Çok görevli öğrenme ile eşzamanlı darbe tespiti ve kipleme sınıflandırma

Abstract

Bu çalışmada, elektronik harp sistemlerindeki sayısal almaç yapıları tarafından toplanan, ortamdaki tehdit radarların gönderdigi darbesel sinyal örnekleri üzerinden otomatik olarak eşzamanlı SGO (Sinyal Gürültü Oranı) kestiren ve darbe tespiti yapan, tespit edilen darbesel bölge üzerindeki kiplemeyi sınıflandıran, çok görevli ögrenme ve yinelemeli sinir ağı tabanlı yeni bir yöntem önerilmiştir. Önerilen yöntem, girdi olarak almaç tarafından toplanan örneklerden herhangi bir öznitelik çıkarmaksızın, ham IQ (Inphase-Quadrature) verilerini kullanmaktadır. Sınıflandırma başarımını artırmak için, farklı SGO seviyelerine göre eğitilmiş modeller kullanılmıştır. Ham IQ veri üzerinden kestirilen SGO degerine göre, uygun model otomatik olarak seçilmektedir. Yapılan kapsamlı benzetimlerde, -30 dB SGO seviyesinde, 1.5 dB ortalama mutlak hata ile SGO kestirimi, %90 başarımla darbe tespiti ve %84 ihtimalle başarılı kipleme sınıflandırması yapılabildiği gözlemlenmiştir. Tipik bir elektronik ˘ harp almacının darbe tespiti yapabildigi en dü¸sük SGO seviyesinin 10 dB olduğu düşünüldüğünde, önerilen yöntemin geleceğin elektronik harp almaç yapıları için oldukça önemli bir teknolojik kazanım olduğu değerlendirilmektedir. In this work, a multi-task learning and recurrent neural network based new technique is proposed that performs joint SNR (singal-to-noise ratio) estimation and pulse detection over the pulse based signal samples coming from the digital receivers used in electronic warfare systems, and automatically classifies the modulation present on detected pulses. Proposed technique uses the raw IQ data as input, without any feature extraction. Moreover, usage of separately trained classifiers for different SNR regions is proposed for better classification accuracy. Most suitable classifier is selected based on the estimated SNR level from raw IQ data. Detailed tests show the proposed structure can achieve a detection with %90 accuracy, SNR estimation with 1.5 dB mean absolute error, and classification with 84% accuracy at a very low SNR level as -30 dB.