DE10238896B4 - Verfahren zur Auswertung von Radardaten - Google Patents

Abstract

Verfahren zur Auswertung von Radardaten, zum Auffinden von Zielen und Initiieren von Zielspuren in einem durch Clutter gestörten Raum-Zeit-Gebiet, welches in einem vorgebbaren Zeitbereich eine Vielzahl von als Plots bezeichnete Zielmeldungen umfaßt, dadurch gekennzeichnet,
– dass das Cluttergebiet in eine vorgebbare Anzahl von mehrdimensionalen eine Zeitachse aufweisende Teilgebiete unterteilt wird, wobei die Teilgebiete als Kugeln in einem transformierten Raum gewählt werden,
– dass aus den in einem Teilgebiet enthaltenen gemessenen Plots eine oder mehrere Vergleichsgrößen berechnet werden,
– dass für jede Vergleichsgröße eine Wahrscheinlichkeitsdichtefunktion (C) berechnet wird, wobei ein Teilgebiet mit statistisch verteilten Plots zugrundegelegt wird, welches ausschließlich Clutter enthält,
– dass für jede Wahrscheinlichkeitsdichtefunktion (C) ein Wertebereich mit einem unteren Schwellwert und einem oberen Schwellwert x derart bestimmt wird, dass mit dem oberen Schwellwert x ein vorgebbares Signifikanzniveau erreicht wird,
– dass für ein Teilgebiet jede aus den gemessenen Plots berechnete Vergleichsgröße mit der...

Description

• Die Erfindung betrifft ein Verfahren zur Auswertung von Radardaten gemäß dem Oberbegriff des Patentanspruchs 1.
• Bei Verfahren zur Auswertung von Radarsignalen tritt das Problem auf, dass neben dem eigentlichen Zielsignal auch sogenannte Cluttersignale zum Radarempfänger zurückgestrahlt werden. Clutter entsteht dabei im wesentlichen je nach Stellung der Sende- und Empfangsantenne durch Reflexionen an der Erdoberfläche (Bodenclutter) oder an der Seeoberfläche (Seeclutter). Diese Reflexionen gehören nicht zu einem Ziel und erschweren durch ihre große Anzahl die Detektion echter Ziele erheblich.
• In DE 197 38 252 C2 wird ein Verfahren zur Detektion von Radarzielen beschrieben. Bei diesem Verfahren werden die von der Radaranlage empfangenen Echosignale ausgewertet. Die Echosignale werden dann derart in den Videobereich umgesetzt, dass im Videobereich den Echosignalen entsprechende digitalisierte Impulshöhenwerte (Amplituden) vorliegen. Als das zu untersuchende Gebiet wird dabei das Gebiet verstanden, welches von z.B. einem Drehradar während eines einzigen Umlaufs abgetastet wird. Das zu untersuchende Gebiet wird in Radarauflösungszellen aufgeteilt. Mittels einer statistischen Auswertung der Echosignale wird anhand der Häufigkeit des Impulshöhenwertes eines Echosignals eine Entscheidung getroffen, ob das jeweilige Echosignal für ein Radarziel in Frage kommt oder definitiv Clutter ist. Dieses Verfahren basiert auf eine Art Filterverfahren, welches die Echosignale in potentielle Radarsignale und definitive Cluttersignale einstuft. Ein Nachteil dieses Verfahrens ist, dass es ungenau ist und eine hohe Zahl von Falschzielen liefert.
• Außerdem ist es mit dem Verfahren nicht möglich eine Zielspur zu detektieren, da lediglich die Echosignale einer Momentaufnahme vorliegen.
