⚡ electrical engineering

Rapid Adaptive Matched Filter for Detecting Radar Targets with Unknown Velocity

यह शोध पत्र एक डॉप्लर डोमेन लोकलाइज्ड एडेप्टिव मैच फिल्टर (DDL-AMF) प्रस्तावित करता है जो सीमित प्रशिक्षण डेटा और अज्ञात लक्ष्य वेगों वाले विषम क्लटर में तीव्र, निकट-इष्टतम रडार लक्ष्य पहचान प्राप्त करने के लिए एक रीजन ऑफ पॉसिबल टारगेट डिटेक्शन (RPTD) का उपयोग करता है, जो क्लटर स्पेक्ट्रम मापदंडों या लक्ष्य डॉप्लर स्थानों के पूर्व ज्ञान की आवश्यकता को समाप्त करके पिछले RODI-आधारित तरीकों से बेहतर प्रदर्शन करता है।

मूल लेखक: Anatolii A. Kononov

प्रकाशित 2026-05-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anatolii A. Kononov

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रडार ऑपरेटर हैं जो एक विशाल, उथल-पुथल भरी आंधी और हवा के शोर (क्लटर) के बीच छिपे एक छोटे, तेज़ गति से चलने वाले हवाई जहाज़ (लक्ष्य) को खोजने की कोशिश कर रहे हैं। समस्या यह है कि तूफान इतना शोर भरा और अस्त-व्यस्त है कि वह हवाई जहाज़ के सिग्नल को दबा देता है। हवाई जहाज़ को खोजने के लिए, आपको एक विशेष फ़िल्टर की आवश्यकता है जो तूफान को "अनसुना" कर सके और हवाई जहाज़ पर "ध्यान केंद्रित" कर सके।

लेकिन, इसमें एक पेंच है: आपके पास तूफान को समझने के लिए सुनने के लिए बहुत अधिक समय नहीं है (सीमित प्रशिक्षण डेटा), और आपको यह भी नहीं पता कि विमान कितनी तेज़ी से उड़ रहा है (अज्ञात वेग)। यदि आपका गति का अनुमान गलत होता है, तो आपका फ़िल्टर विमान को पूरी तरह से मिस कर सकता है।

यह शोध पत्र इस फ़िल्टर को बनाने का एक नया, स्मार्ट तरीका पेश करता है, जिसे रैपिड एडेप्टिव मैचड फ़िल्टर (DDL-AMF) कहा जाता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. पुराना तरीका: पूरे तूफान का मानचित्र बनाने की कोशिश करना

पिछले तरीकों ने यह समझने की कोशिश की कि तूफान के "तेज़ हिस्से" कहाँ थे। उन्होंने आकाश को छोटे क्षेत्रों में विभाजित किया। यदि कोई क्षेत्र एक "तेज़ स्पॉट" जैसा दिखता था (तूफान के पैटर्न में एक तीव्र परिवर्तन), तो वे वहां एक विशेष फ़िल्टर लगाते थे। यदि क्षेत्र शांत दिखता था, तो वे केवल एक मानक फ़िल्टर का उपयोग करते थे।

समस्या: यह दृष्टिकोण एक तूफान के बीच में ही उसका नक्शा बनाने की कोशिश करने जैसा था।

इसके लिए यह पता लगाने के लिए बहुत अधिक अतिरिक्त मापों की आवश्यकता थी कि "तेज़ स्पॉट" कहाँ थे।
यदि तूफान थोड़ा भी बदल जाता, तो नक्शा गलत हो जाता।
सबसे महत्वपूर्ण बात यह है कि यदि विमान ऐसी गति पर उड़ रहा था जो पूर्व-निर्धारित ग्रिड में पूरी तरह फिट नहीं बैठती थी, तो फ़िल्टर विफल हो जाता, और विमान गायब हो जाता।

2. नया विचार: "चिंगारी" का पीछा करना

लेखक एक पूरी तरह से अलग रणनीति का प्रस्ताव देते हैं। तूफान का पहले मानचित्र बनाने के बजाय, नया तरीका स्वयं चिंगारी को खोजता है।

कल्पित कीजिए कि हवाई जहाज़ का सिग्नल केवल एक बिंदु नहीं है; यह ऊर्जा का एक छोटा सा समूह है जो "स्पीड स्पेक्ट्रम" (जैसे प्रकाश का एक छोटा बादल) में थोड़ा फैलता है। नया तरीका एक "रीजन ऑफ पॉसिबल टारगेट डिटेक्शन" (RPTD) को परिभाषित करता है। इसे एक छोटे, लचीले जाल के रूप में सोचें जो उस चिंगारी के सबसे चमकीले हिस्से के चारों ओर स्वचालित रूप से डाला जाता है।

