CC BY
146
АНАЛИЗ МЕТОДОВ РАСПОЗНАВАНИЯ ВИДОВ МЕЖИМПУЛЬСНОЙ МОДУЛЯЦИИ СИГНАЛОВ РАДИОЛОКАЦИОННЫХ СРЕДСТВ
DOI 10.24411/2072-8735-2018-10243
Чиров Денис Сергеевич,
МТУСИ, Москва, Россия, chirov@srd.mtuci.ru
Кандаурова Екатерина Олеговна,
МТУСИ, Москва, Россия, chirov@srd.mtuci.ru
Ключевые слова: межимпульсная модуляция, радиолокационная станция, распознавание, искусственные нейронные сети, вейвлет-анализ, метод гистограмм.
Современное развитие радио- и радиолокационных средств приводит к необходимости специальных средств радиомониторинга для контроля за электромагнитным спектром. В процессе радиомониторинга возникает необходимость обнаружения и идентификации (распознавания) источников радиоизлучения, в частности радиолокационных станций. Особенностью импульсных радиолокационных станция является то, что излучаемые РЛС сигналы могут иметь как внутриимпульс-ную, так и межимпульсную модуляцию. Рассматриваются существующие методы распознавания основных видов межимпульсной модуляции сигналов РЛС. В настоящее время наиболее распространенными видами межимпульсной модуляции сигналов РЛС являются: постоянная, разнородная, скользящая, разнородно-постоянная, случайная и периодическая. Для распознавания данных видов модуляции применяются различные методы (на основе искусственных нейронных сетей, базы логических правил, вейвлет-анализа, гистограммного анализа), использующие различные наборы признаков распознавания. Каждый из этих методов имеет свои преимущества и недостатки. Распознавание наибольшего количества типов межимпульсной модуляции обеспечивает гистограммный метод [18, 19]. Однако данный метод не исследован на устойчивость к воздействию шумов и помех. Метод на основе нейронной сети с долгой краткосрочной памятью обеспечивает наилучшую устойчивость в условиях шумов, но обеспечивает распознавание меньшего количества видов межимпульсной модуляции.
Представляется целесообразным в рамках дальнейших исследований провести оценку эффективности ансамбля всех рассмотренных признаков распознавания типов межимпульсной модуляции сигналов РЛС в различных условиях сигнально-помеховой обстановки для синтеза словаря наиболее информативных признаков.
Информация об авторах:
Чиров Денис Сергеевич, профессор кафедры радиотехнических систем, д.т.н., Московский технический университет связи и информатики, Москва, Россия
Кандаурова Екатерина Олеговна, инженер 1 категории, Московский технический университет связи и информатики, Москва, Россия
Для цитирования:
Чиров Д.С., Кандаурова Е.О. Анализ методов распознавания видов межимпульсной модуляции сигналов радиолокационных средств // T-Comm: Телекоммуникации и транспорт. 2019. Том 13. №3. С. 15-23.
For citation:
Chirov D.S., Kandaurova E.O. (2019). Analysis of methods for recognition of types of pulse repetition interval modulation of radar signals. T-Comm, vol. 13, no.3, pр. 15-23. (in Russian)
Введение
В настоящее время радиолокационные системы активно используются в различных отраслях деятельности человека, в том числе и в военном деле. Данное обстоятельство делает актуальным контроль за электромагнитным спектром, как для обеспечения работы своих радиоэлектронных средств, так и успешного противодействию чужим. Исходя из классификации НАТО данная задача относится к задачам электронной поддержки (Electronic Support - liS) [1]. В качестве основных задач электронной поддержки можно отметить обнаружение и идентификацию (распознавание) источников радиоизлучения, в частности радиолокационных станций (РЛС). В литературе такие системы называются системами предупреждения об облучении (Radar Warning Receiver -RWR) или антирадарами. Суть работы антирадара заключается в постоянном анализ радиосигналов в окружающем пространстве. В качестве параметров, используемых при анализе радиосигналов РЛС, как правило, выступают: направление (пеленг) облучения; частота радиосигнала; длительность импульса (ти) и интервал повторения импульсов ( Д/ ).
