ES2261927T3 - Sistema y procedimiento para la generacion de espectros en un radar. - Google Patents

Abstract

Generador espectral (10) para radar, que comprende: a) un calculador de matriz de covarianza (14) para calcular una estimación de matriz de covarianza de una célula de rango-doppler de interés a partir de datos de sensores de rango-doppler pretratados; y b) un calculador espectral (20), en comunicación con el calculador de matriz de covarianza (14), para calcular un vector espectral de alta resolución; caracterizado porque el generador espectral comprende además: c) un generador de ventana (12) en comunicación con el calculador de matriz de covarianza (14) para generar una ventana, definiendo la ventana una pluralidad de células de rango-doppler; y porque el calculador de matriz de covarianza (14) está configurado para calcular una estimación de matriz de covarianza para una célula de rango-doppler de interés en la ventana y en el que la estimación de matriz de covarianza se obtiene a partir de matrices de covarianza calculadas para por lo menos una parte de la pluralidad de células de rango-doppler dentro de la ventana, y porque el calculador espectral (20) está configurado para calcular el vector espectral de alta resolución basándose en la matriz de ubicación y en una estimación de subespacio de ruido, obteniéndose la estimación de matriz de subespacio de ruido a partir de la estimación de matriz de covarianza.

Description

Sistema y procedimiento para la generación de espectros en un radar.

Campo de la invención

La presente invención se refiere a un procedimiento de tratamiento de señales para generación espectral en datos de radar y, particularmente, a procedimientos de generación espectral que presentan propiedades de reducción de ruido para datos de radar).

Antecedentes de la invención

El Radar de Ondas Superficiales de Alta Frecuencia (HFSWR) es efectivo para la detección y el seguimiento continuos de barcos, aeronaves, icebergs y otros objetivos de superficie desde una ubicación con base en tierra firme. El HFSWR se utiliza actualmente para mejorar las actividades de búsqueda y rescate, así como para controlar el estado del mar, la inmigración ilegal, el tráfico de drogas, la pesca ilegal, el contrabando y la piratería.

Un sistema HFSWR se instala a lo largo de la línea costera y comprende una antena transmisora direccional orientada al océano y una red de antenas receptoras direccionales orientada al océano, así como el hardware y el software necesarios para el funcionamiento del sistema. La antena transmisora genera un tren de impulsos electromagnéticos (EM) que ilumina la zona de vigilancia deseada. La red de antenas receptoras se calibra para tener la misma ganancia y fase a lo largo de toda el área de vigilancia. A continuación, los objetos de la zona de vigilancia reflejan los impulsos EM en dirección a la red de antenas receptoras que capturan los datos de radar. Algunos de los objetos pueden ser elementos que deben detectarse (las señales de identificación de radar de estos elementos se denominan "blancos") aunque el resto de los objetos son elementos que no deben ser detectados (las señales de identificación de radar de estos elementos se denominan "eco parásito", que es un tipo de ruido de un sistema de radar). Pueden utilizarse impulsos EM codificados por impulsos o por frecuencia más sofisticados para combatir la envoltura de rango que se produce cuando la red de antenas receptoras recibe un impulso EM reflejado (como respuesta a un impulso EM previamente transmitido) después de la subsiguiente transmisión de impulsos EM.

Convencionalmente, los datos de radar capturados desde cada elemento de antena o sensor en la red de antenas receptoras se tratan pasándolos a través de un filtro de paso de banda, para filtrar la señales extrañas inesperadas de los datos de radar, y a continuación a través de un receptor heterodino que desmodula los datos de radar de la banda de RF a una banda IF en la cual se produce una conversión analógico a digital. A continuación, los datos de radar se desmodulan a la banda base, donde se produce el filtrado de paso bajo y muestreo de bajada. Los datos de radar capturados por la red de antenas receptoras son complejos (es decir, presentan componentes reales e imaginarios). Por consiguiente, los datos de radar muestreados de bajada también son complejos y cada uno de los componentes de tratamiento de señales requerido para realizar las operaciones anteriormente mencionadas se implementa para manipular datos complejos.

A continuación se tratan los datos de radar muestreados de bajada mediante un filtro adaptado que presenta una función de transferencia o respuesta de impulso relacionada con el impulso EM transmitido. Los datos de radar filtrados adaptados se separan a continuación en segmentos para su análisis. Cada segmento se conoce en la técnica como un tiempo de integración coherente (CIT) o de reposo. Los datos de radar filtrados adaptados de cada CIT se alinean por rango, anotando el momento en el cual se muestrea cada punto de datos respecto al momento en que se transmitió el impulso EM precedente. A continuación, los datos alineados por rango pueden someterse a una combinación de filtrado de paso bajo para posterior reducción de ruido y muestreo de bajada para un tratamiento de señal más eficaz. El resultado de este tratamiento es una pluralidad de muestras temporales de datos de rango, en la cual cada serie de muestras temporales corresponde a un valor de rango. El valor máximo de rango para el cual se captura la pluralidad de series temporales depende del intervalo de repetición de impulsos utilizado en la transmisión de los impulsos EM (es decir, la frecuencia a la cual se transmiten los impulsos EM).

Un blanco se detecta a partir de la información de rango, doppler y azimut generada a partir de los datos de radar registrados pretratados. La información de rango se utiliza para obtener una estimación de la distancia a la que el blanco se encuentra de la red de antenas receptoras. La información azimutal se utiliza para obtener una estimación del ángulo de la posición del blanco respecto al centro de la red de antenas receptoras, y la información de doppler se utiliza para obtener una estimación de la velocidad radial del blanco midiendo el desplazamiento doppler. El desplazamiento doppler del blanco está relacionado con el cambio del contenido de frecuencia del impulso EM reflejado por el blanco respecto al contenido de frecuencia original de este impulso EM.

Como se ha mencionado anteriormente, se generan datos de rango anotando el momento en el cual se muestrean los datos respecto al momento en el cual se ha transmitido el impulso EM precedente. El tratamiento doppler corresponde a la detección de un desplazamiento de frecuencia \Deltaf en la frecuencia de la señal del impulso EM, que se debe a la reflexión desde un blanco. Por consiguiente, se genera una información doppler para un valor de rango determinado sometiendo las series temporales obtenidas para este valor de rango a tratamiento con filtro de peine, tratamiento de banco de filtros o FFT (Transformación Rápida de Fourier). Los datos azimutales se obtienen convencionalmente mediante concentración de haz digital. Más específicamente, los datos de radar en una célula de rango determinada y una célula de doppler determinada se ponderan mediante una función exponencial compleja para cada elemento de antena de la red de antenas receptoras, y a continuación se suman a través de todos los elementos de antena. La fase de la función exponencial compleja se refiere a un ángulo azimutal, la separación de elementos de antena y la longitud de onda de los impulsos EM transmitidos, como es bien conocido por los expertos en la materia. La concentración de haz confiere la apariencia de que la red de antenas está sintonizada para una región determinada de la zona de vigilancia definida por el valor azimutal utilizado en los coeficientes de ponderación de la función exponencial compleja. De este modo, pueden concentrarse muchos haces para cubrir simultáneamente toda la zona de vigilancia.

Para determinar el rango, azimut y velocidad de un blanco, un detector trata el rango, el azimut y la información doppler generados para un CIT determinado. En general, el detector busca los picos en una célula determinada (es decir los valores de los datos o píxeles) en un gráfico bidimensional conocido como gráfico de rango-doppler. La detección del rango comprende normalmente la comparación de la amplitud en una célula determinada con la amplitud media en células vecinas. A continuación, los blancos detectados se envían a un extractor de gráficos que filtra los blancos detectados para rechazar todas las detecciones que no se ajustan a las propiedades del rango, doppler y azimut esperadas para un blanco verdadero. Estos blancos filtrados se envían a continuación a un rastreador que asocia las detecciones sucesivas de un blanco determinado para formar una trayectoria del blanco. De este modo, el movimiento de un blanco detectado puede rastrearse a través de la zona de vigilancia.

La adición de ruido, que incluye el eco parásito anteriormente mencionado, perturba el proceso de detección en cada célula. El resultado puede ser la mala detección de un blanco o la detección falsa de un ruido como blanco. El ruido es problemático porque existirá un nivel variable de ruido en las diferentes células, así como para los datos de radar capturados en diferentes CIT, en diferentes condiciones del estado del mar, durante las diferentes horas del día y las estaciones del año, y en ubicaciones diferentes. Las mayores fuentes de ruido de radar comprenden las autointerferencias tales como eco parásito marítimo, eco parásito ionosférico y eco parásito meteorítico, y las interferencias externas tales como interferencias de canal común, interferencias atmosféricas y ruido impulsivo. Las autointerferencias proceden de la operación del radar, mientras que las interferencias externas son independientes de dicha operación.

El eco parásito ionosférico es una de las más importantes causas de interferencia y es difícil de suprimir por su naturaleza similar a un blanco y su elevada amplitud de señal. El eco parásito ionosférico comprende los impulsos EM que se reflejan lejos de la ionosfera terrestre y vuelven directamente al radar (es decir, eco parásito de incidencia casi vertical), e impulsos EM que rebotan fuera de la ionosfera, se reflejan desde el océano y vuelven al radar por el camino inverso (es decir, eco parásito de autointerferencia de onda espacial) denominado eco parásito de envoltura de rango). En general, el eco parásito ionosférico se acumula en una banda anular que abarca bandas estrechas de células de rango, todas las células azimutales y la mayoría de la banda doppler de barcos. Esta banda estrecha de células de rango corresponde a la altura de múltiples alturas de las capas ionosféricas correspondientes al lugar de instalación del HFSWR. El eco parásito ionosférico de incidencia casi vertical también está caracterizado por ser muy intenso, aislado en rango y emborronado en la dimensión doppler en muchos milihertzios. Durante la noche, el eco parásito se encuentra en su nivel máximo debido a la desaparición de la capa D ionosférica y a la fusión de las capas ionosféricas F1 y F2. Además, las características del eco parásito ionosférico varían con la estación y otros parámetros medioambientales, de modo que no resulta fácil introducir un procedimiento sólido para suprimir el ruido
ionosférico.

Para combatir el eco parásito de envoltura de rango, pueden utilizarse los códigos complementarios de Frank, como conocen los expertos en la materia. Otra solución conocida e operar el sistema de radar a una frecuencia superior que no soporte la propagación de ondas espaciales. Incrementando la frecuencia portadora de los impulsos EM transmitidos por encima de la frecuencia crítica de capa, los impulsos EM transmitidos penetrarán a través de las capas ionosféricas. No obstante, este enfoque puede reducir el rendimiento del sistema de radar en la detección de barcos a gran distancia debido a la mayor pérdida de propagación en la que se incurre a frecuencias de transmisión superiores.

La superficie del mar comprende diversas ondas que presentan longitudes de onda y amplitudes diferentes. El eco parásito marítimo resulta de los impulsos EM reflejados por las ondas marítimas que son armónicas de la longitud de onda del radar. Dos grandes picos que dominan el eco parásito marítimo se designan como líneas de Bragg que aparecen como dos columnas de picos en un gráfico de rango-doppler a lo largo de todas las células de rango a frecuencias doppler determinadas por la frecuencia operativa del radar. Las líneas de Bragg pueden emborronar la calidad de la detección con radar a sus frecuencias doppler correspondientes. No obstante, también existe una dispersión de orden superior, relacionada con el estado del mar, que da como resultado picos adicionales un continuo de eco parásito marítimo entre las líneas de Bragg. Este continuo de eco parásito marítimo contiene energía que está relacionada con el estado del mar (es decir, velocidad y duración del viento superficial) y con frecuencia limita la detección de blancos reducidos de baja velocidad tales como barcos. Además, el eco parásito marino ha mostrado una correlación espacial muy escasa.

El eco parásito meteorítico procede de meteoroides que son pequeñas partículas meteóricas que penetran en la atmósfera terrestre y generan estelas de ionización que producen retornos de radar transitorios. Un retorno de radar meteorítico transitorio aparece normalmente en forma de un gran pico en un rango específico. El eco parásito meteorítico produce un incremento del nivel de ruido de fondo en los gráficos de rango-doppler.

Las interferencias de canal común son producidas por usuarios tanto locales como distantes de la banda de frecuencia del HFSWR, tales como las emisoras de televisión. Esta interferencia presenta direccionalidad porque se origina a partir de fuentes espacialmente correlacionadas. No obstante, debido a las múltiples reflexiones en capas ionosféricas no uniformes, la dirección de llegada de la interferencia de canal común es ancha, como puede apreciarse en los datos de radar con interferencia de canal común que muestra la figura 1. La interferencia de canal común también es independiente del rango y se produce en rangos de frecuencia doppler específicos, como puede apreciarse en otra muestra de datos de radar que muestra la figura 2. La interferencia de canal común puede evitarse seleccionando frecuencias portadoras alternas para transmitir los impulsos EM. No obstante, la interferencia de canal común de fuentes distantes platea un problema de mayor gravedad, ya que esta interferencia es aleatoria en tiempo y frecuencia. Además, normalmente existe mayor interferencia de canal común por la noche que durante el día debido a la ausencia de absorción de la capa D durante la noche.

La interferencia atmosférica es espacialmente blanca con un nivel que varía en función de la frecuencia, la hora del día, la estación y la ubicación geográfica. Por ejemplo, el nivel de ruido debido a la interferencia atmosférica en el extremo inferior de la banda HF aumenta aproximadamente 20 dB durante la noche en comparación con los niveles de las horas diurnas.

El ruido impulsivo se debe a los relámpagos y se manifiesta él mismo en forma de secuencia de impulsos rápidos distribuidos aleatoriamente en el tiempo y presenta una amplitud con un gran rango dinámico. Esto puede apreciarse en la figura 3 que muestra una secuencia de retornos de radar trazada respecto al número de impulsos EM transmitidos (o índice de impulsos) para un valor de rango determinado. El ruido impulsivo mostrado en la figura 4 no es blanco espacialmente y procede de tormentas tanto locales como distantes. El ruido impulsivo se produce normalmente durante la operación diaria de un sistema HFSWR. El ruido impulsivo produce un incremento del nivel de ruido de fondo. Las características de frecuencia del ruido impulsivo cambian en función de la intensidad tempestuosa local.

No es necesario decir que la detección es una parte muy importante del sistema de radar, y resulta comprometida por los diversos tipos de ruido descritos anteriormente. Por consiguiente, para mejorar la detección, deben suprimirse estas diversas formas de ruido preferentemente antes o durante la generación del gráfico de rango-doppler (es decir estimación espectral) en el cual se realiza normalmente la detección.

La patente US nº 5.262.789 da a conocer un sistema de identificación de fuente para fuentes espaciales poco separadas. El sistema utiliza el análisis de la covariante de las señales recibidas seguido del análisis propio para generar vectores propios y valores propios. Un algoritmo de superresolución crea vectores de distribuidor de red correspondientes a la dirección de llegada que radica en el subespacio de señal de los vectores propios.

Por ejemplo, es conocido por la técnica anterior que la detección en estas diversas formas de interferencia puede mejorarse distribuyendo la energía de interferencia a lo largo de un gran número de células del gráfico de rango-doppler. Esto se consigue mejorando la resolución de rango, doppler o azimutal durante la estimación espectral. No obstante, la resolución del rango se determina mediante el ancho de banda de la señal transmitida y normalmente es restringido, mientras que la resolución doppler está determinada por el CIT que también es limitado. Además, la resolución azimutal está limitada por el tamaño de la abertura de la red de antenas receptoras (es decir, el tamaño físico de la red de antenas receptoras).

Una técnica que ha sido introducida para sortear estas restricciones de la resolución es la utilización de estimadores espectrales de alta resolución para incrementar al resolución azimutal. No obstante, se requiere una estimación estadísticamente sólida de la matriz de covarianza de los datos de radar para obtener buenos resultados. La estimación de la matriz de covarianza también debe compensar los diversos tipos de ruido de radar, al tiempo que mejora la contribución de la señal a la estimación de matriz de covarianza. Si esto no se consigue se obtendrá un gráfico de rango-doppler en el cual el ruido ocultará el blanco y comprometerá la detección del mismo. Por consiguiente, es necesario un estimador espectral de alta resolución que sea estadísticamente sólido, que pueda suprimir el ruido y que aumente los blancos posibles en los datos de radar.

Otros procedimientos de supresión del ruido de la técnica anterior se han dirigido a técnicas de cancelación de interferencias externas mediante el aprovechamiento de las características direccionales de las señales de interferencia externas. Estas técnicas utilizan una antena principal o una red principal de antenas para obtener datos de radar para blancos potenciales e interferencia externa, y una antena auxiliar o una red auxiliar de antenas para estimar la interferencia externa únicamente. No obstante, estos procedimientos requieren hardware adicional. Específicamente, estos procedimientos requieren una antena auxiliar o una red auxiliar de antenas. Una solución de la técnica anterior a este problema implica la utilización de una red de antenas receptoras en la cual algunos de los elementos de la red se utilizan como red principal de antenas y algunos elementos de la red se utilizan como red auxiliar. No obstante, esto produce una red principal de antenas que presenta un apertura reducida que degrada la resolución azimutal. Por consiguiente, es necesario un procedimiento de supresión de la interferencia externa que no requiera el hardware adicional de una red auxiliar de antenas y no degrade la resolución azimutal de la red principal de antenas.

Otros desafíos en la detección con radar comprenden propiedades que varían a través de los blancos, tales como tipo de blanco y velocidad del blanco. Por ejemplo, blancos de superficie tales como los barcos, en un gráfico de rango-doppler aparecen en mayor tamaño que los blancos aéreos, para una resolución de rango y doppler determinada. Además, los blancos aéreos normalmente son mucho más rápidos que los blancos de superficie. Esto es importante porque un blanco cuya velocidad radial cambia dentro de un CIT determinado presenta componentes espectrales emborronados a lo largo de varios bin doppler. Por consiguiente, también se necesitan procedimientos de tratamiento de señales que reconozcan qué blancos presentan propiedades variables y se adapten basándose en estas propiedades para mejorar la apariencia de blancos en un gráfico de rango-doppler.

Sumario de la invención

Los inventores de la presente invención han desarrollado varias formas de realización de un sistema y procedimiento de generación espectral y, preferentemente, de supresión del ruido para producir gráficos de rango-doppler en los cuales los blancos se presentan aumentados. Los inventores han desarrollado los sistemas y procedimientos de la presente invención basándose en el hecho de que diferentes clases de blancos proveen diferentes señales de identificación de radar en un gráfico de rango-doppler aunque cada característica de radar presente forma aguda. Además, los blancos son estadísticamente independientes de las diversas formas de eco parásito y presentan señales de identificación de radar con fuerte correlación espacial siempre que la relación señal a eco parásito sea suficiente. Además, los inventores han reconocido que diversas formas de eco parásito presentaban grados variables de correlación espacial. Por ejemplo el eco parásito marítimo (de primer y superior orden) en la mayoría de los casos presenta poca correlación espacial, mientras que el eco parásito ionosférico presenta una intensa correlación espacial.

Los inventores han determinado que puede utilizarse un estimador espectral de alta resolución que separe los datos de radar en subespacios de señales y ruido para suprimir el eco parásito marítimo, ya que el eco parásito marítimo aparece principalmente en el subespacio de ruido debido a la escasa correlación espacial. Además, si el azimut del eco parásito ionosférico es diferente del azimut de un blanco posible, el estimador espectral de alta resolución deberá poder distinguir entre el eco parásito ionosférico y la señal de identificación de radar y un blanco posible debido a la ausencia de lóbulos laterales en estimadores de alta resolución espectral. No obstante, se necesita una sólida estimación de matriz de covarianza para que el estimador espectral de alta resolución mejore las señales de identificación de radar de los blancos. Los inventores han basado la estimación de matriz de covarianza en una media ponderada de las matrices de covarianza de las células rango-doppler que se encuentran en la vecindad de la célula rango-doppler para la cual se ha generado un vector espectral de alta resolución. El estimador espectral de alta resolución utiliza por lo menos una parte del subespacio de ruido para formar una estimación espacial de alta resolución.

