Detection of jammers in range-doppler images generated in DTED based radar simulator using convolutional neural networks

Abstract

Airborne radars have a variety of air-to-air and air-to-ground missions. In both air-to-air and air-to-ground target detection missions, ground clutter reflections are received from the main beam and side lobes of the radar. The effects of this clutter can be clearly seen in the radar range-Doppler maps. In addition, there may be other sources in the environment that distort the radar's range-Doppler maps. These sources can be categorized as jammer and interference signals. They distord the range-Doppler maps, making target detection more difficult, interfering with target detection and, in some cases, leading to false target detection. The detection of jammer and interference signals, which are the source of this situation, is of critical importance for the operators controlling the platform. It is often not possible for operators to quickly detect and classify these jamming signals. Deep learning methods, which have recently been used in every field, can achieve much faster and robust target detection and classification results compared to humans. In this study, the success of a Convolutional Neural Network based technique, which is one of the deep learning methods, in detecting and classifying jammer and interference signals is investigated. Hava platformu radarlarının havadan havaya ve havadan karaya olmak üzere birçok görevi bulunmaktadır. Hem havadan havaya hem de havadan karaya hedef tespiti amacıyla gerçekleştirilen görevlerde ilgili hedefle birlikte radar ana hüzmesi ve yan loblarından kara kargaşası yansımaları alınmaktadır. Radar menzil-doppler haritalarında bu kargaşanın etkileri belirgin olarak görülebilir. Bunun yanında radarın menzil-doppler haritalarını bozacak başka kaynaklar da ortamda yer alabilmektedir. Bu kaynakları, karıştırıcı ve parazit (karıştırma) sinyalleri olarak sınıflandırmak mümkündür. Menzil-doppler haritalarında bozulmalara neden olan bu kaynaklar hedef tespitini zorlaştırmakta, engellemekte ve bazı durumlarda yanlış hedef tespitine sebep olmaktadır. Bu durumun kaynağı olan karıştırıcı ve parazit sinyallerinin tespiti platformu kontrol eden operatörler için kritik önem arz etmektedir. Bu karıştırma sinyallerinin operatörler tarafından hızlı bir şekilde tespiti ve sınıflandırması çoğu zaman mümkün değildir. Son dönemde her alanda kullanılmaya başlanan, derin öğrenme yöntemleri ile insana göre çok daha hızlı ve gürbüz hedef tespit ve sınıflandırma sonuçları elde edilebilmektedir. Bu çalışmada derin öğrenme yöntemlerinden olan evrişimli yapay sinir ağı (Convolutional Neural Network) tabanlı bir tekniğin karıştırıcı ve parazit sinyallerini tespit etme ve sınıflandırma başarısı incelenmiştir.