirlik fonksiyonundan istatistiksel ölçülerle çok daha ayırt edilebilir bir hale getirilmiştir. Sonuç olarak, ortamdan alınan ölçümler BHT’nin kullanımına uygun bir forma dönüştürülmüştür. Metodun performansı, canlı kaydedilmiş McMaster IPIX veri tabanı kullanılarak görsel olarak sergilenmiş ve Kullback–Leibler uzaklığıyla nicelenmiştir.

A method based on the Empirical Mode Decomposition (EMD) is addressed for the facilitation of Bayesian Target Tracker (BTT), the central unit for a Cognitive Radar receiver. As in all Bayesian methods, the BTT heavily relies on the availability of accurate a priori information on the operating conditions. To this end, a Radar Scene Analyzer (RSA) is a crucial part of a Cognitive Radar in that it provides the a priori knowledge the BTT requires. Herein, a complementary RSA structure is developed building on the statistical properties of the EMD on fractal Gaussian processes. In particular, EMD is applied to the measured radar data, yielding the Intrinsic Mode Functions (IMF). At absence of a target, coherent sea clutter data exhibit fractal Gaussian character, which manifests itself in the second order statistical properties of IMFs. This is exploited to form a "Null Hypothesis", which is used for grouping the IMFs into two subsets on the basis of an accept/reject procedure. Hence the refinements of the raw radar returns are constructed from the superpositions of accepted or rejected IMFs. Effectively, the likelihood function for the target+clutter case can be remarkably distinguished in statistical terms from that for the clutter-Alone case, so as to facilitate the Bayesian target tracker. The performance of the method is visually illustrated using the live-recorded McMaster IPIX dataset, and numerically assessed by the Kullback-Leibler distance.