Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Griszin J.

1 2007

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: cyklostacjonarna analiza widmowa

Sortuj według:

Ogranicz wyniki do:

Automatyczna detekcja i klasyfikacja sygnałów radarowych LPI

Griszin J.

Biuletyn Wojskowej Akademii Technicznej

2007

Vol. 56, nr sp.2

165-169

W radarach LPI (ang. Low Probability of Interception) stosowane są szerokopasmowe sygnały ze złożonymi rodzajami wewnętrznej częstotliwościowej lub fazowej modulacji. W ostatnich latach do celów detekcji oraz klasyfikacji sygnałów radarowych tego typu są szeroko stosowane metody wykorzystujące transformacje czas-częstotliwość. Należą do nich metody oparte na transformacjach Wignera Ville'a (WVD), analizie falkowej (Wavelet Transform) oraz na technice cyklostacjonarnej analizy widmowej. Każda z tych metod ma pewne zalety i ograniczenia przy ekstrakcji parametrów i detekcji sygnałów o określonych rodzajach modulacji. W przypadku automatyzacji tego procesu sprawa znacznie się komplikuje. Koniecznie jest określenie ograniczonej liczby cech tych transformacji, na podstawie których możliwie jest rozróżnienie sygnałów, a nawet rozpoznanie oddzielnych źródeł promieniowania (ang. Specific Emitter Identification - SEI). W referacie rozpatrzono jedno z możliwych podejść do rozwiązania tego problemu, oparte na zastosowaniu sztucznych sieci neuronowych typu RBF, estymatorów rozkładów prawdopodobieństwa oraz stochastycznych klasyfikatorów, wykorzystujących rezultaty transformacji WVD, transformacji falkowej oraz cyklostacjonarnej analizy widmowej.

The paper describes a possible structure of the LPI radar signal classification algorithm (receiver) based on using in parallel the Wigner-Ville Distribution, the Wavelet Transform and the Cyclostationary Signal Processing. The efficiency of each such a transformation with respect to different kinds of digital LPI radar signal modulation is considered. Such a receiver contains the noise reduction procedure with using a twodimensional filter and the RBF neural network probability density function estimator which extracts the features vector used for the final radar signal classification.