تشخیص اهداف راداری با استفاده از شبکه عصبی عمیق GMDH

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 837

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_RADAR-8-1_007

تاریخ نمایه سازی: 1 اردیبهشت 1400

چکیده مقاله:

رادار وسیله الکترومغناطیسی است که برای تشخیص و تعیین موقعیت هدف‌‌ها به‌کار می‌‌رود. اساسی­ترین وظیفه رادار استخراج اطلاعات در مورد هدف، به­وسیله اندازه­گیری مشخصات میدان الکترومغناطیسی امواج بازگشتی از هدف است. محیط راداری هر کشور جزو محدوده‌‌های امنیتی و راهبردی هر کشور می‌‌باشد. حفظ امنیت این محیط و شناسایی اهداف موجود در آن می‌‌تواند یکی از الزامات مهم محسوب گردد. در تشخیص اهداف راداری چالش‌ها و مشکلاتی همچون عدم دقت، صحت تشخیص و خطای بالا مطرح می‌‌باشد. روش‌‌های مختلفی تاکنون از جمله روش‌های مبتنی بر فرکانس­های تشدید طبیعی هدف، پلاریزاسیون سیگنال بازگشتی، روش­های یادگیری ماشین و غیره به‌منظور تشخیص اهداف راداری مطرح شده است. با وجود کاربردهای فراوانی که این روش‌ها داشته‌اند، اما هنوز نتوانسته‌اند چالش‌‌های موجود در رادار را برطرف نمایند. از این‌رو، در این مقاله با به‌کارگیری الگوریتم یادگیری عمیق GMDH اقدام به تشخیص اهداف راداری نموده­ایم. با شبیه‌سازی روش پیشنهادی و مقایسه آن با سایر روش­هایی همچون (RIN, SAE, SCAE, SDAE, CNN, LSVM, K-SVD)، به‌طور میانگین 5 درصد بهبود حاصل شده است.

نویسندگان

سعید طلعتی

دانشجوی دکتری مهندسی برق جنگ الکترونیک دانشگاه هوایی شهید ستاری

میلاد اکبری ثانی

دانشجوی دکتری مهندسی برق جنگ الکترونیک دانشگاه جامع امام حسین(ع)،

محمدرضا حسنی آهنگر

دانشیار، دانشگاه جامع امام حسین(ع)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • [1]     Reddy, A. V., & Borkar, V. G. (2020). Design ...
  • [2]     Gallagher, K., Hedden, A., & Ranney, K. (2019, May). ...
  • [3]      ‏ Elfrgani, A., & Reddy, C. J. (2019, March). ...
  • [4]     Luong, D., & Balaji, B. (2019, May). Radar applications ...
  • [5]      Schneider, D. A., Rösch, M., Tessmann, A., & Zwick, ...
  • [6]      Bell, M. R., & Grubbs, R. A. (1993). JEM ...
  • [7]      Martin, J., & Mulgrew, B. (1990, May). Analysis of ...
  • [8]      Cilliers, A., & Nel, W. A. J. (2008, September). ...
  • [9]     Lim, H., & Myung, N. H. (2011). High resolution ...
  • [10]  Lee, J. H., & Kim, H. T. (2005). Radar ...
  • [11]  Berni, A. J. (1975). Target identification by natural resonance ...
  • [12]  Chuang, C. W., & Moffatt, D. L. (1976). Natural ...
  • [13]  Aldhubaib, F., & Shuley, N. V. (2010). Radar target ...
  • [14]  Copeland, J. R. (1960). Radar target classification by polarization ...
  • [15]  Xuesong, W., Shunping, X., Huamin, T., & Zhaowen, Z. ...
  • [16]  Michie, D., Spiegelhalter, D. J., & Taylor, C. C. ...
  • [17]  Watt, J., Borhani, R., & Katsaggelos, A. (2020). Machine learning ...
  • [18]  Buskirk, T. D. (2020). MACHINE LEARNING FOR SURVEY DATA. Presented ...
  • [19]  Wang, P., Li, Y., & Reddy, C. K. (2019). ...
  • [20]  Mane, D. T., & Kulkarni, U. V. (2020). A ...
  • [21]  Feng, B., Chen, B., & Liu, H. (2017). Radar ...
  • [22]  Karine, A., Toumi, A., Khenchaf, A., & El Hassouni, ...
  • [23]  Karine, A., Toumi, A., Khenchaf, A., & El Hassouni, ...
  • [24]  Yan, Y. (2018). Convolutional neural networks based on augmented ...
  • [25]  Paulson, C., Wilson, J., & Lewis, T. (2018, April). ...
  • [26]  Liu, S., & Yang, J. (2018). Target recognition in ...
  • [27]  Guo, C., He, Y., Wang, H., Jian, T., & ...
  • [28]  Long, T., Liang, Z., & Liu, Q. (2019). Advanced ...
  • [29]  Qi, B., Jing, H., Chen, H., Zhuang, Y., Yue, ...
  • [30]   Farlow, S. J. (1981). The GMDH algorithm of Ivakhnenko. ...
  • [31]   Guo, C., He, Y., Wang, H., Jian, T., & ...
  • نمایش کامل مراجع