Una desventaja de los estimadores espectrales basados en subespacios convencionales es la obtención de buenos resultados con relaciones señal a eco parásito (SCR) bajas. Los inventores han encontrado que una solución es reducir la dimensión del subespacio de ruido implicando sólo los vectores propios que corresponden a valores singulares reducidos y por lo tanto están más situados en dirección a ruido espacialmente blanco. Otro enfoque es incorporar suavizado espacial en la estimación de matriz de covarianza que utiliza el estimador espectral basado en subespacios, para generar un vector espacial de alta resolución. El suavizado espacial puede basarse tanto en el suavizado espacial directo como en el suavizado espacial inverso o en el suavizado espacial directo/inverso.

Como se ha mencionado anteriormente, otra clase importante de interferencia es la interferencia externa. Los inventores de la presente invención han desarrollado un módulo y un procedimiento basado en una combinación de tratamiento de red adaptable y filtrado adaptado/desadaptado que se utiliza para suprimir las interferencias externas. El módulo puede combinarse con el generador espectral para obtener gráficos de rango-doppler de alta resolución perfeccionados. Los datos grabados por una red principal de sensores se comunican a los módulos de filtrado adaptado y desadaptado del módulo de supresión del ruido. El módulo de filtro adaptado provee datos de radar adaptados que contienen solamente interferencias externas. Por consiguiente, puede construirse una red auxiliar de sensores basándose en los datos de radar desadaptados para proveer datos de radar a un concentrador de haz adaptativo. El concentrador de haz adaptativo genera preferentemente coeficientes de ponderación basados en Wiener que se aplican a los datos de radar desadaptados para generar un haz auxiliar que suministra una estimación de la interferencia externa en los datos de radar adaptados para cada sensor de la red principal de sensores que registra datos de radar. A continuación, se elimina la estimación de interferencia externa de los datos de radar registrados para cada uno de los sensores anteriormente mencionados para proveer datos de radar de sensor de rango-doppler con el ruido suprimido. A continuación, estos datos pueden suministrarse al generador espectral de la presente invención para generar gráficos de rango-doppler de alta resolución en los cuales se ha suprimido la interferencia externa.

Por consiguiente, en un aspecto, la presente invención consiste en un generador espectral para radar según la reivindicación 1. El generador espectral recibe los datos de rango-doppler-sensor pretratados y genera por lo menos un espectro de alta resolución don reducción de ruido. El generador espectral comprende un generador de ventana que genera una ventana que define una pluralidad de células de rango-doppler. El generador espectral comprende además un calculador de matriz de covarianza que calcula una estimación de matriz de covarianza para una célula de rango-doppler de interés en la ventana. La estimación de matriz de covarianza se calcula a partir de las matrices de covarianza calculada para por lo menos una parte de la pluralidad de células de rango-doppler de la ventana que se encuentra alrededor de la célula de rango-doppler de interés. El generador espectral también comprende un calculador espectral que se encuentra en comunicación con el calculador de matriz de covarianza para calcular un vector espectral de alta resolución basándose en una matriz de posición y una estimación de matriz de subespacio de ruido.

El generador espectral además puede comprender un suavizador de matriz de covarianza que se encuentra en comunicación con el calculador de matriz de covarianza. El suavizador de matriz de covarianza suaviza la estimación de matriz de covarianza.

\newpage

Además, el generador espectral puede comprender un módulo de supresión del ruido que se encuentra en comunicación con el calculador de matriz de covarianza para proveer datos de radar con supresión del ruido en lugar de los datos de rango-doppler-sensor pretratados al calculador de matriz de covarianza. El módulo de supresión del ruido estima la interferencia externa en los datos de radar pretratados y suprime la interferencia externa en los datos de radar pretratados para generar los datos de radar con el ruido suprimido.

En otro aspecto, la presente invención proporciona un procedimiento de generación espectral para radar según la reivindicación 17. El procedimiento comprende las etapas siguientes:

a)

generar una ventana que define una pluralidad de células de rango-doppler;

b)

calcular una estimación de matriz de covarianza para una célula de rango-doppler de interés en la ventana a partir de datos de rango-doppler-sensor pretratados, generándose la estimación de matriz de covarianza a partir de las matrices de covarianza calculadas para por lo menos una parte de la pluralidad de células de rango-doppler dentro de la ventana; y

c)

calcular un vector espectral de alta resolución basándose en una matriz de posición y una estimación de matriz de subespacio. La estimación de matriz de subespacio se deriva de la estimación de matriz de covarianza.

Además, el procedimiento de generación espectral puede comprender la suavización de la estimación de matriz de covarianza y el cálculo de la matriz de subespacio de ruido basándose en la estimación de matriz de covarianza suavizada.

El procedimiento de generación espectral puede comprender además una etapa de supresión del ruido para obtener datos de radar con el ruido suprimido en lugar de los datos de rango-doppler-sensor pretratados. La etapa de supresión del ruido se lleva a cabo mediante la estimación de la interferencia externa en los datos de radar pretratados y la supresión de la interferencia externa en los datos de radar pretratados para generar los datos de radar con el ruido suprimido.

Preferentemente, está previsto un módulo de supresión del ruido para suprimir la interferencia externa en los datos de radar pretratados.

El módulo de supresión del ruido comprende un primer módulo de tratamiento y un segundo módulo de tratamiento que se encuentran en comunicación con los datos de radar pretratados. El primer módulo de tratamiento recibe los datos de radar pretratados y genera datos de radar adaptados, mientras que el segundo módulo de tratamiento recibe los datos de radar pretratados y genera datos de radar desadaptados. Además, el módulo de supresión del ruido puede comprender un concentrador de haz adaptativo que se encuentra en comunicación con el primer módulo de tratamiento y el segundo módulo de tratamiento. El concentrador de haz adaptativo recibe una parte de datos de radar adaptados y una parte de datos de radar desadaptados y genera una estimación de la interferencia externa en la parte de datos de radar adaptados. Además el módulo de supresión del ruido puede comprender un supresor que se encuentra en comunicación con el primer módulo de tratamiento y el concentrador de haz adaptativo. El supresor proporciona una parte de los datos de radar con el ruido suprimido basada en la parte de datos de radar adaptados y la estimación de interferencia externa.

El módulo de supresión del ruido puede comprender además un módulo de filtrado estadístico ordenado que se encuentra en comunicación con el primer módulo de procesamiento. El módulo de filtrado estadístico ordenado genera datos de radar adaptados filtrados estadísticos ordenados.

El procedimiento también puede suprimir la interferencia externa en los datos de radar pretratados y comprende además las etapas siguientes:

a)

procesar los datos de radar pretratados para producir datos de radar adaptados;

b)

procesar los datos de radar pretratados para producir datos de radar desadaptados;

c)

seleccionar una parte de los datos de radar adaptados y una parte de los datos de radar desadaptados y realizar concentración de haz adaptativa para generar una estimación de la interferencia externa en la parte de datos de radar adaptados; y

d)

producir una parte de datos de radar con el ruido suprimido mediante la supresión de la estimación de la interferencia externa de la parte de datos de radar adaptados.

El procedimiento puede comprender además la realización del filtrado estadístico ordenado en los datos de radar adaptados para generar datos de radar adaptados filtrados estadísticos ordenados.

Breve descripción de los dibujos

Para una mejor comprensión de la presente invención y para poner más claramente de manifiesto el modo de llevarla a la práctica, se considerará conjuntamente con los dibujos adjuntos únicamente a título de ejemplo, que representan una forma de realización preferida de la presente invención, y en los cuales:

la figura 1 es un gráfico de amplitud respecto al azimut para datos de radar registrados en presencia de interferencia externa;

la figura 2 es un gráfico de rango-doppler para un ejemplo de datos de radar que contienen interferencia de canal común;

la figura 3 es un gráfico de amplitud respecto al índice de impulsos en un rango determinado para un ejemplo e retornos de radar que presentan ruido impulsivo;

la figura 4 es un gráfico de rango-doppler para un ejemplo de datos de radar que contienen ruido impulsivo;

la figura 5 es un diagrama de bloques de un generador espectral según la presente invención;

la figura 6a es un gráfico que ilustra la zona activa y las zonas de guardia de un gráfico de rango-doppler según la presente invención;

la figura 6b es un diagrama que ilustra el concepto de azimut;

la figura 7a es una ventana ponderada según la presente invención;

la figura 7b es un ejemplo de ventana ponderada que presenta coeficientes de ponderación para el modo aéreo de operación del radar;

la figura 7c es un ejemplo de la ventana ponderada que presenta coeficientes de ponderación para el modo barco de operación del radar;

la figura 7d muestra la organización de los datos de radar para datos de radar registrados por una red principal de sensores según la presente invención;

la figura 7e muestra los datos de radar utilizados para obtener matrices de covarianza para las células de rango-doppler de la ventana ponderada;

la figura 8 es un diagrama de flujo de un procedimiento de generación espectral según la presente invención;

la figura 9a es un gráfico de rango-doppler producido por concentración de haz convencional para un ejemplo de datos de radar;

la figura 9b es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 9a en el rango del blanco;

la figura 10a es un gráfico de rango-doppler de alta resolución de los datos de radar mostrados en la figura 9a producidos por el generador espectral de la presente invención;

la figura 10b es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 10a en el rango del blanco;

la figura 11 a es un gráfico de rango doppler generado mediante concentración de haz convencional para otro ejemplo de datos de radar;

la figura 11b es un gráfico de rango-doppler de alta resolución de los datos de radar que muestra la figura 11a producidos por el generador espectral de la presente invención;

la figura 12a es un gráfico de rango-doppler generado por concentración de haz convencional para un ejemplo de datos de radar que presentan un eco parásito ionosférico;

la figura 12b es un gráfico de rango-doppler de alta resolución de los datos de radar mostrados en la figura 12a producidos por el generador espectral de la presente invención;

la figura 12c es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 12b en el rango del blanco;

\newpage

la figura 12d es una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 12b a la frecuencia doppler del blanco;

la figura 12e es un gráfico azimutal en el rango de una frecuencia doppler del blanco para los datos de rango-doppler de alta resolución producidos por el generador espectral de la presente invención para los datos de radar de la figura 12a;

la figura 13 es un diagrama de bloques de una forma de realización alterna del generador espectral de la presente invención que incorpora un módulo de supresión del ruido;

la figura 14 es un diagrama de bloques del módulo de supresión del ruido de la figura 13;

la figura 15 es un gráfico de rango-doppler que ilustra la forma de una región sobre la cual se realizan preferentemente los cálculos basados en correlación de la estimación de interferencia externa;

la figura 16 es un diagrama de bloques más detallado del módulo de supresión del ruido de la figura 14;

las figuras 17a a 17h ilustra los datos de radar en diversos nodos del módulo se supresión del ruido de la figura 16;

la figura 18 es un diagrama de flujo de un procedimiento de supresión del ruido según el módulo de supresión del ruido de la figura 16;

la figura 19 es una forma de realización alternativa del módulo de supresión del ruido de la presente invención;

la figura 20 es un diagrama de flujo de un procedimiento alternativo de supresión del ruido según el módulo de supresión del ruido de la figura 19;

la figura 21a es un gráfico de rango-doppler de un ejemplo de datos de radar producidos por concentración de haz convencional sin utilizar el módulo de supresión del ruido de la presente invención;

la figura 21b es un gráfico de rango-doppler de alta resolución de los datos de radar mostrados en la figura 21a utilizando el generador espectral de la presente invención pero sin utilizar el módulo de supresión del ruido de la presente invención;

la figura 21c es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 21a en el rango del blanco;

la figura 21d es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de alta resolución de la figura 21b en el rango del blanco;

la figura 22a es un gráfico de rango-doppler de los datos de radar de la figura 21a producidos por concentración de haz convencional y utilizando el módulo de supresión del ruido de la presente invención;

la figura 22b es un gráfico de rango-doppler de los datos de radar que muestra la figura 21a que utiliza el generador espectral y el módulo de supresión del ruido de la presente invención;

la figura 22c es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 22a en el rango del blanco;

la figura 22d es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de alta resolución de la figura 22b en el rango del blanco;

la figura 23a es un gráfico de rango-doppler generado por concentración de haz convencional de otro ejemplo de datos de radar;

la figura 23b es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 23a en el rango del blanco;

la figura 23c es una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 23a a la frecuencia doppler del blanco;

la figura 23d es un gráfico azimutal de los datos de radar de la figura 23a en el rango y la frecuencia doppler del blanco;

la figura 24a es un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 23a producidos por el generador espectral de la presente invención utilizando una dimensión de subespacio de ruido de 13;

\newpage

la figura 24b es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 24a en el rango del blanco;

la figura 24c es una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 24a a la frecuencia doppler del blanco;

la figura 24d es un gráfico azimutal de los datos de rango-doppler de alta resolución de la figura 24a en el rango y la frecuencia doppler del blanco;

la figura 25a es un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 23a producidos por el generador espectral de la presente invención utilizando una dimensión de subespacio de ruido de 5;

la figura 25b es una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 25a en el rango del blanco;

la figura 25c es una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 25a a la frecuencia doppler del blanco;

la figura 25d es un gráfico azimutal de los datos de rango-doppler de alta resolución de la figura 25a en el rango y la frecuencia doppler del blanco;

la figura 26 es un diagrama de bloques de una forma de realización alterna del generador espectral que utiliza suavizado espacial según la presente invención;

la figura 27 es un diagrama de flujo de una forma de realización alterna del procedimiento de generación espectral que utiliza suavizado espacial según la presente invención;

la figura 28a es un gráfico de doppler de datos de radar y un blanco simulado que utiliza datos de radar de un sensor;

la figura 28b es un gráfico de doppler de los datos de la Figura 28a producidos por concentración de haz convencional junto con los datos doppler de la Figura 28a.

la figura 29a es un gráfico de doppler de alta resolución de los datos de radar de la figura 28a en el rango del blanco utilizando un subespacio de ruido de 13;

la figura 29b es un gráfico de rango de alta resolución de los datos de radar de la figura 28a en la frecuencia doppler del blanco utilizando un subespacio de ruido de 13;

la figura 29c es un gráfico azimutal de alta resolución de los datos de radar de la figura 28a en el rango y la frecuencia doppler del blanco utilizando un subespacio de ruido de 13;

la figura 30a es un gráfico de doppler de alta resolución de los datos de radar de la figura 28a en el rango del blanco utilizando el procedimiento de suavizado espacial de la presente invención;

la figura 30b es un gráfico de rango de alta resolución de los datos de radar de la figura 28a en la frecuencia doppler del blanco utilizando el procedimiento de suavizado espacial de la presente invención;

la figura 30c es un gráfico azimutal de alta resolución de los datos de radar de la figura 28a en el rango y la frecuencia doppler del blanco utilizando el procedimiento de suavizado espacial de la presente invención;

la figura 31a es un gráfico de rango-doppler de alta resolución para los datos de radar de la figura 24a utilizando el generador espectral y el suavizado espacial de la presente invención;

la figura 31b es una rebanada a lo largo de la dimensión doppler del gráfico rango-doppler de alta resolución de la figura 31a en el rango del blanco;

la figura 31c es una rebanada a lo largo de la dimensión rango del gráfico rango-doppler de alta resolución de la figura 31a en la frecuencia doppler del blanco;

la figura 31d es un gráfico azimutal de alta resolución de los datos de radar de la figura 31a en el rango y la frecuencia doppler del blanco;

la figura 32 es una forma de realización alterna del generador espectral según la presente invención que incorpora un módulo de supresión del ruido y un suavizador de matriz de covarianza;

la figura 33 es una forma de realización alternativa del procedimiento de generación espectral según la presente invención que incorpora etapas de supresión del ruido y suavizado de matriz de covarianza;

la figura 34a es un diagrama de una red lineal;

la figura 34b es un diagrama de una red circular uniforme; y

la figura 34c es un diagrama de una red circular uniforme que presenta las cantidades física representadas por los símbolos utilizados en el distribuidor de red.

Descripción detallada de la invención

Todos los datos experimentales mostrados en el presente documento han sido tomados del sistema de HFSWR SWR-503^{TM} situado en Cape Race, Newfoundland, Canadá, desarollado por Raytheon Canada Limited. El sistema de HFSWR SWR-503^{TM} comprende una red de antenas receptoras que dispone de 16 elementos de antena (es decir, una red principal de sensores con 16 sensores)..

Tal como se utilizan en este documento, cada uno de los términos "datos de rango", "datos de doppler", "datos azimutales", "datos de sensor" o "datos de impulsos" representa una serie unidimensional de puntos de datos en un dominio determinado. El término "datos de rango-doppler" representa datos bidimensionales para un azimut determinado o un sensor determinado y el término "datos rango-sensor" representa datos bidimensionales para un valor de doppler determinado o un índice de impulsos determinado. Además los términos "datos de rango-impulso-sensor", "datos de rango-doppler-sensor" y "datos de rango-doppler-azimut" representan datos tridimensionales. Por otra parte, el término "una parte" de datos significa que la parte de datos presenta una dimensión inferior a la de los datos a partir de los cuales se ha obtenido. Por consiguiente, una parte de datos puede ser unidimensional o bidimensional cuando la parte de datos se toma de un conjunto de datos tridimensional. Por otra parte, el término "espectro" se utiliza para representar un gráfico de rango-doppler.

La supresión del ruido de datos de radar antes o durante la generación de gráficos de rango-doppler es beneficiosa porque la mayoría de los sistemas de radar efectúan la detección en gráficos de rango-doppler. Para alcanzar la supresión del ruido, deben examinarse las características de señal de los retornos de radar desde los blancos y los diversos tipos de ruido presentes en los datos de radar para determinar procedimientos adecuados de supresión del ruido.

Los blancos de un sistema de radar reflejan los impulsos EM que se transmiten mediante la antena transmisora del sistema de radar. Por lo tanto, los retornos desde los blancos dependen de los impulsos EM transmitidos. Los blancos de un sistema de radar, especialmente de un sistema de radar HFSWR, comprenden diversos objetos tales como barcos, icebergs, aviones y misiles. Cada uno de estos blancos presenta una única señal de identificación de radar que se define como el patrón que cada uno de estos blancos realiza en gráfico rango-doppler, aunque estas señales de identificación de radar normalmente aparecen como picos. Por consiguiente, para mejorar las señales de identificación de radar de los blancos, debe utilizarse una técnica de estimación espectral que pueda proporcionar una estimación espectral precisa para mejorar la forma de pico de las señales de identificación de radar. Por otra parte, a partir de la observación de una variedad de blancos, basándose en la diferencia de señal de identificación de radar, los blancos deben dividirse en dos clases: bancos de superficie (es decir, barcos y similares) y blancos aéreos (es decir aviones y similares). Además, hay que tener presente que el la resolución de rango y la resolución de doppler afectarán el número de células de rango-doppler contenidas en la señal de identificación de radar de un blanco.

Adicionalmente, las diversas formas de eco parásito presentan varios grados de correlación espacial. Por ejemplo, el eco parásito marítimo presenta una correlación espacial escasa. Por consiguiente, para suprimir el eco parásito marítimo mientras se generan gráficos de rango-doppler, debe utilizarse una técnica de estimación espectral que pueda separar los retornos de radar de los blancos del eco parásito marítimo aprovechando las diferencias de correlación espacial. No obstante, el eco parásito ionosférico presenta una fuerte correlación espacial y una señal de identificación de radar que aparece en forma tanto de blancos distribuidos o puntuales. Por consiguiente, se necesita una técnica de estimación espectral que pueda proporcionar una elevada resolución espectral que sea suficiente para separar una señal de identificación de radar de un eco parásito ionosférico de la señal de identificación de radar de los blancos existentes en una dirección diferente. También resulta beneficioso un estimador espectral de alta resolución porque no se producen lóbulos laterales en la estimación espectral. Por consiguiente, las señales de identificación de radar del eco parásito no ocultarán las señales de identificación de los blancos debido a la dispersión espectral que se produce en los estimadores espectrales basados en FFT, ya que el eco parásito ionosférico queda confinado en unas pocas células de rango-doppler. Esto ocurre porque las capas ionosféricas no están idealmente distribuidas a lo largo de la dimensión rango para diferentes azimuts.

