تشخیص و طبقه بندی مدولاسیون زمان تکرار پالس مبتنی بر شبکه های عصبی کانولوشنی عمیق بهبودیافته با ماشین یادگیری افراطی

تشخیص و طبقه بندی مدولاسیون PRI یک کار حیاتی در سامانه های ESM و ELINT برای تشخیص دقیق تهدیدات راداری است. بااین حال، این عمل به دلیل پالس های ازدست رفته و پالس های ناخواسته و اثرات نامطلوب اسکن آنتن که منجر به دنباله نویزی مدولاسیون PRI می شوند در محیط واقعی چالش برانگیز هست. برای پرداختن به این مسئله در این تحقیق سه روش مبتنی بر شبکه عصبی عمیق کانولوشنی (LeNet۵, AlexNet, GooglNet) که با استفاده از ماشین یادگیری افراطی (ELM) بهینه گردیده اند، پیشنهاد گردیده است. درواقع در مرحله اول، یک شبکه عصبی کانولوشنی عمیق (DCNN) به عنوان استخراج کننده ویژگی استفاده می شود. سپس، در مرحله دوم ماشین یادگیری افراطی (ELM) برای تشخیص و طبقه بندی بلادرنگ مدولاسیون PRI استفاده می شود. برای ارزیابی روش های پیشنهادی داده های متناسب با داده های واقعی طراحی و شبیه سازی گردیدند و تمامی اثرات مخرب بر دنباله PRI در نظر گرفته شده اند. نتایج شبیه سازی ها بروی ۶۰۰۰۰ تصویر نشان دهنده عملکرد بهتر شبکه AlexNet-ELM در اکثر معیارهای ارزیابی بوده و به دقت بالای ۹۳% دست یافته است.

Keywords:

مدولاسیون PRI , شبکه عصبی کانولوشنی عمیق , ماشین یادگیری افراطی , پالس های از دست رفته , پالس های ناخواسته