Когнитивная автоматическая классификация сигналов РЛС с использованием сверточных нейронных сетей

Е.В. Калябин

doi:10.18127/j00338486-202610-08

Когнитивная автоматическая классификация сигналов РЛС с использованием сверточных нейронных сетей

научная статья УДК 623.624.2 Страницы: 98-109 doi.org/10.18127/j00338486-202610-08

¹ АО «ЦНИРТИ им. академика А.И. Берга» (Москва, Россия)

Ключевые слова: Когнитивная радиоэлектронная борьба классификация внутриимпульсной модуляции распознавание форм сигналов распределение времени и частоты сверточная нейронная сеть

Аннотация

Постановка проблемы. Постоянное совершенствование радиолокационных станций (РЛС), используемых для контроля электромагнитного спектра (ЭМС), обуславливает необходимость симметричного ответа от систем радиоэлектронной борьбы (РЭБ). Постоянное усложнение сигналов РЛС приводит к ужесточению требований, предъявляемых к системам РЭБ по сокращению времени распознавания структуры сигнала и его классификации в масштабе реального времени. Такие задачи можно решать только с применением когнитивных технологий. С помощью алгоритмов на основе искусственного интеллекта (ИИ) когнитивная РЭБ (КРЭБ), в отличии от существующих систем РЭБ, способна не только быстро, но и точно распознавать и классифицировать электромагнитные импульсы (ЭМИ) РЛС противника. Подходящим инструментом для сокращения времени обработки электромагнитного сигнала и наиболее точного его распознавания является сверточная нейронная сеть (СНС), особенно при обработке цифровых изображений. Кроме того, она показала хорошие результаты в автоматической системе при извлечении параметров радиосигналов. Это лучшая модель с высоким коэффициентом успешного распознавания (КУР) при высоком энергетическом фоне шумовых помех.

Цель. Рассмотреть процесс определения модуляции различных зондирующих сигналов РЛС противника с применением СНС.

Результаты. Предложена схема классификации сигналов РЛС противника на основе распределения Чоя−Уильямса и СНС. Подобрана адаптивная структура СНС для этой схемы. Рассмотрена система, которая способна распознавать до восьми типов форм модуляции сигналов. Продемонстрирована работоспособность системы без какой-либо априорной информации.

Практическая значимость. Представленные результаты подтверждают, что применение СНС для когнитивной автоматической классификации зондирующих сигналов РЛС противника позволяет получить распределение времени и частоты для анализа типа модуляции и успешного извлечения параметров модуляции сигнала.

Поступила: 03.09.2026
Одобрена: 10.09.2026
Принята: 30.09.2026

Для цитирования

Калябин Е.В. Когнитивная автоматическая классификация сигналов РЛС с использованием сверточных нейронных сетей // Радиотехника. 2026. Т. 90. № 10. С. 98−109. DOI: https://doi.org/10.18127/j00338486-202610-08