• Des Weiteren ist es nicht möglich, mit Verfahren wie sie z.B. aus DE 197 38 252 C2 oder Lombardo, P. et al. „Impact of Clutter Spectra on Radar Performance Prediction"; IEEE Transactions on Aerospace and Electronic Systems, 2001, Vol. 37, No. 3, S.1022–1038 bekannt sind, welche z.B. bei einem Drehradar innerhalb einer Radarumdrehung Zielmeldungen zu einem sogenannten Meßzeitpunkt erzeugen, darüber hinaus zu unterscheiden, ob es sich um eine Zielmeldung oder um ein Falschziel handelt. Alle Plots werden nach ihrer Erzeugung zu ihrer weiteren Verarbeitung (z.B. an die in der Radarkette nachfolgende Verarbeitungseinheit) weitergeleitet.
• Diese Plots sind also die Eingangsdaten der nachfolgenden Verarbeitung. Nach dem Stand der Technik werden bei Drehradaren z.B. die Plots über mehrere Radarumdrehungen gesammelt und gespeichert, um mit geeigneten Verfahren über einen Zeitbereich (mehrere Radarumdrehungen) eine Zuordnung von mehreren Plots aus verschiedenen Radarumdrehungen zu finden, d. h. eine Zielspur (Track) zu entdecken und in Abhängigkeit der Zeit (über weitere Radarumdrehungen) räumlich vorauszusagen und weiterzuführen. Bei diesen sogenannten Trackinitiierungs- und Tracking-Verfahren werden also die Plots in Raum-Zeit-Gebieten auf Korrelation untersucht, um ein Ziel anhand dessen Zielspur zu entdecken.
• Eine durch Clutter gestörte Umgebung (Cluttergebiet) enthält nach Definition viele unerwünschte und falsche Plots. Da die Trackinitiierungs- und Tracking-Verfahren nach dem Stand der Technik Rechenverfahren nutzen, deren Rechenlast stark mit der Zahl N der zu verarbeitenden Daten (Plots) ansteigt (> = O(N^2)), sind diese Verfahren für Echtzeitanwendungen in der Radardatenverarbeitung z. B. für Luftraumüberwachungsaufgaben nach dem Stand der Technik nicht anwendbar, um Zielspuren langsamer Ziele in cluttergestörten Gebieten realzeitig zu detektieren. Trackingverfahren nutzen nach dem Stand der Technik äußerst selten globale Cluttermodelle in kleineren Teilgebieten der Radarüberdeckung, da diese Modelle weder die tatsächliche räumliche Clutterverteilung ausreichend beschreiben noch die zeitliche Veränderlichkeit des Clutters berücksichtigen. Darüber hinaus erfordern sie zuviel Rechenaufwand. Daher bringen diese globalen Cluttermodelle nicht den gewünschten Fortschritt für die Entdeckung langsamer Ziele in cluttergestörten Gebie ten; sie sind nach dem Stand der Technik zu ungenau und erhöhen zudem die Rechenlast.
• Des Weiteren sind bekannte Online-Auswerteverfahren bei vorhandenen Dopplermessungen fast ausschließlich dazu geeignet, schnelle Ziele zu detektieren und deren Tracks (Zielspuren) aufzubauen. Dies ist allerdings nur möglich, so lange sich die Dopplergeschwindigkeit der Ziele signifikant von der Dopplergeschwindigkeit des Clutters unterscheidet. Langsame Ziele haben eine geringe Dopplergeschwindigkeit, die in der Größenordnung der Dopplergeschwindigkeit des Clutters liegt und so als Unterscheidungskriterium, ob ein Ziel oder Clutter vorliegt, ausscheidet. Mit bekannten Auswerteverfahren ist es somit nicht möglich, Zielspuren langsamer und kleiner Ziele, z.B. Schiffe in einem Cluttergebiet zu detektieren und initiieren.
• Es ist somit Aufgabe der Erfindung ein Verfahren anzugeben, mit dem es möglich ist, langsame Ziele in einem Cluttergebiet zu detektieren und deren Spuren zu detektieren und initiieren.
• Diese Aufgabe wird durch das Verfahren gemäß den Merkmalen des Patentanspruchs 1 gelöst. Vorteilhafte Ausführungen des Verfahrens sind Gegenstand von Unteransprüchen.
• Gemäß der Erfindung wird das Cluttergebiet in eine vorgebbare Anzahl von mehrdimensionalen eine Zeitachse aufweisende Teilgebiete unterteilt, wobei die Teilgebiete als Kugeln in einem transformierten Raum gewählt werden. Aus den in einem Teilgebiet enthaltenen gemessenen Plots werden eine oder mehrere Vergleichsgrößen berechnet, für jede Vergleichsgröße wird eine Wahrscheinlichkeitsdichtefunktion berechnet, wobei ein Teilgebiet mit statistisch verteilten Plots zugrundegelegt wird, welches ausschließlich Clutter enthält, für jede Wahrscheinlichkeitsdichtefunktion ein Wertebereich mit einem unteren Schwellwert und einem oberen Schwellwert x derart bestimmt wird, dass mit dem oberen Schwellwert x ein vorgebbares Signifikanzniveau erreicht wird und für ein Teilgebiet jede aus den gemessenen Plots berechnete Vergleichsgröße mit der jeweiligen Wahrscheinlichkeitsdichtefunktion verglichen wird, wobei auf ein Teilgebiet mit Ziel erkannt wird, wenn mindestens eine der Vergleichsgrößen innerhalb des Wertebereichs liegt.
• Das erfindungsgemäße Verfahren basiert auf statistischen Methoden und erlaubt es, Gebiete, die ausschließlich Clutter enthalten, von denen zu unterscheiden, die Clutter und Zielspur enthalten. Es ist somit möglich, die Zielspuren (Tracks) langsamer Ziele in durch Clutter gestörter Umgebung zu detektieren oder initiieren.
• Ein weiterer Vorteil des erfindungsgemäßen Verfahrens ist, dass es in Echtzeitanwendungen eingesetzt werden kann. Außerdem werden bei dem erfindungsgemäßen Verfahren keine Dopplermessungen benötigt. Darüber hinaus ist es mit dem Verfahren auch dann noch möglich, die Zielspur eines langsamen Ziels zu detektieren oder initiieren, wenn eine oder mehrere zur Zielspur gehörenden Zielmeldungen im beobachteten Zeitbereich ausfallen.
• Ein weiterer Vorteil ist, dass die Rechenlast nur linear mit der Anzahl N der zu verarbeitenden Daten ansteigt (O(N)). Somit ist das Verfahren geeignet zur Verarbeitung von großen Mengen von Plots. Mit dem erfindungsgemäßen Verfahren ist es außerdem möglich, durch Clutter sehr stark gestörte Radardaten online (in Echtzeit) auszuwerten. Ein weiterer Vorteil ist, dass im Gegensatz zu herkömmlichen globalen zuwerten. Ein weiterer Vorteil ist, dass im Gegensatz zu herkömmlichen globalen Cluttermodelle lokal (Portionen) entschieden wird, ob ein Gebiet eine Zielspur enthält oder nicht. Im Gegensatz zu einem globalen Cluttermodell werden bei dem erfindungsgemäßen Verfahren keine globalen Annahmen gemacht und somit globale Einschränkungen vermieden. Hieraus ergeben sich weitere Vorteile, da die Portionen mit Zielspur nur noch ein Bruchteil der ursprünglichen Datenmenge umfassen, z.B. 8% der ursprünglichen Datenmenge. In diesen Portionen kann mit herkömmlichen Tracking-Verfahren schnell und einfach eine Zielspur aufgebaut und das Ziel klassifiziert werden.
• In einer vorteilhaften Ausführung der Erfindung wird das Cluttergebiet, derart eingeteilt, dass jedes Teilgebiet eine vorgebbare durchschnittliche Anzahl von Plots enthält.
