Combinando Redes Neurais Convolucionais e Distribuição Smoothed Pseudo Wigner Ville na Classificação de Sinais Radar de Baixa Probabilidade de Interceptação
Resumo
A Guerra Eletrônica radar tem um papel fundamental na defesa das nações. Para adequá-la às ameaças atuais, é necessário usar algoritmos de reconhecimento automático de modulações intrapulso (ATR) de sinais radar de Baixa Probabilidade de Interceptação (LPI). Os principais ATR de sinais LPI existentes combinam a Distribuição Choi-Williams com Redes Neurais Convolucionais (CNN). Este trabalho propõe uma combinação baseada na distribuição Smoothed Pseudo-Wigner-Ville (SPWVD) e na CNN SqueezeNet, a fim de obter um ATR de melhor desempenho. A combinação proposta alcançou 97,8% de acurácia de classificação para 13 tipos de modulações e 806.000 amostras geradas. Os datasets com tais amostras estão disponíveis para pesquisa.
Palavras-chave:
CNN, Reconhecimento Automático de Sinais Radar LPI, SPWVD
Referências
Choi, H.-I. and Williams, W. J. (1989). Improved time-frequency representation of multicomponent signals using exponential kernels. IEEE Trans on Acoustics, Speech, and Signal Processing, 37(6):862–871.
da Defesa, M. (2004). Política de ge de defesa. Portaria 333/MD. Art. 4.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. d., and Carvalho, A. C. P. d. L. F. d. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina. LTC.
Huynh-The, T. et al. (2021). Accurate lpi radar waveform recognition with cwd-tfa for deep convolutional network. IEEE Wireless Com. Letters, 10(8):1638–1642.
Iandola, F. N. et al. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and 0.5 mb model size. arXiv preprint arXiv:1602.07360.
Kong, S.-H. et al. (2018). Automatic lpi radar waveform recognition using cnn. Ieee Access, 6:4207–4219.
Liu, Z. et al. (2024). A method for lpi radar signals recognition based on complex convolutional neural network. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 37(1):e3155.
Ma, N. and Wang, J. (2013). Dynamic threshold for spwvd parameter estimation based on otsu algorithm. Journal of Systems Engineering and Electronics, 24(6):919–924.
Milczarek, H. et al. (2023). Automatic classification of frequency-modulated radar wave-forms under multipath conditions. IEEE Sensors Journal.
Niranjan, R., Rama Rao, C., and Singh, A. (2021). Fpga based identification of frequency and phase modulated signals by time domain digital techniques for elint systems. Defence Science Journal, 71(1).
Pace, P. E. (2009). Detecting and classifying low probability of intercept radar. Artech house.
Walenczykowska, M., Kawalec, A., and Krenc, K. (2023). An application of analytic wavelet transform and convolutional neural network for radar intrapulse modulation recognition. Sensors, 23(4):1986.
Wan, C., Si, W., and Deng, Z. (2023). Research on modulation recognition method of multi-component radar signals based on deep convolution neural network. IET Radar, Sonar & Navigation.
Willetts, B., Ritchie, M., and Griffiths, H. (2020). Optimal time-frequency distribution selection for lpi radar pulse classification. In 2020 IEEE Int Radar Conf (RADAR), pages 327–332. IEEE.
da Defesa, M. (2004). Política de ge de defesa. Portaria 333/MD. Art. 4.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. d., and Carvalho, A. C. P. d. L. F. d. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina. LTC.
Huynh-The, T. et al. (2021). Accurate lpi radar waveform recognition with cwd-tfa for deep convolutional network. IEEE Wireless Com. Letters, 10(8):1638–1642.
Iandola, F. N. et al. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and 0.5 mb model size. arXiv preprint arXiv:1602.07360.
Kong, S.-H. et al. (2018). Automatic lpi radar waveform recognition using cnn. Ieee Access, 6:4207–4219.
Liu, Z. et al. (2024). A method for lpi radar signals recognition based on complex convolutional neural network. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 37(1):e3155.
Ma, N. and Wang, J. (2013). Dynamic threshold for spwvd parameter estimation based on otsu algorithm. Journal of Systems Engineering and Electronics, 24(6):919–924.
Milczarek, H. et al. (2023). Automatic classification of frequency-modulated radar wave-forms under multipath conditions. IEEE Sensors Journal.
Niranjan, R., Rama Rao, C., and Singh, A. (2021). Fpga based identification of frequency and phase modulated signals by time domain digital techniques for elint systems. Defence Science Journal, 71(1).
Pace, P. E. (2009). Detecting and classifying low probability of intercept radar. Artech house.
Walenczykowska, M., Kawalec, A., and Krenc, K. (2023). An application of analytic wavelet transform and convolutional neural network for radar intrapulse modulation recognition. Sensors, 23(4):1986.
Wan, C., Si, W., and Deng, Z. (2023). Research on modulation recognition method of multi-component radar signals based on deep convolution neural network. IET Radar, Sonar & Navigation.
Willetts, B., Ritchie, M., and Griffiths, H. (2020). Optimal time-frequency distribution selection for lpi radar pulse classification. In 2020 IEEE Int Radar Conf (RADAR), pages 327–332. IEEE.
Publicado
14/10/2024
Como Citar
ALVES, Edgard B.; ALVES, Jorge A.; GOLDSCHMIDT, Ronaldo R..
Combinando Redes Neurais Convolucionais e Distribuição Smoothed Pseudo Wigner Ville na Classificação de Sinais Radar de Baixa Probabilidade de Interceptação. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 142-154.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2024.240789.