Решению задачи распознавания радиосигналов посвящено большое количество работ, опирающихся как на классические статистические методы распознавания [1, 2], так и на их различные вариации: нейронные сети [3, 4, 5), вейвлет-анализ [6], деревья решений [7, 8] и т.п. Общим этапом всех методов распознавания является выделение информативных признаков, по которым с использованием выбранного метода и осуществляется распознавание (идентификация, классификация, селекция и т.п.) объекта. 11ри этом следует отметить, что информативные признаки могут быть как первичными (признаки полученные в результате прямых измерений параметров радиосигнала), так и вторичными (признаки сформированные в результате некоторых преобразований первичных признаков).
Интервал повторения импульсов определяется как временной интервал между излучением двух последовательных импульсов (см. рис. 1). Закон изменения (модуляция) может быть описан функцией:
где tn - время прихода импульса, а N - общее количество принятых импульсов в последовательности.
Ти
-Н А*
В современных РЛС применяются следующие виды межимпульсной модуляции [10, 11] (см. рис. 2):
1. Постоянная (stable, constant). Данный вид модуляции описан в [12] и подчинен следующему закону:
F(n) = C, п-1...../V - 1,
где с - константа и реальное число.
2. Разнородная (stagger) [12]:
F(i + kM) = F(t), / = 1,2,...,М, к = \,2,...,Т,
где М - количество позиций в одном периоде, Т— количество периодов в импульсной последовательности, а N = МТ -общее количество импульсов в импульсной последовательности.
3. Скользящая (sliding):
F (п) = Д/„ + 5 - (п mod М),
где At0 > 0 - начальное значение интервала следования импульсов в периоде, ¿еК - скорость изменения At в периоде, а М - количество импульеов в каждом периоде.
4. Разнородно-постоянная (dwell and switch):
.у, 0 < (« mod xM ) < .V, .v, Jf, <(/?niod.Y„ ) <x;
Ум <(«modxM)<*A
t
Рис. 1. Иллюстрация т„ и Ai
где M — количество кадров (участков с постоянной At) в импульсной последовательности, X¡ —Х^ - количество импульсов в кадре, y¡ - значение Ai в данном кадре. Суть
метода заключается в том, что в каждом кадре значении At постоянно (не изменяется), после того как пройдет определенное количество импульсов X, —Х^, происходит переход
в другой кадр и At принимает другое значение. 5. Случайная (jittered):
F(n) = T+£Gaa¡,
где Т - среднее значение At, — случайное значение
Гаусеовского распределения с нулевым средним и среднеквадратичным отклонением и (как правило 30% от 7}. 6.11ериодическая (periodic, sin, wobnlated):
F{n) = T + Asm[(on+<p),
где T - среднее значение At, А — амплитуда модуляции (порядка 5% от Т), и - частота модуляции (обычно от 20 до 50 импульсов за период), ср - фаза.
Закон периодической At модуляции может быть не обязательно синусоидальный, он может иметь треугольный, пилообразный и другой вид [13]. Зачастую скользящую и периодическую модуляции объединяют в один класс - комплексную (сложную) модуляцию (complex PRI modulation types), так как скользящая модуляция является частным случаем периодической.
T-Comm ^.13. #3-2019
Л
.1.
1. Метод распознавании пиши межимпульсной модуляции сигналов РЛС с использованием искусственных нейронных сетей
В [14] предлагается для распознавания 4 видов межимпульсной модуляции (скользящая, периодическая, случайная, разнородно-постоянная) использовать три признака: Jy,J-,, Ji- Для синтеза данных признаков авторы используют «улучшенный» вариант кусочно-постоянной функции действительного аргумента: -1 хс-г sign(х) 0 .v<c •
+1 .V > Е
С использованием данной функции вычисляются значения:
= И = ],..., jV — 2
где /%{/?) = + I )-F(n), п = \,...,N — 2 . Полученные значения G(n) формируются в вектор g, с использованием которого и вычисляются признаки JA, J2,Ji-
Первый признак, Jt, характеризует локальную стационарность процесса и определяется как:
Л-
N-2
где к - количество значений равных 0 в векторе g . Большое значение данного признака характерно для разнородно-постоянной модуляции.
Второй признак, J2, характеризует степень монотонности процесса и вычисляется как: У, .
Большое значение данного признака ( У, —И ) характерно для скользящей модуляции.
11ризнак J. характеризует симметричность процесса, [¿го большое значение характерно для периодической модуляции. Также, с использованием У, возможно отличить периодическую от случайной модуляции. Вычисляется признак следующим образом: _ 2-min(kj,k2)
j -i — " i
N-2
где кi и к-, - количество точек принадлежащих областям
монотонного возрастания и монотонного убывания соответственно. Идея состоит в том, что если количество монотонно возрастающих и монотонно убывающих участков примерно одинаково, что характерно для периодической модуляции, то значение J3 будет большим. Значения к] и к2 вычисляются итерационным образом:
Шаг 1. Пусть ¿>5, нечетное целое число, которое вместе с параметром е [0.7,0.8] определяет минимальную
длина участка монотонных возрастания и убывания. Таким образом, минимальная длина участка устанавливается как
Шаг 2. Установим к. - 0, к, =0, i=\+d, d-
L-1
Mz=g[i—d\i+d\ где обозначение \a:/>] является ссылкой на значения вектора от индекса и до индекса Ь.
Шаг 3. Установим Г, равным количеству значений I в
Му, a Z-, равным количеству значений-) в М¿.
Шаг 4. Если Z¡ > tyhresh i то значение k¡ увеличивается на 1.
Шаг 5, Если z, > G)lhresh, то значение к2 увеличивается на 1.
Шаг 6. Увеличиваем счетчик шагов i на 1, Если / < N -2-d, то возвращаемся на шаг 3, иначе - конец цикла.
Обычно, для вычисления признаков Ji,J21JJ используют следующие параметры:
¿г = 0.1;
¿ = 9;
ß - 0.7...0.8,
Для реализации процесса распознавания межимпульсной модуляции с использованием признаков У,, У2, У, возможно
использовать различные методы. В [15] предлагается использовать модель на основе логических правил «ЕСЛИ-ТО», которая имеет вид:
If Jí >0.35 then" разнородно -постоянная модуляция " else if J2 > 0.27 then^скользящая модуляция" else if У, > 0.33 then "периодическая модуляция" ehe"случайная модуляция"
Экспериментальные исследования данного метода показал его не высокую эффективность при наличии шумов. Если представить результаты влияния шума в виде вероятности пропуска цели ) и вероятности появления ложных
импульсов (А), то разделительные свойства признаков У,, У,,У3 существенно снижаются [15].
Для повышения вероятности правильного распознавания в [15] предлагается в качестве решающего устройства использовать различные типы нейронных сетей: нейронная сеть с долгой краткосрочной памятью (НДП, Long short-term memory - LSTM) и многослойный персептрон (МП) [16, 17]. Характеристики примененных НДП и МП представлены в табл. 1 и 2 соответственно.
Таблица I
Характеристики LSTM
Наименование слоя Значение(вход х выход)
Входной 1
LSTM-мод>'ль 1*96
LSTM-модуль 96 х 96
Скрытый 96*4
Выходной 4
ш
Таблица 2
Характеристики многослойного персеитроиа
Наименование слоя Зна ч ение{вход х вы ход)
Входной 3
Скрытый 3x32
Скрытый 32x32
Скрытый 32x4
Выходной 4
Анализ полученных в [151 результатов показывает, что НЛП обеспечивает распознавание всех четырех видов модуляции с точностью близкой к 100%. Многослойный церсеп-трон также показывает высокий результат распознавания межимпульсной модуляции сигналов, за исключением периодической модуляции, которая в 7,5% случаях классифицируется как случайная. Логические правила обеспечивают достаточно хорошее распознавание видов модуляции, но имеют тенденции классифицировать другие виды модуляции как случайную модуляцию.
2. Метод распознавании типов межимпульсной модуляции сигналов РЛС с использованием математического аппарата вей влет-преобразований
В работе [11] предлагается для распознавания видов межимпульсной модуляции использовать математический аппарат вей в лет-анализа. Анализ вей влет-разложений различных типов межимпульсной модуляции показывает, что локальные экстремумы вейвлет-коэффицнентов сигналов со случайной модуляцией имеют более низкие значения по Сравнению с разнородной модуляцией. В свою очередь, средние значения вейвлет-коэффициентов других видов межимпульс] юй модуляции (постоянной, разнородно-постоянной, скользящей и периодической) имеют более низкие значения по сравнению со случайной и разнородной модуляциями. Плавное изменения Д/ этой группы модуляций приводит к тому, что коэффициенты детализации их вей влет-разложения стремятся к 0 или близким к нему значениям, в отличие от случайной и разнородной модуляций. Данное наблюдение позволяет распознать случайную и разнородную м одул я ц и ео от других видов межимпульсной модуляции.
В качестве базисной функции в [11| предлагается использовать вейвлет Хаара. В качестве входных данных используются разность второго порядка времени прихода импульсов, т.е.:
= + п = 1.....N—2
Для распознавания случайной и разнородной модуляции извлекаются два признака из последовательности Р2 (»)
длиной Мследующим образом.
Пусть Е, - сумма квадратов энергии вей в лет-
разложения /*", (п) на/-том уровне:
] У
где г' |_/1 обозначает >ый коэффициент детализации /-го
уровня разложения. Тогда первый признак определяется как вектор энергий на Л уровнях разложения:
Второй признак представляет собой величину среднего значения вейвлет- коэффициентов первого уровня разложения:
f2=\mear,{c{j}}\, j = \,2,..;М/2-
Здесь М предполагается кратным 2, что позволяет быстро осуществить вейвлет-разложенис сигнала.
Для распознавания случайной и разнородной модуляции по признакам у и f2 в [ 11 ] предложено использовать метол опорных векторов (support vector machine - SVM). Причем на первом этапе проводится анализ признака /2 с использованием бинарного классификатора, который обеспечивает отделение сигналов со случайной и разнородной модуляциями (/,>0) от сигналов с другими межимпульсными модуляциями {/, SS 0 ).
Для разделения других видов межимпульсной модуляций в [I I] предлагается использовать признак f}. В его основе лежат свойства коэффициента эксцесса.
Пусть имеется выборка коэффициентов эксцесса вейвлет-коэффипиентов в /-ом поддиапазоне:
ф'
м 2,1ИЛ-4)4
Г 1 м/2' а-Т
ИЛ-*:)^
где с' - вей в лет-коэффициенты, а /л). - среднее значение
вей влет-коэффициенте в в 1-ом диапазоне разложения.
Также, обозначим число локальных экстремумов вейв-лет-коэффициентов в первом диапазоне как
1оса1ех№еяш\с1) ■ Признак Д определим в виде вектора:
у; =[а'(с') /с (с2) а'(с3) 1оса1ехП-ета{с^ ■
Данный признак используется для разделения разнородно-постоя шюй, скользящей и периодической модуляций.
Общая схема разделения 5 типов межимульсной модуляции представлена на рис, 3.
М—*
Расчет еейелет- Бинарный
коэффициентов классификатор
SYM-нлаеенфннатор
_►
SVM-
классификатор
-*
► Размеренная
► РйЗНОРСЩНО-ПОСТОВННМ
► Скользящая
► ПернодичкнЗи
Рис. 3. Общая схема разделения пять типов межимпульсной модуляции
Выбор количества уровней декомпозиции венвлет-разложения ¿ имеет существенное влияние при разделении случайной и разнородной модуляций с использованием признака /. Проведенные в [II | исследования показали, что
наиболее рациональным является выбор ¿=3 (см. табл. 3). Из результатов можно сделать вывод, что случайная и разнородная модуляции распознаются с высоким процентом правильного распознавания, около 95%. Однако из таблицы 3 видно, что процент правильного распознавания случайной модуляции значительно снижается при увеличении количества пропущенных импульсов. Это можно считать основным недостатком предложенного в [П] метода. Среднее значение вероятности правильного распознавания других видов модуляции составляет порядка 83%. Преимуществом данного метода является, то, что он обеспечивает высокую вероятность распознавания разнородной модуляции в сложных условиях приема сигнала.
