تعداد نشریات | 39 |
تعداد شمارهها | 1,115 |
تعداد مقالات | 8,103 |
تعداد مشاهده مقاله | 5,998,153 |
تعداد دریافت فایل اصل مقاله | 3,264,023 |
تشخیص چف از هدف با تعیین شکل موج بهینه در رادارهای شناختگر با استفاده از شبکه عصبی مصنوعی | ||
پدافند الکترونیکی و سایبری | ||
دوره 11، شماره 2 - شماره پیاپی 42، تیر 1402، صفحه 117-132 اصل مقاله (2.52 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
سید مهدی ضیایی1؛ پوریا اعتضادی فر* 2؛ یاسر نوروزی3 | ||
1دانشجوی دکترا، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
2استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
3استادیار، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
تاریخ دریافت: 03 آبان 1401، تاریخ بازنگری: 30 فروردین 1402، تاریخ پذیرش: 09 اردیبهشت 1402 | ||
چکیده | ||
استفاده از چف برای منحرفکردن رادار هدایتکننده موشک و یا جستجوگر موشک یک روش متداول و مؤثر دفاعی در شناورهای نظامی است. برای مقابله با این روش دفاعی، روشهای تشخیص هدف از چف توسعه یافتهاند که عموماً بر روی ویژگیهای خاص از چف یا هدف تمرکز دارند. این ویژگیها بایستی بتوانند در شرایط مختلف عملکردی رادار و یا شرایط محیطی مختلف که رفتار چف را تغییر میدهد، عملکرد مناسبی داشته باشند. اما یک ویژگی مؤثر و منحصر به فرد که بتواند در تمامی شرایط با دقت مناسب چف را از هدف تشخیص دهد وجود ندارد و ویژگیهای متفاوت، در شرایط محیطی مختلف و یا پارامترهای کاری رادار مانند شکل موجهای متفاوت، عملکرد یکسانی ندارند و عملکرد آنها تغییر میکند. در این مقاله با استفاده از شبکه عصبی مصنوعی، ساختاری برای تشخیص چف و هدف در یک رادار ارائه شده است که در شرایط محیطی و شکل موجهای مختلف عملکرد بهتری نسبت به روشهای موجود داشته و توانسته است دقت تشخیص هدف از چف را بهبود قابل توجهی داده و دقت مطلوبی را نتیجه دهد. هم چنین برای بهبود عملکرد رادار با رویکرد شناختی، شکل موج ارسالی آن در هر مرحله به طور بهینه انتخاب میشود و تغییر میکند. بدین منظور نیز از یک شبکه عصبی پسخور با لایههای LSTM استفاده شده است که وظیفه دارد با توجه به روند تغییرات محیط، شکل موج بهینه را پیشنهاد دهد. ساختار کلی روش پیشنهادی به این صورت است که ابتدا با استفاده از پیشپردازش بر روی دادههای دریافتی رادار، ویژگیهای متمایزکننده تقارن، پخششدگی داپلر و AGCD از آن استخراج میشود که حاوی اطلاعات جداکننده چف و هدف از هم باشند. سپس برای حذف اثر نویز بر روی ویژگیها از آستانهگذاری بر روی آنها استفاده میشود. در آخر، این ویژگیها برای تشخیص درست چف از هدف وارد شبکه عصبی پیشخور با لایههای کاملاً متصل استفاده میشود. از طرفی در هر مرحله، با استفاده از شبکه پیشنهاد شکل موج، شکل موج بهینه برای لحظه بعدی انتخاب میشود و مورد استفاده قرار میگیرد. بدین ترتیب ساختار پیشنهادی، ماشین هوشمندی است که علاوه بر تشخیص هدف از چف در هر لحظه، تعیین میکند در لحظه بعدی، شکل موج بهینه چه باشد. در انتها اثربخشی این روش در مقایسه با روشهای پیشین، یعنی آستانهگذاری بر روی ویژگیهای تقارن، داپلر و AGCD در تشخیص هدف از چف، بررسی میشود. مشاهده میشود که عملکرد سیستم پیشنهادی بهبود قابل توجهی را ایجاد نموده است. | ||
کلیدواژهها | ||
چف؛ هدف؛ رادار؛ شکل موج؛ شبکه عصبی مصنوعی؛ رادار شناختی | ||
مراجع | ||
