توسعه مدل پایه یادگیری عمیق سبک و کارا برای شناسایی سیگنالهای راداری LPI در بسترهای محاسباتی محدود

با گسترش تهدیدات نوین در جنگ الکترونیک و بهره گیری از سیگنال های راداری با احتمال رهگیری پایین (LPI)، توسعه سامانه های هوشمند پایش طیف با قابلیت پردازش بلادرنگ در بسترهای محاسباتی محدود، به یک الزام راهبردی در معماری های نوین فرماندهی و کنترل تبدیل شده است. در این پژوهش یک چارچوب یادگیری عمیق سبک وزن مبتنی بر طراحی بهینه بلوک های کانولوشنی فشرده و کاهش پیچیدگی محاسباتی ارائه شده است که با هدف شناسایی و طبقه بندی بلادرنگ سیگنال های راداری LPI در محیط های نویزی به کار می رود. بدین منظور مجموعه داده ای شامل ۱۳ کلاس مدولاسیون راداری تولید و با استفاده از نمایش های زمان-فرکانس به تصاویر طیف نگار تبدیل شد. معماری پیشنهادی با بهره گیری از راهبردهای کاهش پارامتر، اشتراک گذاری وزن و ساختارهای عمق پذیر به گونه ای طراحی شده است که ضمن حفظ توان بازنمایی، پیچیدگی محاسباتی و حافظه مصرفی را به حداقل برساند. عملکرد مدل با پنج معماری کانولوشنی متداول، سه مدل معماری سبک وزن و شبکه های بازگشتی LSTM و GRU از منظر دقت، تعداد پارامترها، هزینه محاسباتی و زمان استنتاج مقایسه گردید. نتایج نشان می دهد مدل پیشنهادی ضمن دستیابی به دقت مناسب و قابل قبول در شرایط نسبت سیگنال به نویز پایین، کاهش معناداری در تعداد پارامترهای آموزش دیده و تاخیر استنتاج نسبت به مدل های مرجع دارد که آن را برای پیاده سازی بر روی سامانه های تعبیه شده و گره های لبه در ساختار فرماندهی و کنترل نوین مناسب می سازد. این دستاورد بیانگر ظرفیت بالای توسعه مدل های پایه هوش مصنوعی سبک و کارا در ارتقاء تاب آوری و چابکی تصمیم سازی در سامانه های پدافند الکترونیک است.

کلیدواژه ها:

فرماندهی و کنترل ، نوین ، سیگنال های راداری LPI ، یادگیری عمیق سبک وزن ، معماری کانولوشنی فشرده ، کاهش پارامتر