Таблица 3
Результаты классификации типов межимпульсной модуляции при ¿=3
Вид модуляции Вероятность правильного распознавания вида модуляции, %
Шум отсутствует Ко lipOI ими пичество тущенных ульсов. % Количество ложных ИИ-пульсов, % Ошибки измерения i , %
5 10 15 5 10 15 0.2 0.3 0.4
Случайная wJ 5 86,85 72,39 60.43 96,30 91,96 8520 99,11 99,08 <».00
Разнородная 99,21 99.5: 99,37 99.: [ 99.53 99,50 99.36 98.95 98,90 98.::
Другие 100 93 86 82 95 91 80 92 80 70
где и ' - количество элементов наибольшего столба гистограммы, а я™*" - количество элементов во втором по величине столбе. Очевидно, что малое значение говорит о том, что присутствует постоянная модуляция.
Второй признак рассчитывается для $ОП?-гистограмм высокого порядка и показывает мощность главного (максимального) столба гистограммы. Большая мощность главного столба говорит о наличие периодичности и не характерна для случайной и разнородной межимпульсной модуляции. Мощность главного столба !Ш1Р-гистограммы порядка d рассчитывается как:
sign, (/%(«)) =
3. Мегол распознавания типов межи м пул ьснон модуляции сигналов РЛС с использованием гистограмм
Другим методом распознавания видов межимпульсной модуляции является метод гистограмм [18]. Гистограмма разностей {sequenlial ti i iteren ce histogram - SDIF) первого порядка строится по значениям Дt, вычисляемыми между соседними импульсами, гистограмма разностей второго порядка строится по значениям Al, вычисляемыми через один импульс и т.д. Другими словами, гистограмма порядка d строится по значениям Al, которые рассчитываются как:
В методе [18] используются 5 признаков, которые описывают характеристики динамики изменения Дt.
Первые два признака вычисляются но гистограммам А;. На практике, в случае постоянной модуляции не всегда получается гистограмма с одним пиком, так как всегда имеются некоторые флуктуации т. Поэтому гистограмма значений Д/ при постоянной модуляции может иметь два или более не пустых интервала (столба), В [19] для обеспечения надежного обнаружения пиков гистограммы используется Специальный алгоритм стабилизации гистограммы.
Первый признак рассчитывается как отношение двух самых высоких столбов гистограммы первого порядка:
lirias-] f -1__
" N-d~\
где пJ"* - количество элементов наибольшего столба гистограммы. Так как количество позиций (уровней) разнородной модуляции неизвестно, необходимо вычислить значения ud для нескольких d и выбрать из них максимальное:
f2=max(ud), i/ = 2,3,,,.,Dmm., где £>т|ч выбирается в соответствии с возможным максимальным количеством уровней разнородной межимпульсной модуляции.
Следующие три признака вычисляются по значениям второй разности т: Рг (я). Для вычисления данных признаков используется кусочно-постоянная функция аналогичная [ 13[, но с небольшим отличием:
-I, when F2{ii)< -Е
0, when |F2 (и) < £ ■
1, when F, (/j) > €
С использованием данной функции рассчитывается вектор значений:
s = signE{F2).
I la pa метр е - допуск на флуктуации значений Д t, позволяющий отличить незначительные случайные изменения At от модуляционных изменений. Как правило, е®0,01,.,0,1. I [ервын признак данной группы вычисляется как:
ХЫ
f = м—.
h N-2
Очевидно, что признак f, позволяет разделить сигналы с
постоянной модуляцией от сигналов с непостоянной модуляцией.
Следующий признак описывает относительное количество однонаправленных (возрастающих или убывающих) изменений Д/ в последовательности импульсов:
n-2
N-2
Данный признак позволяет разделять сигналы со скользящей межимпульсной модуляцией от других сигналов. Последний признак показывает насколько часто изменяется направление изменения Д/ в последовательности импульсов:
ХМ§п(л)|
£ ___,
Л N-Ъ
20
✓4-4
где sign (.г) - стандартная сигнум-функция, ~Sk,
к = 1,2,. .,,N — 3 . Признак fs применяется для разделения
сигналов со случайной и периодической модуляцией.
