آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,218 |
| تعداد مقالات | 8,812 |
| تعداد مشاهده مقاله | 7,428,082 |
| تعداد دریافت فایل اصل مقاله | 4,360,230 |
ارائه چارچوبی برای تشخیص رادارهای چندحالته مبتنی بر PDW توسعه‌یافته | ||
| رادار | ||
| دوره 9، شماره 2 - شماره پیاپی 26، آذر 1401، صفحه 107-117 اصل مقاله (1.23 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| جواد قلندری1؛ سید مهدی حسینی اندارگلی* 2؛ نادعلی زارعی3؛ مهدی ملازاده گل محله3 | ||
| 1دانشجوی دکتری، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| 2دانشیار، دانشگاه صنعتی نوشیروانی، بابل، ایران | ||
| 3استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| تاریخ دریافت: 24 بهمن 1400، تاریخ بازنگری: 19 فروردین 1401، تاریخ پذیرش: 09 مهر 1401 | ||
| چکیده | ||
| با پیشرفت تکنیک‌های ECCM در رادارها، روش‌های تفکیک پالس در سیستم‌های ESM به‌جای بررسی کلمات توصیف‌کننده در روش‌های سنتی بر مدولاسیون درون پالسی تکیه نموده‌اند. استخراج مدولاسیون درون پالسی روش مناسبی بوده ولی در مواجهه با رادارهای چندحالته با تغییر مدولاسیون درون پالسی، تعداد اهداف را بیش از مقدار واقعی تخمین می‌زند. هدف از این مقاله تشخیص رادارهای چندحالته با انواع مدولاسیون داخلی، در یک محیط متراکم راداری است. راه‌حل پیشنهادی افزودن بخش تشخیص رادارهای چندحالته به روش‌های موجود تفکیک پالس در مرحله پردازش تکمیلی است. این روش شامل ارائه یک چارچوب مناسب جهت بررسی رشته پالس‌های تفکیک‌شده با تعریف و انتخاب معیارهای تشابه از PDW توسعه‌یافته است. در این روش ابتدا ویژگی‌های متمایزکننده هر رادار استخراج شده و معیارهای تشابه از هر ویژگی برای بررسی شباهت بین دو رشته پالس محاسبه می‌گردد. داده ورودی شامل اطلاعات تفکیک‌شده از رادارهای واقعی است که توسط یک سیستم شنود دریافت می‌گردد. به دلیل عدم قطعیت در هر یک از معیارها، امتیاز تشابه به‌صورت فازی و نرمالیزه شده لحاظ شده و داده‌های آموزش تکمیل می‌شود. سپس از جدول داده‌ها برای آموزش یک شبکه عصبی پرسپترون استفاده می‌شود. شبکه پس از آموزش در شرایط جدید، رادارهای چندحالته را تشخیص می‌دهد. جهت تست شبکه، بخشی از جدول داده به شبکه اعمال شده و شبکه آموزش‌دیده شده در 100 درصد داده‌های تست با موفقیت توانسته است رادارهای چندحالته را از بین رادارهای متمایز تشخیص دهد. | ||
| کلیدواژه‌ها | ||
| رادار چندحالته؛ تفکیک پالس راداری؛ استخراج ویژگی؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| A framework for multi-mode radars discrimination based on extended PDW | ||
| نویسندگان [English] | ||
| Javad Ghalandari1؛ Seyed Mehdi Hosseini andargoli2؛ NadAli Zarei3؛ Mehdi Molazadeh Golmahaleh3 | ||
| 1Doctoral student, Imam Hossein University, Tehran, Iran | ||
| 2Associate Professor, Noshirvani University of Technology, Babol, Iran | ||
| 3Assistant Professor, Imam Hossein University (AS), Tehran, Iran | ||
| چکیده [English] | ||
| Due to developments have been occurred in ECCM techniques of radars, pulse separation methods in ESM systems rely on intera-pulse modulation instead of analyzing pulse descriptive words in traditional methods. Extraction of pulse modulation is a suitable method but in the case of multi-mode radars, the number of targets is overestimated by changing the intra-pulse modulation. The purpose of this paper is to detect multi-mode radars with various types of internal modulation in a dense radar environment. The proposed solution is to add multi-mode radars detection to the existing pulse separation methods at the post processing stage. This method involves providing an appropriate framework for examining the separated pulse string by defining and selecting similarity criteria from the extended PDW. In this method, at first the distinguishing features of each radar are extracted and the similarity criteria of each feature are calculated to check the similarity between the two pulse strings. Input data contains information separated from real radars received by ESM system. Due to the uncertainties of each criteria, similarity scores are computed through the fuzzy roles and normalization and training dataset is formed. The data table is then used to train a perceptron neural network. The trained network can detect multimode radars automatically. To test the network, a section of the data table is applied to the network and trained network succeed in 100% of test data to distinguish multi-mode radars from the distinct radars. | ||
| کلیدواژه‌ها [English] | ||
| Multi-mode radar, Radar pulse separation, Feature extraction, Neural network | ||
| مراجع | ||
|
