آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,689 |
| تعداد دریافت فایل اصل مقاله | 4,032,532 |
ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی | ||
| رادار | ||
| مقاله 11، دوره 9، شماره 1 - شماره پیاپی 25، شهریور 1400، صفحه 107-117 اصل مقاله (1.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| میثم بیات* 1؛ میلاد مرادی2؛ جلیل مظلوم3 | ||
| 1استادیار، دانشکده مهندسی برق، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| 2دانشجوی کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| 3دانشیار، دانشکده مهندسی برق، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| تاریخ دریافت: 28 خرداد 1400، تاریخ بازنگری: 18 مهر 1400، تاریخ پذیرش: 13 آذر 1400 | ||
| چکیده | ||
| رادار روزنه مصنوعی یک رادار تصویر‌برداری است که قدرت تفکیک بالایی دارد. ممکن است تصویر رادار روزنه مصنوعی بر اثر تداخل فرکانس‌های رادیویی تخریب شود و تصویری نامفهومی ایجاد شود. تداخل در رادار روزنه مصنوعی به سه دسته ، و تقسیم میشود. این تداخل‌ها به‌ترتیب بیانگر تداخل نویز فرکانس رادیویی، تداخل باند باریک و تداخل پهن باند هستند. برای کاهش مؤثرتر تداخل در تصاویر رادار روزنه مصنوعی ابتدا باید وجود تداخل و نوع آن مشخص شود. سپس با استفاده از الگوریتم‌های کاهش تداخل متناسب با نوع تداخل به کاهش تداخل پرداخته میشود. در این مقاله به ارائه الگوریتمی به‌منظور تشخیص تداخل و نوع آن در تصاویر رادار روزنه مصنوعی پرداخته میشود. در مقالات گذشته از روش SSD برای تشخیص تداخل استفاده شده‌است. در این مقاله برای تشخیص تداخل از روش Faster RCNN مبتنی بر شبکه عصبی کانولوشنی استفاده گردید که سرعت و دقت بالاتری نسبت به SSD دارد. در این روش ابتدا یک شبکه عصبی کانولوشنی با توانایی دسته‌بندی چندتایی آموزش داده میشود. سپس Faster RCNN با کمک شبکه عصبی ساخته شده و تعداد 25 تصویر زمان- فرکانس از سیگنال رادار روزنه مصنوعی آموزش داده شد. شبکه آموزش دیده قادر است هر نوع تداخل در سیگنال رادار روزنه مصنوعی را با دقت 99 درصد تشخیص دهد. سرانجام با استفاده از فیلتر تطبیقی حداقل میانگین مربعات نرمال شده کاهش تداخل انجام شد. بعد از شناسایی تداخل با استفاده از الگوریتم پیشنهادی، فیلتر حداقل میانگین مربعات نرمال شده توانست تداخل را کاهش و تصویر رادار را بهبود دهد. این فیلتر در کاهش هر سه نوع تداخل به‌طور یکسان عمل نمود. | ||
| کلیدواژه‌ها | ||
| رادار؛ تداخل فرکانس رادیوئی؛ رادار روزنه مصنوعی؛ شبکه عصبی کانولوشنی | ||
| عنوان مقاله [English] | ||
| The Presentation of an Algorithm for Interference Detection in the Synthetic Aperture Radar | ||
| نویسندگان [English] | ||
| meysam bayat1؛ milad moradi2؛ jalil mazloum3 | ||
| 1Assistant Professor, Faculty of Electrical Engineering, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran | ||
| 2Master student, Faculty of Electrical Engineering, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran | ||
| 3Associate Professor, Faculty of Electrical Engineering, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran | ||
| چکیده [English] | ||
| The synthetic aperture radar is an imaging radar that has a high resolution. The synthetic aperture radar image may be degraded by the interference of radio frequencies and an incomprehensible image may be created. Interferences in the synthetic aperture radars are divided into the three categories of , , and , which represent radio frequency noise interference, narrow band interference and wideband interference, respectively. To effectively reduce the interference in synthetic aperture radar images, first the presence of interference and its type should be asserted and then the interference reduction algorithms should be calculated according to interference type. In this paper an algorithm for the detection of interference and its type in the synthetic aperture radar images is presented. Whilst in the previous articles the SSD method is used for interference detection, in this paper we have used the Faster RCNN method based on neural network convolutional which has a higher speed and accuracy than the SSD method. In this method, first a neural network is trained with the ability of multiple classification. Then the Faster RCNN is constructed with the neural network and and is trained by 25 time - frequency images from the artificial aperture radar signal. The trained network is able to detect any interference in the radar signal of a synthetic window with 99% accuracy. After detecting the interference by the proposed algorithm, the normalized least mean square filter is able to reduce the interference and improve the radar image. This filter operates similarly in decreasing all three types of interference. | ||
