А.О. Касьянов1, М.В. Потипак2, А.Н. Евтушенко3

1 ФГАОУ ВО «Южный федеральный университет» (г. Ростов-на-Дону, Россия)

2, 3 ФГУП «РНИИРС» ФНПЦ (г. Ростов-на-Дону, Россия)

Постановка проблемы. Идентификация бортовых радиолокационных средств в настоящее время является актуальной задачей. Идентификация конкретного излучателя возможна по различным параметрам его сигнала. Обзор современного состояния методов идентификации, приведенный в работе, свидетельствует о большом интересе к этой проблеме во всем мире. Значительный интерес представляет выделение информационных признаков о конкретном экземпляре радиолокационной станции (РЛС) на основе анализа непреднамеренной внутриимпульсной модуляции радиолокационного сигнала так называемой уникальной сигнатуре РЛС. Набор оцифрованных записей зондирующих сигналов судовых РЛС, в котором уже проведено отождествление зондирующих сигналов конкретным РЛС с использованием автоматизированной процедуры на основе метода максимального правдоподобия в частотной области, подвергается ручной корректировке результатов идентификации. Следовательно, необходим способ идентификации РЛС, позволяющий полностью исключить ручную корректировку результатов автоматизированной идентификации.

Цель работы. Разработать способ идентификации РЛС на основе анализа непреднамеренной внутриимпульсной модуляции.

Полученные результаты. Выделены информативные признаки в зондирующем сигнале РЛС для уникальной идентификации конкретного экземпляра РЛС, а также выбран критерий сравнения, позволяющий выполнять численную оценку соответствия информативных признаков отдельных источников излучения друг другу. Показана нецелесообразность применения кумулянтов для анализа особенностей непреднамеренной функциональной модуляции с целью извлечения уникальных информативных признаков для последующей идентификации РЛС. В результате применения спектрального анализа высших порядков для извлечения особенностей непреднамеренной внутриимульсной модуляции зондирующих сигналов РЛС и критерия структурного сходства для численной оценки вероятности сходства автобикогерентности двух различных источников, удалось достигнуть значения вероятности правильной идентификации РЛС, равного 0,6.

Практическая значимость. Разработанный способ идентификации опробован на экспериментальных записях судовых РЛС, работающих в импульсном режиме. Предложенные в работе подходы не налагают ограничений на тип анализируемых сигналов и могут быть распространены на разработку систем идентификации различных радиотехнических комплексов.

Касьянов А.О., Потипак М.В., Евтушенко А.Н. Идентификация радиолокационной станции на основе анализа непреднамеренной внутриимпульсной модуляции // Радиотехника. 2023. Т. 87. № 2. С. 73−83. DOI: https://doi.org/10.18127/j00338486-202302-11

1. Akyon F.C., et al. Classification of intra-pulse modulation of radar signals by feature fusion based convolutional neural networks // 2018 26th European Signal Processing Conference (EUSIPCO). IEEE. 2018. С. 2290-2294.
2. Svarc M., Brnak L., Richterova M. Perspective methods of radar pulse classification // International Conference on Military Technologies (ICMT) 2015. IEEE. 2015. Р. 1-8.
3. Kauppi J.P., Martikainen K., Ruotsalainen U. Hierarchical classification of dynamically varying radar pulse repetition interval modulation patterns // Neural Networks. 2010. V. 23. № 10. Р. 1226-1237.
4. Svensson A. Classification of Radar Emitters Based on Pulse Repetition Interval using Machine Learning. 2022.
5. Perdoch J., Ochodnicky J., Matousek Z. ELINT objects identification based on intra-pulse modulation classification // Big Data and AI for Military Decision Making-IST-160 Specialists' Meeting. 2018.
6. Seddighi Z., Ahmadzadeh M.R., Taban M.R. Radar signals classification using energy‐time‐frequency distribution features // IET Radar, Sonar & Navigation. 2020. V. 14. № 5. Р. 707-715.
7. Nguyen H.Q., Ngo D.T., Van Long Do. Deep Learning for Radar Pulse Detection // ICPRAM. 2019. Р. 32-39.
8. Wang X., et al. Convolutional neural network applied to specific emitter identification based on pulse waveform images // IET Radar, Sonar & Navigation. 2020. V. 14. № 5. Р. 728-735.
9. Wang S., et al. Deep Feature Autoextraction Method for Intrapulse Data of Radar Emitter Signal // Mobile Information Systems. 2021. V. 2021. Р. 1-6.
10. Zhou Y., et al. Specific emitter identification via bispectrum-radon transform and hybrid deep model // Mathematical Problems in Engineering. 2020. V. 2020.
11. Dong X., et al. Radar specific emitter recognition based on DBN feature extraction // Journal of Physics: Conference Series. IOP Publishing. 2019. V. 1176. № 3. Р. 032025.
12. Dong P., et al. Study for classification and recognition of radar emitter intra-pulse signals based on the energy cumulant of CWD // Journal of Ambient Intelligence and Humanized Computing. 2021. V. 12. С. 9809-9823.
13. Bustos G.H., Segnorile H.H. Extended method for statistical signal characterization using moments and cumulants: Application to recognition of pattern alterations in pulse-like waveforms employing artificial neural networks // arXiv preprint arXiv:2212.14783. 2022.
14. Wang X., et al. Radar emitter recognition based on the energy cumulant of short time Fourier transform and reinforced deep belief network // Sensors. 2018. V. 18. № 9. Р. 3103.
15. Simic M., Stankovic M., Orlic V.D. Automatic Modulation Classification of Real Signals in AWGN Channel Based on Sixth-Order Cumulants // Radioengineering. 2021. V. 30. № 1.
16. Swami A., Mendel J.M., Nikias C.L. Higher-order spectral analysis toolbox // The Mathworks Inc. 1998. V. 3. Р. 22-26.
17. Chen T., Jin W., Li J. Feature extraction using surrounding-line integral bispectrum for radar emitter signal // 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence). IEEE. 2008. Р. 294-298.
18. Chen Y., Wu Z.L., Lei Y.K. Individual Identification of Radar Emitters Based on a One-Dimensional LeNet Neural Network // Symmetry. 2021. V. 13. № 7. Р. 1215.
19. Chen Y., et al. High-Performance Computational Recognition of Communication Signals Based on Bispectral Quadratic Feature Model // Computational Intelligence and Neuroscience. 2022. V. 2022.
20. Han J., et al. A new method for sorting radar signal based on entropy features // 2018 International Conference on Computer Science, Electronics and Communication Engineering (CSECE 2018). Atlantis Press. 2018. Р. 1-4.
21. Pinilla S., Mishra K.V., Sadler B.M. Unique Bispectrum Inversion for Signals with Finite Spectral/Temporal Support // arXiv preprint arXiv:2111.06479. 2021.
22. Shuhong J., Mingzhu L., Weisheng D. Evaluation of jamming effect on SAR based on textural feature // Proc. Int. Conf. Inf. Commun. Manage. 2012. Р. 13-18.
23. Лобач В.Т., Касьянов А.О., Потипак М.В., Суматохин К.В. Особенности цифрового формирования диаграммы направленности MIMO-радара // Антенны. 2016. №7. С. 47-52.
24. Беляев А.В., Касьянов А.О., Попов Ю.Г. Измерение параметров и идентификация OFDM-сигналов» // Антенны. 2018. № 4. С. 42-50.
25. Безверхий В., Олейников А., Маргелов А., Сурженко И., Безверхий О. Современные средства для пассивного автоматического пеленгования и идентификации РЛС и их носителей // Современные технологии автоматизации. 2005. № 2. С. 62-66.