Deep learning in electronic warfare systems: Automatic pulse detection and intra-pulse modulation recognition
Elektronik taarruz sistemlerinde derin öğrenme: Otomatik darbe tespiti ve istemli darbe ici kipleme sınıflandırma
- Tez No: 654116
- Danışmanlar: PROF. DR. ORHAN ARIKAN
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Defense and Defense Technologies, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Darbe genişliği modülasyonu, Darbe modülasyonu, Derin öğrenme, Doğrusal olmayan zaman serileri, Elektronik harp sistemleri, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Sayısal modülasyon sistemleri, Yapay sinir ağları, Örüntü sınıflama, Pulse width modulation, Pulse modulation, Deep learning, Non-linear time series, Electronic warfare systems, Machine learning, Machine learning methods, Digital modulation systems, Artificial neural networks, Pattern classification
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Radarın ilettikleri darbelere göre tespiti ve sınıflandırılması elektronik harp sistemlerinde önemli bir uygulamadır. Mevcut çalışmaların çoğu, herhangi bir darbe tespiti yöntemi sunmadanö önceden sinyal darbesi tespitinin yapıldığını varsayarak modülasyonların sınıflandırılmasına odaklanır. Bu çalışmada, radar sinyallerinin otomatik darbe tespiti ve istemli darbe içi kipleme sınıflandırma için iki yeni derin öğrenme tabanlı teknik öneriyoruz. İlk yaklaşımda, ölçülen radar sinyalinin yeniden tayin edilmiş spektrogramı ve özel bir fonksiyon tarafından filtrelenen anlık fazlarının saptanan aykırı değerleri, çoklu evrişimli sinir ağlarını eğitmek için kullanılır. Ağlardan otomatik olarak çıkarılan özellikler, frekans ve faz modülasyonlu sinyalleri ayırt etmek için birleştirilir. İkincisinde, uçtan uca darbe tespiti ve modülasyon sınıflandırması için UKSB tabanlı çok görevli bir öğrenme modeli önerilmiştir. Bu alandaki başka önemli sorun, denetimli sinir ağı tabanlı modellerin eğitimi ve değerlendirilmesinde kullanılacak kamuya açık radar darbe verilerinin eksikliğidir. Bu sorunun üstesinden gelmek için gerçekçi darbeler ve gürültüler içeren 15'ten fazla ana faz ve frekans modülasyonu oluşturabilen bir IMOP ölçüm simülatörü geliştirdik. Simülasyon sonuçları, önerilen FFCNN ve MODNET tekniklerinin mevcut son teknoloji alternatiflerden daha iyi performans gösterdiğini ve çok çeşitli modülasyon türleri arasında kolayca ölçeklenebilir olduğunu göstermektedir.
Özet (Çeviri)
Detection and classification of radar systems based on modulation analysis on pulses they transmit is an important application in electronic warfare systems. Many of the present works focus on classifying modulations assuming signal detection is done beforehand without providing any detection method. In this work, we propose two novel deep-learning based techniques for automatic pulse detection and intra-pulse modulation recognition of radar signals. As the first nechnique, an LSTM based multi-task learning model is proposed for end-to-end pulse detection and modulation classification. As the second technique, reassigned spectrogram of measured radar signal and detected outliers of its instantaneous phases filtered by a special function are used for training multiple convolutional neural networks. Automatically extracted features from the networks are fused to distinguish frequency and phase modulated signals. Another major issue on this area is the training and evaluation of supervised neural network based models. To overcome this issue we have developed an Intentional Modulation on Pulse (IMOP) measurement simulator which can generate over 15 main phase and frequency modulations with realistic pulses and noises. Simulation results show that the proposed FFCNN and MODNET techniques outperform the current state-of-the-art alternatives and is easily scalable among broad range of modulation types.
Benzer Tezler
- Yeni nesil derin öğrenme modelleri kullanılarak radar sinyallerinin otomatik kimliklendirilmesi
Automatic identification of radar signals using next-generation deep learning models
ALİ RIZA TORUN
Yüksek Lisans
Türkçe
2026
Savunma ve Savunma TeknolojileriSelçuk ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Evrişimsel sinir ağlarıyla otomatik modülasyon sınıflandırma
Automatic modulation classification with comvolutional neural networks
OSMAN KAYA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TANSAL GÜÇLÜOĞLU
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Elektronik harp sistemlerinde düşük sinyal gürültü oranlarında lpı radar sinyallerinin tespiti ve sınıflandırılması için yapay zekâ yaklaşımları
Artificial intelligence approaches for the detection and classification of lpi radar signals in low signal-to-noise ratio conditions in electronic warfare systems
ZEYNEP HASALAN
Yüksek Lisans
Türkçe
2026
Savunma ve Savunma TeknolojileriSelçuk ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN