شناسایی و کلاس‌بندی سیگنال رادارهای lpi با استفاده از شبکه‌های لی نت و الکس نت در یادگیری عمیق

رادارهای lpi (low probability of intercept) و یا با احتمال رهگیری پائین، رادارهایی هستند که به‌دلیل توان کم، پهنای باند گسترده و فرکانس متغیر، احتمال رهگیری آنها توسط سامانه‌‍‍‍‌های شناسایی بسیار پائین است. بنابراین با ظهور این نوع فناوری از رادارها، همواره روش‌های جدیدی در حوزه پردازش سیگنال و تصویر مورد نیاز است تا با استفاده از این روش‌ها، بتوان سیگنال‌های مذکور را در مرحله اول تشخیص داده و در مرحله دوم کلاس‌بندی کرده و در مرحله آخر بتوان مشخصات آنها را استخراج کرد. برای حل مسئله، امروزه یادگیری عمیق به‌عنوان یکی از روش‌‌های جدید در حوزه پردازش سیگنال و تصویر مطرح است. در این مقاله با استفاده از روش یادگیری عمیق امکان آشکارسازی و کلاس‌بندی انواع مدولاسیون‌ رادارهای lpi، بررسی خواهد شد. در این راستا ابتدا سیگنال دریافتی با استفاده از تحلیل فوریه زمانکوتاه، در حوزه زمانفرکانس مورد تجزیه‌وتحلیل قرار گرفته و خروجی این بخش به‌صورت یک تصویر، به دو شبکه الکس نت و لی‌نت که از شبکه‌های یادگیری عمیق هستند، برای آشکارسازی و کلاس‌بندی انواع مدولاسیون‌های مورد استفاده در رادارهای lpi، داده خواهد شد. نتایج به‌دست‌آمده از این شبیه‌سازی‌ها نشان می‌دهد که درsnr  (نسبت سیگنال به نویز) ،-db5 دقت عملکرد روش الکس‌نت 97.34% و دقت عملکرد روش لی‌نت 94% است که نشان از عملکرد بهتر روش الکس‌نت است.

Using LeNet5 and AlexNet Architectures in Deep Learning Approach to Detect and Classify LPI Radar Signals

Low probability of intercept (LPI) radars are difficult to detect and identify by electronic intelligence receivers due to their low power, wide bandwidth and frequency variability. With the emergence of this technology, new methods of signal and image processing are constantly required to first identify, then classify, and finally extract the characteristics of these radar signals. To solve the problem, today deep learning is an important technical method in the signal and image processing fields. Through using this method, this paper will investigate the possibility of detecting and classifying different signals of LPI radars. To do this, using ShortTime Fourier Transform (STFT), we will analyze the received signal in the timefrequency domain, and then to detect and classify the LPI radar signal waveforms we send the output, in image format, to the AlexNet and the LeNet deep convolutional neural network (CNN) models. The simulation results show that, in SNR=5dB, the accuracy of the AlexNet and the LeNet methods are 97.34% and 94% respectively, indicating the better performance of the AlexNet method.