Список источников

Основы проектирования средств радиоэлектронной борьбы / Под ред. Г.И. Андреева. М.: Радиотехника. 2024. 348 с.
Jerjawi W.A., Eldemerdash Y.A., Dobre O.A. Blind recognition of sc-fdma signals using second-order cyclostationarity // in Instrumen- tation and Measurement Technology Conference (I2MTC) Proceedings. 2014 IEEE International. IEEE. 2014. Р. 1163–1166.
Karami E., Dobre O.A. Identification of SM-OFDM and AL-OFDM signals based on their second-order cyclostationarity // Vehicular Technology. IEEE Transactions on. 2015. V. 64. № 3. Р. 942–953.
Cohen L. Time-frequency distributions-a review // Proceedings of the IEEE. 1989. V. 77. № 7. Р. 941–981.
Lunde´n J., Koivunen V. Automatic radar waveform recognition // Selected Topics in Signal Processing. IEEE Journal of. 2007. V. 1. № 1. Р. 124–136.
Ma J., Huang G., Zuo W., Wu X., Gao J. Robust radar waveform recognition algorithm based on random projections and sparse classification // IET Radar, Sonar & Navigation. 2013. V. 8. № 4. Р. 290–296.
Андреев Г.И., Тихомиров В.А., Замарин М.Е. Проблемы искусственного интеллекта в технической области радиоэлектронной борьбы // Радиотехника. 2024. Т. 88 № 5. С. 5−14. DOI: https://doi.org/10.18127/j00338486-202405-01.
Abdel-Hamid O., Mohamed A.-r., Jiang H., Penn G. Applying convolutional neural networks concepts to hybrid NN-HMM model for speech recognition // In Acoustics, Speech and Signal Processing (ICAS-SP). 2012 IEEE International Conference on. IEEE. 2012. Р. 4277– 4280.
Feng Z., Liang M., Chu F. Recent advances in time–frequency analysis methods for machinery fault diagnosis: a review with appli- cation examples // Mechanical Systems and Signal Processing. 2013. V. 38. № 1. Р. 165–205.
Cun Y.Le, Huang F.J., Bottou L. Learning methods for generic object recognition with invariance to pose and lighting // in Computer Vision and Pattern Recognition. 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on. 2004. V. 2. IEEE. Р. 11–97.
Zhang M., Liu L., Diao M. LPI radar waveform recognition based on time-frequency distribution // Sensors. 2016. № 16. Р. 1682.
Liu Li. Radar signal recognition based on triplet convolutional neural network // Journal on Advances in Signal Processing. 2021. V. 2021:112.

[1] Основы проектирования средств радиоэлектронной борьбы / Под ред. Г.И. Андреева. М.: Радиотехника. 2024. 348 с.

[2] Jerjawi W.A., Eldemerdash Y.A., Dobre O.A. Blind recognition of sc-fdma signals using second-order cyclostationarity // in Instrumen- tation and Measurement Technology Conference (I2MTC) Proceedings. 2014 IEEE International. IEEE. 2014. Р. 1163–1166.

[3] Karami E., Dobre O.A. Identification of SM-OFDM and AL-OFDM signals based on their second-order cyclostationarity // Vehicular Technology. IEEE Transactions on. 2015. V. 64. № 3. Р. 942–953.

[4] Cohen L. Time-frequency distributions-a review // Proceedings of the IEEE. 1989. V. 77. № 7. Р. 941–981.

[5] Lunde´n J., Koivunen V. Automatic radar waveform recognition // Selected Topics in Signal Processing. IEEE Journal of. 2007. V. 1. № 1. Р. 124–136.

[6] Ma J., Huang G., Zuo W., Wu X., Gao J. Robust radar waveform recognition algorithm based on random projections and sparse classification // IET Radar, Sonar & Navigation. 2013. V. 8. № 4. Р. 290–296.

[7] Андреев Г.И., Тихомиров В.А., Замарин М.Е. Проблемы искусственного интеллекта в технической области радиоэлектронной борьбы // Радиотехника. 2024. Т. 88 № 5. С. 5−14. DOI: https://doi.org/10.18127/j00338486-202405-01.

[8] Abdel-Hamid O., Mohamed A.-r., Jiang H., Penn G. Applying convolutional neural networks concepts to hybrid NN-HMM model for speech recognition // In Acoustics, Speech and Signal Processing (ICAS-SP). 2012 IEEE International Conference on. IEEE. 2012. Р. 4277– 4280.

[9] Feng Z., Liang M., Chu F. Recent advances in time–frequency analysis methods for machinery fault diagnosis: a review with appli- cation examples // Mechanical Systems and Signal Processing. 2013. V. 38. № 1. Р. 165–205.

[10] Cun Y.Le, Huang F.J., Bottou L. Learning methods for generic object recognition with invariance to pose and lighting // in Computer Vision and Pattern Recognition. 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on. 2004. V. 2. IEEE. Р. 11–97.

[11] Zhang M., Liu L., Diao M. LPI radar waveform recognition based on time-frequency distribution // Sensors. 2016. № 16. Р. 1682.

[12] Liu Li. Radar signal recognition based on triplet convolutional neural network // Journal on Advances in Signal Processing. 2021. V. 2021:112.

Аннотация

Для цитирования

Похожие статьи