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

buir.contributor.authorAkyol, Ali Alp
buir.contributor.orcidAkyol, Ali Alp|0000-0002-0768-4893
dc.citation.epage4en_US
dc.citation.spage1
dc.contributor.authorŞahinbay, H. E.
dc.contributor.authorAkyol, Ali Alp
dc.contributor.authorÖzdemir, Ö.
dc.coverage.spatialİstanbul, Türkiye
dc.date.accessioned2024-03-22T06:18:02Z
dc.date.available2024-03-22T06:18:02Z
dc.date.issued2023-08-28
dc.departmentDepartment of Electrical and Electronics Engineering
dc.descriptionDate of Conference: 05-08 July 2023
dc.descriptionConference Name: 31st IEEE Conference on Signal Processing and Communications Applications, SIU 2023
dc.description.abstractAirborne 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.
dc.description.abstractHava 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.
dc.description.provenanceMade available in DSpace on 2024-03-22T06:18:02Z (GMT). No. of bitstreams: 1 Detection_of_jammers_in_range-doppler_images_generated_in_DTED_based_radar_simulator_using_convolutional_neural_networks.pdf: 6613344 bytes, checksum: 36ed5a69c6fc0644b4760c450720e737 (MD5) Previous issue date: 2023-08en
dc.identifier.doi10.1109/SIU59756.2023.10223757
dc.identifier.eisbn9798350343557
dc.identifier.isbn9798350343564
dc.identifier.issn2165-0608
dc.identifier.urihttps://hdl.handle.net/11693/115072
dc.language.isoTurkish
dc.publisherIEEE - Institute of Electrical and Electronics Engineers
dc.relation.isversionofhttps://dx.doi.org/10.1109/SIU59756.2023.10223757
dc.source.title2023 31st Signal Processing and Communications Applications Conference (SIU 2023)
dc.subjectConvolutional neural networks
dc.subjectAirborne radar systems
dc.subjectRange-doppler matrix
dc.subjectJammer
dc.subjectDeep learning
dc.subjectEvrişimsel sinir ağları
dc.subjectHava radar sistemleri
dc.subjectMenzil-doppler matrisi
dc.subjectKarıştırıcı
dc.subjectDerin öğrenme
dc.titleDetection of jammers in range-doppler images generated in DTED based radar simulator using convolutional neural networks
dc.title.alternativeDTED tabanlı radar simulatörde oluşturulan menzil-doppler görüntülerindeki karıştırıcıların evrişimsel sinir ağları kullanılarak tespiti
dc.typeConference Paper

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Detection_of_jammers_in_range-doppler_images_generated_in_DTED_based_radar_simulator_using_convolutional_neural_networks.pdf
Size:
6.31 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.01 KB
Format:
Item-specific license agreed upon to submission
Description: