بهبود شناسایی اهداف متحرک در رادارهای پالس داپلر با PRF متغیر با استفاده از شبکه های عصبی ترکیبی CNN و LSTM

در رادارهای پالس داپلر با نرخ تکرار پالس متغیر (PRF)، شناسایی دقیق اهداف متحرک در محیط های با کلاتر بالا از اهمیت ویژه ای برخوردار است. روش های سنتی حذف کلاتر مانند فیلترهای باینومیال به دلیل افت عملکرد در باندهای فرکانسی خاص، با پدیده سرعت کور مواجه می شوند که منجر به کاهش چشمگیر دقت تشخیص می گردد. در این پژوهش، یک روش ترکیبی مبتنی بر شبکه های عصبی عمیق برای بهبود عملکرد سیستم نشان دهندگی هدف متحرک (MTI) در رادارهای پالس داپلر با PRF متغیر ارائه شده است. روش پیشنهادی از شبکه های عصبی کانولوشنی (CNN) برای استخراج ویژگی های فضایی کلاتر و شبکه های حافظه ی کوتاه مدت بلند (LSTM) برای مدل سازی وابستگی های زمانی سیگنال های راداری بهره می گیرد. داده های ورودی شامل بردارهای ۲۵تایی استخراج شده از خروجی فیلتر MTI هستند که ویژگی های فرکانسی و مکانی را هم زمان در بر دارند. ارزیابی عملکرد روش پیشنهادی با شبیه سازی در محیطی با چهار هدف متحرک و کلاتر ثابت انجام شده است. نتایج نشان می دهد که روش ترکیبی CNN-LSTM با نرخ خطای کاذب ۰٫۲ و دقت ۰٫۹۷، عملکرد به مراتب بهتری نسبت به روش پایه با نرخ خطای کاذب ۰٫۴ و دقت ۰٫۷ ارائه می دهد که معادل افزایش ۳۰ درصدی دقت شناسایی اهداف است. تحلیل نتایج نشان می دهد که قابلیت LSTM در مدل سازی وابستگی های بلندمدت زمانی و توانایی CNN در استخراج الگوهای فضایی پیچیده، نقش کلیدی در بهبود عملکرد سیستم دارند. روش پیشنهادی به ویژه در محیط های با کلاتر شدید و نویز بالا، عملکردی مقاوم و پایدار داشته و پتانسیل بالایی برای کاربردهای عملی در سامانه های نظارتی و ردیابی هوایی و دریایی دارد.

کلیدواژه ها:

رادار پالس داپلر ، حذف کلاتر متحرک (MTI) ، شبکه عصبی کانولوشنی (CNN) ، شبکه عصبی LSTM