Tian jianyong 25be8fa894 将毫米波制导的扫描算法从圆锥扫描改为螺旋扫描, 调整了参数; 改进了跟踪阶段的锁定成功率阈值和SNR平均算法

2025-05-25 13:32:43 +08:00

24 KiB

Raw Blame History

Swerling RCS 模型设计文档

1. 引言

本文档详细描述了项目中 SwerlingRcsModel.cs 类的设计与实现，该类用于模拟雷达散射截面（RCS）的Swerling统计起伏模型。Swerling模型是雷达系统分析和目标探测性能评估中的重要工具，它描述了不同类型目标由于姿态微小变化或内部结构复杂性导致的RCS值随机波动特性。

关于Swerling模型的更详细理论背景，请参考项目文档：RCS统计模型理论。

SwerlingRcsModel 类的具体实现位于以下路径： ThreatSource/src/Utils/SwerlingRcsModel.cs

2. 设计目标

SwerlingRcsModel 类的设计旨在满足以下目标：

模拟RCS统计起伏：提供一种机制来模拟目标RCS值的统计性波动，而不是使用固定的RCS值。
支持标准Swerling模型：实现对Swerling I、II、III、IV四种经典模型的支持。
区分起伏速率：能够区分慢起伏（slow fluctuation, Swerling I/III）和快起伏（fast fluctuation, Swerling II/IV）目标。
可配置平均RCS：允许用户为目标指定一个平均RCS值，作为所选统计分布的基准参数。
支持可复现性：通过可选的随机数生成器种子，确保在需要时能够获得可复现的RCS序列。
自动化模型选择：提供基于目标装备类型（EquipmentType）和运动状态（MotionStateType）自动选择合适Swerling模型的内部逻辑。

3. Swerling模型的统计学理论基础

3.1 概率分布理论

Swerling模型基于不同的概率分布来描述RCS值的统计特性。理解这些分布的数学特性对于正确实现和应用模型至关重要。

3.1.1 指数分布（Swerling I & II）

数学定义：

概率密度函数：$f(x) = \frac{1}{\sigma} e^{-x/\sigma}$，其中 $x \geq 0$，\sigma > 0
累积分布函数：F(x) = 1 - e^{-x/\sigma}
期望值：E[X] = \sigma
方差：Var[X] = \sigma^2

物理意义：

指数分布描述了具有简单几何结构的目标，其RCS主要由一个或少数几个主要散射中心决定
这种分布具有"无记忆性"，适合描述散射特性相对简单的目标
分布的长拖尾特性意味着会出现很多小RCS值和少数大RCS值

采样方法：使用逆变换采样法：$X = -\sigma \ln(1-U)$，其中 U \sim \text{Uniform}(0,1)

3.1.2 卡方分布（Swerling III & IV）

数学定义：

对于4个自由度的卡方分布：X \sim \chi^2(4)
概率密度函数：$f(x) = \frac{1}{4} x e^{-x/2}$，其中 x \geq 0
期望值：E[X] = 4
方差：Var[X] = 8

等价伽马分布表示：

卡方分布等价于形状参数 $k=2$，尺度参数 \theta=\sigma/2 的伽马分布
概率密度函数：f(x) = \frac{4}{\sigma^2} x e^{-2x/\sigma}
期望值：E[X] = \sigma
方差：Var[X] = \sigma^2/2

物理意义：

卡方分布（4自由度）描述了具有复杂几何结构的目标，其RCS由多个独立散射中心的贡献组成
相比指数分布，卡方分布的方差更小，RCS值更集中在平均值附近
适合描述具有多个散射面或复杂内部结构的目标

采样方法：通过两个独立指数分布随机变量的和来实现：$X = Y_1 + Y_2$，其中 Y_1, Y_2 \sim \text{Exp}(\sigma/2)

3.2 起伏速率分类

3.2.1 慢起伏（Slow Fluctuation）

定义：RCS值在一个雷达扫描周期内保持恒定，但在不同扫描周期间独立变化
适用场景：目标相对于雷达的姿态变化缓慢，或目标结构相对稳定
数学特性：$\sigma(t) = \sigma_i$，在第$i$个扫描周期内为常数
实现：使用缓存机制，在同一扫描周期内返回相同的RCS值

3.2.2 快起伏（Fast Fluctuation）

定义：RCS值在每个雷达脉冲间隔内都独立变化
适用场景：目标快速机动或具有复杂的动态散射特性
数学特性：\sigma(t) 在每个时刻都是独立的随机变量
实现：每次调用都重新采样，不使用缓存

3.3 统计特性对比

模型类型	分布类型	期望值	方差	变异系数	起伏特性
Swerling I	指数分布	`\sigma`	`\sigma^2`	1.0	慢起伏
Swerling II	指数分布	`\sigma`	`\sigma^2`	1.0	快起伏
Swerling III	卡方(4df)	`\sigma`	`\sigma^2/2`	0.707	慢起伏
Swerling IV	卡方(4df)	`\sigma`	`\sigma^2/2`	0.707	快起伏

变异系数（Coefficient of Variation）= \sqrt{Var[X]}/E[X] 是衡量相对波动程度的重要指标：

Swerling I/II：变异系数为1.0，表示标准差等于均值，波动较大
Swerling III/IV：变异系数为0.707，表示波动相对较小，更稳定

3.4 模型选择的统计学依据

3.4.1 基于目标复杂度

简单目标（如球体、简单几何体）→ 指数分布（Swerling I/II）
复杂目标（如多面体、具有内部结构的目标）→ 卡方分布（Swerling III/IV）

3.4.2 基于运动特性

缓慢变化（静止或匀速直线运动）→ 慢起伏（Swerling I/III）
快速变化（机动飞行、快速转向）→ 快起伏（Swerling II/IV）

3.4.3 实际应用中的选择策略

坦克/装甲车：
- 静止/匀速：Swerling I（简单几何，慢变化）
- 机动：Swerling III（复杂结构，但变化相对较慢）

直升机：
- 悬停/匀速：Swerling II（旋翼造成快速散射变化）
- 机动：Swerling IV（复杂结构 + 快速姿态变化）

3.5 基于统计学理论的阈值设置指南

3.5.1 理论基础

在毫米波制导系统中，成功率阈值的设置需要考虑Swerling模型的统计特性。由于RCS值的随机波动，即使目标确实存在，也可能因为RCS瞬时值过小而导致SNR低于检测阈值，造成"虚假丢失"。

关键统计学考量：

指数分布的长拖尾特性：约37%的时间RCS值会低于平均值的1/e ≈ 0.37倍
卡方分布的相对稳定性：约30%的时间RCS值会低于平均值的0.5倍
检测概率与虚警概率的权衡：阈值过高导致漏检，过低导致虚警

3.5.2 实际案例分析

场景描述：毫米波制导系统在Lock模式下，使用8帧滑动窗口进行目标稳定性判断。目标为坦克（Swerling I模型），平均RCS为10 dBsm，但由于Swerling波动，实际RCS在-5 dBsm到25 dBsm之间变化。

问题：原始成功率阈值设置为0.7（70%），但观察到系统频繁从Lock模式回退到Search模式。

统计学分析：

Swerling I模型的概率特性：

P(RCS < 0.5 × 平均RCS) ≈ 0.393 (39.3%)
P(RCS < 0.3 × 平均RCS) ≈ 0.259 (25.9%)
P(RCS < 0.1 × 平均RCS) ≈ 0.095 (9.5%)

8帧窗口中的期望失败率：
- 如果SNR阈值设置使得约30%的时间RCS不足以满足检测要求
- 在8帧中，期望失败帧数 = 8 × 0.3 = 2.4帧
- 成功率 = (8 - 2.4) / 8 = 0.7 = 70%
实际观测与理论的偏差：
- 实际失败率可能更高（35-40%），因为还要考虑：
  - 大气衰减的随机性
  - 目标姿态微小变化
  - 系统噪声的影响
- 实际成功率可能只有60-65%

