fa شناسایی و کلاس‌بندی سیگنال رادارهای LPI با استفاده ازآنالیز زمان فرکانس و یادگیری عمیق هوش مصنوعی Artificial Intelligence پژوهشي Research چکیده<br> رادارهای <span dir="LTR">LPI (Low Probability of Intercept)</span> و یا با احتمال رهگیری پائین، رادارهایی هستند که به‌دلیل توان کم، پهنای باند گسترده و فرکانس متغیر، احتمال رهگیری آنها توسط سیستم‌&zwj;&zwj;&zwj;‌های 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 <span dir="LTR">LPI</span>، 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&nbsp; بهبود یافته دو شبکه الکس‌نت و گوگل‌نت که از شبکه‌های یادگیری عمیق هستند و بعنوان‌های <span dir="LTR">method1,method2</span> در این مقاله شناخته شده‌اند، برای آشکارسازی و کلاس‌بندی انواع مدولاسیون‌های مورد استفاده در رادارهای <span dir="LTR">LPI</span>، داده خواهد شد. نتایج به‌دست‌آمده از این شبیه‌سازی‌ها نشان می‌دهد که در<span dir="LTR">SNR </span>&nbsp;(نسبت سیگنال به نویز) ،<span dir="LTR">dB</span>15- دقت عملکرد روش الکس‌نت 80% و دقت عملکرد روش گوگل‌نت 100% است که نشان از عملکرد بهتر روش گوگل‌نت است. Detection and classification of Low Probability of Interception (LPI) radar signals is one of the most important challenges in electronic warfare (EW), since there are limited methods for identifying these type of signals. In this paper, a radar waveform automatic identification system for detecting and classifying LPI radar is studied, and accordingly we propose a method based on deep learning networks to detect and classify LPI radar waveforms. To this end, the GoogLeNet architecture as one of the well-known convolutional neural networks (CNN) is utilized<strong><span dir="RTL">.</span></strong> We employ the Short Time Fourier Transform (STFT) for time-frequency analysis in order to construct the entry image for proposed method 1,2(improved the GoogLeNet and AlexNet networks) to recognize offline training and online recognition. After the training procedure with the supervised data sets the proposed method 1,2 can detect and classify nine modulation types of LPI radar, including LFM, poly-phase (P1, P2, P3, P4) and poly-time (T1, T2, T3, T4) waveforms. The numerical results for proposed method 1 and method 2, show considerable accuracies up to 98.7% and 80% at the SNR level of -15db respectively , which outperforms the existing methods. یادگیری عمیق, شبکه عصبی کانولوشن, تحلیل فوریه زمان-کوتاه , رادارهای LPI :Deep Learning, Convolutional Neural Network, Short Time Fourier Transform, Low Probability of Intercept Radar . 19 35 http://ic4i-journal.ir/browse.php?a_code=A-10-372-1&slc_lang=fa&sid=1 ghader ghadimi قادر قدیمی g_ghadimi@yahoo.com 10031947532846001610 10031947532846001610 Yes