Для классификации 6 типов модуляции в 119] предлагается использовать иерархическую процедуру, где на первом этапе с использованием трехслойного персептрона происходит разделение сигналов на субклаесы и на втором - с использованием трех классификаторах ядерного сглаживания (Kernel density estimators - KDE) [20] на типы межимпульсной модуляции (см. рис. 4).
Многослойный персептрон
Классификатор № 1
-> ÙW&)
(р. А)
Классификатор № 2
(Р«Л)
Классификатор № 3
-+\Pm'<»l) -* (л.^з)
* {рш'Щ)
► (/»„.«О
Рис. 1, Иерархический классификатор типов межимпульсной модуляции
Первый су б класс ( (9, ) - стабильная модуляция, сюда входят постоянная ( ¿у, > и разнородно-постоянная модуляции ( со5 ), второй субкласс (в2)~ ненаправленная модуляция (разнородная ( <у, ) и случайная ( со, )), третий субмасс ( ву ) -направленная модуляция (скользящая (С04) и периодическая ( СОь )). Разделение на су б классы производится с использованием предварительно обученного персептрона по трем признакам: frfj,fs.
Для разделения первого подкласса на типы модуляции используется признак fr для второго - f7, а для третьего
субкласса - /4. То есть, каждый из классификаторов второго этапа использует один признак. Функции правдоподобия для данных признаков определены с использованием метода Парцена (см. рис. 5). В [14] предлагается использовать следующие пороговые значения для классификации: Классификатор № 1 : if < 0.25) then "постоянная"
else if (f, >0.50) then "разнородно-постоянная"' else NON
Классификатор № 3
if {fA < 0.25) then "скользящая"
else if {f > 0.50) then "периодическая"-
else non
В классификаторе № 2 используется правило Байеса для оценки типа модуляции (априорная вероятность событий равна 0,5). Для присвоения сигналу соответствующей метки («разнородная» или «случайная») требуется апостериорная вероятность не менее 0,95.
I'iic. 2. Функции правдоподобия признаков f\ ['9]
Выводы
В настоящее время существует несколько эффективных методов распознавания межимпульсной модуляции сигналов РЛС. Каждый их этих методов имеет свои преимущества и недостатки. Распознавание наибольшего количества типов межимпульсной модуляции обеспечивает гистограммный метод [18, 19J. Однако данный метод не исследован на устойчивость к воздействию шумов и помех. Представляется целесообразным провести исследования эффективности ансамбля всех рассмотренных признаков распознавания типов межимпульсной модуляции сигналов РЛС в различных условиях сигнально-помеховой обстановки для синтеза словаря наиболее информативных признаков.
Литература
1. ГЬреликА.Л., Скрипкин В, А. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп. М.: Высш. шк., 1984. 208 с.
2. Ту Дж.. Гонсалес Р. Принципы распознавания образов: Пер. с англ. / Под ред. Ю. И, Журавлева. М,: Мир, 1978.
3. Аджемов С.С., Кленов Н.В.. Терешонок М.В.. Чиров Д.С. Использование искусственных нейронных сетей для классификации источников сигналов в системах когнитивного радио // Программирование. 2016, № 3. С. 3-11.
4. А джемов С. С., Терешонок М. В., Чиров Д.С. i 1ейросетевой метод распоззнавания видов модуляции радиосигналов с использованием кумулянтов высокого порядка // T-Comm: Телекоммуникации и транспорт. 2012. Т. 6. № 9. С. 9-12,
5. Zadeh А.Е. Automatic; recognition of'radio signals using a hybrid intelligent technique II Expert Systems with Applications 37 (2010) 5803-5812.
6. Hong L. Ho K.C. identification of digital modulation types using the wavelet transform II IEEE MILCOM, 1999, pp. 427-431.
7. ChirovD.S., Vynogradov A.N., Vorobyova E.G. Application of the decision trees to recognize the types of digital modulation of radio signals in cognitive systems of HF communication // Systems of Signal
Synchronization, Generating and Processing in Telecommunications (SYNCKROINFO), 4-5 July 2018. pp. 1-6.
8. Swami A., Sadler B. Hierarchical digital modulation classification using cumulants 11 IEEE Trans. Commun.. vol. 48, no. 3, pp. 416428, March 2000.
