تعداد نشریات | 36 |
تعداد شمارهها | 1,232 |
تعداد مقالات | 8,936 |
تعداد مشاهده مقاله | 7,719,907 |
تعداد دریافت فایل اصل مقاله | 4,612,180 |
تشخیص رادارهای چندحالته بر اساس معیارهای تشابه در حضور پالسهای درهمرفته | ||
رادار | ||
مقاله 3، دوره 10، شماره 1 - شماره پیاپی 27، تیر 1401، صفحه 91-103 اصل مقاله (1.44 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمدجواد قلندری1؛ سید مهدی حسینی اندارگلی* 2؛ نادعلی زارعی3؛ مهدی ملازاده گل محله3 | ||
1دانشجوی دکتری، دانشگاه دریایی امام خمینی (قدس سره)، نوشهر،ایران | ||
2دانشیار، دانشگاه صنعتی نوشیروانی، بابل، ایران | ||
3استادیار، دانشگاه جامع امام حسین(ع)،تهران،ایران | ||
تاریخ دریافت: 19 اردیبهشت 1401، تاریخ بازنگری: 20 مرداد 1401، تاریخ پذیرش: 31 مرداد 1401 | ||
چکیده | ||
متناسب با پیشرفت رادارها در تغییر پارامترها، روشهای تفکیک پالس در سیستمهای شنود بهجای بررسی پارامترهای توصیفکننده پالس به استخراج ویژگی از مدولاسیون درون پالسی پرداختهاند. این روش، تعداد رادارهای مدرن با قابلیت تغییر مدولاسیون درون پالسی را بیش از مقدار واقعی تخمین میزند. هدف از این مقاله تشخیص رادارهای چندحالته با انواع مدولاسیون داخلی، در یک محیط متراکم راداری است. روش پیشنهادی افزودن بخش تشخیص رادارهای چندحالته به روشهای موجود تفکیک پالس است. ابتدا ویژگیهای متمایزکننده هر رشته پالس تفکیکشده به روش مدولاسیون درون پالسی استخراجشده و معیارهای تشابه از هر ویژگی برای بررسی شباهت بین دو رشته پالس تعریف و محاسبه میگردد. داده ورودی ترکیبی از ویژگیهای استخراجشده از دادههای واقعی یک سیستم شنود با پارامترهای سنتی و ویژگیهای مربوط به پارامترهای شکل پالس است که توسط یک شبیهساز فراهم میشود. سپس جدول دادهها برای آموزش یک شبکه عصبی LVQ به کار میرود تا رادارهای چندحالته را از رادارهای مجزا تشخیص دهد. پس از آموزش شبکه، در شرایط عملیاتی جدید رادارهای چندحالته بهعنوان یک رادار طبقهبندی میشوند. نتایج شبیهسازی دقت بالاتری را برای طبقهبندی با معیارهای تشابه حاصل از EPDW نسبت به معیارهای تشابه حاصل از پارامترهای کلاسیک در SNRهای مختلف نشان میدهد. همچنین افزایش دقت طبقهبندی در شبکه عصبی پرسپترون تکلایه و شبکه چندلایه در SNR برابر dB 0.5 نشاندادهشده است. در مقالات مشابه تنها رادارهای چندحالته با قابلیت تغییر فرکانس و PRI بررسی شده، اما با روش پیشنهادی رادارهای با قابلیت تغییر انواع پارامترها به همراه تغییر نوع مدولاسیون درون پالسی، قابلشناسایی است. نوآوری مقاله توسعه ویژگیهای متمایزکننده و ایده معیارهای تشابه برای تشخیص رادارهای چندحالته است. | ||
کلیدواژهها | ||
رادار چندحالته؛ خوشهبندی؛ استخراج ویژگی؛ معیارهای تشابه | ||
عنوان مقاله [English] | ||
Multi-mode radars discrimination based on Similarity criteria in interleaved pulses | ||
نویسندگان [English] | ||
javad ghalandary1؛ Seyed Mehdi Hosseini andargoli2؛ NadAli Zarei3؛ Mehdi Molazadeh Golmahaleh3 | ||
1PhD student, Imam Khomeini Maritime University (Quds Sareh), Nowshahr, Iran | ||
2Associate Professor, Noshirvani University of Technology, Babol, Iran | ||
3Assistant Professor, Imam Hossein University, Tehran, Iran | ||
چکیده [English] | ||