• Vor der Einteilung des Cluttergebietes in einzelne Teilgebiete werden die Koordinaten des Cluttergebietes vorteilhaft derart transformiert, dass die in dem Cluttergebiet enthaltenen Plots lokal gleich verteilt sind. Benachbarte Teilgebiete überlappen sich vorteilhaft auf einer vorgebbaren Länge ihres Radius. Erfindungsgemäß werden die Teilgebiete als Kugeln im transformierten Raum gewählt.
• In einer weiteren vorteilhaften Ausführung des erfindungsgemäßen Verfahrens wird die Vergleichsgröße aus einer Funktion von Plotinformationen der gemessenen Plots eines Teilgebietes berechnet. Bei den Plotinformationen handelt es sich vorteilhaft um kinematische Daten (z.B. Zeit, Range, Azimut, Elevation oder Dopplergeschwindigkeit) und/oder Amplitude des dem Plot zugrundeliegenden Radarsignals und/oder andere Attribute (Flags).
• Eine Vergleichsgröße kann vorteilhaft die Streuung der Winkel aller in dem zu untersuchenden Teilgebiet enthaltenen Plots zu einer vorgebbaren Achse, insbesondere Raum- oder Zeitachse, des jeweiligen Teilgebietes sein.
• Die Funktion kann vorteilhaft über eine Kovarianzmatrix berechnet werden. Die Vergleichsgröße ist vorteilhaft eine Funktion der Eigenwerte der Kovarianzmatrix. Eine Vergleichsgröße kann z.B. die Spur der Kovarianzmatrix sein. Aus der Spur der Ko varianzmatrix lässt sich unterscheiden, ob eine Portion eine Zielspur enthält oder nicht. Die Erwartungswerte E für die Spur der Kovarianzmatrix sind für eine lokale Portion mit:

  

  wobei N_S die Anzahl der Spurpunkte, N_C die Zahl der Clutterpunkte und R den Radius der lokalen Portion bedeuten. Aus diesen Gleichungen für die Erwartungswerte ist ein Unterschied zwischen den drei Fällen ersichtlich.
• Erfindungsgemäß wird für jede Vergleichsgröße eine Wahrscheinlichkeitsdichtefunktion berechnet. Den Vergleichsgrößen liegt dabei ein Teilgebiet zugrunde, welches statistisch verteilte Plots (Clutter) enthält.
• Die Wahrscheinlichkeitsdichtefunktion wird vorteilhaft mittels der Monte-Carlo-Simulation erzeugt. Es ist selbstverständlich auch möglich, die Wahrscheinlichkeitsdichtefunktion mittels anderer Simulationsverfahren zu berechnen.
• Die Erfindung sowie weitere vorteilhafte Ausführungen des erfindungsgemäßen Verfahrens werden anhand von Figuren näher erläutert. Es zeigen:
• 1 lokale Portionen mit statistisch verteilten Plots, beispielhaft in (a) eine Portion mit Clutter, in (b) beispielhaft eine Portion mit Clutter und einer Spur durch den Kugelmittelpunkt und in (c) beispielhaft eine Portion mit Clutter und einer Spur mit einem Offset zum Kugelmittelpunkt.
• 2 die Wahrscheinlichkeitsdichtefunktionen der beispielhaften Vergleichsgröße Summe aus kleinstem, mittlerem und größtem Eigenwert für eine Portion mit Clutter und eine Portion mit Clutter und Zielspur jeweils für keinen Offset (a), für einen Offset von 20% (b) und für einen Offset von 50% (c) des Kugelradius.
• 3 die Wahrscheinlichkeitsdichtefunktionen der beispielhaften Vergleichsgröße kleinster, mittlerer und größter Eigenwert für eine Portion mit Clutter und eine Portion mit Clutter und Zielspur jeweils für keinen Offset (a), für einen Offset von 20% (b) und für einen Offset von 50% (c) des Kugelradius.
