شناسايي و كلاس‌بندي سيگنال رادارهاي LPI با استفاده ازآناليز زمان فركانس و يادگيري عميق

A Deep Learning-Based Approach for Low Probability of Intercept Radar Signal Detection and Classification

رادارهاي LPI (Low Probability of Intercept) و يا با احتمال رهگيري پائين، رادارهايي هستند كه به‌دليل توان كم، پهناي باند گسترده و فركانس متغير، احتمال رهگيري آنها توسط سيستم‌‍‍‍‌هاي شناسايي بسيار پائين است. بنابراين با ظهور اين نوع تكنولوژي از رادارها، همواره روش‌هاي جديدي در حوزه پردازش سيگنال و تصوير مورد نياز است تا با استفاده از اين روش‌ها، بتوان سيگنال‌هاي مذكور را در مرحله اول تشخيص داده و در مرحله دوم كلاس‌بندي كرده و در مرحله آخر بتوان مشخصات آنها را استخراج كرد. براي حل مسئله، امروزه يادگيري عميق به‌عنوان يكي از روش‌‌هاي جديد در حوزه پردازش سيگنال و تصوير مطرح است. در اين مقاله با استفاده از روش يادگيري عميق امكان آشكارسازي و كلاس‌بندي انواع مدولاسيون‌ رادارهاي LPI، همانند LFM، مدولاسيونهاي چندفازي (P1, P2, P3, P4) و مدولاسيونهاي چند زمانه (T1, T2, T3, T4)بررسي خواهد شد. در اين راستا ابتدا سيگنال دريافتي با استفاده از تحليل فوريه زمان-كوتاه، در حوزه زمان-فركانس مورد تجزيه‌وتحليل قرار گرفته و خروجي اين بخش به‌صورت يك تصوير، به بهبود يافته دو شبكه الكس‌نت و گوگل‌نت كه از شبكه‌هاي يادگيري عميق هستند و بعنوان‌هاي method1,method2 در اين مقاله شناخته شده‌اند، براي آشكارسازي و كلاس‌بندي انواع مدولاسيون‌هاي مورد استفاده در رادارهاي LPI، داده خواهد شد. نتايج به‌دست‌آمده از اين شبيه‌سازي‌ها نشان مي‌دهد كه درSNR (نسبت سيگنال به نويز) ،dB15- دقت عملكرد روش الكس‌نت 80% و دقت عملكرد روش گوگل‌نت 100% است كه نشان از عملكرد بهتر روش گوگل‌نت است.

Detection and classification of Low Probability of Interception (LPI) radar signals is one of the most important challenges in electronic warfare (EW), since there are limited methods for identifying these type of signals. In this paper, a radar waveform automatic identification system for detecting and classifying LPI radar is studied, and accordingly we propose a method based on deep learning networks to detect and classify LPI radar waveforms. To this end, the GoogLeNet architecture as one of the well-known convolutional neural networks (CNN) is utilized. We employ the Short Time Fourier Transform (STFT) for time-frequency analysis in order to construct the entry image for proposed method 1,2(improved the GoogLeNet and AlexNet networks) to recognize offline training and online recognition. After the training procedure with the supervised data sets the proposed method 1,2 can detect and classify nine modulation types of LPI radar, including LFM, poly-phase (P1, P2, P3, P4) and poly-time (T1, T2, T3, T4) waveforms. The numerical results for proposed method 1 and method 2, show considerable accuracies up to 98.7% and 80% at the SNR level of -15db respectively , which outperforms the existing methods.