Due to developments of radars in changing parameters, pulse separation methods in ELINT systems have relied on intra-pulse modulation instead of analyzing common pulse description words. Number of radars in this method, may be estimated incorrectly because a modern radar with the ability in changing intra-pulse modulation type may be detected as multiple radars.The purpose of this paper is to detect multi-mode radars with various types of internal modulation in a dense radar environment. The proposed’solution is to add multi-mode radars detection to the existing pulse separation methods. In this method, by extracting the distinguishing features of each radar, similarity criteria of each feature are calculated to examine the similarity between the two pulse streams. Input data are features that extract of real data of a ELINT system with traditional parameters and developed parameters related to the pulse shape provided by a simulator. The dataset is then used to train a LVQ neural network to discriminate between different and multi-mode radars. After training the network, in the new operating conditions, a multi-mode radar’s pulse streams is classified as a single radar.The simulation results show a higher accuracy for classification with the similarity criteria of developed features than the criteria extracted of classical data at different SNRs. Also, the increase in classification accuracy in single-layer perceptron and multi-layer neural network at SNR equal to 0.5 dB has been shown. In similar articles, only multi-mode radars with the ability to change frequency and PRI have been investigated, but with the proposed method, radars with the ability to change several parameters along with the type of intra-pulse modulation can be identyfied.The innovation of the article is the development of distinguishing features and the idea of similarity criteria for the detection of multi-mode radars. | ||
کلیدواژهها [English] | ||
multi-mode radar, Clustering, Feature extraction, Similarity criteria | ||
مراجع | ||
[1] J. Dudczyk, "Radar Emission Sources Identification Based on Hierarchical Agglomerative Clustering for Large Data Sets," Journal of Sensors, vol. 2016, p. 1879327, 2016, doi: 10.1155/2016/1879327. [2] M. Ghalandari and M. Aghababie, "Nearest neighbor method with priority selection of denser clusters by analysis of similarity matrix for radar pulse clustering," Iranian journal of Marine technology, vol. 4, no. 4, pp. 13-24, 2018. [3] N. G. a. P. S. Vimala, "Generation and Deinterleaving of Radar Signals in Electronic Warfare Environment using SDIF Histogram Algorithm," International Journal of Scientific Research and Reviews, vol. 7, 4, p. 10, 2018. [4] A.-L. He, D.-G. Zeng, J. Wang, and B. Tang, "Multi-parameter signal sorting algorithm based on dynamic distance clustering," Journal of Electronic Science and Technology, vol. 7, no. 3, pp. 249-253, 2009. [5] S. Wei, Q. Qu, H. Su, J. Shi, X. Zeng, and X. Hao, "Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks," Signal, Image and Video Processing, pp. 1-9, 2020. [6] T. R. Kishore and K. D. Rao, "Automatic intrapulse modulation classification of advanced LPI radar waveforms," IEEE Transactions on Aerospace and Electronic Systems, vol. 53, no. 2, pp. 901-914, 2017. [7] S. Dai, W. Lei, Y. Cheng, and D. Wang, "Clustering of DOA data in radar pulse based on SOFM and CDbw," Journal of Electronics (China), vol. 31, no. 2, pp. 107-114, 2014, doi: 10.1007/s11767-014-3178-7. [8] Y. Sun, J. Li, F. Lin, and G. Pan, "Automatic Signal Modulation Recognition based on Deep Convolutional Neural Network," in 3rd International Conference on Computer Engineering, Information Science & Application Technology (ICCIA 2019): Atlantis