NGHIÊN CỨU THUẬT TOÁN TỰ ĐỘNG PHÁT HIỆN TÍN HIỆU RA ĐA MÃ HÓA PHA NHIỀU MỨC CÓ CÔNG SUẤT THẤP DƯỚI MỨC TẠP ÂM
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15473Tóm tắt
Bài báo đề xuất một thuật toán mới để trinh sát, phát hiện các tín hiệu ra đa mã hóa pha nhiều mức có công suất dưới mức tạp âm. Thuật toán đề xuất bao gồm hai phần chính. Phần một các tín hiệu cao tần được đưa về băng gốc qua các bộ trộn tần với băng thông tức thời 200 MHz. Bước hai sử dụng hàm tương quan chéo để phát hiện các tín hiệu và khôi phục tín hiệu gốc. Thuật toán đề xuất được đánh giá trên các tín hiệu mã hóa thông dụng trong ra đa như: mã Barker, Frank, P và Zadoff-Chu trên phần mềm MATLAB. Các kết quả mô phỏng cho thấy thuật toán đề xuất có khả năng phát hiện các tín hiệu mã hóa pha có tỉ số tín/tạp là -11 dB với xác suất phát hiện đúng 95% và xác suất báo động lầm 1e-5.So sánh với các phương pháp khác, thuật toán đề xuất đạt sự cân bằng tốt giữa hiệu suất và tốc độ. Với thời gian xử lý t = 125 (s) và SNR tối thiểu -11 dB, nó vượt trội hơn FFT (t = 50 (s), SNR = 10 dB) và STFT (t =85 (s), SNR = 4 dB). Mặc dù AI (CNN) nhạy hơn (SNR = -15 dB), nhưng thời gian xử lý lâu hơn đáng kể (t = 213 (s)). Do đó, thuật toán đề xuất là giải pháp thực tế, hiệu quả cho ứng dụng trinh sát rađa đòi hỏi độ nhạy và tốc độ xử lý nhanh.Lượt tải
Tài liệu tham khảo
L. Nadav and M. Eli, Radar Signals, 1st ed. Wiley-IEEE Press, New York, USA, 2004.
M. Skolnik, Introduction to Radar Systems, 3rd ed. McGraw-Hill Education, Ohio, USA, 2004.
L. V. Trees, K. L. Bell, and Z. Tian, Detection Estimation and Modulation Theory, Part I: Detection, Estimation and Filtering Theory, 2nd ed. Wiley-IEEE Press, New York, USA, 2001.
C. Leon, Time-Frequency Analysis, 1st ed. Prentice Hall, New Jersey, 1995.
S. Metuku and S. R. Karkarla, “Time-frequency Analysis of LPI Radar Signals Using Modified S-Transform,” International Journal of Electronic Engineering Research, vol. 9, no. 8, pp. 1267-1283, 2017.
X. Fan, B. Liu, D. Dong, and Y. Chen, “Blind Radar Signal Seperation Alogrithm Based on Third-Order Degree of Cyclostationary Criteria,” Journal of System Engineering and Electronics, vol. 35, no. 6, pp. 1441-1453, 2024, doi: 10.23919/JSEE.2024.000117.
A. Napolitano, Cyclostationary Processes and Time Series, 1st ed. Academic Press, Napoli, Italy, 2019.
T. K. Pal, “Artificial Intelligence based Radar Technology: Current Advancements, Future Directions and Challenges,” in 2025 IEEE Space, Aerospace and Defence Conference (SPACE), Bangalore, India, 2025, pp. 1-6, doi: 10.1109/SPACE65882.2025.11171388.
W. Feng, X. Hu, and X. He, “Artificial Intelligence (AI)-Based Radar Signal Processing and Radar Imaging,” Electronics, vol. 13, 2024, doi: 10.3390/electronics13214251.
L. Bangrui, “Advances in Radar Signal Processing: Integrating Deep Learning Approaches,” Highlights in Science, Engineering and Technology, vol. 97, pp. 40-45, 2024, doi: 10.54097/82nbts92.
K. Cheikh and S. Faozi, “Application of neural networks to radar signal detection in K-distributed clutter,” First International Symposium on Control, Communications and Signal Processing, Hammamet, Tunisia, 2004, pp. 295-298, doi: 10.1109/ISCCSP.2004.1296282.
C. Long, M. Xiaochuan, X. Qi, L. Bin, and R. Shiwei, “Performance Analysis of Some New CFAR Detectors under Clutter,” Journal of Computers, vol. 6, no. 6, pp. 1278-1285, 2011, doi: 10.4304/jcp.6.6.1278-1285.
X. Ni, H. Wang, Z. Xu, and C. Rong, “Polyphase Codes Radar Signal Recognition Based on STFT-SST and Deep Convolution Network,” Journal of Data acquisition and processing, vol. 35, no. 6, pp.1090-1096, 2020, doi: 0.16337/j.1004-9037.2020.06.008.
J. Liang, Z. Luo, and R. Liao, “Intra-Pulse Modulation Recognition of Radar Signals Based on Efficient Cross-Scale Aware Network,” Sensors, vol. 24, 2024, doi: 10.3390/s24165344.
J. Cai, F. Gan, X. Cao, W. Liu, and P. Li, “Radar Intra–Pulse Signal Modulation Classification with Contrastive Learning,” Remote Sens., vol. 14, 2022, doi: 10.3390/rs14225728.
F. Ren, D. Quan, L. Shen, X. Wang, D. Zhang, and H. Liu, “LPI Radar Signal Recognition Based on Feature Enhancement with Deep Metric Learning,” Electronics, vol. 12, no. 24, 2023, doi: 10.3390/electronics12244934.
