آمار

تعداد نشریات36
تعداد شماره‌ها1,208
تعداد مقالات8,740
تعداد مشاهده مقاله7,270,768
تعداد دریافت فایل اصل مقاله4,253,011
ضیایی, سید مهدی, اعتضادی فر, پوریا, نوروزی, یاسر. (1402). تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی. پدافند الکترونیکی و سایبری, 11(2), 117-132.
سید مهدی ضیایی; پوریا اعتضادی فر; یاسر نوروزی. "تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی". پدافند الکترونیکی و سایبری, 11, 2, 1402, 117-132.
ضیایی, سید مهدی, اعتضادی فر, پوریا, نوروزی, یاسر. (1402). 'تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی', پدافند الکترونیکی و سایبری, 11(2), pp. 117-132.
ضیایی, سید مهدی, اعتضادی فر, پوریا, نوروزی, یاسر. تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی. پدافند الکترونیکی و سایبری, 1402; 11(2): 117-132.

تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی

پدافند الکترونیکی و سایبری
دوره 11، شماره 2 - شماره پیاپی 42، تیر 1402، صفحه 117-132    اصل مقاله (2.58 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
سید مهدی ضیایی1؛ پوریا اعتضادی فر* 2؛ یاسر نوروزی3
1دانشجوی دکترا، دانشگاه جامع امام حسین (ع)، تهران، ایران
2استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران
3استادیار، دانشگاه صنعتی امیرکبیر، تهران، ایران
تاریخ دریافت: 03 آبان 1401،  تاریخ بازنگری: 30 فروردین 1402،  تاریخ پذیرش: 09 اردیبهشت 1402 
چکیده
استفاده از چف برای منحرف‌کردن رادار هدایت‌کننده موشک و یا جستجوگر موشک یک روش  متداول و مؤثر دفاعی در شناورهای نظامی است. برای مقابله با این روش دفاعی، روش‌های تشخیص هدف از چف توسعه یافته‌اند که عموماً بر روی ویژگی‌های خاص از چف یا هدف تمرکز دارند. این ویژگی‌ها بایستی بتوانند در شرایط مختلف عملکردی رادار و یا شرایط محیطی مختلف که رفتار چف را تغییر می‌دهد، عملکرد مناسبی داشته باشند. اما یک ویژگی مؤثر و منحصر به فرد که بتواند در تمامی شرایط با دقت مناسب چف را از هدف تشخیص دهد وجود ندارد و ویژگی‌های متفاوت، در شرایط محیطی مختلف و یا پارامترهای کاری رادار مانند شکل موج‌های متفاوت، عملکرد یکسانی ندارند و عملکرد آنها تغییر می‌کند. در این مقاله با استفاده از شبکه عصبی مصنوعی، ساختاری برای تشخیص چف و هدف در یک رادار ارائه شده است که  در شرایط محیطی و شکل موج‌های مختلف عملکرد بهتری نسبت به روش‌های موجود داشته و توانسته است دقت تشخیص هدف از چف را بهبود قابل توجهی داده و دقت مطلوبی را نتیجه دهد. هم چنین برای بهبود عملکرد رادار با رویکرد شناختی، شکل موج ارسالی آن در هر مرحله به طور بهینه انتخاب می‌شود و تغییر می‌کند. بدین منظور نیز از یک شبکه عصبی پسخور با لایه‌های LSTM استفاده شده است که وظیفه دارد با توجه به روند تغییرات محیط، شکل موج بهینه را پیشنهاد دهد. ساختار کلی روش پیشنهادی به این صورت است که ابتدا با استفاده از پیش‌پردازش بر روی داده‌های دریافتی رادار، ویژگی‌های متمایزکننده تقارن، پخش‌شدگی داپلر و AGCD از آن استخراج می‌شود که حاوی اطلاعات جداکننده چف و هدف از هم باشند. سپس برای حذف اثر نویز بر روی ویژگی‌ها از آستانه‌گذاری بر روی آنها استفاده می‌شود. در آخر، این ویژگی‌ها برای تشخیص درست چف از هدف وارد شبکه عصبی پیشخور با لایه‌های کاملاً متصل استفاده می‌شود. از طرفی در هر مرحله، با استفاده از شبکه پیشنهاد شکل موج، شکل موج بهینه برای لحظه بعدی انتخاب می‌شود و مورد استفاده قرار می‌گیرد. بدین ترتیب ساختار پیشنهادی، ماشین هوشمندی است که علاوه بر تشخیص هدف از چف در هر لحظه، تعیین می‌کند در لحظه بعدی، شکل موج بهینه چه باشد. در انتها اثربخشی این روش در مقایسه با روش‌های پیشین، یعنی آستانه‌گذاری بر روی ویژگی‌های تقارن، داپلر و AGCD در تشخیص هدف از چف، بررسی می‌شود. مشاهده می‌شود که عملکرد سیستم پیشنهادی بهبود قابل توجهی را ایجاد نموده است.
کلیدواژه‌ها
چف؛ هدف؛ رادار؛ شکل موج؛ شبکه عصبی مصنوعی؛ رادار شناختی