Uno de tales estimadores espectrales que satisface los criterios anteriores es el estimador espectral MUSIC (Clasificación de Señales Múltiples) (Schmidt, R.O., "Multiple Emitter Location and Signal Parameter Estimation", IEEE Transactions AP-34 nº 3, 1986). El estimador espectral MUSIC estima los subespacios de señal y ruido que son ortogonales (es decir, estadísticamente independientes). Siempre que la relación Señal a Eco parásito (SCR) sea suficiente, el subespacio de señal comprenderá los retornos de radar desde blancos posibles y el subespacio de ruido comprenderá datos que presenten poca correlación, lo cual incluye el eco parásito marítimo. La estimación espectral producida por el estimador espectral MUSIC presenta picos para vectores de señal que son ortogonales a los vectores de ruido que definen el subespacio de ruido. Por consiguiente, las señales de identificación de radar de los blancos deben mejorarse mediante el estimador espectral MUSIC. Por otra parte, el procedimiento de estimación espectral del MUSIC genera una estimación espectral de alta resolución. Por consiguiente, las señales de identificación de radar del ruido ionosférico no deberían afectar a la detección de blancos si el azimut del blanco no se encuentra en la dirección del eco parásito ionosférico, porque la ausencia de lóbulos laterales en la estimación espectral de alta resolución evita la fuga espectral de eco parásito ionosférico que de otro modo podría ocultar la señal de identificación de radar de los
blancos.

Los subespacios de señales y ruido se identifican basándose en una descomposición propia o una descomposición en valores singulares (que están matemáticamente relacionados como es bien conocido por los expertos en la materia) de una matriz de covarianza que representa los datos de rango-doppler para una determinada célula rango-doppler RDC en un gráfico de rango-doppler. La matriz de covarianza para la célula de rango-doppler RDC debe estimarse preferentemente utilizando tantos datos de radar como sea posible para obtener una estimación estadísticamente sólida. Convencionalmente, la matriz de covarianza para la célula de rango-doppler RDC puede estimarse utilizando observaciones a través de una pluralidad de sensores. Cada observación puede representarse mediante un vector de fila x a partir del cual se calcula una matriz de covarianza C utilizando el producto exterior como es bien conocido por los expertos en la materia. Por consiguiente, la matriz de covarianza C se calcula según:

(1)C = x^{H} \cdot x

en la que H es el operador Hermitiano que es la transposición compleja conjugada de una matriz o vector. Si existen sensores K en una red principal de sensores (es decir, la red de antenas receptoras), la matriz de covarianza C presenta una dimensión de K por K (es decir K filas y K columnas). Para calcular una matriz de covarianza estimada basándose en diversas observaciones pueden calcularse matrices de covarianza para una pluralidad de vectores de observación. Puede efectuarse la media de todas las matrices de covarianza para calcular la matriz de covarianza estimada C_{est} según:

(2)C_{est} = \sum\limits^{N_{c}}_{i=1}C_{i}

donde C_{i} es la matriz el i^{avo} vector de observación y existen N_{c} observaciones.

Una vez calculada la estimación de matriz de covarianza C_{est}, es necesario calcular los vectores propios que abarcan el subespacio de señal y los vectores propios que abarcan el subespacio de ruido. Los vectores propios pueden calcularse por cualquier medio adecuado. Preferentemente, esto se consigue utilizando la Descomposición en Valores Singulares (SVD), bien conocida por los expertos en la materia. La SVD de la estimación de matriz de covarianza C_{est} se determina mediante:

(3)C_{est} = U \cdot \Sigma \cdot V

donde U y V son matrices que presentan vectores propios que abarcan los subespacios de señal y de ruido, y \Sigma es una matriz diagonal que presenta valores singulares (\sigma_{1}^{2}, \sigma_{2}^{2}, ..., \sigma_{K}^{2}) a lo largo de la diagonal. Dados K sensores en la red principal de sensores, la estimación de matriz de covarianza C_{est} presenta valores singulares independientes de K y vectores propios independientes de K si la estimación de matriz de covarianza C_{est} es de orden máximo.

Los vectores propios de la estimación de matriz de covarianza C_{est} se aproximan a un conjunto ortonormal de vectores base, algunos de los cuales abarcan el subespacio de ruido. Las amplitudes de los valores singulares representan el grado de correlación espacial del contenido de la señal y la correlación espacial del contenido de sonido dentro de la pluralidad de vectores de observación. Los vectores propios del subespacio de ruido se obtienen separando los valores singulares asociados con el subespacio de ruido de los valores singulares asociados con el subespacio de señal. Puede utilizarse la formación de umbrales para separar los valores singulares de ruido de los valores singulares de señal, ya que los valores singulares de señal son normalmente de mayor magnitud que los valores singulares de ruido. Alternativamente, los dos vectores propios asociados con los valores singulares máximos pueden descartarse porque en la práctica estarán con la mayor probabilidad en los dos blancos en el mismo rango y desplazándose a la misma velocidad. Los dos vectores propios mayores representaría estos blancos. A continuación se calcula una estimación de matriz de subespacio de ruido N_{est} reteniendo los vectores propios de ruido como muestra la ecuación 4.

(4)N_{est} = U(:,b+1:K)

donde b es preferentemente 3 como se ha explicado anteriormente, de modo que los dos vectores propios mayores no se encuentran en la estimación de matriz de subespacio de ruido N_{est}. A continuación se calcula la estimación espectral MUSIC según:

(5)MUSIC = \frac{1}{diag(F^{H} \cdot N_{est} \cdot N_{est}{}^{H} \cdot F)}

donde la matriz F contiene vectores a lo largo de los cuales pueden dirigirse algunas de las señales. Al ser los vectores de señal ortogonales al subespacio de ruido definido por los vectores propios de ruido, la estimación espectral MUSIC producirá un pico en la ubicación espectral de la señal. Además, el procedimiento de estimación espectral MUSIC no tiene en cuenta los valores singulares, lo cual resulta beneficioso porque las líneas de Bragg corrompen los valores singulares y en consecuencia ocultan posibles blancos. No obstante, para obtener una buena estimación espectral MUSIC se necesita una caracterización estadística adecuada de las señales dentro de la estimación de matriz de covarianza. El rendimiento del estimador espectral MUSIC es fuertemente dependiente de la cantidad y el tipo de datos utilizados para calcular la estimación de matriz de covarianza.

Con referencia a la figura 5, en ella se muestra un generador espectral 10 según la presente invención. El generador espectral 10 recibe una pluralidad de datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K}. Cada señal de datos rango-doppler es una serie de datos bidimensional que se genera a partir de datos de radar registrados por un sensor determinado de una red principal de sensores que presenta una pluralidad de sensores S_{1}, S_{2}, ..., S_{K} (no mostrados en la figura 5). Cada sensor puede ser cualquiera de los elementos de antena receptora conocidos por los expertos en la materia adecuado para recibir señales de radar. Los expertos en la materia entenderán que los datos de radar capturados para producir los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} se han derivado de los datos de radar pretratados que han sido sometidos a operaciones de tratamiento de señales convencionales que comprenden filtrado de paso de banda, heterodinación, conversión A/D, desmodulación y muestreo de bajada. Los datos de radar también se someten a un filtrado adaptado para obtener una mayor reducción de ruido y combatir al envoltura de rango. Los datos de radar se someten a continuación al tratamiento doppler para producir los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K}. Estas operaciones son bien conocidas por los expertos en la materia y no se describirán con mayor detalle. Además, los expertos en la materia entenderán que todos los elementos de la invención tienen en cuenta el tratamiento de datos, que es complejo (es decir, presenta partes reales e imaginarias).

Como muestra la figura 5, el generador espectral 10 comprende un generador de ventana 12, un calculador de matriz de covarianza 14 en comunicación con el generador de ventana 12 y los datos rango-doppler RD_{1}, RD_{2}, ..., RD_{K}, un calculador de subespacio 16 en comunicación con el calculador de matriz de covarianza 14, un generador de matriz de posición 18 y un calculador de espectro 20 en comunicación con el calculador de subespacio 16 y el generador de matriz de posición 18. El generador espectral 10 puede generar una pluralidad de espectros de alta resolución 22, dados los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K}. No obstante, el generador espectral 10 también puede generar por lo menos un espectro de alta resolución 24. El número de espectros de alta resolución 24 generados por el generador espectral 10 depende del generador de matriz de posición 18 como se explicará con mayor detalle más adelante.

Como se ha mencionado previamente, los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} son señales de datos bidimensionales que se han derivado de los datos de radar registrados por un sensor determinado S_{1} en una red principal de sensores. Con referencia a la figura 6a, se define una señal de datos rango-doppler RD_{i} como presentando una zona activa 26 que presenta una pluralidad de células de rango-doppler 28, así como una zona de guardia 30, la cual también presenta una pluralidad de células de rango-doppler (no mostrada en la figura 6a). La figura 6a no se representa a escala y contendrá muchas más células de rango-doppler 28 en la zona activa 26 de las que se muestran. La necesidad de la zona de guardia 30 se explicará con mayor detalle más adelante. Cada célula 28 de la zona activa 26 es tratada por el generador espectral 10 para producir por lo menos un espectro de alta resolución 24 (es decir, por lo menos un gráfico de rango-doppler de alta resolución). Las células de rango-doppler de la zona de guardia 30 no se tratan para la detección del blanco.

Cada espectro de alta resolución 24 se genera para un azimut determinado \theta. Con referencia a la figura 6b, el azimut \theta es el ángulo entre un haz principal MB y el centro de la red principal de sensores 32. El haz principal MB se genera mediante la red principal de sensores 32 en el sentido de que los datos de radar registrados por los sensores de la red principal de sensores 32 se ponderan (es decir un Coeficiente de Ponderación por sensor) para dar la apariencia de que la red principal de sensores 32 estaba orientada en la dirección del azimut \theta mientras se registraban los datos de radar. La concentración de haz convencional sintoniza el haz principal MB de la red principal de sensores 32 utilizando coeficientes de ponderación que son similares a los utilizados en el estimador espectral FFT. No obstante, el generador espectral 10 de la presente invención utiliza preferentemente el procedimiento de estimación espectral MUSIC para sintonizar el haz principal MB para disponer una resolución angular más elevada.

Para implementar el procedimiento de estimación espectral MUSIC, el generador de ventana 12 genera una ventana ponderada que presenta una pluralidad de coeficientes de ponderación. La ventana ponderada define una pluralidad de células de rango-doppler a partir de las cuales se obtienen las matrices de covarianza C para calcular la estimación de matriz de covarianza C_{est} para una célula de rango-doppler de interés que se encuentra preferentemente en el centro de la ventana ponderada. Las ventanas ponderadas se definen de modo que presentan por lo menos dos regiones que comprenden una primera región y una segunda región. La primera región se encuentra en la parte interior de la ventana ponderada. La segunda región rodea la primera región y presenta coeficientes de ponderación que se seleccionan preferentemente de modo que son inferiores o iguales a los coeficientes de ponderación de la primera región. Alternativamente, con referencia a la figura 7a, en ella se muestra una forma de realización de una ventana ponderada 34 que presenta una primera región 36, una segunda región 38 que rodea la primera región 36, y una tercera región 40 que rodea la segunda región 38. Los coeficientes de ponderación de la segunda región 38 se seleccionan preferentemente de modo que sean inferiores o iguales a los coeficientes de ponderación de la primera región 36, y los coeficientes de ponderación de la tercera región 40 se seleccionan preferentemente de modo que sean inferiores o iguales a los coeficientes de ponderación de la segunda región 38. Además, la forma de la primera región 36, la segunda región 38 y la ternera región 40 no tiene que ser rectangular como muestra la figura 7a, sino que puede ser otra forma cualquiera. No obstante, la forma se adapta preferentemente al blanco que se desea realzar en el gráfico de rango-doppler.

El generador de ventana 12 puede generar ventanas ponderadas diferentes dependiendo de un modo de funcionamiento del radar (es decir, por ejemplo, si deben detectarse bancos de superficie o aéreos). El tamaño de las ventanas ponderadas también depende de la resolución de rango y doppler del sistema de radar, de la naturaleza del ruido den los datos de rango-doppler y de la validez de la estimación de matriz de covarianza. Por ejemplo, considerando una resolución de rango de 7,5 km, en la figura 7b se muestra un ejemplo de una ventana ponderada de 34' que podría utilizarse cuando el modo de funcionamiento del radar se ajusta a modo aéreo. Con referencia a la figura 7c, dicha figura ilustra un ejemplo de una ventana ponderada de 34'' que puede utilizarse cuando el modo de funcionamiento del radar está ajustado a modo barco.

La estimación de matriz de covarianza C_{est} se obtiene preferentemente calculando la media ponderada de todas las matrices de covarianza C para cada célula de rango-doppler de la ventana ponderada 34. Con referencia a la figura 7d, las señales de datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} pueden concatenarse para formar datos de rango-doppler-sensor 42 mostrados en forma de cubo de datos tridimensionales con la dimensión del rango extendiéndose a lo largo del eje z, la dimensión doppler a lo largo del eje y, y la dimensión sensor a lo largo del eje x según el sistema de coordenadas x-y-x mostrado en la figura 7d. Además, los datos de radar 42 se segmentan en segmentos temporales según un CIT. El CIT es preferentemente diferente según los diferentes modos de funcionamiento del radar. El CIT puede ser de entre 10 y 40 segundos para la detección de misiles o aviones. Alternativamente, el CIT también puede ser de entre 2 y 5 minutos para la detección de barcos o para la observación de condiciones oceanográficas.

Con referencia al vector de rango 44, existen series de células de rango que presentan valores de índice de rango R_{1}, R_{2}, ..., R_{N} que contienen los valores EM registrados por el sensor S_{1} como respuesta al primer impulso EM transmitido. La distancia representada por una célula de rango determinada se calcula mediante el registro del momento en el cual se muestreó el valor EM para la célula de rango respecto al momento en el cual se transmitió el impulso EM correspondiente, multiplicando este tiempo por la velocidad de la luz y dividiendo el resultado por dos. Con referencia al vector doppler 46, existen series de células doppler que presentan valores de índice doppler D_{1}, D_{2}, ..., D_{M}, que contienen valores EM que se obtuvieron realizando una FFT (una operación convencional comúnmente conocida por los expertos en la materia) en retornos de radar de impulsos transmitidos en el CIT para los datos de radar registrados por el sensor S_{1} en el valor de rango del valor del índice de rango R_{1}. Con referencia al vector de sensor 48, existen series de valores EM que se miden mediante cada sensor S_{1}, S_{2}, ..., S_{K}, en el valor del índice de rango R_{1} después de la transmisión del último impulso EM (en este ejemplo). Por consiguiente, cada uno de los valores EM contenido dentro del vector de sensor 48 se muestreó al mismo tiempo (por lo tanto el mismo índice de rango R_{1}) después del mismo impulso EM transmitido.

Con referencia a las figuras 7d y 7e, la ventana ponderada 34 se sitúa en los datos de radar 44 para extraer una parte de los datos de radar 50 para utilizarla en la estimación de matriz de covarianza. La ventana ponderada 34 es bidimensional para identificar el entorno de las células de rango-doppler a lo largo de las dimensiones de rango y doppler que se requieren para la estimación de matriz de covarianza. Los vectores de sensor para cada una de estas células de rango-doppler se obtienen a continuación a partir de los datos de radar 42 que están representados por el cubo 50. Cada vector de sensor es análogo al vector x de la ecuación 1. Preferentemente la estimación de matriz de covarianza C_{est} para la célula de rango-doppler central RDC de la parte de datos de radar 50 se obtiene basándose en los vectores de sensor anteriormente mencionados, de los cuales el vector de sensor 48 es un ejemplo de la parte de datos de radar 50. A partir de estos vectores de sensor se generan matrices de covarianza según la ecuación 1 mediante el calculador de matriz de covarianza 14. La estimación de matriz de covarianza C_{est} se calcula a continuación mediante el calculador de matriz de covarianza 14 según:

(6)C_{est} = \sum\limits^{G}_{g=1}\sum\limits^{H}_{h=1}WW(g,h)\cdot C_{gh}

en la que WW es una matriz que contiene los coeficientes de ponderación de la ventana ponderada 34, g y h son índices que abarcan las filas y columnas de la ventana ponderada 34 y C_{gh} es la matriz de covarianza para el vector de sensor en la parte de datos de radar 50 que corresponde a la fila g^{ava} y a la columna h^{ava} de la ventana ponderada 34.

Con referencia de nuevo a las figuras 7b y 7c, las ventanas ponderadas 34' y 34'' presentan tres regiones en las cuales la primera región 36 presenta coeficientes de variación preferentemente iguales al valor 1, la segunda región 38 presenta coeficientes de variación preferentemente iguales al valor 0,5 y la tercera región 40 presenta coeficientes de variación preferentemente iguales al valor 0,1. Además, la forma de la primera región para cada ventana ponderada 34' y 34'' es diferente porque las ventanas 34' y 34'' se generaron para modos de funcionamiento diferentes. También pueden utilizarse diferentes coeficientes de ponderación para diferentes modos de funcionamiento del radar. La primera región 36 presenta preferentemente una forma que se adapta a la señal de identificación de radar esperada para los blancos aéreos en la ventana ponderada 34' y para los blancos de superficie en la ventana 34''. Para mantener la potencia de un blanco posible en la estimación de matriz de covarianza C_{est}, los coeficientes de ponderación de la primera región de la ventana ponderada 34 son los coeficientes de ponderación máximos de la ventana ponderada 34. Para incrementar la solidez estadística de la estimación de matriz de covarianza C_{est} también se utilizan las matrices de covarianza para células de rango-doppler de la segunda 38 y la tercera 40 regiones. No obstante, estas matrices de covarianza no se consideran de mucho peso en el cálculo de la estimación de matriz de covarianza C_{est}, ya que las células de rango-doppler de la segunda 38 y la tercera 40 regiones probablemente no contienen mucho de la señal de identificación de radar de un posible blanco cuando la ventana ponderada se centra en un blanco posible. Como es bien conocido por los expertos en la materia, los posibles blancos aparecen como picos en un gráfico de rango-doppler. Por consiguiente, la segunda 38 y la tercera 40 regiones comprenden los bordes de la señal de identificación de radar de un posible blanco así como ruido cuando la ventana ponderada 34 se centra en el blanco posible. Por lo tanto, la amplitud del ruido en una célula de rango-doppler se incrementa en relación con la amplitud de la señal de identificación del rada del blanco posible cuando se incrementa la distancia entre la célula de rango-doppler y la primera región 36 de la ventana ponderada 34. Por consiguiente, es preferible disponer de coeficientes de ponderación decrecientes en la ventana ponderada 34 al desplazarse desde la primera región 36 a la segunda región 38 y desde la segunda región 38 a la tercera región 40 para obtener una estimación del ruido de fondo en la matriz de covarianza con los coeficientes de ponderación escalados para mantener la amplitud de un posible blanco dentro de la ventana ponderada 34.

Con referencia de nuevo a la figura 5, el calculador de matriz de covarianza 14 comunica con el calculador de subespacio 16. El calculador de subespacio 16 comprende un módulo SVD 52, un selector de dimensión 54 y un calculador de matriz de subespacio de ruido 56. El módulo SVD 52 se encuentra en comunicación con el calculador de matriz de covarianza 14 para recibir la estimación de matriz de covarianza C_{est} y realizar la descomposición en valores singulares de la estimación de matriz de covarianza C_{est}. El módulo SVD 52 puede utilizar cualquier procedimiento adecuado de descomposición en valores singulares comúnmente conocido por los expertos en la materia.