यह कैसे काम करता है: सिस्टम डेटा को देखता है, सबसे चमकीले "पीक" (वह सबसे संभावित स्थान जहाँ विमान हो सकता है) को ढूंढता है, और फिर उस पीक के ठीक आसपास डेटा बिंदुओं के एक छोटे, सघन समूह को पकड़ लेता है।
लाभ: इससे कोई फर्क नहीं पड़ता कि तूफान कितना अस्त-व्यस्त है या एक साथ कई प्रकार के मौसम (बारिश, समुद्री फुहार, जमीनी क्लटर) मौजूद हैं। जब तक सिस्टम उस सबसे चमकीली चिंगारी को ढूंढ सकता है, वह उसके चारों ओर अपना जाल डाल देता है। यह बाकी तूफान को अनदेखा कर देता है।

3. यह तेज़ और स्मार्ट क्यों है?

शोध पत्र का दावा है कि इस नए तरीके के पुराने "मैप-मेकिंग" दृष्टिकोण की तुलना में तीन प्रमुख लाभ हैं:

नक्शे की आवश्यकता नहीं: आपको तूफान के विवरण पहले से जानने की आवश्यकता नहीं है। सिस्टम अपने आप लक्ष्य को ढूंढ लेता है।
अज्ञात गति के साथ काम करता है: क्योंकि "जाल" (RPTD) डेटा में पाए गए वास्तविक सिग्नल के चारों ओर बनाया गया है, यह विमान को पकड़ लेता है भले ही गति थोड़ी कम या अधिक हो या अज्ञात हो। यह एक ऐसे जाल की तरह है जो मछली के आकार के अनुसार खुद को ढाल लेता है, न कि ज़मीन में एक छेद की तरह जो केवल एक विशिष्ट आकार की मछली के लिए उपयुक्त हो।
अत्यधिक तेज़: पुराने तरीके को डेटा के विशाल टुकड़ों पर भारी गणितीय गणना करनी पड़ती थी। यह नया तरीका केवल उस छोटे से "जाल" के डेटा पर भारी गणित करता है। यह एक पूरे समुद्र को साफ करने बनाम केवल देखी गई एक मछली को पकड़ने के बीच का अंतर है। शोध पत्र दिखाता है कि यह गणना को बहुत तेज़ बनाता है, जिससे रडार तेज़ी से प्रतिक्रिया दे पाता है।

4. "AMF" बनाम "GLR" का चुनाव

शोध पत्र इस नए फ़िल्टर के दो संस्करणों का परीक्षण करता है:

GLR संस्करण: एक बहुत ही सख्त फ़िल्टर जो पूर्ण होने की कोशिश करता है लेकिन यदि गति का अनुमान थोड़ा भी गलत हो जाए तो भ्रमित हो जाता है।
AMF संस्करण (विजेता): एक थोड़ा अधिक लचीला फ़िल्टर जो बहुत मजबूत है। शोध पत्र दिखाता है कि भले ही गति का अनुमान सटीक न हो, AMF संस्करण अभी भी लक्ष्य को लगभग उतने ही अच्छे से पकड़ लेता है जितना कि सबसे अच्छा संभव सैद्धांतिक डिटेक्टर।

निष्कर्ष

शोध पत्र का तर्क है कि आधुनिक रडार के लिए, जो अव्यवस्थित वातावरण में तेज़ लक्ष्यों को खोजने की कोशिश कर रहे हैं, "हस्तक्षेप का मानचित्र बनाना" वाला पुराना तरीका बहुत धीमा और नाजुक है। नया RPTD-आधारित AMF तरीका एक कुशल शिकारी की तरह है जिसे जंगल के नक्शे की आवश्यकता नहीं है; वह बस हलचल को देखता है, उसके चारों ओर एक छोटा, स्मार्ट जाल डालता है, और लक्ष्य को तेज़ी से और विश्वसनीय रूप से पकड़ लेता है, भले ही उसे यह न पता हो कि शिकार कितनी तेज़ी से भाग रहा है।

मुख्य बात: हस्तक्षेप (बैकग्राउंड नॉइज़) का विश्लेषण करने के बजाय सीधे लक्ष्य की ऊर्जा को पकड़ने पर ध्यान केंद्रित करके, यह नया डिटेक्टर तेज़ है, इसे कम डेटा की आवश्यकता है, और यह तब बेहतर काम करता है जब लक्ष्य की गति अज्ञात होती है।

