اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,049 |
| تعداد دریافت فایل اصل مقاله | 6,961,208 |
بهبود کیفیت تشخیص اهداف با استفاده از مدل تفرق الکترومغناطیسی | ||
| رادار | ||
| مقاله 8، دوره 11، شماره 2، بهمن 1402 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| امیر محمد حاتمی1؛ سید محمد کرباسی* 2؛ محمد مهدی نایبی3 | ||
| 1دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهران ، ایران | ||
| 2دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهران ، ایران | ||
| 3استاد، دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهران ، ایران | ||
| تاریخ دریافت: 25 شهریور 1402، تاریخ بازنگری: 27 آبان 1402، تاریخ پذیرش: 19 آذر 1402 | ||
| چکیده | ||
| مدل های الکترومغناطیسی بازتابش، مدل هایی هستند که به منظور بیان سیگنال بازگشتی از نقاط پراکندگی اهداف و به صورت توابعی از فرکانس یا زاویه دید تعریف می شوند. مدل تفرق هندسی یکی از مدل های پرکاربرد و دقیق است که بر مبنای شکل هندسی و نوع هر نقطه پراکندگی و با استفاده از روابط فیزیکی تفرق موج و نور به دست آمده است. تشخیص نوع هدف خودکار یکی از موضوعات مورد بحث در تحقیقات بوده است. محققان روش های گوناگونی به جهت بهبود دقت تشخیص به کار برده اند. در سال های اخیر روش های مبتنی بر شبکه های عصبی و یادگیری ماشین رواج یافته اند و پیشرفت های زیادی در جهت بهبود نتایج تشخیص نوع هدف با استفاده از این روش ها به دست آمده است. در این مقاله به دنبال مدلسازی یک شبکه عصبی هستیم که دارای دو مسیر ورودی داده به منظور تشخیص اهداف است. در مسیر اول، تصاویر به صورت مستقیم به شبکه اعمال می شوند و در مسیر دوم پس از استخراج ویژگی های مدل تفرق هندسی و تفکیک نقاط پراکندگی محلی و گسترده، تصاویر در زوایای دید و پهنای باند بزرگتر بازسازی و به شبکه اعمال می شوند. در نهایت، ویژگی های به دست آمده از دو مسیر با یکدیگر ترکیب می شوند و تفکیک اهداف با استفاده از تجمیع ویژگی ها صورت می گیرد. شبکه به دست آمده با استفاده از داده های عملی آموزش داده می شود و نتایج آن در این مقاله بررسی می شود. نتایج به دست آمده در این مقاله موید کارامد بودن روش ارائه از نظر دقت طبقه بندی نسبت به روش های موجود در سایر مقالات است. | ||
| کلیدواژهها | ||
| تشخیص اهداف؛ مدل تفرق هندسی؛ شبکه های عصبی؛ رادار روزنه مصنوعی | ||
| عنوان مقاله [English] | ||
| Target Recognition Quality Enhancement Using Electromagnetic Scattering Models | ||
| نویسندگان [English] | ||
| Amir Mohammad Hatami1؛ Seyyd Mohammad Karbasi2؛ Mohammad Mahdi Nayebi3 | ||
| 1PhD student, Faculty of Electrical Engineering, Sharif University of Technology, Tehran, Iran | ||
| 2Associate Professor, Faculty of Electrical Engineering, Sharif University of Technology, Tehran, Iran | ||
| 3Professor, Faculty of Electrical Engineering, Sharif University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| The electromagnetic models of retured signals are used to describe the returned signal of the scattering points on the target and are a function of frequency and/or aspect angle. The Attributed Scattering Center(ASC), is a widely used and precise model which is based on the geometry and type of each scattering center and is inferred using the Geometrical Theory of Differaction(GTD). The Automatic Target Recognition(ATR) is among the hot topics in recent decade’s research. Many methods have been proposed to enhance the recognition performance. In recent years, methods based on neural networks and machine learning were frequently used and have achived improvements in ATR results. In this paper, we model a neural network with two data streams. In the first data stream the images are directly fed into the CNN. In the second stream, however at first, the ASC model parameters are extracted and the distributed and localized scattering centers are classified. Then the data is extraplated both in cross range and down range which creates higher resolution images. These images are then fed into another CNN which at the end the two streams are concatenated and the classification is made using both streams. The final network is trained based on real-world data and the results are discussed. | ||
| کلیدواژهها [English] | ||
| ATR, ASC, Neural Networks, Synthetic Aperture Radar | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 94 |
||