ЧАСОВІ ХАРАКТЕРИСТИКИ КАНАЛУ «РАДАР-ОБ’ЄКТ» НА ОСНОВІ GERT-МОДЕЛІ
DOI:
https://doi.org/10.26906/SUNZ.2026.2.258Ключові слова:
радіолокаційна система, GERT-мережа, фільтр Калмана, навмисні перешкоди, супровід цілей, фільтрація сигналів, стохастичне моделювання, завадостійкістьАнотація
Актуальність. У сучасних радіолокаційних системах, що функціонують в умовах навмисних радіоелектронних перешкод, особливо критичним є початковий етап супроводу повітряних цілей – від моменту первинного виявлення до формування стійкого треку. Саме на цьому інтервалі приймаються рішення щодо підтвердження або втрати цілі, а помилки у виборі часових параметрів супроводу призводять до зростання хибних тривог, нестійкості оцінювання та втрати траєкторії. Традиційні методи налаштування кроку дискретизації, таймаутів і параметрів фільтрації часто мають евристичний характер і не спираються на формалізований аналіз часової структури процесу «радар–об’єкт», що зумовлює необхідність розроблення аналітично обґрунтованого підходу. Об’єкт дослідження: процес початкового супроводу повітряних цілей у радіолокаційній системі в умовах навмисних перешкод. Мета статті: розробка та статистична валідація інтегрованого методу узгодження часово-ймовірнісної моделі каналу «радар–об’єкт», побудованої на основі GERT-мережі, з параметрами рекурсивного оцінювання стану (фільтра Калмана) для забезпечення відтворюваного та узгодженого супроводу. Результати дослідження. У статті сформовано еквівалентну передавальну функцію GERT-мережі, що описує стохастичну структуру переходів між станами виявлення та підтвердження, та відновлено розподіл часу досягнення стану «стійкого супроводу» через аналіз полюсної структури. Показано зв’язок між характеристиками розподілу (математичним сподіванням, дисперсією, квантілями) і параметрами тракту супроводу: кроком дискретизації Δt, ініціалізацією матриці коваріації P₀, адаптивним профілем шуму процесу Q(t), таймаутами підтвердження і втрати треку. Проведено статистичну перевірку узгодженості за критеріями NEES і NIS та порівняльний аналіз точності за метрикою RMSE на серії незалежних прогонів. Отримано статистично значуще зменшення похибки оцінювання та стабілізацію узгодженості після короткої перехідної ділянки. Висновки. Запропонований підхід забезпечує формалізований перехід від аналізу часових характеристик у sплощині до практичних інженерних налаштувань рекурсивного супроводу. На відміну від евристичних методів, він базується на полюсній структурі еквівалентної GERT-функції та статистичній валідації, що підвищує відтворюваність і надійність роботи РЛС у завадовому середовищі. Сфера використання отриманих результатів: радіолокаційні системи протиповітряної оборони, системи управління повітряним рухом, багатосенсорні комплекси спостереження та інші системи автоматизованого супроводу об’єктів в умовах активних перешкод.Завантажити
Посилання
1. Semenov S., Krupska-Klimczak M. et al. Mathematical Model for the Initial Interaction Stage Between a Radar System and a Target Using GERT Network. Applied Sciences. 2025. Vol. 15, no. 3:1123. DOI: https://doi.org/10.3390/app15031123
2. Rudresh T. K., Parameshwar M.C., Purushottama Lingadevaru. Analysis of Modern Kalman Filter Algorithms for Radar-Based Target Tracking under Uncertainty. 2025 International Conference on Vehicular Technology and Transportation Systems (ICVTTS), Bangalore, India. 2025. P. 1-6. DOI: https://doi.org/10.1109/ICVTTS67119.2025.11296516
3. Na Zhang, Meng Ou, Bin Liu, Jian Liu. A GERT Network Model for input-output optimization of general aviation industry chain based on value flow. Computers & Industrial Engineering. 2023. Vol. 176. DOI: https://doi.org/10.1016/j.cie.2022.108945
4. Semenov S., Wasiuta O., Jammine Aet al. Development of an Intelligent Method for Target Tracking in Radar Systems at the Initial Stage of Operation Under Intentional Jamming Conditions. Applied Sciences. 2025. Vol. 15, no. 13:7072. DOI: https://doi.org/10.3390/app15137072
5. Wei Y., Hong T., Kadoch M. Improved Kalman Filter Variants for UAV Tracking with Radar Motion Models. Electronics. 2020. Vol. 9, no. 5:768. DOI: https://doi.org/10.3390/electronics9050768
6. Akram M. A., Liu P., Tahir M. O., Ali W., Wang Y. A State Optimization Model Based on Kalman Filtering and Robust Estimation Theory for Fusion of Multi-Source Information in Highly Non-linear Systems. Sensors 2019. Vol. 19, no.7:1687. DOI: https://doi.org/10.3390/s19071687
7. Shaoying Wang, Huajing Fang, Xuegang Tian. Recursive estimation for nonlinear stochastic systems with multi-step transmission delays, multiple packet dropouts and correlated noises. Signal Processing. 2015. Vol. 115. P. 164-175. DOI: https://doi.org/10.1016/j.sigpro.2015.03.022
8. T. Kruse, T. Griebel, K. Graichen. Adaptive Kalman Filtering: Measurement and Process Noise Covariance Estimation Using Kalman Smoothing. IEEE Access. 2025. Vol. 13. P. 11863-11875. DOI: https://doi.org/10.1109/ACCESS.2025.3528348
9. Peng D., Xie K., Liu M. Manoeuvre Target Tracking in Wireless Sensor Networks Using Convolutional Bi-Directional Long Short-Term Memory Neural Networks and Extended Kalman Filtering. Sensors. 2024. Vol. 24, DOI: https://doi.org/10.3390/s24134261
10. Wang X., Li T., Sun S., Corchado J. M. A Survey of Recent Advances in Particle Filters and Remaining Challenges for Multitarget Tracking. Sensors. 2017. Vol. 17,. DOI: https://doi.org/10.3390/s17122707
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Yevhen Tarasenko

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.