تعداد نشریات | 36 |
تعداد شمارهها | 1,176 |
تعداد مقالات | 8,477 |
تعداد مشاهده مقاله | 6,608,582 |
تعداد دریافت فایل اصل مقاله | 3,716,232 |
شناسایی و کلاسبندی سیگنال رادارهای LPI با استفاده از شبکههای لی نت و الکس نت در یادگیری عمیق | ||
رادار | ||
مقاله 10، دوره 7، شماره 1 - شماره پیاپی 21، شهریور 1398، صفحه 117-128 اصل مقاله (1.63 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
یاسر نوروزی* 1؛ قادر قدیمی2؛ رضا بایدرخانی3؛ محمد مهدی نایبی4 | ||
1امیر کبیر | ||
2دانشجو | ||
3استادیار دانشگاه آزاد اسلامی | ||
4دانشگاه صنعتی شریف | ||
تاریخ دریافت: 13 اردیبهشت 1398، تاریخ بازنگری: 10 دی 1398، تاریخ پذیرش: 29 دی 1398 | ||
چکیده | ||
رادارهای LPI (Low Probability of Intercept) و یا با احتمال رهگیری پائین، رادارهایی هستند که بهدلیل توان کم، پهنای باند گسترده و فرکانس متغیر، احتمال رهگیری آنها توسط سامانههای شناسایی بسیار پائین است. بنابراین با ظهور این نوع فناوری از رادارها، همواره روشهای جدیدی در حوزه پردازش سیگنال و تصویر مورد نیاز است تا با استفاده از این روشها، بتوان سیگنالهای مذکور را در مرحله اول تشخیص داده و در مرحله دوم کلاسبندی کرده و در مرحله آخر بتوان مشخصات آنها را استخراج کرد. برای حل مسئله، امروزه یادگیری عمیق بهعنوان یکی از روشهای جدید در حوزه پردازش سیگنال و تصویر مطرح است. در این مقاله با استفاده از روش یادگیری عمیق امکان آشکارسازی و کلاسبندی انواع مدولاسیون رادارهای LPI، بررسی خواهد شد. در این راستا ابتدا سیگنال دریافتی با استفاده از تحلیل فوریه زمان-کوتاه، در حوزه زمان-فرکانس مورد تجزیهوتحلیل قرار گرفته و خروجی این بخش بهصورت یک تصویر، به دو شبکه الکس نت و لینت که از شبکههای یادگیری عمیق هستند، برای آشکارسازی و کلاسبندی انواع مدولاسیونهای مورد استفاده در رادارهای LPI، داده خواهد شد. نتایج بهدستآمده از این شبیهسازیها نشان میدهد که درSNR (نسبت سیگنال به نویز) ،dB5- دقت عملکرد روش الکسنت 34/97% و دقت عملکرد روش لینت 94% است که نشان از عملکرد بهتر روش الکسنت است. | ||
کلیدواژهها | ||
یادگیری عمیق؛ شبکه عصبی کانولوشن؛ تحلیل فوریه زمان-کوتاه؛ رادارهای LPI | ||
مراجع | ||
[1] P. E. Pace, ‘‘Detecting and Classifying Low Probability of Intercept Radar,’’ Norwood, MA, USA: Artech House, 2009.## [2] G. López-Risueño, J. Grajal, and A. Sanz-Osorio, ‘‘Digital channelized receiver based on time-frequency analysis for signal interception,’’ IEEE Trans. Aerosp. Electron. Syst., vol. 41, pp. 879–898, 2005.## [3] E. R. Zilberman and P. E. Pace, ‘‘Autonomous time-frequency morphological feature extraction algorithm for LPI radar modulation classification,’’ IEEE Conference paper, 2006.## [4] Seung-Hyun Kong, Minjun Kim, Linh Manh Hoang, and Eunhui Kim, ‘‘Automatic LPI Radar Waveform Recognition Using CNN,’’ IEEE Access, vol. 6, pp. 4207-4219, 2018.## [5] M. Zhang, L. Liu, and M. Diao, ‘‘LPI radar waveform recognition based on time-frequency distribution,’’ Sensors, vol. 16, pp. 1682, 2016.## [6] M. Zhang, M. Diao, and L. Guo, ‘‘Convolutional neural networks for automatic cognitive radio waveform recognition,’’ IEEE Access, vol. 5, pp. 11074–11082, 2017.## [7] GUO Limin and Chen Xin, ‘‘Low Probability of Intercept Radar Signal Recognition Based on the Improved AlexNet Model,’’ ICDSP Conference paper, 2018.## [8] C. Wang, J. Wang, and X. Zhang, ‘‘Automatic radar waveform recognition based on time-frequency analysis and convolutional neural network,’’ ICASSP IEEE, Conference paper. 2017.## [9] T. L. Odom Upperman, “Elint Signal Processing Using Choi-Williams Distribution On Reconfigurable Computers For Detection And Classification Of Lpi Emitters,” M.S. thesis, Naval Postgraduate School, Monterey, CA, United States, 2008.## [10] N. Levanon and E. Mozeson, “Radar Signals,” New York, NY, USA: Wiley, 2004.## [11] J. E. Fielding, “Polytime coding as a means of pulse compression,” IEEE Trans. on Aerospace and Electronic Systems, vol. 35, pp. 716-721, 1999.## [12] E. Sejdić, I. Djurović, and J. Jiang, “Time-frequency feature representation using energy concentration: An overview of recent advances,” Digital Signal Processing, vol. 19, pp. 153-183, 2009.## [13] K. Konopko, “A Detecton Algorithm of Lpi Radar Signals,” SPA IEEE. Conference paper, 2007.## [14] Y. LeCun and et al., “Gradient-Based Learning Applied to Document Recognition,” Proceedings of the IEEE, vol. 86, pp. 2278-2324, 1998.## [15] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Image Net Classification with Deep Convolutional Neural Networks,” IEEE Computer Society Conference paper, 2009.## | ||
آمار تعداد مشاهده مقاله: 1,061 تعداد دریافت فایل اصل مقاله: 483 |