阈值调整策略：

// 原始设置（过于严格）
private const double SUCCESS_RATE_THRESHOLD = 0.7; // 70%

// 基于Swerling I统计特性的调整
private const double SUCCESS_RATE_THRESHOLD = 0.5; // 50%

调整理由：

统计学依据：对于Swerling I模型，即使在理想条件下，由于指数分布的长拖尾特性，也会有约30-40%的时间出现低RCS值
工程实践：考虑到实际环境中的额外不确定性，50%的阈值提供了更好的鲁棒性
性能权衡：降低阈值会略微增加虚警概率，但显著减少漏检概率

3.5.3 不同Swerling模型的推荐阈值

目标类型	Swerling模型	推荐成功率阈值	理由
坦克/APC (静止)	Swerling I	0.5 - 0.6	指数分布波动大，需要较低阈值
坦克/APC (机动)	Swerling III	0.6 - 0.7	卡方分布相对稳定，可用较高阈值
直升机 (悬停)	Swerling II	0.4 - 0.5	快起伏+指数分布，最不稳定
直升机 (机动)	Swerling IV	0.5 - 0.6	快起伏但卡方分布相对稳定

3.5.4 动态阈值调整算法

基于实时统计的自适应阈值：

// 伪代码示例
private double CalculateAdaptiveThreshold(TargetSwerlingModelType modelType, 
                                         double observedVariance, 
                                         double theoreticalVariance)
{
    double baseThreshold = modelType switch
    {
        TargetSwerlingModelType.Swerling_I => 0.55,
        TargetSwerlingModelType.Swerling_II => 0.45,
        TargetSwerlingModelType.Swerling_III => 0.65,
        TargetSwerlingModelType.Swerling_IV => 0.55,
        _ => 0.5
    };
    
    // 根据观测到的方差调整阈值
    double varianceRatio = observedVariance / theoreticalVariance;
    if (varianceRatio > 1.2) // 实际波动比理论预期大20%以上
    {
        baseThreshold *= 0.9; // 降低阈值10%
    }
    else if (varianceRatio < 0.8) // 实际波动比理论预期小20%以上
    {
        baseThreshold *= 1.1; // 提高阈值10%
    }
    
    return Math.Clamp(baseThreshold, 0.3, 0.8); // 限制在合理范围内
}

3.5.5 实施建议

初始设置：根据目标类型选择合适的基础阈值
监控调整：通过日志分析实际成功率分布，微调阈值
环境适应：在不同天气条件下可能需要不同的阈值设置
任务优先级：高价值目标可以使用更低的阈值以减少漏检风险

配置文件示例：

# 基于Swerling模型的成功率阈值配置
[guidance.thresholds]
swerling_i_threshold = 0.5    # 坦克/APC 静止/匀速
swerling_ii_threshold = 0.45  # 直升机 悬停/匀速  
swerling_iii_threshold = 0.65 # 坦克/APC 机动
swerling_iv_threshold = 0.55  # 直升机 机动

# 环境因子
weather_degradation_factor = 0.9  # 恶劣天气时降低阈值
high_value_target_factor = 0.8    # 高价值目标降低阈值

4. 类详细设计: `SwerlingRcsModel`

4.1 命名空间

ThreatSource.Utils

4.2 枚举 (Enums)

`TargetSwerlingModelType`

此枚举定义了支持的Swerling模型类型：

Swerling_I: 慢起伏模型，RCS值服从指数分布（卡方分布，2个自由度）。RCS值在一个扫描周期内保持不变，但在不同扫描周期之间独立变化。
Swerling_II: 快起伏模型，RCS值服从指数分布（卡方分布，2个自由度）。RCS值在每个雷达脉冲之间都独立变化。
Swerling_III: 慢起伏模型，RCS值服从卡方分布，4个自由度（等价于形状参数k=2的伽马分布）。RCS值在一个扫描周期内保持不变，但在不同扫描周期之间独立变化。
Swerling_IV: 快起伏模型，RCS值服从卡方分布，4个自由度（等价于形状参数k=2的伽马分布）。RCS值在每个雷达脉冲之间都独立变化。

`MotionStateType`

此枚举定义了目标可能的运动状态，用于辅助 DecideSwerlingModel 方法选择合适的Swerling模型：

Static: 目标静止。
ConstantVelocity: 目标进行匀速运动。
Maneuvering: 目标进行机动飞行/行驶。
Other: 其他未明确定义的运动状态。