عنوان مقاله [English]
Recognition Chaff from target by determining the optimal waveform in the radar detector using artificial neural network
نویسندگان [English]
seied mehdi ziyaei1؛ pouriya etezadifar2؛ yaser noruzi3
1PhD student, Imam Hossein University (AS), Tehran, Iran
2Assistant Professor, Imam Hossein University (AS), Tehran, Iran
3Assistant Professor, Amirkabir University of Technology, Tehran, Iran
چکیده [English]
Deflecting missile’s radar guidance or missile’s seeker by chaff is a common and effective defensive method which is used in military vessels. To counter this defensive measure, methods for recognition targets from chaff have been developed, which generally focus on the special features of chaff or target. These features should be able to perform properly in different operating conditions of the radar or different environmental conditions that change the behavior of the radar. But there is no effective feature that can distinguish target from chaff with appropriate accuracy in all conditions, and different features do not have the same performance in different environmental conditions or radar working parameters such as different waveforms and as a result their performance changes. In this article, by using artificial neural network, a structure is presented for detecting chaff and target in a radar, whose performance in different environmental conditions and waveforms has been better than the existing methods and significantly improved the accuracy of target detection from chaff and led to appropriate accuracy. Also, to improve the performance of the radar with a cognitive approach, its transmitted waveform is optimally selected and changed at each stage. For this purpose, a feedback neural network with LSTM layers has been used, which suggest the optimal waveform according to changes in the environment. The general structure of the proposed method is so that first of all, by using pre-processing on the received radar data, the features of symmetry, Doppler spread and AGCD are extracted, which contain information that separates the target from the chaff. Then, to remove the effect of noise on these features, thresholding is used. Finally, these features are used to correctly distinguish the target from the chaff in a feed-forward neural network with fully connected layers. On the other hand, in each step, by using the waveform suggestion network, the optimal waveform is selected and used for the next moment. Thus, the proposed structure is an intelligent machine that, in addition to recognizing the target from the signal at each moment, determines what the optimal waveform should be at the next moment. At the end, the effectiveness of this method in comparison to the previous methods, that is, thresholding on the characteristics of symmetry, Doppler and AGCD in distinguishing the target from the chaff is evaluated. It is observable the performance of the proposed system has made a significant improvement.
کلیدواژه‌ها [English]
Chaff, target, radar, waveform, artificial neural network
مراجع

[1]      S. W. Marcus, “Bistatic RCS of spherical chaff clouds”, IEEE transactions on antennas and propagation, vol. 63, no. 9, pp. 4091-4099, 2015.

[2]      G. Tang, Z. Ke, Z. Hongzhong, and Z. Zhenzhen, “A novel discrimination method of ship and chaff based on sparseness for naval radar”, IEEE Radar Conference, pp. 1-4, 2008.

