Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä

Koko: px

Aloita esitys sivulta:

Download "Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä"

Esko Virtanen
7 vuotta sitten
Katselukertoja:

1 Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä Toteuttajataho: Harp Technologies Oy Myönnetty rahoitus: ,-

2 Esityksen sisältö Tieteellinen ongelma Tutkimuksen tavoitteet Tulokset ja tulosten analysointi Tulosten jatkokäyttö

3 Esityksen sisältö Tieteellinen ongelma Tutkimuksen tavoitteet Tulokset ja tulosten analysointi Tulosten jatkokäyttö

4 Tieteellinen ongelma (1/5) Vastapuolen tietoliikenne- ja tutkalähetteiden havaitseminen Kuuluu elektronisen sodankäynnin alaan: Elektroninen tuki (ESM tai ES) Operatiivinen elektroninen tiedustelu ja valvonta Elektroninen uhkavaroitus Strateginen signaalitiedustelu (SIGINT)

5 Tieteellinen ongelma (2/5) Tutka- ja tietoliikennelähetteitä (signaaleja) mitataan vastaanottimella Vastaanottimelle kytkeytyy antennin kautta ympäristön kohinaa ja sitä syntyy myös itse vastaanottimessa Heikkoja lähetteitä on vaikea havaita kohinan seasta (eli kun signaali-kohina -suhde on alhainen)

6 Tieteellinen ongelma (3/5) Hajaspektritekniikat vaikeuttavat lähetteiden havaitsemista entisestään Lähetteen amplitudiin reagoiva algoritmi vaatii väh. 10 db signaali-kohina-suhteen (oma arvio)

7 Tieteellinen ongelma (4/5) Spektraalinen kurtosis (SK) algoritmi on lupaava algoritmi matalan intensiteetin hajaspektrilähetteiden havaitsemisessa ja tunnistamisessa N M -pituinen datavektori (mitattu tai simuloitu) jaetaan N-pituisiin erillisiin osavektoreihin

8 Tieteellinen ongelma (5/5) Lasketaan DFT-muunnokset jokaiselle M osavektorille: x 1 (k) X 1 (m), k,m = 1...N x 2 (k) X 2 (m),... x M (k) X M (m), Lasketaan kurtosis κ s kullekin taajuusindeksille (m) joukosta { X 1 (m), X 2 (m),..., X M (m) } = ) ( ௦ ߢ ܯ 1 ܯ ଵ ସ 1) + ܯ) ଶ ଵ ଶ 2

9 Esityksen sisältö Tieteellinen ongelma Tutkimuksen tavoitteet Tulokset ja tulosten analysointi Tulosten jatkokäyttö

10 Tutkimuksen tavoitteet (1/4) Tutkitaan spektraalisen kurtosis - menetelmän Käyttökelpoisuutta ja suorituskykyä elektronisessa sodankäynnissä ja signaalitiedustelussa Soveltuvuutta matalan intensiteetin hajaspektrisignaalien havaitsemiseen ja tunnistamiseen

11 Tutkimuksen tavoitteet (2/4) Tutkimuskohteena vain hajaspektrisignaalit Arvioidaan menetelmän suorituskykyä verrattuna Tehospektimittauksiin (PSD) Tavanomaiseen kurtosis-algoritmiin

12 Tutkimuksen tavoitteet (3/4) Verrataan eroja teoreettisen ja mitatun suorituskyvyn välillä Suorituskykyvertailussa käytetään samoja signaaleja kuin aikaisemmissa MATINE-hankkeissa (tulosten vertailukelpoisuus)

13 Tutkimuksen tavoitteet (4/4) Arvioidaan menetelmän mahdollisia rajoituksia Arvioidaan vaatimuksia operatiiviselle laitteistolle

14 Esityksen sisältö Tieteellinen ongelma Tutkimuksen tavoitteet Tulokset ja tulosten analysointi Tulosten jatkokäyttö

15 Signaaliparametrit Siniset parametrit vain simulaatioissa, muut myös mittauksissa Harp Technologies Ltd 2015 Commercial in Confidence

16 Laskentaparametrit N = 256 (taajuusresoluutio 2/1 MHz) M = 1280 N M = (aikares. 0.66/1.3 ms) Harp Technologies Ltd 2015 Commercial in Confidence

17 DSSS (1/2) Probability of detection

18 DSSS (2/2) PSD measured DSSS; Bandwidth 20 MHz; simulated & measured PSD kurtosis measured kurtosis SK SNR (db)

19 FHSS (1/2) 1 FHSS; hop rate 100 Hz; simulated & measured PSD SK kurtosis SNR (db)

20 FHSS (2/2) FHSS, hop rate 1 MHz PSD SK kurtosis SNR (db)

21 FHSS-tutka (1/3) FHSS radar; hop rate 1000 Hz, duty cycle 0.1 %; simulated & measured 1 SK 0.9 SK measured PSD kurtosis measured kurtosis PSD measured SNR (db)

22 FHSS-tutka (2/3) Probability of detection

23 FHSS-tutka (3/3) 0.9 FHSS radar; PRF/hop rate 1000 Hz, duty cycle 10 %; simulated & measured PSD SK kurtosis SNR (db)

24 Yhteenveto (1/4) Spektraalinen kurtosis (SK) on herkempi kuin tavanomainen kurtosis-ilmaisin Alikanavointi parantaa tavanomaisen kurtosis-algoritmin herkkyyttä jopa SK:ta paremmaksi SK on PSD:tä herkempi jos FHSStutkasignaalin pulssisuhde on pieni ja/tai hyppytaajuus suuri Harp Technologies Ltd 2015 Commercial in Confidence

25 Yhteenveto (2/4) SK- ja PSD-ilmaisutyypeillä on synergiaa sekä performanssissa että HWtoteutuksessa SK on immuuni tehotason vaihtelulle (toisin kuin PSD); käytännössä SK saa siis suhteellista herkkyysetua (etu on olosuhde- ja laitteistoriippuvainen) Harp Technologies Ltd 2015 Commercial in Confidence

26 Yhteenveto (3/4) SK on hyvä pienten pulssisuhteiden (tässä FHSS-tutka) havainnoinnissa SK:ssa taas CW-tyyppiset signaalit vaimentuvat (suhteessa PSD:hen) joskus haitta, joskus taas mahdollinen etu, jos halutaan keskittyä havainnoimaan pieniä pulssisuhteita muiden signaalien joukosta Harp Technologies Ltd 2015 Commercial in Confidence

27 Yhteenveto (4/4) Summa summarum: kullakin algoritmilla on omat vahvuusalueensa, ja paras tulos saavutetaan jos ne kaikki ovat käytössä Harp Technologies Ltd 2015 Commercial in Confidence

28 Esityksen sisältö Tieteellinen ongelma Tutkimuksen tavoitteet Tulokset ja tulosten analysointi Tulosten jatkokäyttö

29 Tulosten jatkokäyttö Hankkeen tuloksia voidaan hyödyntää kehitettäessä hajaspektrilähetteiden havainnointimenetelmiä ja tuotteita Lavettien omasuojajärjestelmiin Operatiivisen elektronisen tiedustelun ja valvonnan järjestelmiin Strategisen signaalitiedustelun järjestelmiin

30 Kiitokset Rahoittaja: MATINE Yhteistyökumppanit Puolustusvoimissa: PVTutkL (Riihimäki) Merivoimat Ym.

Samankaltaiset tiedostot

Hajaspektrisignaalien havaitseminen elektronisessa

Hajaspektrisignaalien havaitseminen elektronisessa sodankäynnissä Toteuttajataho: Harp Technologies Oy Myönnetty rahoitus: 43.019 Esityksen sisältö Tieteellinen ongelma Hanke Tutkimuksen tavoitteet Tulokset