آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,703 |
| تعداد دریافت فایل اصل مقاله | 4,032,545 |
شناسایی و کلاس‌بندی سیگنال رادارهای LPI با استفاده از شبکه‌های لی نت و الکس نت در یادگیری عمیق | ||
| رادار | ||
| مقاله 10، دوره 7، شماره 1 - شماره پیاپی 21، شهریور 1398، صفحه 117-128 اصل مقاله (1.63 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| یاسر نوروزی* 1؛ قادر قدیمی2؛ رضا بایدرخانی3؛ محمد مهدی نایبی4 | ||
| 1امیر کبیر | ||
| 2دانشجو | ||
| 3استادیار دانشگاه آزاد اسلامی | ||
| 4دانشگاه صنعتی شریف | ||
| تاریخ دریافت: 13 اردیبهشت 1398، تاریخ بازنگری: 10 دی 1398، تاریخ پذیرش: 29 دی 1398 | ||
| 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 سامانه‌‍‍‍‌های شناسایی بسیار پائین است. بنابراین با ظهور این نوع فناوری 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، 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 دو شبکه الکس نت و لی‌نت که از شبکه‌های یادگیری عمیق هستند، 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) ،dB5- دقت عملکرد روش الکس‌نت 34/97% و دقت عملکرد روش لی‌نت 94% است که نشان از عملکرد بهتر روش الکس‌نت است. | ||
| کلیدواژه‌ها | ||
| یادگیری عمیق؛ شبکه عصبی کانولوشن؛ تحلیل فوریه زمان-کوتاه؛ رادارهای LPI | ||
| عنوان مقاله [English] | ||
| Using LeNet-5 and AlexNet Architectures in Deep Learning Approach to Detect and Classify LPI Radar Signals | ||
| نویسندگان [English] | ||
| Ghader Ghadimi2؛ Reza Baiderkhani3؛ Mohammad Mahdi Nayebi4؛ | ||
| 2Student at Islamic Azad University | ||
| 3Assistant Prof. | ||
| 4Prof. at Sharif University of Technology | ||
| چکیده [English] | ||
| Low probability of intercept (LPI) radars are difficult to detect and identify by electronic intelligence receivers due to their low power, wide bandwidth and frequency variability. With the emergence of this technology, new methods of signal and image processing are constantly required to first identify, then classify, and finally extract the characteristics of these radar signals. To solve the problem, today deep learning is an important technical method in the signal and image processing fields. Through using this method, this paper will investigate the possibility of detecting and classifying different signals of LPI radars. To do this, using Short-Time Fourier Transform (STFT), we will analyze the received signal in the time-frequency domain, and then to detect and classify the LPI radar signal waveforms we send the output, in image format, to the AlexNet and the LeNet deep convolutional neural network (CNN) models. The simulation results show that, in SNR=-5dB, the accuracy of the AlexNet and the LeNet methods are 97.34% and 94% respectively, indicating the better performance of the AlexNet method. | ||
| کلیدواژه‌ها [English] | ||
| Deep Learning, Deep Convolutional Neural Network (CNN), LPI Radar | ||
| مراجع | ||
|
[1] P. E. Pace, ‘‘Detecting and Classifying Low Probability of Intercept Radar,’’ Norwood, MA, USA: Artech House, 2009.## [2] G. López-Risueño, J. Grajal, and A. Sanz-Osorio, ‘‘Digital channelized receiver based on time-frequency analysis for signal interception,’’ IEEE Trans. Aerosp. Electron. Syst., vol. 41, pp. 879–898, 2005.## [3] E. R. Zilberman and P. E. Pace, ‘‘Autonomous time-frequency morphological feature extraction algorithm for LPI radar modulation classification,’’ IEEE Conference paper, 2006.## [4] Seung-Hyun Kong, Minjun Kim, Linh Manh Hoang, and Eunhui Kim, ‘‘Automatic LPI Radar Waveform Recognition Using CNN,’’ IEEE Access, vol. 6, pp. 4207-4219, 2018.## [5] M. Zhang, L. Liu, and M. Diao, ‘‘LPI radar waveform recognition based on time-frequency distribution,’’ Sensors, vol. 16, pp. 1682, 2016.## [6] M. Zhang, M. Diao, and L. Guo, ‘‘Convolutional neural networks for automatic cognitive radio waveform recognition,’’ IEEE Access, vol. 5, pp. 11074–11082, 2017.## [7] GUO Limin and Chen Xin, ‘‘Low Probability of Intercept Radar Signal Recognition Based on the Improved AlexNet Model,’’ ICDSP Conference paper, 2018.## [8] C. Wang, J. Wang, and X. Zhang, ‘‘Automatic radar waveform recognition based on time-frequency analysis and convolutional neural network,’’ ICASSP IEEE, Conference paper. 2017.## [9] T. L. Odom Upperman, “Elint Signal Processing Using Choi-Williams Distribution On Reconfigurable Computers For Detection And Classification Of Lpi Emitters,” M.S. thesis, Naval Postgraduate School, Monterey, CA, United States, 2008.## [10] N. Levanon and E. Mozeson, “Radar Signals,” New York, NY, USA: Wiley, 2004.## [11] J. E. Fielding, “Polytime coding as a means of pulse compression,” IEEE Trans. on Aerospace and Electronic Systems, vol. 35, pp. 716-721, 1999.## [12] E. Sejdić, I. Djurović, and J. Jiang, “Time-frequency feature representation using energy concentration: An overview of recent advances,” Digital Signal Processing, vol. 19, pp. 153-183, 2009.## [13] K. Konopko, “A Detecton Algorithm of Lpi Radar Signals,” SPA IEEE. Conference paper, 2007.## [14] Y. LeCun and et al., “Gradient-Based Learning Applied to Document Recognition,” Proceedings of the IEEE, vol. 86, pp. 2278-2324, 1998.## [15] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Image Net Classification with Deep Convolutional Neural Networks,” IEEE Computer Society Conference paper, 2009.## | ||
|
آمار تعداد مشاهده مقاله: 1,144 تعداد دریافت فایل اصل مقاله: 522 |
||