9. McShea, RE. (2014). "Electronic Warfare", eng. In: Test and Evaluation of Aircraft Avionics and Weapon Systems. 2nd Edition, Institution of Engineering and Technology. ISBN: 978-1-61353-176-1.
10. Noone, G.P. (1999). LLA neural approach to automatic pulse repetition interval modulation recognition". In: 1999 Information, Decision and Control. Data and Information Fusion Symposium, Signal Processing atid Communications Symposium and Decision and Control Symposium. Proceedings (Cat. No. 99EX251), pp. 213-218.
I I. Kenan Gencol, A.T. Nuray. Ali Kara. A wavelet-based feature set for recognizing pulse repetition interval modulation patterns // Turk J Elcc Eng & Comp Sci (2016) 24, pp. 3078-3090.
12. Mardia. H.K. (1989). "New techniques for the de interleaving of repetitive sequences". In: 1EE Proceedings F - Radar and Signal Processing 136.4. pp. 149-154. ISSN: 0956-375X. DO!: 10,1049/ ip-f-2.1989.0025.
13. Katsilieris F„ Apfetd S.. Churlish A. Correlation based class fication of complex PR I modulation types // Sensor Signal Process ir for Defence Conference, SSi'D 2017: London, UK, 6-7 December 20!;
14. Liu. Y. and O. Zhang (2017). "An improved algorithm for Pf modulation recognition". In: 2017 !EEE International Conference с Signa! Processing, Communications and Computing (1CSPCC), pp. 1-:
15. Norgen, E. Pulse Repetition Interval Modulation Classifies lion using Machine Learning. Master in Computer Science. August 1' 2018. School of Electrical Engineering and Computer Science. 56 p.
16. Sepp Hoc lire Her: Jiirgen Schmidhuber (1997). «Long s h or tenu memory». Neural Computation. 9 (8), pp. 1735-1780.
17. Хайкин С. Нейронные сети. Полный курс, 2-е изд. Пер. англ, М,: Издательский лом "Вильяме", 2006, 1104 с.
18. Kauppi. J. -Р..& Mar I i kaii ien, K. (2007). An efficient set of fei lures for pulse repetition interval modulation recognition. In Proceei ings of IET international conference on radar systems.
19. Kauppi J -P. et al. Neural Networks 23 (2010), pp. 1226-123 '
20. BotevZI., Grolowski J.F., Kroese D.P.(2010). «Kernel dens ty estimation via diffusion». Annals of Statistics. 38 (5), pp. 2916-2957
T-Comm Том 13. #3-2019
ANALYSIS OF METHODS FOR RECOGNITION OF TYPES OF PULSE REPETITION INTERVAL MODULATION OF RADAR SIGNALS
Denis S. Chirov, Moscow Technical University of Communications and Informatics, Moscow, Russia, chirov@srd.mtuci.ru Ekaterina O. Kandaurova, Moscow Technical University of Communications and Informatics, Moscow, Russia
Abstract
The modern development of radio and radar facilities leads to the need for special radio monitoring tools to control the electromagnetic spectrum. In the process of radio monitoring there is a need to detect and identify (recognition) sources of radio radiation, in particular radars. The peculiarity of the pulse radar station is that the emitted radar signals can have both intra-pulse and pulse repetition interval (PRI) modulation. The article considers the existing methods of recognition of the main types of PRI modulation of radar signals. Currently, the most common types of PRI modulation of radar signals are: constant, stagger, sliding, dwell and switch, jittered and periodic. Different methods (based on artificial neural networks, logical rules base, wavelet analysis, histogram analysis) are used to recognize these types of modulation, using different sets of recognition features. Each of these methods has its advantages and disadvantages. The histogram method provides recognition of the largest number of types of PRI modulation [18, 19]. However, this method has not been investigated for resistance to noise and interference. The method based on a long short-term memory provides the best stability in noise, but provides recognition of fewer types of PRI modulation. It seems expedient in the framework of further research to assess the effectiveness of the ensemble of all the considered features of recognition of types of PRI modulation of radar signals in different conditions of SNR environment for the synthesis of the dictionary of the most informative features.
