آمار

تعداد نشریات31
تعداد شماره‌ها972
تعداد مقالات7,000
تعداد مشاهده مقاله3,851,570
تعداد دریافت فایل اصل مقاله2,551,930
بیات, میثم, مرادی, میلاد, مظلوم, جلیل. (1400). ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی. پدافند الکترونیکی و سایبری, 9(1), 107-117.
میثم بیات; میلاد مرادی; جلیل مظلوم. "ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی". پدافند الکترونیکی و سایبری, 9, 1, 1400, 107-117.
بیات, میثم, مرادی, میلاد, مظلوم, جلیل. (1400). 'ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی', پدافند الکترونیکی و سایبری, 9(1), pp. 107-117.
بیات, میثم, مرادی, میلاد, مظلوم, جلیل. ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی. پدافند الکترونیکی و سایبری, 1400; 9(1): 107-117.

ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی

مجله رادار
مقاله 11، دوره 9، شماره 1 - شماره پیاپی 25، شهریور 1400، صفحه 107-117  XML اصل مقاله (1.06 MB)
نوع مقاله: مقاله پژوهشی
نویسندگان
میثم بیات email 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
مراجع
  1. A. Moreira, P. Prats-Iraola, M. Younis, G. Krieger, I. Hajnsek, and K. 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, 74–87, 2015.##
  3. Z. Yang, W. Du, Z.  Liu, and   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. 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:3390/rs10091491, vol. 10, pp. 1-19, 2018.##
  6. 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. 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. 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. 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. 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. Natsuaki, T. Motohka, M. Watanabe, M. Shimada, and S. Suzuki, “An Autocorrelation-Based Radio Frequency Interference Detection and Removal Method in Azimuth-Frequency Domain for SAR Image,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens, vol. 10, pp. 5736–5751, 2017.##
  12. 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. E. Dungan,  J. N. Ash,   J.  W. Nehrbass,  J.  T. Parker, L. A. Gorham, and S. M. Scarborough, “Wide Angle SAR Data for Target Discrimination Research,” Proc. SPIE, vol. 21, pp. 83-94, 2012.##
  14. 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. 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. 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. 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. 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. 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. 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.#3
  21. 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. 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: 158
تعداد دریافت فایل اصل مقاله: 104


Contact Us | Help & Support | Site Map

Journal Management System. Designed by sinaweb.