مدل سازي وابستگي كوتاه مدت و بلندمدت نمونه هاي متوالي تابع پروفيل فاصله اهداف، به منظور تشخيص اهداف راداري

Short-term and Long-term Dependency Modeling of Consecutive Range Profiles for Radar Target Recognition

اصليترين محدوديت در استفاده از تابع پروفيل فاصله بهعنوان ابزاري براي تشخيص اهداف راداري، حساسيت آن به زاويه منظر ميباشد. بهطور متداول براي مدلسازي اين حساسيت، نمونههاي متوالي تابع پروفيل فاصله (يا ويژگيهاي استخراج شده از آنها) در يك فاصله زماني كوتاه از مانور هدف بهعنوان نمونههاي مستقل با توزيع يكسان (غالباً گوسي) در نظر گرفته ميشوند. در اين تحقيق سعي شده است با ارايه يك مدل مبتني بر سيستم ديناميكي، به نوعي بر محدوديتهاي اين مدلها مانند فرض استقلال نمونهها غلبه شود. استخراج ويژگي با دو روش استخراج ويژگيهاي طيفي و ضرايب PCA انجام ميگيرد. درصورت استفاده از روش اول مدلسازي بهصورت كوتاه مدت و درصورت استفاده از روش دوم مدلسازي بهصورت بلندمدت انجام ميگيرد. مقايسه نتايج با مدلهاي مرسوم در هر دو بخش روي دادههاي شبيهسازي برتري مدلسازي توسط سيستم ديناميكي را نشان ميدهد.

High resolution range profile (HRRP) is being known as one of the most powerful tools for radar target recognition. The main problem with range profile for radar target recognition is its sensitivity to aspect angle. To overcome this problem, consecutive samples of HRRP (or feature vectors extracted from them) were assumed to be independent identically distributed (iid) in small frames of aspect angles in most of the previous works. In this work, an alternative method based on dynamic system is proposed to overcome the limitations of the recent methods such as the independency assumption. Two different feature extraction schemes using spectral features and PCA coefficients are utilized. When the first scheme is employed, modeling is done in short-term, whereas long-term modeling is done while employing the second scheme. Simulation results show superiority of our model over common models using either approach to feature extraction.