شناسایی و کلاس بندی سیگنال رادارهای LPI با استفاده ازآنالیز زمان فرکانس و یادگیری عمیق

چکیده رادارهای LPI (Low Probability of Intercept) و یا با احتمال رهگیری پائین، رادارهایی هستند که به دلیل توان کم، پهنای باند گسترده و فرکانس متغیر، احتمال رهگیری آنها توسط سیستم ‍‍‍ های شناسایی بسیار پائین است. بنابراین با ظهور این نوع تکنولوژی از رادارها، همواره روش های جدیدی در حوزه پردازش سیگنال و تصویر مورد نیاز است تا با استفاده از این روش ها، بتوان سیگنال های مذکور را در مرحله اول تشخیص داده و در مرحله دوم کلاس بندی کرده و در مرحله آخر بتوان مشخصات آنها را استخراج کرد. برای حل مسئله، امروزه یادگیری عمیق به عنوان یکی از روش های جدید در حوزه پردازش سیگنال و تصویر مطرح است. در این مقاله با استفاده از روش یادگیری عمیق امکان آشکارسازی و کلاس بندی انواع مدولاسیون رادارهای LPI، همانند LFM، مدولاسیونهای چندفازی (P۱, P۲, P۳, P۴) و مدولاسیونهای چند زمانه (T۱, T۲, T۳, T۴)بررسی خواهد شد. در این راستا ابتدا سیگنال دریافتی با استفاده از تحلیل فوریه زمان-کوتاه، در حوزه زمان-فرکانس مورد تجزیه وتحلیل قرار گرفته و خروجی این بخش به صورت یک تصویر، به  بهبود یافته دو شبکه الکس نت و گوگل نت که از شبکه های یادگیری عمیق هستند و بعنوان های method۱,method۲ در این مقاله شناخته شده اند، برای آشکارسازی و کلاس بندی انواع مدولاسیون های مورد استفاده در رادارهای LPI، داده خواهد شد. نتایج به دست آمده از این شبیه سازی ها نشان می دهد که درSNR  (نسبت سیگنال به نویز) ،dB۱۵- دقت عملکرد روش الکس نت ۸۰% و دقت عملکرد روش گوگل نت ۱۰۰% است که نشان از عملکرد بهتر روش گوگل نت است.

کلیدواژه ها:

:Deep Learning ، Convolutional Neural Network ، Short Time Fourier Transform ، Low Probability of Intercept Radar . ، یادگیری عمیق ، شبکه عصبی کانولوشن ، تحلیل فوریه زمان-کوتاه ، رادارهای LPI