4.3 主要字段 (Fields)

private readonly Random _randomGenerator;
- 一个 System.Random 类的实例，用于生成模拟所需的随机数。其种子可以在构造函数中指定，以实现可复现的仿真结果。
private readonly Dictionary<string, double> _slowFluctuationRcsCache;
- 一个字典，用于缓存慢起伏模型（Swerling I 和 III）在当前扫描周期内的RCS值。
- 键（string）: 目标的唯一ID (targetId)。
- 值（double）: 该目标在当前扫描周期缓存的RCS值（单位：平方米）。

4.4 构造函数 (Constructor)

public SwerlingRcsModel(int? seed = null)
- 初始化 _randomGenerator 实例。如果提供了 seed 参数，则使用该种子；否则，使用默认的、基于时间的种子。
- 初始化 _slowFluctuationRcsCache 为一个新的空字典。

4.5 核心公共方法 (Core Public Method)

public double GetRealtimeRcs(string targetId, EquipmentType equipmentType, MotionStateType motionState, double averageRcsValue, bool isNewScanPeriod)
- 参数:
  - targetId (string): 目标的唯一标识符。对于慢起伏模型，此ID用于在同一扫描周期内缓存和复用RCS值。
  - equipmentType (EquipmentType): 目标类型（如Tank, Helicopter等），用于内部模型选择。
  - motionState (MotionStateType): 目标的运动状态，用于内部模型选择。
  - averageRcsValue (double): 目标的平均RCS值（单位：平方米），作为所选统计分布的参数。
  - isNewScanPeriod (bool): 指示当前调用是否代表一个新的扫描周期的开始。此参数仅对慢起伏模型有意义，用于决定是否应重新采样RCS值。
- 内部逻辑:
  1. 调用 DecideSwerlingModel(equipmentType, motionState) 确定要使用的 TargetSwerlingModelType。
  2. 参数验证：
    - 如果选择的是慢起伏模型（Swerling I 或 III）但 targetId 为空或null，则抛出 ArgumentNullException。
    - 如果 averageRcsValue 小于或等于0，则直接返回0.0，不进行采样。
  3. 根据确定的 TargetSwerlingModelType 执行相应的采样逻辑：
    - Swerling_I (慢起伏, 指数分布):
      - 如果 isNewScanPeriod 为 true 或者 _slowFluctuationRcsCache 中不存在 targetId 对应的项，则调用 SampleExponentialDistribution(averageRcsValue) 生成新的RCS值，并将其存储（或更新）到缓存中（以 targetId 为键）。
      - 否则，直接从缓存中读取并返回之前存储的RCS值。
    - Swerling_II (快起伏, 指数分布):
      - 每次调用都直接执行 SampleExponentialDistribution(averageRcsValue) 并返回新的RCS值，不使用缓存。
    - Swerling_III (慢起伏, 卡方4自由度/Gamma k=2):
      - 与Swerling I类似，但调用 SampleGammaDistributionK2(averageRcsValue) 进行采样。同样处理缓存逻辑。
    - Swerling_IV (快起伏, 卡方4自由度/Gamma k=2):
      - 每次调用都直接执行 SampleGammaDistributionK2(averageRcsValue) 并返回新的RCS值，不使用缓存。
    - 如果内部确定的模型类型不被支持（理论上不应发生），则抛出 ArgumentOutOfRangeException。
- 返回值:
  - 模拟计算得到的瞬时RCS值（单位：平方米）。

4.6 内部辅助方法 (Private Helper Methods)