| کلیدواژه‌ها [English] | ||
| Radar, Radio Frequency Interference, Synthetic Aperture Radar, Convolutional Neural Network | ||
| مراجع | ||
|
[1] A. Moreira, P. Prats-Iraola, M. Younis, G. Krieger, I. Hajnsek, and K. P. Papathanassiou, “A Tutorial on Synthetic Aperture Radar,” IEEE Geosci. Remote Sens. Mag, pp. 6 –43, 2013. [2] M. Tao, F. Zhou, and Z. Zhang, “Wideband Interference Mitigation in High-resolution Airborne Synthetic Aperture Radar Data,” IEEE Trans. Geosci. Remote Sens, vol. 54, [3] Z. Yang, W. Du, Z. Liu, and G. Liao, “WBI Suppression for SAR Using Iterative Adaptive Method,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens, vol. 9, pp. 1008–1014, 2016. [4] A. Camps et al, “Radio-frequency Interference Detection and Mitigation Algorithms for Synthetic Aperture Radiometers,” J. Algorithms, vol. 4, no. 4, pp. 155-182, 2011. [5] J .Su, H. Tao, M. Tao, J. Xie, Y. Wang, and L. Wang, “Time-Varying SAR Interference Suppression Based on Delay-Doppler Iterative Decomposition Algorithm,” J. Remote Sens, DOI:10.3390/rs10091491, vol. 10, pp. 1-19, 2018. [6] F. Weiwei, Z. Feng, and T. Mingliang, “Interference Mitigation for Synthetic Aperture Radar Based on Deep Residual Network,” J. Remote Sens, vol. 11, pp. 16-54, 2019. [7] J. Yu, J. Li, B. Sun, J. Chen, and C. Li, “Multiclass Radio Frequency Interference Detection and Suppression for SAR Based on the Single Shot Multi Box Detector,” J. Sensors, vol. 18, PP.1-17, 2018. [8] M. Tao, F. Zhou, J. Liu, Y. Liu, Z. Zhang, and Z. Bao, “Narrow-band Interference Mitigation for SAR Using Independent Subspace Analysis,” IEEE Trans. Geosci. Remote Sens, vol. 52, pp. 5289–5301, 2014. [9] Y. Huang, G. Liao, J. Li, and J. Xu, “Narrowband RFI Suppression for SAR System via Fast Implementation of Joint Sparsely and Low-rank Property,” IEEE Trans. Geosci. Remote Sens, vol. 56, pp. 2748–2761, 2018. [10] M. Bayat and M. H. Madani, “Analysis of Cross-Rate Interference Cancelation by Use of a Novel Phase Code Interval in Loran Navigation System,” J. Institute of Navigation, vol. 64, pp.365–376, 2017. [11] R. Natsuaki, T. Motohka, M. Watanabe, M. Shimada, and [12] Y. L. Li, X. Y. Li, and Z. M. Zhou, “Side-Lobe Reduction for Radio Frequency Interference Suppression via Clipping of Strong Scatterers,” IEEE Geosci. Remote Sens. Lett, vol. 13, pp. 1178–1182, 2016. [13] K. E. Dungan, J. N. Ash, J. W. Nehrbass, J. T. Parker, [14] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-time Object Detection,” In Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, USA, pp. 779–788, 2016. [15] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going Deeper With Convolutions,” In Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, USA, PP. 1-9, 2015. [16] S. Chen, H. Wang, F. Xu, and Y.Q. Jin, “Target Classification Using the Deep Convolutional Networks for SAR Images,” IEEE Trans. Geosci. Remote Sens, PP. 4806–4817, vol. 54, 2016. [17] J. Matuszewski, “Radar Signal Identification Using a Neural Network and Pattern Recognition Methods,” In Proceedings of the 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, ; pp. 79–83, 2018. [18] J. Jiao, Y. Zhang, H. Sun, X. Yang, X. GAO, and W. Hong, “A Densely Connected End-to-End Neural Network for Multiscale and Multiscene SAR Ship Detection,” IEEE Access, vol. 6, pp. 20881–20892, 2018. [19] M. Bayat and M. H. Madani, “Design and Simulation of a Linear Adaptive System to Remove the CWI in Loran Navigation System Receivers,” J. Advanced Defence Sci. and Tech, vol. 5. pp. 50-62, 2018. [20] M. Bayat and J. Mazloum, “Design and Simulation of a Linear Adaptive System to Eliminate the Effect of Single-frequency Jammer in Warplane Data Link,” J. Aeronautical Eng, vol. 18, pp.51-59, 2016. [21] J. Kim, J. Y. Sung, and S. H. Park, “Comparison of Faster-RCNN, YOLO, and SSD for Real-Time Vehicle Type Recognition,” IEEE International Conference on Consumer Electronics - Asia (ICCE-Asia), pp. 1-4, 2020. [22] M. Tao, J. Su, and Y. Huang “Mitigation of Radio Frequency Interference in Synthetic Aperture Radar Data: Current Status and Future Trends,” Licensee MDPI, Remote Sensing, vol. 11, pp. 24-38, 2019. | ||
|
آمار تعداد مشاهده مقاله: 330 تعداد دریافت فایل اصل مقاله: 204 |
||