El selector de dimensión 54 se encuentra en comunicación con el módulo SVD 52 ara recibir la matriz \Sigma calculada a partir de la descomposición en valores singulares de la estimación de matriz de covarianza C_{est}. El selector de dimensión 52 determina la dimensión de los subespacios de señal y ruido. El selector de dimensión 52 puede utilizar varias de las diversas técnicas de estimación para estas dimensiones. Una de estas técnicas consiste en la utilización de un umbral para incluir los valores singulares superiores al umbral para formar un subespacio de señal. Reduciendo el valor del umbral, se permite la aparición en la salida de blancos con débil correlación espacial. En otras palabras, la sensibilidad del generador espectral 10 se incrementa para destacar blancos con una relación señal a ruido reducida. No obstante, en la práctica, como se ha mencionado previamente, la posibilidad de disponer de más de 2 ó 3 blancos en diferentes azimuts con los mismos valores de rango y doppler es rara. Por consiguiente, el selector de dimensión 52 puede ajustarse para seleccionar un subespacio de señal de dimensión preferentemente igual a dos.

Debe tenerse presente que para ruido/eco parásito que no presenta una distribución espacial blanca, la potencia de ruido estimada variará dependiendo del grado de correlación del ruido/eco parásito. Además, para señales de identificación de radar de blancos posibles que presentan una escasa correlación espacial (es decir baja SCR), el blanco se representa mediante más de un valor singular y puede estar entre los valores singulares de ruido. Para mejorar la señal de identificación de radar de estos blancos en un gráfico rango-doppler, la dimensión del subespacio de ruido preferentemente debe reducirse tal como se describirá con mayor detalle más adelante.

El calculador de matriz de subespacio 56 se encuentra en comunicación con el módulo SVD 52 para recibir la matriz U (alternativamente podría utilizarse la matriz V, ya que la matriz V está relacionada con la matriz U). El calculador de matriz de subespacio ruido 56 también se encuentra en comunicación con el selector de dimensión 54 para recibir la dimensión del subespacio de señal. El calculador de matriz de subespacio ruido 56 forma una matriz de subespacio de ruido a partir de vectores propios que corresponden al subespacio de ruido de la estimación de matriz de covarianza C_{est}. La estimación de matriz de subespacio de ruido N_{est} se calcula posteriormente de acuerdo con la ecuación 4. La estimación de matriz de subespacio de ruido N_{est} presenta una dimensión de (K-b)-por-K.

El generador de matriz de posición 18 genera una matriz de posición A que presenta coeficientes de peso que se utilizan para generar la pluralidad de espectros de alta resolución 22. La matriz de posición A se determina mediante la ecuación 7.

(7)A = [A_{\theta 1}, A_{\theta 2}, A_{\theta 3}, ..., A_{\theta Z}], \ -\pi \leq \theta i \leq \pi

Un vector de posición A_{\theta}_{i} es un vector que se determina mediante:

(8)A_{\theta i } = [1 e^{j2\pi(d/\lambda)sin(\theta i)}e^{j4\pi(d/\lambda)sin(\theta i)} ... e^{j2\pi(k-1)d/\lambda sin(\theta i)}]^{T}

donde K es el número de sensores de la red principal de sensores 32, d la separación entre cada sensor de la red principal de sensores 32, \lambda es la longitud de onda de los impulsos EM transmitidos y \theta_{1} es el valor azimutal para el cual se genera el gráfico de alta resolución. La matriz de posición A también es conocida como distribuidor de red y cada vector de posición A_{\theta i} también es conocido como vector de distribuidor de red por los expertos en la materia. Puede haber distintos vectores de posición A_{\theta i} para cada azimut de blanco posible. Al haber una pluralidad de azimuts de blancos posibles, existe preferentemente una pluralidad de vectores de distribuidor de red posibles A_{\theta i} en la matriz de posición A.

\newpage

La matriz de posición A presenta una dimensión de K por Z. Cada vector de posición A_{\theta i} se utiliza para generar un espectro de alta resolución 24 diferente, como se explicará con mayor detalle más adelante. Por consiguiente, el número de vectores de posición A_{\theta i} de la matriz de posición A determina el número de espectros de alta resolución 24 generados por el estimador de espectro 10. Por consiguiente, si la matriz de posición A solo presenta una columna, sólo se genera un espectro espacial de alta resolución 24. El número de vectores de posición A_{\theta i} y la resolución azimutal (es decir, la diferencia entre dos valores azimutales consecutivos tales como \theta_{1} y \theta_{2}, \theta_{2} y \theta_{3}, etc.) pueden predeterminarse antes de la operación del generador espectral 10 y ser especificados por el usuario del generador espectral 10.

El calculador de espectro 20 se encuentra en comunicación con el generador de matriz de posición 18 para recibir la matriz de posición A. El calculador de espectro 20 también se encuentra en comunicación con el calculador de subespacio 16 para recibir la estimación de matriz del subespacio de ruido N_{est}. El calculador de espectro 20 calcula un vector espectral de alta resolución MUS_{RDC} que proporciona un valor para cada uno de la pluralidad de espectros de alta resolución 22 en la célula de rango-doppler RDC para la cual se calculó originalmente la estimación de matriz de covarianza C_{est} según la ecuación 10:

(10)RDC_{Mus} = \frac{1}{diag(A^{H} \cdot N_{est} \cdot N_{est}{}^{H} \cdot A)}

donde el diag() de operador retorna los valores a lo largo de la diagonal de la matriz A^{H}\cdotN_{est}\cdotN_{est}^{H}\cdotA. La ecuación 10 se ajusta al procedimiento de estimación espectral MUSIC. El vector resultante MUS_{RDC} es un vector azimutal unidimensional que presenta una dimensión de 1 por Z. La estimación espectral de alta resolución resulta de la proyección de los vectores de distribuidor de red sobre el subespacio de ruido definido por N_{est}. Si existe un blanco posible en la dirección de cualquier vector distribuidor de red, será sustancialmente ortogonal al subespacio de ruido, y el denominador de la ecuación 10 se volverá muy pequeño. El resultado será un pico en la estimación espectral MUS_{RDC} en las frecuencias espaciales del blanco posible. El término "sustancialmente ortogonal" se utiliza para indicar que el subespacio de ruido es una aproximación, ya que se estima a partir de datos finitos. En este punto, el vector espectral de alta resolución MUS_{RDC} se almacena en cualquier medio de almacenaje adecuado de modo que la ubicación del vector espectral de alta resolución MUS_{RDC} corresponda a la ubicación del vector de sensor para esta misma célula de rango-doppler en los datos de sensor de rango-doppler 42. Los medios de almacenaje pueden ser cualquier elemento adecuado conocido por loes expertos en la material tal como una base de datos, un disco duro, un CD-ROM y similares.

Lo dicho anteriormente se aplica a la generación de una estimación espectral de alta resolución para una célula de rango-doppler. Por consiguiente, el calculador de matriz de covarianza 14, el calculador de subespacio 16 y el calculador de espectro 20 debe generar un vector espectral de alta resolución MUS_{RDC} para cada célula de rango-doppler de la zona activa 26 de los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} deslizando la ventana ponderada 34 a través de las células de rango-doppler y realizando las operaciones anteriormente establecidas. Cada uno de los vectores espectrales de alta resolución generados se almacena en los medios de almacenaje de modo que se genera un conjunto de datos de rango-doppler-azimut de alta resolución con supresión de ruido. Este conjunto de datos es tridimensional y comprende una dimensión rango, una dimensión doppler y una dimensión azimutal. Uno de los espectros de alta resolución 24 se obtiene tomando una rebanada bidimensional del conjunto de datos de rango-doppler-azimut de alta resolución con ruido suprimido para un valor azimutal determinado.

Con referencia a la figura 8, en ella se muestra un procedimiento de generación espectral 60 realizado por el generador espectral 10 según la presente invención. Los cálculos realizados durante el procedimiento de generación espectral 60 ya se han descrito anteriormente y no se mencionarán de nuevo de forma detallada. El procedimiento de generación espectral 60 empieza en la etapa 62, en la cual se genera la ventana ponderada 34. La siguiente etapa 64 consiste en generar la matriz de posición A. A continuación se selecciona una célula de rango-doppler para la cual se genera un vector espectral de alta resolución según las etapas 68 a 76. En la etapa 68 se calcula la estimación de matriz de covarianza C_{est} para la célula de rango-doppler. A continuación se realiza la descomposición en valores singulares en la estimación de matriz de covarianza C_{est} en la etapa 70. Seguidamente se selecciona la dimensión del subespacio de señal en la etapa 72 y se calcula la estimación de matriz de subespacio de ruido N_{est} para la célula de rango-doppler en la etapa 74. El vector de alta resolución espectral MUS_{RDC} se calcula a continuación para la célula de rango-doppler en la etapa 76. Este vector se almacena del modo descrito anteriormente. Si en la etapa 78 se determina que deben tratarse más células de rango-doppler, el procedimiento de estimación espectral 60 se traslada a la etapa 66, donde se selecciona la célula de rango-doppler siguiente. La ventana ponderada 34 se desplaza de modo que la siguiente célula de rango-doppler que debe tratarse se encuentre preferentemente en el centro de la ventana ponderada 34. A continuación se repiten las operaciones de la etapas 68 a 76.

El procedimiento de generación espectral 60 puede iniciarse en la esquina izquierda superior de la zona activa 26 de los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} y tratar cada célula de rango-doppler de esta fila hasta que haya sido tratada la última célula de rango-doppler de la fila. En este punto, la ventana ponderada 34 puede desplazarse 1 fila hacia abajo y situarse en la célula de rango-doppler más a la izquierda de la zona activa 26, de modo que puedan tratarse todas las células de rango-doppler de esta fila (es decir rango). De este modo, todas las células de rango-doppler de los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} se tratan por el procedimiento de generación espectral 60. Este proceso puede denominarse tratamiento de las células de rango-doppler por filas. Alternativamente pueden utilizarse otros procedimientos para desplazarse a lo largo de las células de rango-doppler de los datos de rango-doppler RD_{1},
RD_{2}, ..., RD_{K} para generar por lo menos un espectro de alta resolución 24. Por ejemplo, pueden tratarse las células de rango-doppler por columnas.

Cuando el procedimiento de generación espectral 60 está operando en células de rango-doppler cerca o en los bordes de la zona activa 26, las células de rango-doppler de la zona de guardia 28 que caen dentro de la ventana ponderada 34, se utilizan para calcular la estimación de matriz de covarianza C_{est}. Ésta es la razón para la incorporación de la zona de guardia 30 alrededor de la zona activa 26 de los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K}. Por consiguiente, la estimación espectral se realiza sólo para las células de rango-doppler que se encuentran en la zona activa
26.

Pueden utilizarse algunas variaciones del procedimiento de estimación espectral MUSIC en el estimador espectral 10 y el procedimiento de estimación espectral 60 de la presente invención. Los procedimientos de estimación espectral alternativos comprenden el procedimiento de estimación espectral raíz-MUSIC (Barabell, A.J., 1983 "Improving the resolution performance of eigenstructure based direction finding algorithms" en ICASSP Proceedings, Boston, MA, 1963, pp. 336-339), el procedimiento del vector propio (utiliza una versión ponderada del procedimiento de estimación espectral MUSIC) y el procedimiento del vector propio-raíz. Otra alternativa puede ser el procedimiento de estimación espectral delta-MUSIC o derivada-MUSIC que no sólo utiliza la información de espacio de señal de la matriz de correlación, sino también la derivada espacial de la matriz de correlación. El procedimiento de estimación espectral delta-MUSIC puede considerarse un ejemplo de un concentrador de haz de suma/diferencia de alta resolución. Además, el procedimiento de estimación espectral delta-MUSIC presenta un umbral de resolución muy superior al del procedimiento de estimación espectral MUSIC y es relativamente insensible al problema de correlación de fuentes o fuentes poco espaciada. También pueden utilizarse otros procedimientos de estimación espectral basados en subespacios, tales como el procedimiento ESPRIT.

Con referencia a la figura 9a, en ella se muestra un gráfico de matriz de covarianza obtenido para un ejemplo de datos de radar que utilizan concentración de haz basada en FFT como es comúnmente conocido por los expertos en la materia. Los datos de radar se registraron durante la estación invernal. Los datos de radar contienen un blanco 80 (no visible en la figura 9a) en un rango de 109 km que presenta un ángulo azimutal de 8,6º. En la figura 9a pueden apreciarse la líneas de Bragg de primer orden y de orden superior. No obstante, no puede verse el blanco 80. Con referencia a la figura 9b, una rebanada del gráfico rango-doppler de la figura 9a a lo largo de la dimensión doppler en el rango del blanco 80 muestra la presencia de un fuerte eco parásito marítimo que impide la detección del blanco 80 determinado un bajo SCR de menos de 10 dB.

Con referencia a las figuras 10a y 10b, la figura 19a muestra un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 9a, mientras que la figura 10b muestra una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de alta resolución de la figura 10a. Tanto la figura 10a como la 10b muestran que después de la aplicación del procedimiento de estimación espectral 60 de la presente invención, el blanco 80 se vuelve visible. El eco parásito marítimo ha sido suprimido debido a su correlación espacial. El blanco presenta un SSCR de 20 dB (es decir, una relación señal a señal más eco parásito).

Con referencia a la figura 11a, en ella se muestra un gráfico de rango-doppler obtenido para otro ejemplo de datos de radar que utiliza concentración de haz basada en FFT. Los datos de radar contienen un blanco 82 (no visible en la figura 11) en un rango de 127,7 km que presenta un azimut de 50º. Las líneas de Bragg de primer orden y de orden superior de la figura 11a impiden la detección del blanco. Con referencia a la figura 11b, muestra un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 11a producido por el generador espectral 10 operando en modo aéreo. El blanco 82 es ahora visible debido a la supresión del eco parásito. El blanco 82 presenta una SSCR de aproximadamente 20 dB.

Con referencia, a continuación, a la figura 12a, muestra un gráfico de rango-doppler generado mediante concentración de haz convencional de otro ejemplo de datos de radar registrados durante la estación veraniega. Los datos de radar presentan un blanco 84 en el rango de 110 km y un azimut de -39º. Debido al efecto de fuga espectral (es decir, efecto de lóbulo lateral) en la realización de la estimación espectral basada en FFT, un fuerte eco parásito ionosférico e el mismo rango que el blanco 84, pero con una ligera diferencia en el ángulo azimutal, emborrona la señal de identificación de radar del blanco 84 incrementando el nivel de eco parásito alrededor del blanco 84. Por lo tanto, el blanco 84 no resulta visible.

Con referencia, a continuación a la figura 12b, muestra un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 12a producido por el generador espectral 10 de la presente invención. El gráfico de rango-doppler de alta resolución facilita la apariencia de un blanco más marcado en comparación con el gráfico de rango-doppler de la figura 12a. Este ejemplo muestra que el estimador espectral de alta resolución goza de las ventajas de una resolución angular elevada y la ausencia del efecto de lóbulo lateral.. El blanco 84 presenta ahora una SSCR de 25 dB

Con referencia a las figuras 12c a 12e, la figura 12c muestra una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de alta resolución de la figura 12b en el rango del blanco 84. El blanco 84 presenta un pico grande en comparación con el ruido de fondo circundante. La figura 12d muestra una rebanada a lo largo de la dimensión rango del gráfico rango-doppler de alta resolución de la figura 12b a la frecuencia doppler del blanco 84. La figura 12d también muestra que el blanco 84 presenta un pico grande en comparación con el ruido de fondo circundante. La figura 12e muestra un gráfico azimutal de alta resolución de los datos de radar de la figura 12a en el rango y la frecuencia doppler del blanco 84. La figura 12e suministra una estimación relativamente precisa del azimut del blanco 84.

Como se ha dicho anteriormente, otra clase importante de interferencia en HFSWR es la interferencia externa que comprende la interferencia de canal común, el ruido atmosférico y el ruido impulsivo. En la solicitud de patente en tramitación compartida con el nº de serie _______________ y titulada "A Noise Suppression System and Method for Phased-Array Based Systems", los inventores de la presente invención han demostrado que la interferencia de canal común puede suprimirse utilizando una técnica de tratamiento de red adaptativa combinada con un esquema de filtrado adaptado-desadaptado. Los filtros adaptados reciben los datos de radar pretratados derivados de los datos de radar registrados por cada sensor de la red principal de sensores 32 para proveer datos de radar adaptados que se utilizan para producir el haz principal. Los filtros desadaptados reciben los datos de radar pretratados de por lo menos una parte de los sensores de la red principal de sensores para proveer radar desadaptado que se toma como salida de una red de sensores auxiliar virtual. La salida de la red de sensores auxiliar virtual se utiliza para producir un haz auxiliar que suministra una estimación de la interferencia externa en el haz principal. Por consiguiente, para un determinado azimut del haz principal, un haz auxiliar se dirige adaptativamente a las fuentes de energía de la interferencia externa del haz principal para suprimir la interferencia externa en el haz principal. Además, la resolución azimutal de la red principal de sensores no está comprometida ya que cada sensor de la red principal de sensores se utiliza para producir el haz principal, mientras que se utiliza el filtrado desadaptado para proporcionar una estimación independiente de la interferencia externa en el haz principal, descartando la necesidad de una red auxiliar de sensores físicamente separada.

Es deseable integrar el procedimiento de supresión de ruido anteriormente mencionado con el estimador espectral de alta resolución de la presente invención para suprimir la interferencia externa. No obstante, el procedimiento de supresión de la interferencia externa no puede implementarse directamente para estimadores espectrales de alta resolución en general porque estos estimadores requieren datos de sensor y el procedimiento de supresión de ruido, tal como se formuló originalmente, produce datos de haz concentrado. Para superar este problema, en este documento se describen un módulo de supresión de ruido y un procedimiento que es similar al procedimiento de supresión de ruido descrito anteriormente, el cual suministra datos con el ruido suprimido que pueden ser utilizados por el estimador espectral 10. En este procedimiento, se suprime la interferencia externa de los datos de radar registrados por un sensor determinado basándose en una estimación de la interferencia externa suministrada por un haz auxiliar.

Con referencia a la figura 13, muestra una forma de realización alterna de un generador espectral 100 que comprende un módulo de supresión del ruido 102. El módulo de supresión del ruido 102 recibe los datos de radar pretratados derivados de los datos de radar obtenidos de una pluralidad de sensores S_{1}, S_{2}, ..., S_{K} de la red principal de sensores 32 y proporciona una pluralidad de señales de rango-doppler RD_{1}', RD_{2}', ..., RD_{K}', en las cuales se ha suprimido la interferencia externa. El resto del generador espectral 100 es idéntico al generador espectral 10 y no se describirá. Los detalles de implementación del módulo de supresión de ruido 102 se esbozan más adelante.

Como se ha mencionado anteriormente, la interferencia autogenerada se produce como respuesta a los impulsos EM transmitidos. Por consiguiente, cuando los datos de radar grabados por la red principal de sensores 32 pasan a través de un filtro adaptado que está adaptado para transmitir impulsos EM, la interferencia autogenerada, así como los retornos de radar de posibles objetos, aparecerán en la salida del filtro adaptado. Si los datos registrados por la red principal de sensores 32 pasaran a través de un segundo filtro que presentara una respuesta de impulso que fuera ortogonal a los impulsos EM transmitidos, la interferencia autogenerada y los retornos de radar de los posibles objetivos no aparecerían en la salida del segundo filtro. No obstante, la interferencia externa es independiente de la operación del radar y estará presente en la salida tanto del filtro adaptado como del segundo filtro.

El segundo filtro es un filtro desadaptado. Un filtro adaptado presenta una función de transferencia que es la opuesta de la del filtro adaptado. Por consiguiente, los filtros adaptado y desadaptado se define como siendo ortogonales entre sí o presentando una correlación cruzada igual a cero. Por consiguiente, el filtro desadaptado suministrará una salida que puede utilizarse como una observación de la interferencia externa que se encuentra presente en la salida del filtro adaptado. Por lo tanto es posible utilizar una red única de antenas receptoras para suministrar datos de radar para detectar retornos de radar de posibles blancos, así como datos de radar para estimar la interferencia externa sin tropezar con los inconvenientes de los esquemas de reducción de ruido de la técnica anterior mencionados anteriormente (es decir, que requieren una red de antenas receptoras adicional o utilizan algunos elementos de la red de antenas receptoras sólo para la estimación de la interferencia externa, sacrificando la resolución azimutal).