Press, pp. 550-554, 2019. [9] S. M. Hosseini Andargoli, J. Ghalandari, N. Zareian, and M. Mollazadeh Golmahaleh, "Identification and classification of same type radars with frequency hopping based on radar signature," Iranian Journal of Marine Science and Technology, 2022. [10] K. Gençol, A. Kara, and N. At, "Improvements on deinterleaving of radar pulses in dynamically varying signal environments," Digital Signal Processing, vol. 69, pp. 86-93, 2017, doi: 10.1016/j.dsp.2017.06.010. [11] R. A. S. P. Bayat, M. M. Nayebi, "The Deinterleaving of Radar Pulses in Interception systems," master of science, Toosi University of Technology, 2010(in Persian). [12] G. Revillon, A. Mohammad-Djafari, and C. Enderli, "Radar emitters classification and clustering with a scale mixture of normal distributions," IET Radar, Sonar & Navigation, vol. 13, no. 1, pp. 128-138, 2018. [13] Z. Wu, Z. Yang, H. Sun, Z. Yin, and A. Nallanathan, "Hybrid radar emitter recognition based on rough k-means classifier and SVM," EURASIP Journal on Advances in Signal Processing, vol. 2012, no. 1, pp. 1-9, 2012. [14] G. Zhang, "Intra-pulse modulation recognition of advanced radar emitter signals using intelligent recognition method," in International Conference on Rough Sets and Knowledge Technology, Springer, pp. 707-712, 2006. [15] Q. Guo, P. Nan, and J. Wan, "Signal classification method based on data mining for multi-mode radar," Journal of Systems Engineering and Electronics, vol. 27, no. 5, pp. 1010-1017, 2016. [16] J. Wan, P. Nan, Q. Guo, and Q. Wang, "Multi-mode radar signal sorting by means of spatial data mining," Journal of Communications and Networks, vol. 18, no. 5, pp. 725-734, 2016. [17] S. Q. Wang, J. Bai, X. Y. Huang, C. Y. Gao, and P. F. Wan, "Analysis of radar emitter signal sorting and recognition model structure," Procedia Computer Science, vol. 154, pp. 500-503, 2019. [18] S. Talati and M. H. Ahangar, "Combining Principal Component Analysis Methods and Self-Organized and Vector Learning Neural Networks for Radar Data," Majlesi Journal of Telecommunication Devices, vol. 9, no. 2, pp. 65-69, 2020. [19] L. Fausett, "Fundamental Of Neural Network, " ed: Prentice Hall International Edition,1994. [20] J. Ghalandari, S. M. Hosseini Andargoli, N. Zarei, and M. Molazadeh Golmahaleh, "A framework for multi-mode radars discrimination based on extended PDW," in Radar, vol. 9, no. 2: Imam Hussein University, pp. 107-117, 2022. [21] H. Zang and Y. Li, "Overview of radar intra-pulse modulation recognition," in AIP Conference Proceedings, 201, vol 8., no. 1: AIP Publishing LLC, p. 020048, 1967. [22] S. U. Rehman, K. Sowerby, and C. Coghill, "RF fingerprint extraction from the energy envelope of an instantaneous transient signal," in 2012 Australian Communications Theory Workshop (AusCTW), IEEE, pp. 90-95, 2012. [23] G. Revillon, "Uncertainty in radar emitter classification and clustering," 2019. [24] R. Wiley, ELINT: The interception and analysis of radar signals. Artech, 2006. [25] G. Gok, Y. K. Alp, and O. Arikan, "A new method for specific emitter identification with results on real radar measurements," IEEE Transactions on Information Forensics and Security, vol. 15, pp. 3335-3346, 2020.
| ||
آمار تعداد مشاهده مقاله: 159 تعداد دریافت فایل اصل مقاله: 135 |