Nhận dạng tín hiệu ra đa LPI sử dụng mạng nơ ron học sâu

Hiện nay, các thiết bị ra đa sử dụng kỹ thuật điều chế tín hiệu phức tạp nhằm giảm xác suất bị thu chặn (LPI). Trong khi đó, dạng điều chế tín hiệu ra đa là một trong những thông tin quan trọng trong trinh sát điện tử, cho phép định danh nguồn phát xạ. Do đó, một mô hình mạng nơ-ron học sâu tích chập (CNN) sẽ được đề xuất trong bài báo này, nhằm nâng cao khả năng nhận dạng tín hiệu ra đa LPI. Cụ thể, mô hình CNN đề xuất được khảo sát với số kênh và kích thước bộ lọc khác nhau.
Nội dung trích xuất từ tài liệu:
Nhận dạng tín hiệu ra đa LPI sử dụng mạng nơ ron học sâu 70 Nguyễn Văn Linh, Đoàn Văn Sáng, Trần Công Tráng, Trần Văn Cường NHẬN DẠNG TÍN HIỆU RA ĐA LPI SỬ DỤNG MẠNG NƠ-RON HỌC SÂU LPI RADAR SIGNAL RECOGNITION USING DEEP-LEARNING NEURAL NETWORK Nguyễn Văn Linh, Đoàn Văn Sáng*, Trần Công Tráng, Trần Văn Cường Học viện Hải quân1 Tác giả liên hệ: doansang.g1@gmail.com * (Nhận bài: 01/7/2021; Chấp nhận đăng: 07/9/2021) Tóm tắt - Hiện nay, các thiết bị ra đa sử dụng kỹ thuật điều chế Abstract - Currently, radar equipment uses Low Probability tín hiệu phức tạp nhằm giảm xác suất bị thu chặn (LPI). Trong Intercepted (LPI) signals. Meanwhile, modulated radar signal is one khi đó, dạng điều chế tín hiệu ra đa là một trong những thông tin of the important information in electronic reconnaissance, allowing quan trọng trong trinh sát điện tử, cho phép định danh nguồn phát the identification of the emission source. In order to improve the xạ. Do đó, một mô hình mạng nơ-ron học sâu tích chập (CNN) sẽ recognition of LPI radar signals, convolutional deep learning neural được đề xuất trong bài báo này, nhằm nâng cao khả năng nhận networks (CNN) are proposed in this paper. Specifically, the dạng tín hiệu ra đa LPI. Cụ thể, mô hình CNN đề xuất được khảo proposed CNN model is surveyed with different channel numbers sát với số kênh và kích thước bộ lọc khác nhau. Kết quả khảo sát and filter sizes. Survey results show that, the higher the parameter, cho thấy, tham số càng cao thì độ chính xác nhận dạng càng tăng, the higher the identification accuracy; however, the slower the tuy nhiên, thời gian thực thi càng chậm. Vì vậy, cần lựa chọn execution time. Therefore, it is necessary to select a network of a mạng có độ lớn phù hợp để đạt được độ chính xác cần thiết với suitable size to achieve the required accuracy with the allowed thời gian thực thi cho phép. Ngoài ra, các kỹ thuật tiền xử lý cũng execution time. In addition, preprocessing techniques also play an đóng vai trò quan trọng trong việc nâng cao độ chính xác nhận important role in enhancing the identity accuracy of the CNN dạng của mạng CNN. Do đó, hai kỹ thuật STFT và WVD được network. Therefore, two techniques of STFT and WVD were khảo sát. Kết quả cho thấy, mặc dù WVD cho độ chính xác nhận explored. Although WVD offers higher recognition accuracy, the dạng cao hơn nhưng thời gian xử lý chậm hơn STFT. results show that it has a slower processing time than STFT. Từ khóa - Trinh sát điện tử; mạng nơ-ron tích chập; tín hiệu ra Key words - Electronic reconnaissance; Convolutional Neural đa; kỹ thuật tiền xử lý; điều chế tín hiệu Network (CNN); radar signal; pretreatment techniques; modulation of signals 1. Giới thiệu Time Fourier Transform) và Xử lý phân bố Wigner-Ville Trong tác chiến điện tử (EW: Electronic Warfare), các (WVD: Wigner-Ville Distribution). thiết bị ra đa chủ động thường sử dụng các giải pháp quản lý Gần đây, mạng nơ-ron tích chập (CNN) đã và đang công suất, thời gian, dải phổ và không gian phát sóng để được sử dụng rộng rãi trong nhiều lĩnh vực như: Nhận dạng tránh hoặc làm giảm xác suất bị thu chặn. Ngoài ra, các kỹ hình ảnh; Nhận dạng giọng nói; Nhận dạng chữ viết tay,... thuật điều chế tín hiệu ra đa cũng giúp cho xác suất thu chặn Mạng CNN có tiềm năng to lớn để có thể được ứng dụng giảm đi đáng kể. Những tín hiệu điều chế này được gọi là tín vào trong lĩnh vực quân sự mà cụ thể là nhận dạng tín hiệu hiệu thu chặn xác xuất thấp (LPI: Low Probability of ra đa LPI cho nhiệm vụ trinh sát điện tử. Intercept). Chính vì vậy, các hệ thống trinh sát điện tử sẽ gặp Gần đây, trong luận án tiến sĩ của mình [1] Grancharova phải nhiều thách thức trong việc nhận dạng các tín hiệu LPI. đã đề xuất mạng CNN (có ba lớp tích chập, mỗi lớp có 32 Thật vậy, trong hoạt động trinh sát điện tử, nhận dạng được kênh với kích thước bộ lọc 3x3) để phân loại 9 dạng điều các tín hiệu LPI của nguồn phát mà đối phương sử dụng sẽ chế tín hiệu vô tuyến. Mặc dù, mạng CNN đó có thể cải góp phần định danh nguồn phát, từ đó có thể nắm bắt được thiện độ chính xác nhận dạng trung bình lên đến 86% cho tình hình về lực lượng và trang bị của đối phương. Bài toán tỉ số tín / tạp (SNR) trong khoảng (-10, +10) dB, cao hơn nhận dạng tín hiệu LPI càng trở nên khó khăn khi hoạt động so với một mạng CNN khác (với độ chính xác 73%) được trong điều kiện có rất nhiều nguồn bức xạ điện từ (trạm phát đề xuất trong [2], nhưng mô hình CNN trong [1] vẫn còn thanh, truyền hình, trạm thu phát sóng viễn thông, thiết bị khá đơn giản và sử dụng dữ liệu đầu vào ở dạng biên độ- wifi, các loại ra đa, máy thông tin,...) khiến cho mật độ thời gian. Bên cạnh đó, mô hình LSTM (Long Short Term truyền sóng trong môi trường trở nên dày đặc. Memory) cũng được nghiên cứu, khảo sát và so sánh với Trước đây, để nhận biết được kiểu loại tín hiệu, các thiết mô hình CNN. Kết quả nghiên cứu trong [3] cho thấy khả bị trinh sát điện tử cần phải thu chặn, xử lý và trích chọn năng phân loại của LSTM có tính ổn định hơn so với CNN một cách hiệu quả các đặc trưng tín hiệu để tạo dữ liệu đầu khi thay đổi môi trường truyền sóng ...