Con referencia a la figura 14, muestra un diagrama de bloques del módulo de supresión del ruido 102 según la presente invención. El módulo de supresión de ruido 102 se encuentra en comunicación con la red principal de sensores 32 que presenta una pluralidad de sensores S_{1}, S_{2}, ..., S_{K} para suministrar datos de rango-doppler-sensor, lo cual se explica con mayor detalle más adelante. Como se ha mencionado anteriormente, cada sensor puede ser cualquier elemento de antena receptora conocido por los expertos en la materia que sea adecuado para recibir señales de radar. Además, los expertos en la materia entenderán que los datos de radar capturados por la red principal de sensores 32 son sometidos a operaciones convencionales de tratamiento de señales para suministrar datos de radar pretratados 104. Los procedimientos convencionales de tratamiento de señales comprenden filtrado de paso de banda, heterodinación, conversión A/D, desmodulación y muestreo de bajada. Los componentes ara efectuar estos procedimientos de tratamiento de señales son bien conocidos en la técnica y no se muestran en la figura 14. Además, debe entenderse que todos los elementos de la invención se tienen en cuenta para el tratamiento de datos, que es complejo (es decir, presenta partes reales e imaginarias).

El módulo de supresión de ruido 102 comprende un primer módulo de procesamiento 106 que presenta un módulo de filtro adaptado 108 en comunicación con los datos de radar pretratados 104 y un primer módulo de tratamiento doppler 110, en comunicación con el módulo de filtro adaptado 108. El módulo de filtro adaptado 108 recibe los datos de radar pretratados 104 y realiza el filtrado adaptado de los datos de radar para generar datos de radar adaptados. A continuación, el primer módulo de tratamiento doppler 110 recibe los datos de radar adaptados y realiza el tratamiento doppler en los datos para generar datos rango-doppler.

El primer módulo de tratamiento 106 comprende además un selector de sensor 112 que se encuentra en comunicación con el primer módulo de tratamiento de datos 110 para recibir los datos de rango-doppler adaptados. Este selector de sensor 112 selecciona los datos de rango-doppler para un sensor determinado S_{i} y suministra una parte B de los datos de rango-doppler adaptados para posterior tratamiento por el módulo de supresión de ruido 102, tal como se describe más adelante. La posición del selector de sensor 112 puede intercambiarse con el módulo de filtro adaptado 108 o el primer módulo de tratamiento doppler 110 mientras el último módulo en el primer módulo de tratamiento 106 proporciona la parte B de datos de rango-doppler adaptados para un sensor determinado S_{i}.

El módulo de supresión del ruido 102 también comprende un segundo módulo de tratamiento 114 que presenta un módulo de filtro desadaptado 116, en comunicación con los datos de radar pretratados 104, un segundo módulo de tratamiento doppler 118, en comunicación con el módulo de filtro desadaptado 116, y un selector de red auxiliar 120 en comunicación con el segundo módulo de tratamiento doppler 118. El módulo de filtro desadaptado 116 recibe los datos de radar pretratados 104 y realiza el filtrado desadaptado para generar datos de radar desadaptados. A continuación, el segundo módulo de tratamiento doppler 118 recibe los datos de radar desadaptados y realiza el tratamiento doppler para generar datos de rango-doppler desadaptados. El selector de red auxiliar 120 recibe seguidamente los datos de rango-doppler desadaptados y construye una red de sensores auxiliar virtual que presenta sensores A_{1}, A_{2}, ..., A_{L}, seleccionados de por lo menos una parte de la pluralidad de sensores S_{1}, S_{2}, ..., S_{K} que contribuyen a los datos de radar 104. Una parte de los datos de rango-doppler-sensor desadaptados Y se dispone para producir una estimación de interferencia tal como se describe con mayor detalle más adelante.

La red de sensores auxiliar virtual puede comprender toda la pluralidad de sensores S_{1}, S_{2}, ..., S_{K} de la red principal de sensores 32 que contribuye a los datos de radar 104 o una parte de la misma. Por consiguiente, algunos sensores de la red principal de sensores 32 contribuyen tanto a los datos de radar 104 como a un haz auxiliar AB que es generado por la red de sensores auxiliar virtual tal como se describe más adelante con mayor detalle. Por lo tanto, no deberían existir pérdidas de resolución azimutal para los gráficos de rango-doppler de alta resolución 24 producidos por el generador
espectral 100. La construcción de la red de sensores auxiliar virtual se explica con mayor detalle más adelante.

El módulo de supresión de ruido 102 comprende además un concentrador de haz adaptativo 122 que se encuentra en comunicación con el primer módulo de tratamiento 106 y el segundo módulo de tratamiento 114. El concentrador de haz adaptativo 122 recibe la parte de datos de radar adaptados B para un sensor determinado S_{i}, así como la parte de datos de rango-doppler-sensor desadaptados Y. A partir de estas entradas, el concentrador de haz adaptativo 122 genera un vector de Coeficiente de Ponderación adaptativo W = [W_{1} W_{2} ... W_{L}] que se aplica a la parte de datos de rango-doppler-sensor desadaptados Y para generar una estimación I de la parte de datos de radar adaptados B. La estimación I se calcula para las mismas células de rango y doppler de las cuales se ha tomado la parte de datos de radar adaptados B. Por consiguiente, el concentrador de haz adaptativo 122 produce coeficientes de ponderación que sintonizan un haz auxiliar AB basándose en los datos de rango-doppler-sensor desadaptados.

El vector de Coeficiente de Ponderación adaptativo W se genera de modo que la diferencia entre la parte de datos de radar adaptados B y la estimación I se minimiza. Al contener la parte de datos de radar adaptados B posibles retornos de blanco de radar junto con interferencia autogenerada e interferencia externa, mientras que la estimación I sólo contiene interferencia externa, la diferencia entre la parte de datos B y la estimación I se minimiza cuando el vector de Coeficiente de Ponderación adaptativo W se selecciona de modo que la interferencia externa de la estimación I se considera que es una estimación de la interferencia externa en la parte de datos de radar adaptados B. En consecuencia, la estimación I se considera una estimación de la interferencia externa en la parte de los datos de radar adaptados B. Por lo tanto, para un sensor determinado S_{i}, el concentrador de haz adaptativo 122 sintoniza el haz auxiliar AB para que la interferencia externa en el haz auxiliar AB se aproxime a la interferencia externa en la parte de datos de radar B para el sensor S_{i}.

El módulo de supresión de ruido 102 comprende además un supresor 124 y medios de almacenaje 126. El supresor 124 se encuentra en comunicación con el primer módulo de tratamiento 106 y el concentrador de haz adaptativo 122 para recibir la parte de datos de radar B y la estimación de la interferencia externa I. El supresor 32 elimina la estimación de la interferencia externa I de la parte de datos de radar B para producir una parte de datos de radar adaptados con el ruido suprimido B_{r}. La parte de datos de radar con el ruido suprimido B_{r} se utiliza para construir un conjunto de datos de radar con el ruido suprimido (representado por las señales de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} ) que puede tratarse a continuación por los componentes restantes del generador espectral 100 para producir por lo menos un espectro de alta resolución 24. Más generalmente, los datos de radar con el ruido suprimido pueden ser tratados por los componentes de cualquier sistema de radar convencional tales como un módulo de detección y un rastreador. Los medios de almacenamiento 126 reciben la parte de datos de radar B_{R} y la almacenan en la ubicación correcta del conjunto de datos de radar con el ruido suprimido. Los medios de almacenamiento 126 pueden ser la RAM de un ordenador, una base de datos de un sistema informático o un medio de almacenaje tal como un disco duro, un CD-ROM, un disco zip y similares.

Se utiliza preferentemente una técnica basada en la teoría de Wiener para seleccionar el vector de Coeficiente de Ponderación adaptativo W de modo que la estimación de la interferencia externa I se aproxima a la interferencia externa en la parte de datos de radar adaptados B. Por consiguiente, el haz auxiliar AB se calcula para la red de sensores auxiliar virtual de modo que la diferencia entre la estimación de la interferencia externa I y la parte de datos de radar B se minimiza en el sentido de error medio cuadrático (MSE) como enseña la teoría de Wiener.

La formulación del vector Coeficiente de Ponderación adaptativo W basándose en la teoría de Wiener es como sigue. La parte de datos de rango-doppler-sensor desadaptados en una instantánea n (es decir, en un momento de observación) está representada por Y(n) y la parte de datos de radar adaptados en una instantánea n está representada por B(n). La salida del concentrador de haz adaptativo 122 en la instantánea n está determinada por la ecuación 11:

(11)\hat{I}(n|Y(n)) = W^{H}Y(n)

en la que \hat{I}(n|Y(n)) indica la estimación de la interferencia externa I(n) para la instantánea de datos de radar desadaptados determinada Y(n). Como se ha dicho anteriormente, es deseable disponer de la interferencia estimada \hat{I}(n|Y(n)) aproximada a B(n). Por lo tanto, el error en la estimación \hat{I}(n|Y(n)) viene dado por la ecuación 12.

(12)e(n) = B(n) - W^{H}Y(n)

Por consiguiente, el error medio cuadrático J_{n}(W) se determina mediante la ecuación 13.

(13)J_{n}(W) = E[e(n)e\text{*}(n)] = E[B(n)B\text{*}(n)] - W^{H}E[Y(n)B\text{*}(n)] - E[B(n)Y^{H}(n)] W + W^{H} E[Y(n)Y^{H}(n)]W \hskip1cm

Suponiendo que la parte de datos de radar adaptados B(n) y la parte de datos de rango-doppler-sensor desadaptados Y(n) para una instantánea determinada son conjuntamente constantes, la ecuación 13 podrá simplificarse formando la ecuación 14.

(14)J_{n}(W) = \sigma^{2}_{d}(n) - p(n)^{H}W - W^{H}p(n) + W^{H}R(n)W

en la que \sigma_{d}^{2}(n) es la varianza de B(n) suponiendo que significa cero y p(n) es la expectativa E[Y(n)^{H}\cdotB(n)] que es el vector N por 1 resultante de la correlación cruzada de la parte de datos de rango-doppler-sensor desadaptados Y(n) y la parte de datos de radar adaptados B(n). El símbolo R(n) indica la expectativa E[Y(n)^{H}\cdotY(n)] que es la matriz de autocorrelación N por N de la parte de datos de rango-doppler-sensor desadaptados Y(n). La correlación cruzada p(n) indica el grado de similaridad entre la parte de datos de radar adaptados B(n) y la parte de datos de rango-doppler-sensor desadaptados Y(n), mientras que la autocorrelación R(n) indica el grado de similaridad entre los datos de la red de sensores auxiliar virtual.

La función del error medio cuadrático J_{n}(W) es una función de segundo orden del vector de Coeficiente de Ponderación adaptativo W suponiendo que la parte de datos de rango-doppler-sensor desadaptados Y(n) y la parte de datos de radar adaptados B(n) son conjuntamente constantes. El objetivo es minimizar la función del error medio cuadrático J_{n}(W) seleccionando un vector de Coeficiente de Ponderación adaptativo óptimo W_{0,n}. Por consiguiente, como es bien conocido por los expertos en la materia, el error medio cuadrático J_{n}(W) es diferenciado respecto al vector de Coeficiente de Ponderación adaptativo W y la derivada se fija igual a cero como muestra la ecuación 15.

(15)\frac{dJ_{n}(W)}{dW} = -2p(n) + 2R(n)W = 0

La solución de la ecuación 15 da el ajuste óptimo de los coeficientes de ponderación adaptativos W_{0,n} que se determina mediante la ecuación 16.

(16)R(n)W_{0,n} = p(n) \Rightarrow W_{0,n} = R(n)^{-1} p(n)

Para implementar el módulo de supresión del ruido 102, se requiere una estimación de la matriz de autocorrelación R(n) y el vector de correlación cruzada p(n). El operador del valor esperado E[ ] que se utiliza en el cálculo de R(n) y p(n) puede sustituirse por el operador de promediación como es comúnmente conocido por los expertos en la materia. No obstante, la promediación debe efectuarse a través de una parte de datos en la cual exista la cantidad máxima de interferencia externa. Además, R(n) y p(n) deben estimarse de modo que la energía de posibles blancos en los datos de radar desempeñe un papel insignificante. Esto resulta preferible porque la red principal de sensores 32 y la red de sensores auxiliar virtual comparten los mismos sensores.

Con referencia a la figura 2, existe interferencia de canal común a través del espacio de rango para frecuencias doppler específicas como puede apreciarse por las crestas que se producen en las frecuencias doppler entre -2 y -4 Hz. A la inversa, con referencia a la figura 4, el ruido impulsivo se extiende por todo el espacio de rango-doppler. Puede obtenerse una buena estimación de la interferencia externa que comprenda tanto la interferencia de canal común como el ruido impulsivo efectuando la media de los datos de rango-doppler a través de la zona que presentan una superposición importante de interferencia de canal común y ruido impulsivo. En otras palabras, la forma de la región sobre la cual se realiza la media se selecciona preferentemente de modo que comprenda la mayor parte de la interferencia. Esto suma para efectuar la media de los datos de rango-doppler en toda la dimensión rango a una frecuencia doppler como la representada por la franja 128 mostrada en la figura 15. Alternativamente, esta franja 128 puede presentar otra forma (viene dictada por la forma de la interferencia). Por consiguiente, el vector de correlación cruzada p(n) en la instantánea n puede estimarse a lo largo de la dimensión rango para una frecuencia doppler D_{i} según la ecuación 17:

(17)\hat{p}(n,D_{i}) = \frac{1}{N_{r}} \sum\limits^{N_{r}}_{r=1}Y\text{*}(n,r,D_{i})B(n,r,D_{i})

en la que r representa el índice de rango y N_{r} es el número de células de rango en el proceso de promediación. Similarmente, la matriz de autocorrelación R(n) en la instantánea n puede estimarse a lo largo de la dimensión rango parra una frecuencia doppler determinada D_{i} según la ecuación 18.

(18)\hat{R}(n,D_{i}) = \frac{1}{N_{r}}\sum\limits^{N_{r}}_{r=1}Y\text{*}(n,r,D_{i})Y(n,r,D_{i})

Para simplificar el resto de la descripción, se descartará el índice de instantánea (n).

Con referencia a la figura 16 muestra un diagrama de bloques más detallado del módulo de supresión del ruido 102 de la presenta invención. También pueden considerarse conjuntamente las figuras 17a a 17h que muestran los datos de radar en diversos nodos del módulo de supresión del ruido 102 para facilitar la explicación de la operación del módulo 102 según la presente invención. Los datos de radar pretratados 104 se obtienen de la operación de pretratamiento de elementos en los datos de radar registrado por la pluralidad de sensores S_{1}, S_{2}, ..., S_{K} de la red principal de sensores 32 como se ha mencionado anteriormente. Los módulos que realizan estas operaciones de pretratamiento no se muestran en el diagrama de bloques de la figura 16. Los datos de radar pretratados 104 pueden representarse mediante una matriz tridimensional de datos de rango-doppler-sensor (representada por las líneas de bloque gruesas en la figura 16). Además, los datos de radar 104 preferentemente han sido calibrados para corregir errores de fase y amplitud conocidos en cada sensor. El calibrado se realiza preferentemente disponiendo un transmisor desplazado a diversas ubicaciones conocidas den la zona de vigilancia y transmitiendo impulsos EM que son registrados por la red principal de sensores 32. A continuación, las ubicaciones del transmisor se derivan de los datos de radar registrados y se comparan con las ubicaciones conocidas del transmisor para suministrar un vector de calibrado que presenta una pluralidad de coeficientes de ponderación que se utilizan para calibrar los datos de radar registrados por la red principal de sensores 32. Los vectores de transmisión pueden generarse para diversas frecuencias de transmisión.

La organización de los datos de rango-impulso-sensor 104 se muestra en la figura 17a con la dimensión rango extendiéndose a lo largo del eje z, la dimensión impulso extendiéndose a lo largo del eje y, y la dimensión sensor extendiéndose a lo largo del eje x según el sistema de coordenadas x-y-z que se muestra en esta figura. Preferentemente, los datos de radar se segmentan en segmentos temporales según un CIT. El CIT puede ser diferente según diferentes modos de funcionamiento tales como modo barco o modo aéreo, como se ha mencionado anteriormente.

El vector de rango 44 y el vector de sensor 48 se han descrito anteriormente y no volverán a describirse. El vector de impulso 130 comprende una serie de células de impulso que presentan valores de índice P_{1}, P_{2}, ..., P_{M} que contienen valores EM que han sido registrados por el sensor S_{1} en el valor de rango del valor del índice de rango R_{1} para cada impulso que se transmitió en el CIT. Por consiguiente, el índice de impulso P_{1} representa el primer impulso que se transmitió, el índice de impulso P_{2} representa el segundo impulso que se transmitió, etc. Los valores EM muestreados dentro del vector de impulso 130 se muestrearon todos al mismo tiempo después de la transmisión de cada impulso EM (por lo tanto todos ellos corresponde al valor de rango representado por el índice de rango R_{1}). La figura 17a también muestra partes de los datos bidimensionales de rango-impulso para un sensor determinado, para mostrar como están organizados los datos de radar 104. Como resulta evidente por la figura 17a, existen una pluralidad de vectores de rango 44, vectores de impulso 130 y vectores de sensor 48 que maquillan los datos de radar de rango-impulso-sensor 104.

Los datos de rango-impulso-sensor 104 pretratados se suministran al módulo de filtro adaptado 108 que efectúa un filtrado adaptado de los datos 104 para suministrar datos de rango-impulso-sensor adaptados 132. El módulo de filtro adaptado 108 es preferentemente un filtro digital con una función de transferencia que está adaptada para transmitir impulsos EM. El módulo de filtro adaptado 108 puede comprender un único filtro digital que opera a lo largo de la dimensión e rango para un índice de impulso determinado P_{i} y un sensor determinado S_{i} (es decir que el filtro adaptado opera en vectores de rango tales como el vector de rango 44 de los datos de radar 104). Esta operación de filtrado adaptado se realiza para cada índice de impulso P_{i} y cada sensor S_{i}. El filtrado adaptado puede realizarse de un modo secuencial de modo que la función de transferencia del filtro adaptado cambie dependiendo del retorno de impulso procesado (es decir, adaptado al impulso EM evocaba el retorno de impulso actual). Alternativamente, el módulo de filtro adaptado 16 puede comprender un banco de filtros digitales, presentando cada uno de ellos una función de transferencia adaptada a uno de los impulsos EM transmitidos. A continuación el sistema desviará los retornos de impulso entrantes al filtro adaptado correspondiente.

Los impulsos EM transmitidos se designan preferentemente utilizando códigos de Frank para combatir la envoltura de rango (Frank R.L., IEEE Trans. On IT, Vol. 9, pp. 43-45, 1963). Por consiguiente, los códigos de Frank también se utilizan para generar los coeficientes de filtro para el módulo de filtro adaptado 108. Los códigos de Frank se utilizan para modular en fase cada impulso EM generado como es bien conocido por los expertos en la materia. Por consiguiente, un impulso EM determinado se divide en subimpulsos que presentan cada uno de ellos una fase según un código de Frank obtenida de una matriz de códigos de Frank. Los impulsos EM generados son todos ellos ortogonales entre si, ya que las filas de una matriz de códigos de Frank son ortogonales. Un ejemplo de una matriz de Frank P4 es P4 = [1 1 1 1; 1 j -1 j; 1 -1 1 -1; 1 -j -1 j] donde las filas de la matriz están separadas por un punto y coma. Por consiguiente un impulso EM basado en las cuatro filas de la matriz de Frank P4, por ejemplo, tendría cuatro subimpulsos sinusoidales que presentarían fases de 0º, 270º, 180º y 90º respectivamente. Además, el coeficiente de un filtro adaptado que se adaptada su impulso EM tendría las mismas muestras que el impulso EM generado que era complejo conjugado y de orden inverso. Esto podría repetirse para cada fila de la matriz P4 de Frank de modo que habrían 4 impulsos EM distintos y 4 filtros adaptados distintos. Estos cuatro impulsos EM distintos se transmitirían repetidamente de un modo secuencial tal como EM1, EM2, EM3 y EM4 (donde cada número representa una fila de la matriz P4). A continuación se tratan los retornos de radar mediante el filtro adaptado correspondiente.

