Dinlenmesi düşük olasılıklı radar dalga biçimlerinin gabor dalgacık dönüşümü kullanarak sınıflandırılması

Dinlenmesi Düşük Olasılıklı Radar (Low Probability of Intercept – LPI Radar) elektronik destek sistemleri (Electronic Support Systems - ESM), radar ikaz alıcıları ile algılanmasını oldukça zorlaştıran bazı özel teknik karakteristiklere sahip bir radar sınıfıdır. Düşük güç, değişken frekans ve geniş bant genişliği gibi özelliklerinden dolayı, LPI radar dalga biçimlerinin, ESM sistemleri tarafından dinlenmesi zordur. Son yıllarda, bu tip radarların kullandıkları dalga biçimlerinin ESM algılayıcıları tarafından sınıflandırılmasına yönelik çalışmalar hız kazanmış durumdadır. Bu çalışmamızda, LPI radarların kullandıkları dalga biçimlerinden Choi-Williams Dağılım (CWD) yöntemi kullanılarak zaman-frekans görüntüleri (TFI) elde edilmiştir. Bu görüntülerden Gabor Dalgacık dönüşümü kullanılarak öznitelik vektörleri oluşturulmuştur. Literatürde yer alan birçok yöntemin aksine herhangi bir makine öğrenmesi yöntemi kullanmadan doğrudan elde edilen öznitelik vektörlerinin karşılaştırılması ile dalga biçimi sınıflandırması gerçekleştirilmiştir. Önerdiğimiz yöntem ile -20 dB ila 10 dB arasında 2’şer dB aralıklarla sınıflandırma doğrulukları elde edilmiş, -8 dB SNR değerine kadar makul sınıflandırma doğruluk oranlarında performans göstermiştir. Bazı sinyal tipleri için literatürde raporlanan en iyi sonuçlardan daha iyi sonuçlar elde edilmiştir. Tüm dalga biçimleri için elde edilen sonuçlar literatürde mevcut yöntemlerin sonuçlarıyla karşılaştırmalı olarak verilmiştir.

Anahtar Kelimeler:

Gabor Dalgacık Dönüşümü, LPI radar, Dalga Biçimi Sınıflandırma, Elektronik Destek Sistemleri

PDF

___

[1] Tao R., Li B., Sun H. Research Progress of the Algebraic and Geometric Signal Processing. Defence Technology, vol. 9, issue 1. 2013, p. 40-47.
[2] Pace P.E., Detecting and Classifying Low Probability of Intercept Radar. 2nd Ed. Norwood, MA, USA: Artech House; 2009.
[3] Kong S. H., Kim M., Hoang L. M., Kim E. Automatic LPI Radar Waveform Recognition Using CNN. IEEE Access. vol. 6.2018, p. 4207-4219.
[4] Gulum T. Autonomous Non-Linear Classification of LPI Radar Signal Modulations, https://calhoun.nps.edu/handle/10945/3302; 2007 [accessed 23 November 2019].
[5] Hoang L. M., Kim M., Kong S. H., Automatic Recognition of General LPI Radar Waveform Using SSD and Supplementary Classifier. IEEE Transactions on Signal Processing, vol. 67, no. 13. 2019, p. 3516-3530.
[6] Kishore T. R., Rao K. D. Automatic intrapulse modulation classification of advanced LPI radar waveforms. IEEE Trans. Aerosp. Electron. Syst., vol. 53, no. 2. 2017, p. 901-914.
[7] Tong X. Modelling and realization of real time electronic countermeasure simulation system based on SystemVue. Defence Technology. 2019.
[8] Deng B., Luan J., Cui S. Analysis of parameter estimation using the sampling-type algorithm of discrete fractional Fourier transform. Defence Technology, vol. 10, issue 4. 2014, p. 321-327.
[9] Huang Z., Ma Z., Huang G. Radar Waveform Recognition Based on Multiple Autocorrelation Images. Access IEEE, vol. 7. 2019, p. 98653-98668.
[10] Liu Y., Xiao P., Wu H., Xiao W. “LPI Radar Signal Detection Based on Radial Integration of Choi-Williams Time-Frequency Image”. Journal of Systems Engineering and Electronics. 2015, p. 973-981.
[11] M. Lades, J Vorbruggen, J, Buhmann, J. Lange, von der Malsburg, and R.Wurtz, “Distortion invariant object recognition in the dynamic link architecture,” IEEE Trans. Comput., vol. 42, no. 3, pp. 300-311, 1993.
[12] Choi H. I., Williams W. J. Improved time-frequency representation of multicomponent signals using exponential kernels. IEEE Trans. Acoust., Speech, Signal Process., vol. 37, no. 6. 1989, p. 862-871.
[13] Hollinger K. B. Code optimization for the Choi-Williams distribution for ELINT applications, https://calhoun.nps.edu/handle/10945/4422; 2009 [accessed 24 September 2019].
[14] Gao L., Zhang X., Gao J., You S. Fusion Image Based Radar Signal Feature Extraction and Modulation Recognition. Access IEEE, vol. 7. 2019, p. 13135-13148.
[15] Daugman J. G., “Complete Discrete 2-D Gabor Transform by Neural Networks for Image Analysis and Compression,” IEEE Trans. On Acoustics, Speech and Signal Processing, vol. 36, no.7, pp.1169-1179, 1988.
[16] Kepenekci B., Tek, F. B., and Akar, G. B., “Occluded face recognition based on Gabor wavelets”' in Proc. Int. Conf. Image Process., 2002, pp. I-293_I-296.
[17] Serte S., Demirel, H. “Gabor wavelet-based deep learning for skin lesion classification”, Computers in Biology and Medicine Volume 113, October 2019, 103423.
[18] Nabizadeh N., Kubat M. “Brain tumors detection and segmentation in MR images: gabor wavelet vs: statistical features”, Comput. Electr. Eng., 45 (2015), pp. 286-301.
[19] Zhang, M., Liu L., and Diao M., “LPI radar waveform recognition based on time-frequency distribution,” Sensors, vol. 16, no. 10, 2016, Art.no. E1682.
[20] Zhang M., Diao M., and Guo L., “Convolutional neural networks for automatic cognitive radio waveform recognition,” IEEE Access, vol. 5, pp. 11074–11082, 2017.