तकनीकी सारांश: अज्ञात वेग वाले रडार लक्ष्यों का पता लगाने के लिए तीव्र अनुकूलन मिलित फिल्टर (Rapid Adaptive Matched Filter)

समस्या विवरण
यह शोध पत्र अत्यधिक विषम (heterogeneous), गैर-स्थिर (nonstationary) और गैर-समांगी (nonhomogeneous) क्लटर वातावरण में अज्ञात वेग वाले रडार लक्ष्यों का पता लगाने की मौलिक चुनौती को संबोधित करता है। इन परिदृश्यों में एक प्राथमिक बाधा अज्ञात क्लटर सांख्यिकी (clutter statistics) का अनुमान लगाने के लिए आवश्यक प्रशिक्षण डेटा की सीमित उपलब्धता है। क्लासिकल एडेप्टिव डिटेक्टर्स, जैसे कि जनरलाइज्ड लाइकलीहुड रेशियो (GLR) टेस्ट और एडेप्टिव मैच फिल्टर (AMF), को लगभग इष्टतम प्रदर्शन प्राप्त करने के लिए कम से कम $4N$ (जहाँ $N$ पल्स की संख्या है) के प्रशिक्षण डेटासेट की आवश्यकता होती है। गैर-समांगी वातावरण में, ऐसे बड़े डेटासेट अक्सर उपलब्ध नहीं होते हैं, जिससे क्लासिकल टाइम-डोमेन कार्यान्वयन अप्रभावी हो जाते हैं।

इसे हल करने के लिए पिछले प्रयासों में डोपलर डोमेन लोकलाइज्ड (DDL) प्रोसेसिंग, विशेष रूप से RODI-आधारित DDL-GLR डिटेक्टर ने "रीजन ऑफ डिटेक्शन इम्प्रूवमेंट" (RODI) की अवधारणा पेश की थी। हालाँकि, यह शोध पत्र RODI दृष्टिकोण में महत्वपूर्ण खामियों की पहचान करता है:

इसे RODIs की संख्या और स्थानों को निर्धारित करने के लिए सहायक मापों (auxiliary measurements) की आवश्यकता होती है, जो विशेष रूप से कई क्लटर प्रकारों (जैसे ज़मीन, समुद्र, मौसम) के मामले में गणनात्मक रूप से गहन और जटिल है।
इसका प्रदर्शन काफी गिर जाता है जब लक्ष्य का डोपलर फ्रीक्वेंसी अज्ञात होता है या जब लक्ष्य ऑफ-ग्रिड फ्रीक्वेंसी पर होता है।
यह क्लटर स्पेक्ट्रम मापदंडों के ज्ञान पर निर्भर करता जिन्हें RODIs को परिभाषित करने के लिए उपयोग किया जाता है, जो परिचालन वातावरण में अक्सर उपलब्ध नहीं होते हैं।

कार्यप्रणाली (Methodology)
प्रस्तावित समाधान क्लासिकल टाइम-डोमेन AMF डिटेक्टर का एक नया DDL कार्यान्वयन है, जिसे RPTD-आधारित DDL-AMF डिटेक्टर कहा जाता है। मुख्य कार्यप्रणाली का प्रतिमान (paradigm) उन क्षेत्रों की पहचान करने से हटकर है जहाँ पता लगाने में सुधार (improvement) की आवश्यकता है (क्लटर स्पेक्ट्रा के आधार पर), उन क्षेत्रों की पहचान करने पर केंद्रित है जहाँ लक्ष्य सिग्नल पावर केंद्रित (concentrated) है।

मुख्य कार्यप्रणाली घटक शामिल हैं:

रीजन ऑफ पॉसिबल टारगेट डिटेक्शन (RPTD): RODIs के बजाय, डिटेक्टर एक RPTD का उपयोग करता है, जो $n$ डोपलर बिन्स ( $n \ll N$ ) का एक छोटा सेट है जो लक्ष्य सिग्नल पावर के अधिकतम भाग को कैप्चर करता है। यह क्षेत्र क्लटर स्पेक्ट्रम के बजाय लक्ष्य सिग्नल स्पेक्ट्रम के आधार पर निर्धारित किया जाता है।
मैक्सिमम लाइकलीहुड डोपलर (MLD) ग्रिड: अज्ञात लक्ष्य वेगों को संभालने के लिए, यह शोध पत्र एक गैर-यूनिफॉर्म डोपलर ग्रिड का प्रस्ताव करता है। इस ग्रिड का निर्माण प्रतिनिधि रेंज सेल्स से प्राप्त पावर डोपलर प्रोफाइल्स में स्थानीय चोटियों (local peaks) की पहचान करके किया जाता है। सटीक डोपलर फ्रीक्वेंसी अनुमान ( $\hat{F}$ ) उत्पन्न करने के लिए FFT डेटा पर क्वाड्रेटिक इंटरपोलेशन का उपयोग करके एक फाइन डोपलर एस्टिमेटर लागू किया जाता है।
RPTD की पहचान: प्रत्येक अनुमानित डोपलर फ्रीक्वेंसी के लिए, RPTD को लक्ष्य के पावर स्पेक्ट्रम के शिखर के आसपास केंद्रित $n$ डोपलर बिन्स का चयन करके परिभाषित किया जाता है। यह सुनिश्चित करता है कि एडेप्टिव प्रोसेसिंग उन बिन्स पर ध्यान केंद्रित करे जिनमें सबसे अधिक सिग्नल ऊर्जा है।
डिटेक्टर फॉर्मूलेशन: DDL-AMF डिटेक्टर RPTD बिन्स में प्रतिबंधित ट्रेनिंग वेक्टर्स से प्राप्त $n \times n$ के सैंपल कोवेरियेंस मैट्रिक्स का उपयोग करके टेस्ट स्टैटिस्टिक की गणना करता है। टेस्ट स्टैटिस्टिक को इस प्रकार तैयार किया गया है:
$\tilde{\Lambda}_{AMF_m} = \frac{|\tilde{\mathbf{t}}_m^H \tilde{\mathbf{\Phi}}_m^{-1} \tilde{\mathbf{y}}_m|^2}{\tilde{\mathbf{t}}_m^H \tilde{\mathbf{\Phi}}_m^{-1} \tilde{\mathbf{t}}_m}$
जहाँ $\tilde{\mathbf{y}}_m$ DDL CUT वेक्टर है, $\tilde{\mathbf{t}}_m$ $\hat{F}$ पर आधारित स्टीयरिंग वेक्टर अनुमान है, और $\tilde{\mathbf{\Phi}}_m$ अनुमानित DDL कोवेरियेंस मैट्रिक्स है।
थ्रेशोल्ड एप्रोक्सिमेशन: वास्तविक समय के कार्यान्वयन को सुगम बनाने के लिए, शोध पत्र डिटेक्शन थ्रेशोल्ड के लिए एक गणनात्मक रूप से सरल और सटीक अनुमानित सूत्र प्रदान करता है, जो सटीक इंटीग्रल समाधान के लिए आवश्यक समय लेने वाली संख्यात्मक पुनरावृत्तियों (numerical iterations) से बचता है।

प्रमुख योगदान

RPTD अवधारणा: RPTD अवधारणा की शुरुआत, जो एडेप्टिव क्षेत्रों को परिभाषित करने के लिए क्लटर स्पेक्ट्रम मापदंडों या जटिल मापों की आवश्यकता को समाप्त करती है।
अज्ञात डोपलर के प्रति मजबूती: RODI-आधारित DDL-GLR डिटेक्टर के विपरीत, प्रस्तावित RPTD-आधारित DDL-AMF डिटेक्टर अज्ञात डोपलर फ्रीक्वेंसी और DFT ग्रिड से विचलित होने पर भी निकट-इष्टतम प्रदर्शन बनाए रखता है।
मल्टीमॉडल क्लटर को संभालना: यह विधि मल्टीमॉडल पावर स्पेक्ट्रल डेंसिटी वाले क्लटर वातावरण (जैसे समवर्ती ग्राउंड, सी और रेन क्लटर) में प्रभावी ढंग से कार्य करने के लिए डिज़ाइन की गई है, जिसमें क्लटर वर्गीकरण की आवश्यकता नहीं होती है।
कंप्यूटेशनल दक्षता: शोध पत्र प्रदर्शित करता है कि DDL-AMF डिटेक्टर क्लासिकल टाइम-डोमेन AMF की तुलना में कंप्यूटेशनल लोड को काफी कम कर देता है। $N$ के बजाय कम आयाम $n$ (जैसे, $n=4$ से $6 $) पर काम करके, कंप्यूटेशनल लाभ पर्याप्त है (जैसे,$ N=64 $से$ 256$ के लिए 31 से 147 का गेन फैक्टर)।
पिछले अनुमानों का सुधार: यह शोध पत्र इस धारणा को चुनौती देता है कि एडेप्टिव DDL प्रोसेसिंग केवल तेजी से बदलते स्पेक्ट्रम क्षेत्रों में आवश्यक है। परिणाम दिखाते हैं कि स्ट्रैडलिंग लॉस (straddling loss) के कारण पारंपरिक डिटेक्टर फ्लैट स्पेक्ट्रम क्षेत्रों में भी खराब प्रदर्शन कर सकते हैं, जिससे सुझाव मिलता है कि पूरे डोपलर डोमेन में एडेप्टिव DDL लागू किया जाना चाहिए।