También pueden utilizarse otros códigos de Frank basados en una matriz P8, P16 ó P32. No obstante, en el caso de una matriz P32, las fases requeridas para la modulación en fase necesitaría ser generadas con exactitud, ya que las fases son mucho más cercanas entre sí, y esto requiere un hardware más caro. Pueden utilizarse otros códigos, tales como los códigos Barker, según los diferentes requisitos de ancho de banda de los impulsos EM generados.

Los datos de rango-impulso-sensor adaptados 132 se suministran a continuación al primer módulo de tratamiento doppler 110, que trata los datos para suministrar datos de rango-doppler-sensor adaptados 134. El primer módulo de tratamiento doppler 106 realiza el tratamiento doppler a lo largo de la dimensión impulso (o dominio impulso) de los datos rango-impulso sensor adaptados 132 para proveer los datos de rango-doppler-sensor adaptados 134. El tratamiento Doppler comprende preferentemente la realización de un FFT con una función de ventana adecuada en cada vector de impulso 130 para convertir los datos de series temporales para cada valor del índice de rango R_{1} a series de frecuencia. La Figura 17b ilustra la conversión de los datos rango-impulso-sensor adaptados 132 en los datos rano-doppler-sensor adaptados 134. Alternativamente, en lugar de utilizar el FFT para implementar el tratamiento doppler, puede utilizarse un banco de filtros de banda estrecha como es comúnmente conocido por los expertos en la materia.

Los datos de rango-doppler-sensor adaptados 134 se suministran a continuación al selector de sensor 112 que selecciona los datos de rango-doppler adaptados para un sensor determinado S_{i} a partir de los datos de rango-doppler-sensor adaptados 134. Esta operación se muestra en la figura 17c. El selector de sensor 112 también proporciona una parte B de los datos de rango-doppler-sensor adaptados seleccionados para posterior tratamiento, como se describirá más adelante.

Los datos de rango-doppler-sensor adaptados 104 también se suministran al módulo de filtro desadaptado 116 que efectúa un filtrado "desadaptado" de los datos de radar 104 para suministrar datos de rango-impulso-sensor desadaptados 136. El módulo de filtro desadaptado 116 es preferentemente un filtro digital con una función de transferencia que es desadaptada para los impulsos EM transmitidos. El módulo de filtro desadaptado 116 puede implementarse y operase en los datos de rango-impulso-sensor 104 de la misma manera que el módulo de filtro adaptado 108 para producir los datos de radar rango-impulso-sensor desadaptados 136. No obstante, en este caso el filtro desadaptado utiliza una función de transferencia que rechaza el impulso EM transmitido. Por consiguiente, utilizando el ejemplo dado anteriormente para el módulo de filtro adaptado 108, si el impulso EM transmitido se generó basándose en la cuarta fila de la matriz P4 de Frank, las fases de los subimpulsos sinusoidales se obtendrían a partir de cualquiera de las filas de la matriz P4 de Frank que no fuera la cuarta fila. La secuencia sinusoidal resultante se invertiría a continuación para obtener los coeficientes del filtro desadaptado en los módulos de filtro desadaptado 116. Por consiguiente, si las filas de la matriz P4 se utilizan secuencialmente para proporcionar repetidamente series de impulsos EM, se necesitarían series de filtros desadaptados en el módulo de filtro desadaptado 116 para tratar los retornos de cada uno de estos impulsos EM de modo que la salida de filtro desadaptado no esté correlacionada con la salida del filtro adaptado producida por el módulo de filtro adaptado 108.

Los datos de rango-impulso-sensor desadaptados 136 se suministran a continuación al segundo módulo de tratamiento doppler 118 que trata los datos para generar datos de rango-doppler-sensor desadaptados 138. El segundo módulo de tratamiento doppler 118 se implementa de modo similar al del primer módulo de tratamiento doppler 110 y no se describirá con mayor detalle.

El segundo módulo de tratamiento 114 comprende además el selector de red auxiliar 120 que proporciona datos de rango-doppler-sensor desadaptados para construir la red e sensores auxiliar virtual. Con referencia a la figura 17d, esto corresponde a tomar los datos de rango-doppler-sensor desadaptados 138, dividiendo los datos 138 en rebanadas bidimensionales 140, 142, ..., 144, y seleccionar un subconjunto de estas rebanadas (es decir, seleccionar L rebanadas) que a continuación se concatenan para formar datos de rango-doppler-sensor desadaptados 146. La red de sensores que contribuye a los datos 146 se designa como red de sensores auxiliar virtual que presentan sensores A_{1}, A_{2}, ..., A_{L} (no mostrados). El selector de red auxiliar 120 también suministra una parte Y de los datos de rango-doppler-sensor desadaptados 146 para posterior tratamiento como se describe a continuación.

Como se ha mencionado anteriormente, la red de sensores auxiliar virtual puede construirse a partir de todos o de un conjunto de los sensores de la red principal de sensores 32 que contribuye a los datos de radar 104. Si la red de sensores auxiliar virtual comprende un subconjunto de la red principal de sensores 32, preferentemente debería satisfacerse una condición. El tamaño de apertura de la red de sensores auxiliar virtual debería ser el mismo que el tamaño de apertura de la red principal de sensores 32. Esto significa que los sensores orientados espacialmente más a la izquierda y más a la derecha de la red principal de sensores 32 que contribuye a los datos de radar 104 deberían se también los sensores espacialmente orientados más a la izquierda y a la derecha en la red de sensores auxiliar virtual. Además, para una determinada red principal de sensores 32 fija, la red de sensores auxiliar virtual debe predeterminarse antes de la operación del módulo de supresión de ruido 102. Por consiguiente, durante la operación del módulo de supresión de ruido 102, los sensores de la red de sensores auxiliar virtual pueden ser suministrados por una tabla de consulta según el número deseado de sensores de la red de sensores auxiliar virtual. La tabla de consulta indica la posición de cada sensor de la red auxiliar A_{i} en la red principal de sensores 32.

Aunque el diagrama de bloques de la figura 16 muestra que el selector de la red auxiliar 120 está conectado entre el segundo módulo de tratamiento doppler 118 y el concentrador de haz adaptativo 122, la posición del selector de red auxiliar 120 puede cambiarse para obtener un tratamiento de señal más eficaz. Por ejemplo, e selector de red auxiliar 120 puede situarse entre el módulo de filtro desadaptado 116 y el segundo módulo de tratamiento doppler 118. Alternativamente, el selector de red auxiliar 122 puede estar ubicado antes del módulo de filtro desadaptado 116.

El nódulo de supresión de ruido 102 comprende además el concentrador de haz adaptativo 122 que se encuentra en comunicación con el segundo módulo de tratamiento 114 y el primer módulo de tratamiento 106. El concentrador de haz adaptativo 122 comprende un calculador de matriz de autocorrelación 148, un inversor de matriz 150, un correlacionador cruzado 152, un calculador del Coeficiente de Ponderación 154 y un generador de haz auxiliar 156 conectados como muestra la figura 16.

El calculador de matriz de autocorrelación 148 recibe la parte de datos de rango-doppler-sensor desadaptados Y de la red de sensores auxiliar virtual y genera la matriz de autocorrelación R_{Y} según la ecuación 18 (es decir, R_{Y} = Y^{H}\cdotY). Con relación a la figura 17e, la parte de datos de radar Y corresponde a una rebanada bidimensional de los datos de rango-sensor para un índice doppler D_{i}. Por lo tanto, la parte de datos de radar Y es una matriz que presenta una dimensión de N por L (es decir, N células de rango y L sensores). El calculador de matriz de autocorrelación 148 genera la matriz de autocorrelación R_{Y} efectuando una multiplicación de matrices entre la matriz Y y la matriz Y^{H}. La dimensión de la matriz de autocorrelación R_{Y} es L por L (es decir, L filas y L columnas).

El inversor de matriz 150 recibe la matriz de autocorrelación R_{Y} y efectúa la inversión de matriz para obtener la matriz de autocorrelación inversa P = R_{Y}^{-1} utilizando cualesquiera medios de conversión comúnmente conocidos por los expertos en la materia. En el caso de que la parte de datos de radar Y no contenga mucho ruido, la matriz de autocorrelación R_{Y} puede clasificarse como deficiente. Esto puede determinarse calculando el número de condición de la matriz de autocorrelación R_{Y}. En esta situación, el operador pseudoinverso puede utilizarse para obtener la matriz de correlación inversa P. La dimensión de la matriz de autocorrelación inversa P es L por L. Las ecuaciones necesarias para obtener el número de condición y la pseudoinversa de R_{Y} son bien conocidas por los expertos en la materia.

El correlacionador cruzado 152 recibe la parte de datos de rango-doppler-sensor desadaptados Y de la red de sensores auxiliar virtual, así como de la parte de datos de rango-doppler adaptada B del primer módulo de tratamiento 106 y calcula el vector de correlación cruzada Q según la ecuación 17 (es decir, Q = Y^{H}\cdotB). Con referencia de nuevo a la figura 17e, la parte de datos de radar B es un vector de rango para un sensor determinado S_{i} y el mismo índice doppler D_{i} correspondiente a la parte de datos Y. La parte de datos B presenta una dimensión de N por 1. El correlacionador cruzado 152 realiza la multiplicación de matrices para generar el vector de correlación cruzada Q que presenta una dimensión de L por 1 (es decir, (L por N)*(N por 1) = L por 1).

El calculador ponderado 154 recibe el vector de correlación cruzada Q y la matriz de autocorrelación inversa P y produce el vector ponderado adaptativo W efectuando la multiplicación de matrices según la ecuación 16. Por consiguiente, el vector ponderado adaptativo W es un vector de fila que presenta una dimensión de L por 1. El generador de haz auxiliar 156 recibe el vector ponderado adaptativo W y la parte de datos de radar Y y genera una estimación de la interferencia I en la parte de datos de radar B según la ecuación 19.

(19)I = W^{H} \cdot Y

Por consiguiente, la estimación de interferencia I es un vector que presenta una dimensión de 1 por N.

El módulo de supresión de ruido 102 comprende además el supresor 124 que comprende un restador 158 y un minimizador 160 en comunicación con el restador 158. El restador 158 recibe la parte de datos de radar B y la estimación de la interferencia externa I y proporciona un vector o señal de sustracción T según la ecuación 20.

(20)T = B – I

El minimizador 160 recibe el vector T y la parte de datos de radar B y genera una parte de datos de rango-doppler adaptados con el ruido suprimido B_{R} según la ecuación 21:

(20)B_{R} = min(B,T)

donde el operador min( ) se define alineando los dos vectores B y T, tomando un valor de una célula e el vector B, tomando un valor de la misma célula en el vector T y situando el valor mínimo de estos dos valores en la misma célula del vector B_{R} como muestra la figura 17f. Esta operación se repite para todas las células en los vectores B y T.

Con referencia a la figura 17g, muestra unas series de vectores (que también pueden denominarse series de datos o señales) que ayudan a la explicación del supresor 124. Para una parte determinada de los datos de radar B y una estimación de la interferencia externa I, se genera el vector T mediante sustracción de vectores. No obstante, existe la posibilidad de ruido extraño 162 que se produce en la estimación de la interferencia externa I. El ruido extraño 162, que resulta de la operación del módulo de filtro inadaptado 116, también está contenido en el vector T. Por consiguiente, el vector T no puede utilizarse directamente como parte de los datos de radar adaptados con el ruido suprimido B_{R}. Antes bien, el vector T y la parte de datos de radar B son tratados por el minimizador 160, que alinea los dos vectores B y T y selecciona los elementos mínimos de estos dos vectores cuando construye el vector B_{R}, como se ha descrito anteriormente. En consecuencia, si existe cualquier ruido extraño 162 dentro de la estimación de interferencia externa I, el minimizador 160 lo eliminará.

Con referencia a la figura 17h, el vector B_{R} se utiliza para construir los datos de radar adaptados con el ruido suprimido 164. La posición del vector B_{R} dentro de los datos de radar con el ruido suprimido 164 es la misma que la posición del vector B dentro de los datos de radar mostrados en la figura 17e. Por consiguiente, los datos de radar con el ruido suprimido 164 aumentan en un vector de rango cada vez. De este modo, para un sensor determinado S_{i}, la parte de datos B puede obtenerse para un índice doppler D_{i} determinado y la estimación de la interferencia externa I calculada para este mismo índice doppler para suministrar una parte de datos con ruido suprimido B_{R} ya se ha descrito anteriormente. Esta operación se repite a continuación a lo largo de la dimensión doppler (es decir, para cada índice doppler) para el sensor seleccionado S_{i} hasta que todos los índices doppler han sido tratados. A continuación, el selector 112 selecciona los datos de rango-doppler del sensor siguiente y se tratan del mismo modo. La operación se repite hasta que todos los datos de rango-doppler RD_{1}, RD_{2}, ..., RD_{K} han sido tratados por el módulo de supresión de ruido 102 para construir los datos de radar con el ruido suprimido 164 (a partir de los cuales se obtienen las señales de datos de rango-doppler RD_{1}', RD_{2}', ..., RD_{K}' correspondientes a los sensores S_{1}, S_{2}, ..., S_{K}).

Con referencia a la figura 18, muestra un procedimiento de supresión de ruido 170 para suprimir el ruido en los datos de radar conforme al módulo de supresión de ruido 102 de la presente invención. Los datos de radar han sido muestreados por la red principal de sensores 32 para un período de tiempo según un CIT y han sido pretratados y calibrados como se ha mencionado anteriormente. La duración del CIT se ajusta según un modo de funcionamiento del radar. El procedimiento de supresión de ruido 170 empieza en la etapa 172, en la cual los datos de radar de rango-impulso-sensor 104 se someten al filtrado adaptado tal como se ha explicado anteriormente. La siguiente etapa 174 consiste en efectuar el tratamiento doppler de los datos de rango-impulso-sensor sometidos a filtrado adaptado para suministrar datos de rango-doppler-sensor adaptados. Como se ha mencionado anteriormente, el tratamiento doppler puede comprender la realización de un FTT con una función de ventana adecuada o utilizar el tratamiento de banco de filtros. La siguiente etapa 176 consiste en seleccionar datos rango-doppler adaptados para un sensor S_{i}.

En la etapa 178, se realiza el filtrado desadaptado en los datos de radar de rango-impulso-sensor 104. La siguiente etapa 180 consiste en efectuar el tratamiento de doppler en los datos de rango-impulso-sensor filtrados desadaptados para proporcionar datos de rango-doppler-sensor desadaptados. La siguiente etapa 182 consiste en seleccionar una red de sensores auxiliar virtual, dado los sensores de la red principal de sensores 32 que han contribuido a las señales de datos de rango-doppler-sensor 104. Por consiguiente, las etapas 178 a 182 pueden resumirse diciendo que se suministran datos de rango-doppler-sensor desadaptados para la red de sensores auxiliar virtual dados los datos de rango-doppler-sensor que se han derivado de los datos de radar registrados por la red principal de sensores 32. Como se ha mencionado anteriormente, la selección de la red de sensores auxiliar virtual puede efectuarse antes de la etapa de tratamiento doppler 180 o antes de la etapa de filtrado desadaptado 178 para un tratamiento de señal más eficaz.

En la etapa 182 se seleccionan partes de los datos de radar B e Y. Los datos de radar B se seleccionan a partir de los datos de rango-doppler adaptados seleccionados para un sensor determinado S_{i} y es un vector de rango para un índice doppler determinado. Los datos de radar Y se seleccionan a partir de los datos de rango-doppler-sensor desadaptados de la red de sensores auxiliar virtual y son una rebanada bidimensional de los datos de rango-doppler para el mismo índice doppler de los datos de radar B.

Las siguientes series de etapas 186 a 198 del procedimiento de supresión de ruido 170 realizan una concentración de haz adaptativa sobre la parte de los datos de sensor de rango-doppler-sensor desadaptados Y para proporcionar una estimación I de la interferencia externa en la parte de datos de rango-doppler adaptados B. La concentración de haz adaptativa se inicia en la etapa 186, en la cual se calcula la matriz de autocorrelación R_{Y} (R_{Y} = Y^{H}\cdotY) de los datos de radar Y. En la etapa 188, se calcula la matriz de autocorrelación inversa P (P = R_{Y}^{-1}). A continuación, el procedimiento de supresión de ruido 170 se desplaza a la etapa 190, en la cual se calcula el vector de correlación cruzada Q (Q = Y^{H}\cdotB). Seguidamente, en la etapa 192, se calcula el vector ponderado W basándose en la matiz de autocorrelación inversa P y en el vector de correlación cruzada Q(W = P\cdotQ). A continuación, en la etapa 194, se calcula la estimación de la interferencia externa I (I = W^{H}\cdotY) dentro de la parte de datos de rango-doppler adaptados B.

El procedimiento de supresión de ruido 170 se desplaza seguidamente a las etapas 195 y 198, en las cuales se utilizan la estimación de interferencia externa I y la parte de datos de rango-doppler adaptados B para obtener una parte B_{R} de datos de rango-doppler adaptado con el ruido suprimido. En la etapa 196, se sustrae la estimación de la interferencia externa I de la parte de datos de rango-doppler adaptados B para formar el vector de la señal de sustracción T. A continuación, en la etapa 198, se compara un elemento determinado de la parte de datos de rango-doppler adaptados B con un elemento de la misma ubicación en el vector T y se almacena el mínimo de estos dos elementos en la misma ubicación en la parte de datos rango-doppler adaptados con el ruido suprimido B_{R}. Esto se repite para cada elemento de los datos de radar B. Una vez se han construido los datos de rango-doppler adaptados con el ruido suprimido, se almacenan en la ubicación adecuada en los medios de almacenaje 126.

La siguiente etapa 200 del procedimiento de supresión del ruido 170 consiste en determinar se existen más datos de radar para tratar, Si no hay más datos de radar para tratar, el procedimiento de supresión del ruido 170 ha finalizado. En este punto (etapa 204) pueden utilizarse los datos con el ruido suprimido en el procedimiento de generación espectral 60 para producir por lo menos uno de una pluralidad de espectros de alta resolución 24. En caso contrario, la siguiente etapa 202 consiste en actualizar la parte de datos de rango-doppler sometidos a concentración de haz B y la parte de datos de rango-doppler-sensor desadaptados Y de la red de sensores auxiliar virtual. La actualización se realiza en la forma previamente explicada para el módulo de supresión de ruido 102. A continuación se repiten las etapas 186 a 200.

En determinadas condiciones, puede aparecer fuerte ruido ionosférico en forma de franjas horizontales en los datos de rango-doppler generados para un sensor determinado S_{i}. Aparecen en forma de interferencia en diversas células de rango-doppler a un índice de rango determinado. En esta situación, es preferible evitar los datos de radar de estas células de rango-doppler en el cálculo de la matriz de autocorrelación R_{Y} y la matriz de correlación cruzada Q, ya que estas células de rango-doppler contaminadas pueden perjudicar el rendimiento del concentrador de haz adaptativo 122. Un modo de eliminar del cálculo los datos contaminados consiste en utilizar un filtro mediano que calcular el valor medio (M) para un vector de rango B' y genera un valor umbral (\lambda) según la ecuación 22:

(22)\lambda = v \cdot M

en la que v representa un valor constante. A continuación, los datos del vector de rango B' pueden someterse al filtro mediano según la ecuación 23.

OB(i) = B'(i) \hskip0,5cm si \hskip0,5cm B'(i) < \lambda

(23)OB(i) = 0 \hskip1cm si \hskip0,5cm B'(i) > \lambda

Por consiguiente, todos los valores en B' que se encuentran por encima del valor umbral \lambda se ajustan a cero en OB.