Keywords: pulse repetition interval modulation, radar, recognition, artificial neural networks, wavelet analysis, histogram method. References
1. Gorelik A.L., Skrippkin V.A. (1984). Methods of recognition. 2-nd ed. Moscow: Vishaya shkola. 208 p. (In Russian)
2. Tou Ju., Gonzales R. (1978). Pattern recognition principles. Moscow: Mir. 414 p. (In Russian)
3. Adjemov S.S., Klenov N.V., Tereshonok M.V., Chirov D.S. The use of artificial neural networks for classification of signal sources in cognitive radio systems^ Programming and Computer Software. 2016. Vol. 42. No. 3. pp. 121-128.
4. Adjemov S.S., Tereshonok M.V., Chirov D.S. Neural network method for recognition of radio signal modulation types using highorder cumulants. T-Comm, no. 9-2012, pp. 9-12. (In Russian)
5. Zadeh A.E. (2010). Automatic recognition of radio signals using a hybrid intelligent technique. Expert Systems with Applications 37, pp. 5803-5812.
6. Hong L., Ho K.C.(I999). Identification of digital modulation types using the wavelet transform. IEEE MILCOM, pp. 427-431.
7. Chirov D.S., Vynogradov A.N., Vorobyova E.O. (2018). Application of the decision trees to recognize the types of digital modulation of radio signals in cognitive systems of HF communication. Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO), 4-5 July 2018, pp. 1-6.
8. Swami A., Sadler B. (2000). Hierarchical digital modulation classification using cumulants. IEEE Trans. Commun., vol. 48, no. 3, pp. 416-428, March 2000.
9. McShea R.E. (2014). "Electronic Warfare". eng. In: Test and Evaluation of Aircraft Avionics and Weapon Systems. 2nd Edition. Institution of Engineering and Technology. ISBN: 978-I-6I353-I76-I.
10. Noone G.P. (I999). "A neural approach to automatic pulse repetition interval modulation recognition". 1999 Information, Decision and Control. Data and Information Fusion Symposium, Signal Processing and Communications Symposium and Decision and Control Symposium. Proceedings (Cat. No. 99EX25I), pp. 2I3-2I8.
11. Kenan Gencol, A.T. Nuray, Ali Kara. (20I6). A wavelet-based feature set for recognizing pulse repetition interval modulation patterns. Turk J Elec Eng & Comp Sci ,24, pp. 3078-3090.
12. Mardia H.K. (I989). "New techniques for the deinterleaving of repetitive sequences".IEE Proceedings F - Radar and Signal Processing I36.4, pp. I49-I54. ISSN: 0956-375X. DOI: I0.I049/ip-f-2.I989.0025.
13. F. Katsilieris, S. Apfeld, and A. Charlish. (20I7). Correlation based classification of complex PRI modulation types. Sensor Signal Processing for Defence Conference, SSPD 20I7: London, UK, 6-7 December 20I7.
14. Liu Y. and Q. Zhang (20I7). "An improved algorithm for PRI modulation recognition". 2017 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), pp. I-5.
15. Norgen E. Pulse Repetition Interval Modulation Classification using Machine Learning. Master in Computer Science. August I9, 20I8. School of Electrical Engineering and Computer Science. 56 p.
16. Sepp Hochreiter; Jergen Schmidhuber (I997). "Long short-term memory". Neural Computation. 9 (8), pp. I735-I780.
17. Haykin S. (2006). Neural Networks. A comprehensive Foundation. 2nd ed. Moscow: Williams Publishing Hous. II04 p. (In Russian)
18. Kauppi, J.-P.,&Martikainen, K. (2007). An efficient set of features for pulse repetition interval modulation recognition. Proceedings of IET international conference on radar systems.
19. J.-P. Kauppi et al. Neural Networks 23 (20I0), pp. I226-I237.
20. Botev Z.I., Grotowski J.F., Kroese D.P. (20I0). Kernel density estimation via diffusion. Annals of Statistics. 38 (5), pp. 29I6-2957. Information about authors:
Denis S. Chirov, professor of the department of radio systems, doctor of technical sciences, Moscow Technical University of communications and Informatics, Moscow, Russia
Ekaterina O. Kandaurova, engineer, Moscow Technical University of communications and Informatics, Moscow, Russia