private double SampleExponentialDistribution(double sigmaAverage)
- 用途: 为Swerling I型和II型模型从指数分布中采样RCS值。
- 参数: sigmaAverage (目标的平均RCS值，即指数分布的尺度参数)。
- 返回: 一个根据指数分布采样得到的RCS值。如果 sigmaAverage 非正，则返回0.0。
- 实现: 使用逆变换采样法 (-sigmaAverage * Math.Log(1.0 - u))，其中 u 是 _randomGenerator.NextDouble() 产生的 (0,1) 均匀分布随机数。
private double SampleGammaDistributionK2(double sigmaAverage)
- 用途: 为Swerling III型和IV型模型从形状参数k=2的伽马分布中采样RCS值。
- 参数: sigmaAverage (目标的平均RCS值)。
- 返回: 一个根据伽马分布(k=2)采样得到的RCS值。如果 sigmaAverage 非正，则返回0.0。
- 实现: 通过对两个独立的、尺度参数为 sigmaAverage / 2.0 的指数分布随机变量求和来实现。这两个指数分布的采样通过调用 SampleExponentialDistribution 完成。
private static TargetSwerlingModelType DecideSwerlingModel(EquipmentType equipmentType, MotionStateType motionState)
- 用途: 根据目标类型和运动状态，决定应采用的Swerling模型类型。
- 输入:
  - equipmentType (EquipmentType): 目标装备类型。
  - motionState (MotionStateType): 目标运动状态。
- 输出: TargetSwerlingModelType。
- 决策规则:
  - EquipmentType.Tank 或 EquipmentType.APC:
    - 若 motionState 为 Maneuvering，则返回 TargetSwerlingModelType.Swerling_III。
    - 否则，返回 TargetSwerlingModelType.Swerling_I。
  - EquipmentType.Helicopter:
    - 若 motionState 为 Maneuvering，则返回 TargetSwerlingModelType.Swerling_IV。
    - 否则，返回 TargetSwerlingModelType.Swerling_II。
  - 对于 EquipmentType.Unknown 或其他未明确处理的 equipmentType：
    - 返回 TargetSwerlingModelType.Swerling_I 并通过 Trace.TraceWarning 记录一条警告信息。

4.7 缓存管理方法 (Cache Management Methods)

public void ClearCachedRcs(string targetId)
- 功能: 从慢起伏模型的RCS缓存 (_slowFluctuationRcsCache) 中移除指定 targetId 的条目。
- 主要用于当一个慢起伏目标不再被跟踪或其状态需要重置时。
public void ClearAllCachedRcs()
- 功能: 清除慢起伏模型RCS缓存中的所有条目。
- 用于在仿真重置、扫描周期结束或需要完全刷新所有慢起伏目标状态时调用。

5. 集成与使用场景 (以 `MillimeterWaveGuidanceSystem` 为例)

SwerlingRcsModel 类主要被 MillimeterWaveGuidanceSystem 用于在目标探测过程中为每个潜在目标计算一个动态的RCS值。

5.1 实例化

在 MillimeterWaveGuidanceSystem 的构造函数中，会创建一个 SwerlingRcsModel 的实例：

swerlingRcsModel = new SwerlingRcsModel();

这里使用了无参构造函数，因此随机数生成器会使用默认种子。

5.2 `GetRealtimeRcs` 调用

在 MillimeterWaveGuidanceSystem 的 TryDetectAndTrackTarget 方法内部，当计算每个目标的SNR之前，会调用 GetRealtimeRcs 来获取其波动后的RCS值：

// 假设 rcsLinear 是从目标 RcsPattern 或默认值获取的平均RCS
rcsLinear = swerlingRcsModel.GetRealtimeRcs(
    target.Id,                         // 目标唯一ID
    target.Properties.Type,            // 目标装备类型
    motionState,                       // 运动状态 (根据目标速度判断为 Static 或 ConstantVelocity)
    rcsLinear,                         // 平均RCS值
    false                              // <<-- 注意：isNewScanPeriod 当前硬编码为 false
);

关键点：

motionState 参数: 在 MillimeterWaveGuidanceSystem 的当前实现中，motionState 参数在调用 GetRealtimeRcs 前被确定。它首先被初始化为 MotionStateType.Static。如果检测到目标 target.KState.Speed 大于 0.1，则 motionState 被更新为 MotionStateType.ConstantVelocity。这意味着 SwerlingRcsModel 内部的 DecideSwerlingModel 方法会根据这一（有限的）动态信息选择Swerling模型（例如，坦克/APC 会在 Static 和 ConstantVelocity 两种情况下都选用Swerling I，直升机则都选用Swerling II，因为 DecideSwerlingModel 中 ConstantVelocity 未被特殊处理以触发Swerling III/IV）。
averageRcsValue 参数: 使用的是从目标自身 RcsPattern (如果存在且有效) 计算得到的、或一个默认的RCS值（线性单位，平方米）作为输入。Swerling模型在此基础上施加统计波动。
isNewScanPeriod 参数: 此参数在 MillimeterWaveGuidanceSystem 的调用中硬编码为 false。