Con referencia a la figura 19, muestra un módulo de supresión de ruido 210 que incorpora un módulo de filtro mediano 212 que se acopla al primer módulo de tratamiento 106 y al concentrador de haz adaptativo 122. El resto del módulo de supresión de ruido 210 es similar al módulo de supresión de ruido 102 y no se describirá. El módulo de filtro mediano 212 realiza el filtrado mediano en los datos de rango-doppler adaptados 214 para un sensor determinado S_{i}. El módulo de filtro mediano 212 utiliza preferentemente un valor de 1,75 para la constante v. Este valor se ha determinado empíricamente y puede cambiarse si los resultados no son satisfactorios. Por ejemplo, pueden existir situaciones en las cuales el eco parásito ionosférico sea extremadamente severo, en cuyo caso el valor de la constante v debe reducirse para eliminar más eco parásito ionosférico. El módulo de filtro mediano 212 puede operar por columnas en cada vector de rango que maquilla los datos de rango-doppler adaptados 214. Un vector OB, que es una parte de los datos de rango-doppler adaptados sometidos a filtrado mediano se suministra al concentrador de haz adaptativo 122 para que la estimación de la interferencia externa pueda ser generada y restada de la parte de datos de radar adaptados, como se ha mencionado anteriormente.

Como alternativa pueden utilizarse otros procedimientos de filtrado estadísticos ordenados en lugar del filtrado mediano. Uno de tales ejemplos comprende la selección de un número entero constante g (es decir tal como g = 15), la ordenación de los valores del vector B', la eliminación de los valores de g máximo y mínimo, la realización de la media de los valores restantes para obtener un valor medio y a continuación la generación de un umbral multiplicando el valor medio por una constante. Los valores de B' que se encuentran por encima de este umbral se ajustan a cero. En general, puede diseñarse un filtro para evitar la aparición de señales indeseadas en las estadísticas de interferencias, ancho de banda y otras características. Por consiguiente, el módulo de filtro mediano 212 puede representarse generalmente mediante un módulo de filtro estadístico ordenado.

Con referencia a la figura 20, muestra un procedimiento alternativo de supresión del ruido 220 que incorpora una etapa de filtrado mediano 222 para realizar el filtrado mediano de los datos de radar de rango-doppler adaptados para un sensor determinado S_{1} como se ha descrito anteriormente. El resto del procedimiento de supresión de ruido 220 es idéntico al procedimiento de supresión de ruido 170 y no se describirá. Puede utilizarse otro procedimiento de filtrado estadístico ordenado en lugar del filtrado mediano como se ha mencionado anteriormente.

Con referencia a la figura 21a, muestra un ejemplo de un gráfico de rango-doppler de datos de radar que se ha obtenido sin utilizar el procedimiento de supresión de ruido 170 de la presente invención. Los datos de radar se registraron durante la estación de otoño y presenta un objetivo barco 230 (no visible en la figura 21a) en el rango de 83 km y un azimut de 8º. Los datos de radar están fuertemente contaminados con interferencia externa. Con referencia a la figura 21b, muestra un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 21a producido por el generador espectral 10 de la presente invención sin utilizar el procedimiento de supresión de ruido 170 de la presente invención. Las figuras 21c y 21d muestran una rebanada a lo largo de la dimensión doppler de las figuras 21a y 21b respectivamente en el rango del blanco barco 230. El banco barco 230 no puede verse en ninguna de las figuras 21a a 21d.

Con referencia a las figuras 22a a 22d, la figura 22a muestra un gráfico de rango-doppler de los datos de radar de la figura 21a, producido por un concentrador de haz convencional, después de aplicar el procedimiento de supresión de ruido 170 de la presente invención. La figura 22b muestra un gráfico de rango-doppler de alta resolución de los datos de radar de la figura 21a producido por el generador espectral 100 de la presente invención, que incorpora el módulo de reducción de ruido 102. El blanco barco 230 es visible en ambos gráficos de rango-doppler. Las figuras 22c y 22d muestran una rebanada a lo largo de la dimensión doppler de las figuras 22a y 22b respectivamente en el rango del blanco barco 230. En la figura 22c, el blanco barco 230 apenas puede verse. No obstante, la figura 22d muestra una fuerte señal para el blanco barco 230. La utilización de este procedimiento se supresión de ruido 170 junto con el procedimiento de estimación espectral 60 de la presente invención ha incrementado la SSCR del blanco 230 a 15 dB. Estos resultados también sugieren que el procedimiento de supresión de ruido 170 puede utilizarse con otros estimadores espectrales tales como un concentrador de haz basado en FFT, como acaba de verse.

Otra dificultad para la detección del blanco es la baja SSCR que resulta para los blancos que están rodeados por grandes cantidades de ruido. Al ser baja la SSCR del blanco, el blanco presentará una correlación espacial baja. Por consiguiente, la potencia de señal del blanco ya no podrá aparecer en el subespacio de señal, sino que se producirá en el subespacio ruido. Para hacer el procedimiento de estimación espectral 60 de la presente invención más sensible a los blancos que presentan una SSCR baja, un enfoque consiste en formar un subespacio ruido utilizando los vectores propios que más correspondan a los valores singulares más bajos (es decir, sólo los vectores propios situados más hacia el ruido espacialmente blanco). Dado un número fijo de sensores que contribuyen a las señales de rango-doppler RD_{1}, RD_{2}, ..., RD_{K}, la dimensión del subespacio ruido puede predeterminarse y fijarse dentro del selector de dimensión 54. Esto debería incrementar la sensibilidad del procedimiento de generación espectral basado en subespacios. Por consiguiente, los blancos que presentan una correlación espacial deberían resultar aumentados en un gráfico de rango-doppler de alta resolución y por lo tanto ser detectados por un detector de radar. No obstante, este procedimiento también puede incrementar el número de ruidos impulsivos detectados aumentando incorrectamente el eco parásito con escasa correlación espacial que el detector de radar puede considerar erróneamente que es un blanco. Por consiguiente, este enfoque permite que los blancos se destaquen del ruido de fondo, pero también incrementa la cuota de falsas alarmas por la detección de interferencia con escasa correlación espacial.

Con referencia a las figuras 23a a 23d, muestran datos de radar que contienen un blanco 232 que presenta una baja SSCR de aproximadamente 7 dB. Los datos de radar se registraron durante el verano. La figura 23a muestra un gráfico de rango-doppler para los datos de radar producidos por un concentrador de haz de base FFT. El blanco 232 es apenas visible en la figura 23a. La figura 23b muestra una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 23a en el rango del blanco 232. El blanco 232 es apenas visible por encima del ruido de fondo. La figura 23c muestra una rebanada a lo largo de la dimensión de rango del gráfico de rango-doppler de la figura 23a a la frecuencia doppler del blanco 232. Una vez más, el blanco 232 es apenas visible por encima del ruido de fondo. La figura 23d muestra un gráfico azimutal para los datos de radar que muestra la figura 23a en el rango y la frecuencia doppler del blanco 232.

Con referencia a las figuras 24a a 24d, muestran datos de radar de la figura 21a con los gráficos generados a partir del generador espectral 10 sin incorporar el módulo de supresión de ruido 102. El tamaño del subespacio de ruido se ha fijado en los 13 valores singulares mínimos. La figura 24a muestra un gráfico de rango-doppler de alta resolución para los datos de radar producidos por el generador espectral 10. El blanco 232 resulta visible en la figura 24a y presenta una SSCR de 6 dB. La figura 24b muestra una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 24a en el rango del blanco 232. El blanco 232 es más claramente visible por encima del ruido de fondo en comparación con la figura 23b. La figura 24c muestra una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 24a a la frecuencia doppler del blanco 232. Una vez más, el blanco 232 resulta claramente visible por encima del ruido de fondo en comparación con la figura 23c. La figura 24d muestra un gráfico azimutal para los datos de radar que muestra la figura 24a en el rango y la frecuencia doppler del blanco 232. En ambas figuras 24b y 24c, la detectabilidad del blanco ha mejorado gracias a la supresión del eco parásito marítimo y del eco parásito de interferencia.

\newpage

Para mejorar el aumento del blanco 232 en las figuras 22 y 23, los valores singulares que se utilizaron para generar el subespacio ruido se limitaron a los 5 valores singulares mínimos. Con referencia a las figuras 25a a 25d, muestran los datos de radar de la figura 22a con los gráficos generados a partir del generador espectral 10 utilizando los 5 valores singulares mínimos para construir el subespacio de ruido y sin incorporar el módulo de supresión de ruido 102. La figura 25a muestra un gráfico de rango-doppler de alta resolución para los datos de radar. El blanco 232 es visible en la figura 25a y presenta una SSCR de 12 dB. No obstante, el aumento del blanco no ha mejorado considerablemente debido al aumento de muchos blancos falsos que corresponden a eco parásito escasamente correlacionado espacialmente. La figura 25b muestra una rebanada a lo largo de la dimensión doppler del gráfico de rango-doppler de la figura 25a en el rango del blanco 232. La figura 25c muestra una rebanada a lo largo de la dimensión rango del gráfico de rango-doppler de la figura 25a en la frecuencia doppler del blanco 232. La figura 25d muestra un gráfico azimutal para los datos de radar mostrados en la figura 25a en el rango y la frecuencia doppler del blanco 232. La exactitud angular ha mejorado considerablemente en comparación con la exactitud angular que muestra la figura 24d.

Con referencia a la figura 26, muestra otra forma de realización alternativa de un generador espectral 240 que presenta un suavizador de matriz de covarianza 242 que se encuentra en comunicación con el calculador de matriz de covarianza 14 y el calculador de subespacio 16. El suavizador de matriz de covarianza 242 se introduce para aumentar la señal de identificación de radar de un posible blanco (y por lo tanto la detectabilidad del blanco) mediante el suavizado espacial de la estimación de matriz de covarianza C_{est} basándose en por lo menos una de las clases de suavizado siguientes: suavizado espacial directo, suavizado espacial inverso y suavizado especial directo/inverso como se muestra con mayor detalle más adelante. Además, en el generador espectral 240, el generador de matriz de posición 18' genera una matriz de posición A' ligeramente diferente, como se describe con mayor detalle más adelante. El resto del generador espectral 240 es idéntico al generador espectral 10, y no se describirá.

En HFSWR, la utilización de códigos complementarios de Frank para generar los impulsos EM y los filtros adaptados correspondientes, junto con el procedimiento de supresión de ruido 170 de la presente invención, ayuda a reducir la presencia de eco parásito marítimo e interferencia externa fuertemente correlacionada espacialmente en los gráficos de rango-doppler de alta resolución. No obstante, los gráficos de rango-doppler de alta resolución siguen conteniendo interferencia externa y ruido atmosférico que presentan escasa correlación espacial como resultado de la propagación de trayectoria múltiple que se extiende por todo el espectro rango-doppler y reduce la detectabilidad de los blancos posibles. Puede utilizarse el suavizado espacial para reducir esta clase de ruido.

El suavizado espacial fue desarrollado originalmente para estimar la dirección de llegada de señales múltiples (Evans et al., (1982), "Application of advanced signal processing techniques to angle of arrival estimations in ATC navigation and surveillance system", Informe 582, M.I.T. Lincoln Lab, Lexington, MA, 1982). No obstante, los inventores han encontrado que el suavizado espacial también aumenta la amplitud del blanco e incrementa la exactitud azimutal para blancos en un entorno de SCR baja sin el incremento correspondiente de la cuota de falsa alarmas. El suavizado espacial también es beneficioso para la referenciación del principal inconveniente para las técnicas de estimación espectral basadas en subespacios, que es la incapacidad para manejar señales perfectamente correlacionadas (o altamente correlacionadas) que surge con bastante frecuencia en la práctica debido a la propagación de trayectoria múltiple que es bien conocida por los expertos en la materia.

El suavizador de matriz de covarianza 242 realiza el suavizado espacial de la estimación de matriz de covarianza C_{est} para producir una matriz espacialmente suavizada C_{SMest}. La incorporación de la estimación de matriz de covarianza suavizada C_{SMest} en el estimador espectral basado en subespacio 10 de la presente invención hace posible la identificación de blancos independientemente de la naturaleza correlacionada del ruido. El procedimiento de suavizado espacial directo requiere un gran número de elementos sensores para distinguir entre un número determinado de blancos (por ejemplo se necesitan 2G sensores para distinguir entre G blancos). No obstante, utilizando simultáneamente el suavizado directo y el suavizado inverso, es posible distinguir entre G blancos si existen 3G/2 elementos sensores en la red principal de sensores 32 (Pillai et al., "Forward/Backward spatial smoothing techniques for coherent signal identification", IEEE Trans. On ASSP, 37(1), pp.8-15, 1989; Fiedlander et al., "Direction finding using spatial smoothing with interpolated arrays" IEEE Trans On AES, 28(2), pp. 574-587, 1992). Debe efectuarse una transacción entre el tamaño de la subred y el número de promedios realizado durante el suavizado espacial. El tamaño de la subred determina el número de blancos resolubles, mientras que el número de promedios determina la cantidad de blancos aumentables.

El suavizado espacial puede efectuarse formando subredes uniformemente superpuestas de sensores, a partir de una red de sensores principal que tenga K sensores, y cada subred K+1-G sensores. Las matrices de covarianza se generan entonces para cada subred (por lo tanto existen G submatrices) y se efectúa la media para suministrar una estimación de matriz de covarianza suavizada espacialmente C_{SMest}. Un modo alternativo para efectuar un suavizado espacial consiste en generar la estimación de matriz de covarianza C_{est} del modo previamente descrito en este documento (es decir, la ecuación 6) y a continuación dividir la estimación de matriz de covarianza C_{est} en G submatrices, efectuando a continuación la media de las mismas para obtener la estimación de matriz de covarianza suavizada C_{SMest}. La implementación del suavizado espacial que es utilizado preferentemente por el generador de matriz de covarianza 242 es el último procedimiento de suavizado espacial que se acaba de describir.

El suavizado espacial directo implica la formación de estimaciones de matriz de covarianza directas según las ecuaciones 24 a 26.

(24)C^{(K+1-G)x(K+1-G)}_{F,1} = C^{KxK}(1:(K+1-G),1:(K+1-G))

(25)C^{(K+1-G)x(K+1-G)}_{F,2} = C^{KxK}(2:(K+1-G+1),2:(K+1-G+1))

\vdots

(26)C^{(K+1-G)x(K+1-G)}_{F,G} = C^{KxK}(G:K,G:K)

Las ecuaciones 24 a 26 pueden representarse en términos generales mediante la ecuación 27.

(27)C^{(K+1-G)x(K+1-G)}_{F,i} = C^{KxK}(i:(K+1-G+i-1),i:(K+1-G+i-1))

en la que el superíndice (K+1-G)x(K+1-G) indica las dimensiones de las submatrices de covarianza (es decir K+1-G) es el número de sensores de cada subred) y la anotación C_{F,L} = C(G:K, G:K) significa que la submatriz C_{F,L} está formada a partir de la submatriz C que empieza en la fila G^{ava} y termina en la fila K^{ava} y empieza en la columna G^{ava} y termina en la columna K^{ava}. La estimación de matriz de covarianza suavizada espacialmente directa C_{FS} se calcula a continuación según la ecuación 28.

(28)C_{FS} = \frac{C_{F,1} + C_{F,2} + ... + C_{F,G}}{G}

El suavizado espacial inverso implica la formación de estimaciones de matriz de covarianza inversas según las ecuaciones 29 a 31.

(29)C^{(K+1-G)x(K+1-G)}_{B,1} = C^{KxK}(K:G,K:G)\text{*}

(30)C^{(K+1-G)x(K+1-G)}_{B,2} = C^{KxK}((K-1):(G-1),(K-1):(G-1))\text{*}

\vdots

(31)C^{(K+1-G)x(K+1-L)}_{B,G} = C^{KxK}((K+1-G):1,(K+1-G):1)\text{*}

Las ecuaciones 29 a 31 pueden representarse en general mediante la ecuación 32.

(32)C^{(K+1-G)x(K+1-G)}_{B,i} = C^{KxK}((K+1-i):(G+i-1),(K+1-i):(G+1-i))\text{*}

La conjugada compleja de la matrices de covarianza suavizadas espacialmente inversamente C_{B,I} se representa por el símbolo *. A continuación se calcula la estimación de matriz de covarianza suavizada espacialmente inversa C_{BS} según la ecuación 33.

(33)C_{BS} = \frac{C_{B,1} + C_{B,2} + ... + C_{B,G}}{G}

El suavizado espacial directo/inverso se realiza utilizando tanto la estimación de matriz de covarianza directa como la estimación de matriz de covarianza inversa. Por consiguiente, una matriz de covarianza suavizada espacialmente directa/inversa C_{FBS} puede calcularse según la ecuación 34:

(34)C_{FBS} = \frac{C_{FS} + C_{BS}}{2}

El suavizador de matriz de covarianza 242 puede realizar el suavizado espacial según uno cualquiera de los procedimientos de suavizado, directo, inverso y directo/inverso. No obstante, es preferible el suavizado espacial directo/inverso. Prescindiendo del procedimiento utilizado para el suavizado espacial, una vez calculada la estimación de matriz de covarianza suavizada espacialmente C_{SMest}, el calculador de subespacio 16 opera sobre la matriz de covarianza suavizada C_{SMest} para generar la estimación de matriz de subespacio ruido N_{est} que ya ha sido suavizada espacialmente porque la estimación de matriz de covarianza C_{SMest} ha sido suavizada espacialmente. El resto del generador espectral 240 opera de forma similar al generador espectral 10, excepto que el generador de posición 18' calcula una matriz de posición A' según la ecuación 35:

\newpage

(35)A' = [A'_{\theta 1}, A'_{\theta 2}, A'_{\theta 3}, ..., A'_{\theta Z}], \ -\pi \leq \theta i \leq \pi

en la que un elemento A'_{\theta i} es un vector dado por

(36)A'_{\theta i} = [1 e^{j2\pi(d/\lambda)sen(\theta i)}e^{j4\pi(d/\lambda)sen(\theta i)} ... e^{j2\pi(K-G)d/\lambda sen(\theta i)}]^{T}

Por lo tanto, la matriz de posición A' tiene la dimensión de (K-G) por Z.

Con referencia a la figura 27, muestra una forma de realización de un procedimiento de generación espectral 250 según el generador espectral 240. El procedimiento de generación espectral 250 es similar al procedimiento de generación espectral 60 excepto por dos diferencias. El procedimiento de generación espectral genera la matriz de posición A' en la etapa 64' según las ecuaciones 35 y 36 antes que las ecuaciones 8 y 9. En segundo lugar, el procedimiento de generación espectral 250 comprende la etapa 252 que realiza el suavizado espacial en la estimación de matriz de covarianza C_{est} para producir una estimación de matriz de covarianza espacialmente suavizada C_{SMest} que a continuación se utiliza para calcular la estimación de matriz de subespacio ruido N_{est}. El resto del procedimiento 250 es idéntico al procedimiento de estimación espectral 60 y no se describirá con mayor detalle.

Con referencia a la figura 28a, muestra un gráfico doppler de datos de radar, representado por la curva de trazo continuo. que contiene un blanco simulado 260 que está representado por una línea punteada (los datos de radar de un sensor único se muestran en la figura 28a). Los datos de radar se registraron durante la estación veraniega. La amplitud del blanco 260 se ajustó para suministrar una SSCR de 0 dB y el azimut del blanco 260 se ajustó a -34º.

A continuación se considera la figura 28b, que muestra el gráfico doppler de los datos de radar de la figura 28a (es decir para un sensor único) que presenta el blanco simulado 260 representado por la curva punteada, y el gráfico doppler de los datos sometidos a concentrador de haz de base FFT convencional que presente el blanco simulado 260, representado por la curva de trazo continuo. Sólo aparece una ligera mejora en la SSCR de aproximadamente 3 dB. No obstante, la detectabilidad del blanco 260 sigue sufriendo por el ruido de fondo circundante.