• 4 den statistischen Fehler 1. und 2. Art für die Wahrscheinlichkeitsdichtefunktion einer beispielhaften Vergleichsgröße für eine Portion mit Clutter und eine Portion mit Clutter und Zielspur.
• 5 ein beispielhaftes Cluttergebiet mit lokalen Portionen in denen ein Ziel entdeckt wurde.
• In 1a–c sind beispielhafte Portionen mit statistisch verteilten Plots dargestellt. 1a zeigt eine lokale Portion mit ausschließlich Clutter. Hierzu wurden in der Portion beispielhaft 50 Plots statistisch verteilt. Es ist aber auch selbstverständlich möglich, eine beliebig andere Anzahl von Plots in einer Portion statistisch zu verteilen.
• 1b zeigt eine beispielhafte lokale Portion mit Clutter und einer Zielspur Z durch den Mittelpunkt der Portion, was auch als Offset 0 bezeichnet wird. Die Zielspur Z ist hier geradlinig, es sind aber auch kurvenförmige Verläufe möglich (z.B. ein manövrierendes Ziel). Die einzelnen, innerhalb der Portion liegenden Spurplots SP werden innerhalb eines vorgebbaren Rauschradius zufällig verrauscht. Für jede Portion wird zweckmäßig eine eigene zufällige Zielspur Z generiert.
• In 1c ist eine weitere beispielhafte lokale Portion mit Clutter und einer Zielspur dargestellt, wobei die Zielspur Z einen Offset zum Mittelpunkt der Portion aufweist.
• In den 2a–c ist zur Veranschaulichung für eine Portion mit ausschließlich Clutter und für eine Portion mit Clutter und Zielspur die Wahrscheinlichkeitsdichtefunktion einer Vergleichsgröße, jeweils für verschiedene Offsets der Zielspur dargestellt. In den Figuren bedeuten die mit Bezugszeichen C bezeichneten Kurven jeweils eine lokale Portion mit ausschließlich Clutter und die mit CZ bezeichneten Kurven jeweils eine lokale Portion mit Clutter und einer Zielspur ohne Offset, d.h. durch den Mittelpunkt der jeweiligen Portion. Als Vergleichsgröße wird in den Figuren beispielhaft die Summen der Eigenwerte der Kovarianzmatrix einer lokalen Portion herangezogen.
• Ein Vergleich der Wahrscheinlichkeitsdichtefunktionen einer Vergleichsgröße, der ein Teilgebiet mit ausschließlich Clutter zugrundeliegt und einer Wahrscheinlickeitsdichtefunktion einer Vergleichsgröße, der ein Teilgebiet mit Clutter und Zielspur zugrundeliegt, ermöglicht die Bestimmung des Schwellwertes (vgl. 4).
• Von 2a bis 2c beträgt der Offset der Zielspur gegenüber dem Mittelpunkt der lokalen Position 0%, 20% bzw. 50% des Radius der Portion. Deutlich ist dabei zu erkennen, dass sich mit steigendem Abstand der Zielspur vom Mittelpunkt der Portion (Offset) die Maxima der beiden Wahrscheinlichkeitsdichtefunktionen C und CZ einander annähern. Der Abstand der Maxima kann z.B. als Maß für einen minimalen Überlapp der Teilgebiete herangezogen werden.
• In den 3a–c sind entsprechend den 2a–c beispielhaft die Wahrscheinlichkeitsdichtefunktionen der Vergleichsgrößen kleinster, mittlerer und größter Eigenwert (jeweils von links nach rechts) dargestellt. Auch aus dieser Darstellung läßt sich erkennen, dass sich mit steigendem Offset die einzelnen Kurven C, CZ für eine Portion mit ausschließlich Clutter und einer Portion mit Clutter und Zielspur einander annähern. In 3c lassen sich die Kurven C, CZ für eine Portion mit ausschließlich Clutter und eine Portion mit Clutter und Zielspur nicht mehr trennen. Gleiche Indizes bezeichnen in den 3a–c jeweils die entsprechende Vergleichsgrößen an.
