|
شناسایی و کلاس‌بندی سیگنال رادارهای LPI با استفاده ازآنالیز زمان فرکانس و یادگیری عمیق
|
قادر قدیمی*   |
|
|
|
چکیده: (1437 مشاهده) |
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 سیستم‌‍‍‍‌های شناسایی بسیار پائین است. بنابراین با ظهور این نوع تکنولوژی 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، همانند LFM، مدولاسیونهای چندفازی (P1, P2, P3, P4) و مدولاسیونهای چند زمانه (T1, T2, T3, T4)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 بهبود یافته دو شبکه الکس‌نت و گوگل‌نت که از شبکه‌های یادگیری عمیق هستند و بعنوان‌های method1,method2 در این مقاله شناخته شده‌اند، 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) ،dB15- دقت عملکرد روش الکس‌نت 80% و دقت عملکرد روش گوگل‌نت 100% است که نشان از عملکرد بهتر روش گوگل‌نت است. |
|
| واژه‌های کلیدی: یادگیری عمیق، شبکه عصبی کانولوشن، تحلیل فوریه زمان-کوتاه، رادارهای LPI |
|
|
متن کامل [PDF 942 kb]
(285 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
هوش مصنوعی
دریافت: 1399/11/15 | پذیرش: 1400/6/27 | انتشار: 1400/9/21
|
|
|
|
|
|