Con referencia a las figuras 29a a 29c, el procedimiento de estimación espectral 60 de la presente invención, se aplicó posteriormente a los datos de radar que muestra la figura 28b. El subespacio ruido se formó utilizando los 13 valores singulares mínimos de la estimación de matriz de covarianza. La figura 29a muestra el gráfico de doppler de alta resolución resultante en el rango del blanco 260. La figura 29b muestra el gráfico de rango de alta resolución resultante a la frecuencia doppler del blanco 260 y la Figura 29c muestra el gráfico azimutal de alta resolución en el rango y la frecuencia doppler del blanco 260. El blanco 260 presenta ahora una SSCR de 5 dB y ha aumentado gracias a la supresión del eco parásito durante el cálculo del subespacio de señal.

Con referencia a las figuras 30a a 30c, el procedimiento de estimación espectral 250 de la presente invención con la incorporación de suavizado espacial se aplicó a los datos de radar que muestra la figura 28b. Se utilizó el procedimiento de suavizado espacial directo-inverso para el suavizado de la estimación de matriz de covarianza. La figura 30a muestra el gráfico de doppler de alta resolución resultante en el rango del blanco 260. La figura 30b muestra el gráfico de rango de alta resolución resultante a la frecuencia doppler del blanco 260. La figura 30c muestra el gráfico azimutal de alta resolución en el rango y la frecuencia doppler del blanco 260. El blanco 260 presenta ahora una SSCR de 20 dB y la amplitud del blanco 260 se ha incrementado significativamente.

Con referencia a las figuras 31a a 31d, el rendimiento del procedimiento de estimación espectral 250 utilizando el suavizado espacial directo/inverso y un subespacio de ruido basado en los 13 valores singulares mínimos se evaluó en los mismos datos de radar para los cuales se generaron los gráficos de alta resolución de las figuras 24a a 24d. Las figuras 24a a 24d se generaron utilizando el procedimiento de estimación espectral con 13 valores singulares utilizados para determinar el subespacio ruido. La figura 31a muestra el gráfico de rango-doppler de alta resolución. En la figura 31a no hay tanto eco parásito como había en la figura 24a. La figura 31b muestra el gráfico de doppler de alta resolución en el rango del blanco 232. La figura 31c muestra el gráfico de rango de alta resolución a la frecuencia doppler del blanco 232. La figura 31d muestra el gráfico azimutal de alta resolución en el rango y la frecuencia doppler de blanco 232. Comparando la figura 31b con la figura 24b, la figura 31c con la figura 24c y la figura 31d con la figura 24d, la utilización del suavizado espacial ha aumentado la amplitud del blanco 232 respecto al ruido de fondo circundante en cada uno de los gráficos de doppler, de rango y azimutal. El blanco 232 presenta una SSCR de aproximadamente 23 dB.

Las formas de realización de los diversos generadores espectrales descritos en este documento pueden combinarse en un generador espectral. Con referencia a la figura 32, muestra una forma de realización alternativa del generador espectral 270 en la cual el generador espectral 10 se ha combinado con el módulo de supresión de ruido 102 y el suavizador de la matriz de covarianza 242. El generador espectral 270 comprende las ventajas de supresión de ruido de la estimación espectral de alta resolución, de la supresión de interferencia externa y del suavizado espacial. Los componentes del generador espectral 270 han sido previamente descritos y no volverán a describirse.

Las formas de realización de los diversos procedimientos de generación espectral descritos en este documento también pueden combinarse en un procedimiento de generación espectral. Con referencia a la figura 33, muestra una forma de realización alternativa de un procedimiento de generación espectral 280 en el cual el procedimiento de generación espectral 10 se ha combinado con el procedimiento de supresión de ruido 170 y la etapa de suavizado espacial 252. Todas estas etapas han sido previamente descritas y no volverán a describirse.

Los generadores espectrales 10, 100, 240 y 270 y los procedimientos de generación espectral 60, 170, 250 y 280 descritos en este documento también pueden aplicarse a una red circular uniforme, la cual es una red que presenta elementos de antena que están orientados de forma circular. Por consiguiente, una red circular uniforme puede presentar elementos de antena que formen un círculo o un arco de un círculo. La figura 34 muestra una red lineal (figura 34a) y una red circular uniforme (figura 34b). En el caso de una red circular uniforme, cada vector de posición del distribuidor de red o matriz de posición A es una función de \varphi y \theta según las ecuaciones 37 y 38:

1

en las que n = 1, 2, ..., N, R es el radio del ciclo definido por la red circular uniforme N \leq 2\piR/d donde los diversos elementos se muestran en la figura 34c. El símbolo \theta es la elevación y está comprendido entre 0 y 90 grados, y el símbolo \varphi es el azimut, y está comprendido entre 0 y 360 grados. El símbolo r es un vector de unidad de onda. Los elementos de antena de la red circular uniforme serían omnidireccionales. Una red circular uniforme puede instalarse en pequeñas islas o en grandes buques para proporcionar 360 grados de cobertura azimutal y también estimaciones de ángulo de elevación del blanco. Las técnicas de resolución de la presente invención pueden utilizarse con redes circulares uniformes para incrementar la resolución angular del radar y mejorar la supresión del eco parásito marítimo sustituyendo la matriz de posición A dada por las ecuaciones 37 y 38 en las fórmulas adecuadas mostradas anteriormente.

Los elementos de los generadores espectrales 10, 100, 240 y 270 descritos en este documento pueden ser implementados a través de cualesquiera medios conocidos en la técnica, aunque la utilización de hardware específico, tal como un procesador de señales digital, puede ser preferible. Alternativamente también pueden utilizarse componentes diferenciados, como filtros, comparadores, multiplicadores, registradores de impulsos, memoria y similares. Además, determinados componentes de los generadores espectrales 10, 100, 240 y 270 pueden implementarse mediante la misma estructura. Por ejemplo, el primer módulo de tratamiento doppler 106 y el segundo módulo de tratamiento doppler 114 puede ser la misma estructura.

Alternativamente, los elementos de las formas de realización alternativas dadas a conocer en este documento pueden ser implementados preferentemente a través de un programa informático que pueda escribirse en Matlab, C, C^{++}, Labview^{TM} o cualquier otro lenguaje de programación adecuado incorporado en un medio informático legible o una plataforma de cálculo que dispongan de un sistema operativo y del hardware y software necesarios para implementar los generadores espectrales 10, 100, 240 y 270. El programa informático debería comprender instrucciones de ordenador adaptadas para realizar las etapas de los diversos procedimientos de generación espectral 60, 170, 250 y 280. Los programas informáticos pueden comprender módulos o clases, como es conocido por los expertos en programación orientada a objetos, que estén implementados y estructurados conforme a la estructura de los generadores espectrales 10, 100, 240 y 270. De acuerdo con ello, los módulos de software separados pueden diseñarse para cada componente de los generadores espectrales 10, 100, 240 y 270. Alternativamente, la funcionalidad de estos componentes puede combinarse en un número más reducido de módulos de software cuando sea adecuado.

Debe entenderse que pueden realizarse diversas modificaciones de las formas de realización preferidas descritas en este documento, sin apartarse por ello de la presente invención, cuyo ámbito se define en las reivindicaciones adjuntas.

Claims (28)

1. Generador espectral (10) para radar, que comprende:

a)

un calculador de matriz de covarianza (14) para calcular una estimación de matriz de covarianza de una célula de rango-doppler de interés a partir de datos de sensores de rango-doppler pretratados; y

b)

un calculador espectral (20), en comunicación con el calculador de matriz de covarianza (14), para calcular un vector espectral de alta resolución;

caracterizado porque el generador espectral comprende además:

c)

un generador de ventana (12) en comunicación con el calculador de matriz de covarianza (14) para generar una ventana, definiendo la ventana una pluralidad de células de rango-doppler;

y porque el calculador de matriz de covarianza (14) está configurado para calcular una estimación de matriz de covarianza para una célula de rango-doppler de interés en la ventana y en el que la estimación de matriz de covarianza se obtiene a partir de matrices de covarianza calculadas para por lo menos una parte de la pluralidad de células de rango-doppler dentro de la ventana, y porque el calculador espectral (20) está configurado para calcular el vector espectral de alta resolución basándose en la matriz de ubicación y en una estimación de subespacio de ruido, obteniéndose la estimación de matriz de subespacio de ruido a partir de la estimación de matriz de covarianza.

2. Generador espectral (10) según la reivindicación 1, caracterizado porque el calculador de matriz de covarianza (14) genera la estimación de matriz de covarianza según una media ponderada de las matrices de covarianza, y el generador de ventana (12) define los coeficientes de ponderación utilizados en la media ponderada.

3. Generador espectral (10) según la reivindicación 2, caracterizado porque el generador de ventana (12) modifica el tamaño de la ventana según un modo de funcionamiento del radar.

4. Generador espectral (10) según la reivindicación 2, caracterizado porque el generador de ventana (12) modifica los coeficientes de ponderación de la ventana según un modo de funcionamiento del radar.

5. Generador espectral (10) según la reivindicación 2, caracterizado porque el generador de ventana (12) está configurado para generar una ventana que presenta por lo menos dos regiones, que comprende una primera región en la parte interior de la ventana y una segunda región que rodea la primera región, en el que los coeficientes de ponderación de la segunda región son inferiores o iguales a los coeficientes de ponderación de la primera región.

6. Generador espectral (10) según la reivindicación 2, caracterizado porque el generador de ventana (12) está configurado para generar una ventana que presenta tres regiones, que comprende una primera región en una parte interior de la ventana, una segunda región que rodea la primera región, y una tercera región que rodea la primera región, en el que los coeficientes de ponderación de la segunda región son inferiores o iguales a los coeficientes de ponderación de la primera región, y los coeficientes de ponderación de la tercera región son inferiores o iguales a los de la segunda región.

7. Generador espectral (10) según la reivindicación 1, caracterizado porque el generador espectral comprende además:

a)

un calculador de subespacio (16) en comunicación con el calculador de matriz de covarianza (14) para recibir la estimación de matriz de covarianza y calcular la estimación de matriz de subespacio de ruido basándose en por lo menos una parte del subespacio de ruido de la estimación de matriz de covarianza; y

b)

un generador de matriz de posición (18) en comunicación con el calculador espectral (20) para generar la matriz de posición para disponer de por lo menos un vector de posición que define un azimut para el cual se ha generado el vector espectral de alta resolución.

8. Generador espectral (10) según la reivindicación 7, caracterizado porque el calculador de subespacio (16) comprende:

a)

un módulo SVD (52) para recibir la estimación de matriz de covarianza y efectuar una descomposición en valores singulares de la misma;

b)

un selector de dimensión (54) en comunicación con el módulo SVD para seleccionar una dimensión b para el subespacio de ruido; y

(c)

un calculador de matriz de subespacio de ruido (56) en comunicación con el selector de dimensión (54) y el módulo SVD (52) para calcular la estimación de matriz de subespacio de ruido.

9. Generador espectral (10) según la reivindicación 1, caracterizado porque el calculador espectral (20) está adaptado para calcular el vector espectral de alta resolución según

MUS_{RDC} = \frac{1}{diag(A^{H} \cdot N_{est} \cdot N_{est}{}^{H} \cdot A)}

en la que A representa la matriz de posición y N_{est} es la estimación de matriz de subespacio de ruido.

10. Generador espectral (10) según la reivindicación 9, caracterizado porque el calculador espectral (20) está configurado para utilizar un vector de posición A_{\theta i} en la matriz de posición A dado por

A{'}_{\theta i} = [1 e^{j2\pi(d/\lambda)sen(\theta i)}e^{j4\pi(d/\lambda)sen(\theta i)} ... e^{j2\pi(K-G)d/\lambda sen(\theta i)}]^{T}

en la que d representa el espaciamiento de una red lineal que suministra los datos del sensor de rango-doppler, K representa el número de sensores de la red lineal, \theta_{i} representa un ángulo azimutal y \lambda representa la longitud de onda de los impulsos de radar transmitidos.

11. Generador espectral (10) según la reivindicación 9, caracterizado porque el calculador espectral (20) está configurado para utilizar un vector de posición A_{i}((\varphi, \theta) en la matriz de posición A dado por

2

en la que d representa el espaciamiento circunferencial entre sensores adyacentes en una red circular uniforme, N representa el número de sensores de la red circular uniforme, \varphi representa un ángulo azimutal, \theta representa un ángulo de elevación y R representa el radio de la red circular uniforme.

12. Generador espectral (10) según la reivindicación 1, que comprende además un suavizador de matriz de covarianza (242), en comunicación con el calculador de matriz de covarianza (14), para suavizar la estimación de matriz de covarianza efectuando la media de dos o más matrices de covarianza directas donde cada matriz de covarianza directa (C_{Fi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Fi} = C_{est}(i:(K+1-G+i-1),i:(K+1-G+i-1)).

13. Generador espectral (10) según la reivindicación 1, que comprende además un suavizador de matriz de covarianza (242), en comunicación con el calculador de matriz de covarianza (14), para suavizar la estimación de matriz de covarianza efectuando la media de dos o más matrices de covarianza inversas donde cada matriz de covarianza inversa (C_{Bi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Bi} = C*((K+1-i):(G+1-i), (K+1-i):(G+1-i)).

14. Generador espectral (10) según la reivindicación 1, que comprende además un suavizador de matriz de covarianza (242), en comunicación con el calculador de matriz de covarianza (14), para suavizar la estimación de matriz de covarianza efectuando la media de por lo menos una matriz de covarianza directa y por lo menos una matriz de covarianza inversa donde cada matriz de covarianza directa (C_{Fi}) y cada matriz de covarianza inversa (C_{Bi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Fi} = C_{est}(i:(K+1-G+i-1), i:(K+1-G+i-1)) y C_{Bi} = C*((K+1-i):(G+1-i), (K+1-i):(G+1-i)).

15. Generador espectral (10) según la reivindicación 1, que comprende además un módulo de supresión de ruido (102), en comunicación con el calculador de matriz de covarianza (14), para suministrar datos de radar con el ruido suprimido en lugar de datos de rango-doppler-sensor pretratados al calculador de matriz de covarianza (14), estimando el módulo de supresión de ruido (102) la interferencia externa en los datos de radar pretratados y suprimiendo la interferencia externa para generar datos de radar con el ruido suprimido.

16. Generador espectral (10) según la reivindicación 15, en el que el módulo de supresión de ruido (102) comprende:

a)

un primer módulo de tratamiento (106) para recibir los datos de radar pretratados y generar datos de radar adaptados;

b)

un segundo módulo de tratamiento (114) para recibir los datos de radar pretratados y generar datos de radar desadaptados;

c)

un concentrador de haz adaptativo (122) en comunicación con los módulos de tratamiento (106 y 114) para recibir una parte de los datos de radar adaptados y desadaptados que genera una estimación de la interferencia externa en la parte de datos de radar adaptados; y

d)

un supresor (124), en comunicación con el primer módulo de tratamiento (106)) y el concentrador de haz adaptativo (122) para proveer una parte de los datos de radar con el ruido suprimido mediante la supresión de la estimación de la interferencia externa a partir de la parte de datos de radar ajustados.

17. Procedimiento de generación espectral para radar (60), que comprende las etapas siguientes:

a)

calcular una estimación de matriz de covarianza (68) para una célula de rango-doppler de interés a partir de datos de rango-doppler-sensor pretratados; y

b)

calcular un vector espectral de alta resolución (76);

caracterizado porque el procedimiento comprende además:

c)

generar una ventana (62) que define una pluralidad de células de rango-doppler; y

porque la estimación de matriz de covarianza se genera a partir de las matrices de covarianza calculadas para por lo menos una parte de la pluralidad de células de rango-doppler dentro de la ventana y el vector espectral de alta resolución se basa en una matriz de posición y una estimación de matriz de subespacio de ruido, derivándose la estimación de matriz de subespacio de ruido de la estimación de matriz de covarianza.

18. Procedimiento de generación espectral según la reivindicación 17, caracterizado porque la etapa (a) comprende el cálculo de la estimación de matriz de covarianza basándose en la media ponderada de las matrices de covarianza en el que la ventana define los coeficientes de ponderación utilizados en la media ponderada.

19. Procedimiento de generación espectral según la reivindicación 18, caracterizado porque la etapa (c) comprende la modificación del tamaño de la ventana según un modo de funcionamiento del radar.

20. Procedimiento de generación espectral según la reivindicación 18, caracterizado porque la etapa (c) comprende la modificación de los coeficientes de ponderación en la ventana según un modo de funcionamiento del radar.

21. Procedimiento de generación espectral según la reivindicación 17, caracterizado porque la etapa (b) comprende:

d)

el cálculo de la estimación de matriz de subespacio de ruido basándose en por lo menos una parte del subespacio de ruido de la estimación de matriz de covarianza; y

e)

la generación de la matriz de posición (64) que presenta por lo menos un vector de posición que define un azimut para el cual se genera el vector espectral de alta resolución.

22. Procedimiento de generación espectral según la reivindicación 21, caracterizado porque la etapa (d) comprende:

i)

la realización de una descomposición en valores singulares de la estimación de matriz de covarianza;

ii)

la selección de una dimensión para el subespacio de ruido; y

iii)

el cálculo de la estimación de matriz de subespacio de ruido.

23. Procedimiento de generación espectral según la reivindicación 17, en el que la etapa (b) comprende el cálculo del vector espectral de alta resolución según

MUS_{RDC} = \frac{1}{diag(A^{H} \cdot N_{est} \cdot N_{est}{}^{H} \cdot A)}

en la que A representa la matriz de posición y N_{est} representa la estimación de matriz de subespacio de ruido.

24. Procedimiento de generación espectral según la reivindicación 17, en el que el procedimiento comprende además la suavización de dicha estimación de matriz de covarianza (252) mediante la media de dos o más matrices de covarianza directas, donde cada matriz de covarianza directa (C_{Fi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Fi} = C_{est}(i:(K+1-G+i-1), i:(K+1-G+i-1)).

25. Procedimiento de generación espectral según la reivindicación 17, caracterizado porque el procedimiento comprende además la suavización de dicha estimación de matriz de covarianza (252) mediante la media de dos o más matrices de covarianza inversas donde cada matriz de covarianza inversa (C_{Bi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Bi} = C*((K+1-i):(G+1-i), (K+1-i):(G+1-i)).

\newpage

26. Procedimiento de generación espectral según la reivindicación 17, en el que el procedimiento comprende además la suavización de dicha estimación de matriz de covarianza (252) mediante la media de por lo menos una matriz de covarianza directa y por lo menos una matriz de covarianza inversa donde cada matriz de covarianza directa (C_{Fi}) y cada matriz de covarianza inversa (C_{Bi}) se obtiene a partir de la estimación de matriz de covarianza (C_{est}) según C_{Fi} = C_{est}(i:(K+1-G+i-1), i:(K+1-G+i-1)) y C_{Bi} = C*((K+1-i):(G+1-i), (K+1-i):(G+1-i)).

27. Procedimiento de generación espectral según la reivindicación 17, caracterizado porque el procedimiento comprende además una etapa de supresión de ruido para proporcionar datos de radar con el ruido suprimido en lugar de datos de rango-doppler-sensor pretratados, efectuándose la etapa de supresión de ruido mediante la estimación de la interferencia externa en los datos de radar pretratados y la supresión de la interferencia externa para generar datos de radar con el ruido suprimido.

28. Procedimiento de generación espectral según la reivindicación 27, caracterizado porque la etapa de supresión de ruido comprende:

i)

el tratamiento de los datos de radar pretratados para generar datos de radar adaptados;

ii)

el tratamiento de los datos de radar pretratados para generar datos de radar desadaptados;

iii)

la selección de una parte de los datos de radar adaptados y desadaptados y realización de una concentración de haz adaptativo para generar una estimación de la interferencia externa en la parte de datos de radar adaptados; y

iv)

la generación de una parte de los datos de radar con el ruido suprimido mediante la supresión de la estimación de la interferencia externa a partir de la parte de datos de radar adaptados.