此作品為產學合作計畫及碩士論文
分析和識別雷達訊號是電子支援量測的重要目標,接收到的訊號通常來自多個雷達。在現代電子戰中,雷達擁有各自的頻率參數,並在多組頻率參數之間切換。所接收的訊號因可能混合高、中、低頻雷達所發射之訊號,在脈波彼此重疊之情況下,將雷達訊號分離為相當挑戰的任務。
本論文提出了:
PDWs是用於描述雷達 Pulse Stream 各種參數,其中以下幾種參數作為本文研究目標:
一段 Pulse Stream 能以 TOA 和 PW 序列表示。
TOA 序列可以寫成如下:
TOA Sequence=[t1,t2,…,ti,…,tN]
PW 序列可以寫成如下:
PW Sequence=[tt1,tt2,…,tti,…,ttN]
若本文有一段 PRI 為 2000 μs, PW 為 200 μs 的雷達訊號:
TOA Sequence=[10,2010,4010,6010,…]μs
PW Sequence=[200,200,200,200,…]μs
雷達可能設有規則或隨機的 PRI/PW Jitter,及一定的時間切換 PRI/PW 參數防止訊號追蹤或干擾。
有來自不同雷達的 TOA 且有相似的 PW 時 ,可能導致 PRI 計算錯誤,如圖中 Overlap。
雷達的 TOA 出現在某個 TOA 的 PW 中,可能導致 TOA 被遮蓋,並且一些 PW 變得相似或失去它的特徵,如圖中 Resemble 和 Morph。
TOA 序列長度會隨著 Pulses 不斷到達而無限加大。
取一段相同時間長度的訊號,有不同數量的 Pulse 到達,會使 TOA 序列的長度變化。
TOA Sequence=[10,2010,4010,6010,…,tN]μs
PW Sequence=[200,200,200,200,…,ttN]μs
為了讓神經網絡模型盡可能輕鬆地處理輸入,
本文提出 Quantized Pulse Stream Expression (QPSE) 序列。
使 TOA 序列與 PW 序列經過設置過的參數編碼,
相同時間長度的頻域 TOA 和 PW 序列編碼成量化過的時域 QPSE 序列。
QPSE 序列設置 tunit: Quantization Interval 容忍 PRI 的 jitter。
設置適當的 tunit 使 QPSE 序列擁有組量的 ntd: Number of TOA in Duration。
同一區間內會出現多個 Pulse 時,本文使用以下兩種方法,選出其中一個 TOA 作為這個區間的代表 Pulse。
區間內的其他的 Pulse 則可以當作被 Overlap 影響而被捨棄,做為模擬 Pulse Missing 的情境。
在 tunit 之中 PW 最大的 TOA 代表這個區間的響應。
在 tunit 之中隨機選取出一個 TOA 代表這個區間的響應。
為取得乾淨的序列,把含有不在目標 PW 值的 TOA 從序列中去除。
Pulse strream 使用不同參數設置的 QPSE encoder,得到在不同尺度下的訊號訊息。
搭配本文設計可將多組 QPSE 序列作為輸入的 Multiscale neural network,
得出類別為雷達的 1 到 5 模式或關閉的分類輸出。
本文目前已知有 15 個雷達將會混雜於接下來出現的訊號之中。
而這 15 個雷達個別有 5 個模式每一個雷達都有自己獨立的 Jitter 範圍與模式切換時間。
高中低頻率雷達各五個。
取出 15 個雷達的 PRI/PW 參數,可定義出總共 75 種 emitter 的訊號產生器,產生 TOA 序列 和 PW 序列 16000 筆資料。
90% 作為訓練資料,10% 作為驗證資料。
模擬各個雷達模式切換時間的各種組合,
在每一次迭代時,
會以隨機分佈的方式,
在 15 個雷達中,
決定各自的模式 1~5 或關閉。
並在產生完成的資料中,
隨機挑出選中的模式的 TOA 序列和 PW 序列。
使用之前設好參數的 5 個 QPSE Encoder 編碼出 5 個 QPSE 序列。
然後進行 PW Maxima Selection 或 TOA Random Selection 混合。
混合完成後使用 POI 將訊號進行精簡。
本文針對 PW Maxima Selection 和 TOA Random Selection 兩種混合方式,
poi 是否參與,還有兩種不同的 ntd ,進行多次重複訓練與驗證。
發現高 PRF 與中 PRF 雷達模型在兩種混合方式是否使用 POI 和不同的 ntdmin ,
得到準確度超過 0.9 的結果。
通過 POI 之後,低 PRF 雷達訊號
在 PW Maxima Selection 的仍然遭受到大幅度的覆蓋,但是網路的準確度可提升至 0.4。
在 TOA Random Selection,可達到 0.9 的準確度 。