5.3 慢起伏缓存管理与扫描周期

尽管 isNewScanPeriod 在单次 GetRealtimeRcs 调用时被硬编码为 false，但慢起伏模型的RCS值并不会永久不变。MillimeterWaveGuidanceSystem 通过其自身的扫描逻辑间接管理RCS的刷新：

在 UpdateConicalScan 方法中，有一个 scanCycleTimer 用于跟踪当前扫描的持续时间。
当 scanCycleTimer 达到一个完整扫描周期所需的时间 (由 360 / config.ScanAngularSpeedDeg 计算得到) 时，会调用 swerlingRcsModel.ClearAllCachedRcs()。
这个调用会清空所有慢起伏目标的缓存RCS值。因此，在下一个扫描周期开始后，当这些目标再次被 GetRealtimeRcs 处理时，由于缓存中已无它们的数据（即使 isNewScanPeriod 仍为 false），SwerlingRcsModel 内部的逻辑 (!_slowFluctuationRcsCache.TryGetValue(...)) 会触发一次新的采样。

这种机制有效地为所有慢起伏目标实现了基于扫描周期的RCS刷新。

5.4 对SNR计算的影响

由 SwerlingRcsModel 生成的波动RCS值（rcsLinear）随后被用于 MillimeterWaveGuidanceSystem.CalculateSNR 方法中。RCS值的波动会直接导致计算出的信噪比（SNR）产生相应的波动，这进一步影响了目标的探测概率、进入跟踪模式的条件以及最终的锁定稳定性，使得仿真更接近实际雷达系统面临的情况。

6. 当前实现的假设与限制

运动状态硬编码: 如前所述，MillimeterWaveGuidanceSystem 在调用 GetRealtimeRcs 时，将 motionState 参数硬编码为 MotionStateType.Static。这限制了 SwerlingRcsModel 根据目标实际运动状态动态选择Swerling I/III或II/IV模型的能力。当前，选择主要基于 equipmentType，且总是对应于非机动情况（Swerling I 或 II）。
运动状态判断的局限性: MillimeterWaveGuidanceSystem 目前根据目标速度是否大于一个阈值 (0.1) 来区分 MotionStateType.Static 和 MotionStateType.ConstantVelocity。它尚未实现对 MotionStateType.Maneuvering （机动）状态的判断。因此，SwerlingRcsModel 的 DecideSwerlingModel 方法目前无法根据目标是否在进行机动来选择Swerling III 或 IV 模型；对于非机动（包括Static和ConstantVelocity），它将为坦克/APC选择Swerling I，为直升机选择Swerling II。
isNewScanPeriod 硬编码: isNewScanPeriod 参数在调用时硬编码为 false。慢起伏模型的RCS刷新完全依赖于 MillimeterWaveGuidanceSystem 内部周期性地调用 ClearAllCachedRcs()。
基于平均RCS的波动: Swerling模型是在一个外部提供的 averageRcsValue 基础上引入统计波动。该 averageRcsValue 本身可能是一个静态值或基于目标朝向的确定性计算结果，Swerling模型则在此确定性平均值周围产生随机起伏。

7. 未来可能的改进 (可选)

增强运动状态判断: 当前 motionState 主要区分静止和（广义的）非机动匀速。未来可以考虑引入更复杂的逻辑来判断目标的 MotionStateType.Maneuvering (机动)状态，例如基于目标加速度或角速度的变化。这将使得 SwerlingRcsModel 能够更精确地为机动目标选择Swerling III/IV模型。
细化 isNewScanPeriod 控制: 如果未来需要更精细或针对特定目标的RCS刷新控制（例如，某些目标可能比其他目标更快地改变其统计特性），可以考虑更灵活地使用 isNewScanPeriod 参数，而不是仅依赖全局的 ClearAllCachedRcs()。

24 KiB Raw Blame History Unescape Escape