تشخیص الگوی تغییرات زمان تکرار پالس مبتنی بر شبکه عصبی عمیق کانولوشنی بهبود یافته با استفاده از ماشین یادگیری تقویتی بهینه‌ شده

تشخیص زمان تکرار پالس یکی از وظایف اصلی سیستم پشتیبانی الکترونیکی برای شناسایی دقیق رادارهای تهدید است. این مسئله به دلیل دنباله بسیار نویزی الگوی تغییرات زمان تکرار پالس در محیط‌های واقعی، مسئله پیچیده‌ و چالش‌برانگیز است. این مقاله یک رویکرد دومرحله‌ای جدید برای تشخیص شش نوع الگوی تغییرات زمان تکرار پالس رایج معرفی می‌کند. روش‌های یادگیری عمیق نمی‌توانند این جنبه‌ها را پوشش دهند زیرا آموزش و تنظیم دقیق پارامترهای مدل زمان زیادی را صرف می‌کند. در این رویکرد، مرحله اول به آموزش یک شبکه عصبی کانولوشنی عمیق می‌پردازد که به‌عنوان استخراج‌کننده ویژگی‌ها کار می‌کند و مرحله دوم به استفاده از ماشین‌ یادگیری تقویتی برای شناسایی بلادرنگ الگوها می‌پردازد. اشکال اصلی ماشین‌‌های یادگیری تقویتی تنظیم وزن‌ها و بایاس‌های ورودی به صورت تصادفی می‌باشد که این امر سبب کاهش پایداری و قابلیت اطمینان شبکه می‌شود، زیرا عملکرد شبکه به‌طور قابل‌ملاحظه‌ای به تنظیم وزن‌ها و بایاس‌های اولیه بستگی دارد؛ بنابراین، این مقاله از الگوریتم بهینه‌سازی run برای بهبود نتایج و افزایش قابلیت اطمینان شبکه با حفظ قابلیت بلادرنگ استفاده می‌کند. آشکارساز طراحی‌شده برای اولین بار بر روی مجموعه داده‌های واقعی محک زده می‌شود و با مقایسه نتایج آن با روش‌های دیگر تایید می‌گردد. رویکرد پیشنهادی با 99.11% به‌عنوان دقت نهایی در مجموعه داده‌های واقعی pri از سایر معیارهای مقایسه بهتر عمل می‌کند و منجر به کاهش خطای نسبی به میزان 1.75% در مقایسه با شبکه عصبی کانولوشنی عمیق می‌شود. مهم‌تر از آن، زمان موردنیاز برای آموزش عمیق run-elm تنها 0.9474 میلی‌ثانیه است و زمان آزمایش کلی برای 60000 تصویر 2.937 ثانیه است.