[1] S. W. Marcus, “Bistatic RCS of spherical chaff clouds”, IEEE transactions on antennas and propagation, vol. 63, no. 9, pp. 4091-4099, 2015. [2] G. Tang, Z. Ke, Z. Hongzhong, and Z. Zhenzhen, “A novel discrimination method of ship and chaff based on sparseness for naval radar”, IEEE Radar Conference, pp. 1-4, 2008. [3] W. Shang, B. X. Chen, and L. F. Jiang, “An anti-chaff jamming method based on the effect of spectral expansion”, Guidance & Fuze, vol. 27, no. 3, pp. 5–10, 2006. [4] X. H. Shao, H. Du, and J. H. Xue, “A target recognition method based on non-linear polarization transformation”, IEEE International Workshop on Anti-counterfeiting, Security, Identification, pp. 157–163, 2007. [5] H. W. Fu, S. W. Zhang, and X. M. Li, “A recognition method of chaff jamming based on gray principle”, Electronics Optics & Control, vol.10, no. 3, pp. 42- 44, 2003. [6] F. Xiongjun, H. Yan, C. Jiang, and M. Gao, “Chaff jamming recognition for anti-vessel end-guidance radars”, 2nd International Congress on Image and Signal Processing, pp. 1-5. 2009. [7] W. J. Estes, “Spectral Characteristics of Radar Echoes from Aircraft dispensed chaff”, IEEE Trans AES, pp. 8-19, 1985. [8] G. Tang, Z. Pu, L. Zheng, Z. Hongzhong, and F. Qiang, “Symmetry measurement of radar echoes and its application in ship and chaff discrimination”, IET International Radar Conference, pp.138-138, 2009. [9] S. M. Ziyaei, P. Etezadifar, Y. Nouruzi, “Presenting a model that is close to reality, in order to generate a return pulse radar signal from the target and chaf and verify it with practical data”, Electronic Industries, vol. 13, no. 1, pp. 59-70, 2022. [In Persian] [10] C. Alexander, and F. Hoffmann. “Anticipation in cognitive radar using stochastic control”, IEEE Radar Conference (RadarCon), pp. 1692-1697, 2015. [11] G. S. Zubeyde, H. D. Griffiths, A. Charlish, M. Rangaswamy, M. S. Greco, and K. Bell, “An overview of cognitive radar: Past, present, and future”, IEEE Aerospace and Electronic Systems Magazine, vol. 34, no. 12, pp. 6-18, 2019. [12] W. Husheng, B. Chen, D. Zhu, F. Huang, Xiangzhen Yu, Q. Ye, X. Cheng, S. Peng, and J. Jing, “Chaff identification method based on Range‐Doppler imaging feature”, IET Radar, Sonar & Navigation, vol. 16, no. 11, pp. 1861-1871,2022. [13] L. Yongzhen, S. Quan, D. Xiang, W. Wang, C. Hu, Y. Liu, and X. Wang, “Ship recognition from chaff clouds with sophisticated polarimetric decomposition”, Remote Sensing, vol. 12, no. 11, pp.1813-1824, 2020. [14] G. Zhe, H. Yan, J. Zhang, and D. Zhu, “Deep-learning for radar: A survey”, IEEE Access, vol. 9, pp. 1400-1418, 2021. [15] G. Tang, Z. Pu, L. Zheng, Z. Hongzhong, and F. Qiang, “Symmetry measurement of radar echoes and its application in ship and chaff discrimination”, IET International Radar Conference, pp. 138-138, 2009. [16] S. Gauthier, E. Riseborough, T. J. Nohara and G. Jones, “Multifunction Radar Simulator (MFRSIM)” TECHNICAL Memorandum, DRDC Ottawa TM, pp. 158-165, December 2002. [17] S. Haykin, “Cognitive Radar: a way of future”, IEEE Signal Proccessing Magazine, vol. 23, no. 1, pp. 30-40, Januray 2006. [18] Frontline, Passive countermeasures, https://defence.frontline.online/article/2011/4/1907-Passive-Countermeasures, 2022. | ||
آمار تعداد مشاهده مقاله: 117 تعداد دریافت فایل اصل مقاله: 75 |