• In 4 ist zur Veranschaulichung für eine beispielhafte Vergleichsgröße die Wahrscheinlichkeitsdichtefunktion C für eine Portion mit ausschließlich Clutter und die Wahrscheinlichkeitsverteilund CZ für eine Portion mit Clutter und Zielspur dargestellt. In der 4 ist ein beispielhafter oberer Schwellwert x eines Wertebereichs eingezeichnet. Der untere Schwellwert des Wertebereichs entspricht zweckmäßig einem Ereignis der Vergleichsgröße mit einer Wahrscheinlichkeit nahe Null. Der Überlapp der beiden Kurven C, CZ entspricht dem statistischen Fehler 1. und 2. Art (Signifikanzniveau und Schärfe des Tests)
• Als Nullhypothese H₀ wird angenommen, dass die betrachtete Portion keine Spur enthält. Der Fehler 1. Art ist die Verwerfung der Nullhypothese H₀, obwohl H₀ richtig war. Der Fehler 2. Art bedeutet das Nichtverwerfen der Nullhypothese H₀, obwohl H₀ falsch ist. Der Fehler 1. Art entspricht also der Wahrscheinlichkeit der Falschdetektion und der Fehler 2. Art der Wahrscheinlichkeit der Nichtdetektion einer vorhandenen Zielspur. In diesem Fall ist in 4 der Fehler 1. Art derjenige Bereich links vom oberen Schwellwert x. Der Fehler 2. Art ist der Bereich rechts vom Schwellwert x.
• Der in 4 eingezeichnete Schwellwert x ist einstellbar und kann so als Parameter für das erfindungsgemäße Verfahren verstanden werden. Der Schwellwert x wird dabei erfindungsgemäß so eingestellt, dass der Fehler 1. Art möglichst gering ist, insbesondere 0–30% beträgt. Liegt die aus den gemessenen Plots berechnete Vergleichsgröße z.B. rechts vom Grenzwert x, dann wird für das jeweilige Teilgebiet auf ein Teilgebiet mit ausschließlich Clutter entschieden. Liegt die Vergleichsgröße hingegen links vom Grenzwert x, wird auf ein Teilgebiet mit einem Ziel entschieden.
• 5 zeigt ein beispielhaftes Cluttergebiet mit einer Vielzahl von gemessenen Plots. Die markierten Gebiete kennzeichnen Portionen, in denen ein Ziel detektiert wurde.
• Bei der Durchführung des erfindungsgemäßen Verfahrens werden zu Beginn der Auswertung über eine vorgebbare Zeitdauer Radardaten gesammelt und gespeichert. Für jede der oben aufgeführten, zu untersuchenden Vergleichsgrößen wird eine Wahrscheinlichkeitsdichtefunktion für ein Teilgebiet mit ausschließlich Clutter berechnet. Die Wahrscheinlichkeitsdichtefunktionen können z.B. einer externen Datenbank entnommen werden.
• Unter Berücksichtigung der gesammelten Daten wird das Cluttergebiet anschließend adaptiv in lokale Portionen eingeteilt. In jeder Portion werden die Vergleichsgrößen aus den gemessenen Plots berechnet. Weicht in einer Portion der errechnete Wert V_rech einer Vergleichsgröße signifikant vom Schwellwert ab, dann wird angenommen, dass die betrachtete lokale Portion eine Zielspur enthält.
• Wird eine Portion als eine, eine Zielspur enthaltende Portion identifiziert, dann können die Plots dieser Portion an weiterverarbeitende Einheiten weitergegeben werden. Diese Einheiten können z.B. mit herkömmlichen Tracking-Verfahren zur Bestimmungen der Zielspur arbeiten.
• Bei einer online-Anwendung des erfindungsgemäßen Verfahrens werden von dem Radarsystem kontinuierlich Radardaten aus dem Cluttergebiet geliefert. Um eine verzögerungsfreie Auswertung der neuen Daten zu gewährleisten, werden in den einzelnen Portionen mit den neuen Daten aktualisiert. Die ältesten Plots in den Portionen werden gelöscht. Dann werden mit den neuen Plots in den einzelnen Portionen die entsprechenden Vergleichsgrößen neu bestimmt.
• Mit dem erfindungsgemäßen Verfahren können somit Festziele, langsame Ziele, sich geradlinig oder manövrierende Ziele detektiert und initiiert werden. Die benötigte Rechenlast des erfindungsgemäßen Verfahrens ist linear von der Anzahl der zu verarbeitenden Daten abhängig.

Claims (10)

1. Verfahren zur Auswertung von Radardaten, zum Auffinden von Zielen und Initiieren von Zielspuren in einem durch Clutter gestörten Raum-Zeit-Gebiet, welches in einem vorgebbaren Zeitbereich eine Vielzahl von als Plots bezeichnete Zielmeldungen umfaßt, dadurch gekennzeichnet, – dass das Cluttergebiet in eine vorgebbare Anzahl von mehrdimensionalen eine Zeitachse aufweisende Teilgebiete unterteilt wird, wobei die Teilgebiete als Kugeln in einem transformierten Raum gewählt werden, – dass aus den in einem Teilgebiet enthaltenen gemessenen Plots eine oder mehrere Vergleichsgrößen berechnet werden, – dass für jede Vergleichsgröße eine Wahrscheinlichkeitsdichtefunktion (C) berechnet wird, wobei ein Teilgebiet mit statistisch verteilten Plots zugrundegelegt wird, welches ausschließlich Clutter enthält, – dass für jede Wahrscheinlichkeitsdichtefunktion (C) ein Wertebereich mit einem unteren Schwellwert und einem oberen Schwellwert x derart bestimmt wird, dass mit dem oberen Schwellwert x ein vorgebbares Signifikanzniveau erreicht wird, – dass für ein Teilgebiet jede aus den gemessenen Plots berechnete Vergleichsgröße mit der jeweiligen Wahrscheinlichkeitsdichtefunktion (C) verglichen wird, wobei auf ein Teilgebiet mit Ziel erkannt wird, wenn mindestens eine der Vergleichsgrößen innerhalb des Wertebereichs liegt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Cluttergebiet derart eingeteilt wird, dass jedes Teilgebiet eine vorgebbare durchschnittliche Anzahl von Plots enthält.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass vor der Einteilung des Cluttergebietes in Teilgebiete das Cluttergebiet derart koordinatentransformiert wird, dass die in dem Cluttergebiet enthaltenen Zielmeldungen lokal gleich verteilt sind.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Kugeln sich auf einer vorgebbaren Länge ihres Radius überlappen.
5. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Vergleichsgröße aus einer Funktion von Plotinformationen der gemessenen Plots berechnet wird, wobei die Plotinformationen kinematische Daten, Amplitude und Flags sind.
6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Vergleichsgröße die Streuung der Winkel aller in dem zu untersu chenden Teilgebiet enthaltenen Plots zu einer Achse, insbesondere einer Raum- oder Zeitachse, des jeweiligen Teilgebietes ist.
7. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass die Funktion über eine Kovarianzmatrix bestimmt wird.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Vergleichsgröße eine Funktion der Eigenwerte der Kovarianzmatrix ist.
9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass für jede Vergleichsgröße eine Wahrscheinlichkeitsdichtefunktion (CZ) berechnet wird, wobei der Vergleichsgröße ein Teilgebiet mit statistisch verteilten Zielmeldungen zugrundeliegt, welche ein Teilgebiet mit Clutter und Zielspur eines sich bewegenden Ziels erzeugen.
10. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Wahrscheinlichkeitsdichtefunktion (C, CZ) mittels der Monte Carlo Simulation berechnet wird.