شناسایی و کلاس بندی سیگنال رادارهای LPI با استفاده از شبکه های لی نت و الکس نت در یادگیری عمیق

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 سامانه های شناسایی بسیار پائین است. بنابراین با ظهور این نوع فناوری 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، 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 دو شبکه الکس نت و لی نت که از شبکه های یادگیری عمیق هستند، 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) ،dB5- دقت عملکرد روش الکس نت 34/97% و دقت عملکرد روش لی نت 94% است که نشان از عملکرد بهتر روش الکس نت است.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشن ، تحلیل فوریه زمان-کوتاه ، رادارهای LPI