بررسی تاثیر عوامل مخرب در تشخیص نوع مدولاسیون PRI با استفاده از دو مدل DCNN با ساختار و روش یادگیری متفاوت: یک مطالعه موردی

خودکار سازی در محیط جنگ الکترونیک مدرن یک مسئله حیاتی در سامانه های شناسایی الکترونیکی به منظور تشخیص بلادرنگ و دقیق رادارهای تهدید است. یکی از مسائل کلیدی در این سامانه های هوشمند مدرن تشخیص مدولاسیون بازه تکرار پالس (PRI) هست. بااین حال، تشخیص مدولاسیون PRI به دلیل عوامل مخرب ازجمله پالس های ازدست رفته، پالس های ناخواسته و نقاط پرت بزرگ که منجر به دنباله نویزی الگوی تغییرات PRI می شوند در محیط واقعی چالش برانگیز هست. مقاله حاضر به بررسی اثرات عوامل مخرب بر تشخیص مدولاسیون PRI در سیگنال های راداری با استفاده از دو مدل شبکه عصبی کانولوشنی VGG ۱۶ و LeNet ۵ با دو ساختار متفاوت می پردازد. مقاله از شبیه سازی های مبتنی بر محیط واقعی برای تولید داده ها استفاده می کند و عوامل مخرب را با درصدهای مختلف مدنظر قرار می دهد تعداد تصاویر حاصل با اعمال مجموع عوامل مخرب بر روی آن برای هر محدوده عوامل مخرب در نظر گرفته شده ۳۰۰۰۰ تصویر برای ۶ نوع مدولاسیون رایج هست. سپس، مدل VGG ۱۶ با استفاده از روش یادگیری انتقالی و مدل LeNet ۵ با استفاده از روش آموزش از صفر، آموزش داده می شوند. نتایج شبیه سازی نشان می دهد با افزایش درصد عوامل مخرب، دقت آموزش و آزمون مدل ها با مقدار قابل توجهی کاهش می یابد. همچنین، تاثیرات عوامل مخرب بر عملکرد مدل ها بررسی شده و نتایج نشان داده اند که LeNet ۵ نسبت به مخرب ها مقاوم تر هستند و دقت بیشتری را حفظ می کنند. درنهایت، این تجزیه وتحلیل نشان می دهد که برای انتخاب مدل مناسب برای سامانه های شناسایی الکترونیکی می بایست تغییرات ناشی از مخرب ها، با توجه به این عوامل فراهم شود و استراتژی های مناسبی اعمال گردد..

کلیدواژه ها:

بازه تکرار پالس ، رادار ، شبکه عصبی کانولوشنی عمیق ، یادگیری انتقالی