परिणाम
Gaussian क्लटर में ज्ञात और अज्ञात डोपलर फ्रीक्वेंसी के साथ Swerling I टार्गेट मॉडल के तहत डिटेक्टरों का मूल्यांकन करने के लिए मोंटे-कार्लो सिमुलेशन किए गए।

ज्ञात डोपलर के साथ प्रदर्शन: RPTD-आधारित DDL-GLR और DDL-AMF दोनों डिटेक्टर $n \geq 4$ और $N \geq 64$ के लिए निकट-इष्टतम प्रदर्शन (ऑप्टिमम डिटेक्टर के $N$ ऑर्डर के भीतर 2.5% से 5% लॉस) प्राप्त करते हैं।
अज्ञात डोपलर के साथ प्रदर्शन: RPTक RPTD-आधारित DDL-AMF डिटेक्टर डोपलर माप त्रुटियों के प्रति मजबूत है। इसके विपरीत, RPTD-आधारित DDL-GLR डिटेक्टर अज्ञात डोपलर होने पर प्रदर्शन में भारी गिरावट ( $n=4$ के लिए डिटेक्शन प्रोबेबिलिटी में 48% तक की कमी) का सामना करता है।
पारंपरिक डिटेक्टरों के साथ तुलना: प्रस्तावित DDL-AMF डिटेक्टर, पारंपरिक टेलर विंडो FFT के बाद सेल-एवरेजिंग (CA) CFAR की तुलना में काफी बेहतर प्रदर्शन करता है, विशेष रूप से स्ट्रैडलिंग लॉस से बचने और फ्लैट स्पेक्ट्रम क्षेत्रों में प्रदर्शन बनाए रखने में।
मल्टीमॉडल क्लटर: डिटेक्टर कई ओवरलैपिंग क्लटर प्रकारों वाले परिदृश्यों में विश्वसनीय प्रदर्शन बनाए रखता है, एक ऐसा परिदृश्य जहाँ RODI-आधारित तरीके संघर्ष करते हैं।

महत्व
शोध पत्र का दावा है कि प्रस्तावित RPTD-आधारित DDL-AMF डिटेक्टर एक "तीव्र अनुकूलन" (rapid adaptive) समाधान प्रदान करता है जो वास्तविक दुनिया के रडार सिस्टम के लिए व्यावहारिक है। इसका महत्व डेटा-अभाव वाले, विषम क्लटर वातावरण में बिना किसी जटिल क्लटर पैरामीटर अनुमान या एडेप्टिव क्षेत्रों को परिभाषित करने के लिए मापों के, निकट-इष्टतम डिटेक्शन प्रदर्शन देने की इसकी क्षमता में निहित है। क्लासिकल टाइम-डोमेन समकक्षों की तुलना में कंप्यूटेशनल बोझ को काफी कम करके, यह विधि सख्त वास्तविक समय की बाधाओं के तहत संचालित होने वाले हवाई और तटीय निगरानी रडार के लिए उच्च-प्रदर्शन वाली एडेप्टिव डिटेक्शन को संभव बनाती है। लेखक नोट करते हैं कि इस सिद्धांत को कॉम्प्लेक्स एलिप्टिकली सिमेट्रिक (CES) डिस्ट्रीब्यूशन, जिसमें कंपाउंड-गौसियन क्लटर शामिल है, और स्पैटियल-टेम्पोरल एडेप्टिव प्रोसेसिंग तक विस्तारित किया जा सकता है।

1. पुराना तरीका: पूरे तूफान का मानचित्र बनाने की कोशिश करना

2. नया विचार: "चिंगारी" का पीछा करना

3. यह तेज़ और स्मार्ट क्यों है?

4. "AMF" बनाम "GLR" का चुनाव

निष्कर्ष

इसी तरह के और पेपर