[1] J. Dudczyk, “Radar Emission Sources Identification Based on Hierarchical Agglomerative Clustering for Large Data Sets,” Journal of Sensors, vol. 2016, pp. 1879327, 2016. [2] M. A. M. j. Ghalandari , E. Morady, “Nearest neighbor method with priority selection of denser clusters by analysis of similarity matrix for radar pulse clustering,” Marine Technology, vol. 4, no. 4, pp. 13-24, 2016. (in Persian) [3] K. Gençol, A. Kara, and N. At, “Improvements on deinterleaving of radar pulses in dynamically varying signal environments,” Digital Signal Processing, vol. 69, pp. 86-93, 2017. [4] N. G. a. P. S. Vimala, “Generation and Deinterleaving of Radar Signals in Electronic Warfare Environment using SDIF Histogram Algorithm,” International Journal of Scientific Research and Reviews, vol. 7, pp. 10, 2018. [5] F. Paisana, N. J. Kaminski, N. Marchetti, & L. A. DaSilva, “Signal Processing for Temporal Spectrum Sharing in a Multi-Radar Environment,” IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 2, pp. 123-137, 2017. [6] E. Norgren, "Pulse repetition interval modulation classification using machine learning," 2019. [7] Y. Liu, & Q. Zhang, “Improved method for deinterleaving radar signals and estimating PRI values,” IET Radar, Sonar & Navigation, vol. 12, no. 5, pp. 506-514, 2018. [8] A.-L. He, D.-G. Zeng, J. Wang, & B. Tang, “Multi-parameter signal sorting algorithm based on dynamic distance clustering,” Journal of Electronic Science and Technology, vol. 7, no. 3, pp. 249-253, 2009. [9] Z.-M. Liu, & S. Y. Philip, “Classification, denoising, and deinterleaving of pulse streams with recurrent neural networks,” IEEE Transactions on Aerospace and Electronic Systems, vol. 55, no. 4, pp. 1624-1639, 2018. [10] S. Wei, Q. Qu, H. Su, J. Shi, X. Zeng, & X. Hao, “Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks,” Signal, Image and Video Processing, pp. 1-9, 2020. [11] Y. Huang, W. Jin, B. Li, P. Ge, & Y. Wu, “Automatic modulation recognition of radar signals based on manhattan distance-based features,” IEEE Access, vol. 7, pp. 41193-41204, 2019. [12] X. Liao, B. Li, & B. Yang, “A Novel Classification and Identification Scheme of Emitter Signals Based on Ward’s Clustering and Probabilistic Neural Networks with Correlation Analysis,” Computational intelligence and neuroscience, vol. 2018, 2018. [13] T. R. Kishore, & K. D. Rao, “Automatic intrapulse modulation classification of advanced LPI radar waveforms,” IEEE Transactions on Aerospace and Electronic Systems, vol. 53, no. 2, pp. 901-914, 2017. [14] S. Dai, W. Lei, Y. Cheng, & D. Wang, “Clustering of DOA data in radar pulse based on SOFM and CDbw,” Journal of Electronics (China), vol. 31, no. 2, pp. 107-114, 2014. [15] Y. Sun, J. Li, F. Lin, & G. Pan, "Automatic Signal Modulation Recognition based on Deep Convolutional Neural Network." pp. 550-554, 2021. [16] R. A. S. P. Bayat, M. M. Nayebi, “The Deinterleaving of Radar Pulses in Interception systems,” Toosi University of Technology, 2010. (in Persian) [17] G. Revillon, A. Mohammad-Djafari, & C. Enderli, “Radar emitters classification and clustering with a scale mixture of normal distributions,” IET Radar, Sonar & Navigation, vol. 13, no. 1, pp. 128-138, 2018. [18] Z. Wu, Z. Yang, H. Sun, Z. Yin, & A. Nallanathan, “Hybrid radar emitter recognition based on rough k-means classifier and SVM,” EURASIP Journal on Advances in Signal Processing, vol. 2012, no. 1, pp. 1-9, 2012. [19] G. Zhang, "Intra-pulse modulation recognition of advanced radar emitter signals using intelligent recognition method." pp. 707-712, 2006. [20] Q. Guo, P. Nan, & J. Wan, “Signal classification method based on data mining for multi-mode radar,” Journal of Systems Engineering and Electronics, vol. 27, no. 5, pp. 1010-1017, 2016. [21] J. Wan, P. Nan, Q. Guo, & Q. Wang, “Multi-mode radar signal sorting by means of spatial data mining,” Journal of Communications and Networks, vol. 18, no. 5, pp. 725-734, 2016. [22] S. Q. Wang, J. Bai, X. Y. Huang, C. Y. Gao, & P. F. Wan, “Analysis of radar emitter signal sorting and recognition model structure,” Procedia Computer Science, vol. 154, pp. 500-503, 2019. [23] G. Revillon, “Uncertainty in radar emitter classification and clustering,” 2019. [24] Q. Guo, L. Teng, L. Qi, X. Ji, & J. Xiang, “A Novel Radar Signals Sorting Method-Based Trajectory Features,” IEEE Access, vol. 7, pp. 171235-171245, 2019. [25] R. Wiley, ELINT: The interception and analysis of radar signals: Artech, 2006. [26] M. Li, M. He, J. Han, & Y. Tang, "A new clustering and sorting algorithm for radar emitter signals." p. 012009, 2020. | ||
|
آمار تعداد مشاهده مقاله: 215 تعداد دریافت فایل اصل مقاله: 183 |
||