[3]      W. Shang, B. X. Chen, and L. F. Jiang, “An anti-chaff jamming method based on the effect of spectral expansion”, Guidance & Fuze, vol. 27, no. 3, pp. 5–10, 2006.

[4]       X. H. Shao, H. Du, and J. H. Xue, “A target recognition method based on non-linear polarization transformation”, IEEE International Workshop on Anti-counterfeiting, Security, Identification, pp. 157–163, 2007.

[5]       H. W. Fu, S. W. Zhang, and X. M. Li, “A recognition method of chaff jamming based on gray principle”, Electronics Optics & Control, vol.10, no. 3, pp. 42- 44, 2003.

[6]      F. Xiongjun, H. Yan, C. Jiang, and M. Gao, “Chaff jamming recognition for anti-vessel end-guidance radars”, 2nd International Congress on Image and Signal Processing, pp. 1-5. 2009.

[7]      W. J. Estes, “Spectral Characteristics of Radar Echoes from Aircraft dispensed chaff”, IEEE Trans AES, pp. 8-19, 1985.

[8]      G. Tang, Z. Pu, L. Zheng, Z. Hongzhong, and F. Qiang, “Symmetry measurement of radar echoes and its application in ship and chaff discrimination”, IET International Radar Conference, pp.138-138, 2009.

[9]      S. M. Ziyaei, P. Etezadifar, Y. Nouruzi, “Presenting a model that is close to reality, in order to generate a return pulse radar signal from the target and chaf and verify it with practical data”, Electronic Industries, vol. 13, no. 1, pp. 59-70, 2022. [In Persian]

[10]   C. Alexander, and F. Hoffmann. “Anticipation in cognitive radar using stochastic control”, IEEE Radar Conference (RadarCon), pp. 1692-1697, 2015.

[11]   G. S. Zubeyde, H. D. Griffiths, A. Charlish, M. Rangaswamy, M. S. Greco, and K. Bell, “An overview of cognitive radar: Past, present, and future”, IEEE Aerospace and Electronic Systems Magazine, vol. 34, no. 12, pp. 6-18, 2019.

[12]   W. Husheng, B. Chen, D. Zhu, F. Huang, Xiangzhen Yu, Q. Ye, X. Cheng, S. Peng, and J. Jing, “Chaff identification method based on Range‐Doppler imaging feature”, IET Radar, Sonar & Navigation, vol. 16, no. 11, pp. 1861-1871,2022.

[13]   L. Yongzhen, S. Quan, D. Xiang, W. Wang, C. Hu, Y. Liu, and X. Wang, “Ship recognition from chaff clouds with sophisticated polarimetric decomposition”, Remote Sensing, vol. 12, no. 11, pp.1813-1824, 2020.

[14]   G. Zhe, H. Yan, J. Zhang, and D. Zhu, “Deep-learning for radar: A survey”, IEEE Access, vol. 9, pp. 1400-1418, 2021.

[15]   G. Tang, Z. Pu, L. Zheng, Z. Hongzhong, and F. Qiang, “Symmetry measurement of radar echoes and its application in ship and chaff discrimination”, IET International Radar Conference, pp. 138-138, 2009.

[16]   S. Gauthier, E. Riseborough, T. J. Nohara and G. Jones, “Multifunction Radar Simulator (MFRSIM)” TECHNICAL Memorandum, DRDC Ottawa TM, pp. 158-165, December 2002.

[17]    S. Haykin, “Cognitive Radar: a way of future”, IEEE Signal Proccessing Magazine, vol. 23, no. 1, pp. 30-40, Januray 2006.

[18]     Frontline, Passive countermeasures, https://defence.frontline.online/article/2011/4/1907-Passive-Countermeasures, 2022.

آمار
تعداد مشاهده مقاله: 239
تعداد دریافت فایل اصل مقاله: 197