بخشی از مقاله
چکیده -
دستهی قابلتوجهی از رادارها برای ردیابی اهداف، از دو پارامتر تأخیر و شیفت داپلرِ سیگنال دریافتی استفاده میکنند. در این مقاله یک روش جدید برای تخمین مکان اهداف موجود در دید رادار در هر اسکن، بهوسیلهی تخمین همزمان تأخیر و داپلر مربوط به هر هدف در تابع ابهام مربوط به همان اسکن ارائه میشود. در این روش ابتدا، سابقهی زمانی هر سلول از تابع ابهام در قالب رشتهی ورودیِ یک شبکه عصبی در نظر گرفته میشود. با توجه به پارامترهای حاصل از این شبکه عصبی، سلولهای تابع ابهام در هر فریم به دو دسته با احتمال بالای تعلق به هدف و احتمال بالای تعلق به نویز و کلاتر افراز میشوند. عملکرد روش پیشنهادی در شرایط مختلف محیطهای نویزی آزموده میشود و نتایج، حاکی از برتری این روش نسبت به روشهای مشابه در این زمینه به میزان حداقل 6 درصد در آشکارسازی و حداقل 16 ×10-3 در میزان نرخ هشدار غلط دارد.
کلیدواژه: رادار، تابع ابهام، تأخیر، داپلر، نویز، شبکهی عصبی
.1 مقدمه
بسیاری از رادارها برای ردیابی اهداف، از دو پارامتر تأخیر و شیفت داپلر سیگنال دریافتی استفاده میکنند. به این منظور برای هر اسکن دریافتی، یک تابع ابهام برحسب متغیرهای تأخیر و داپلر تشکیل میشود. وجود قله در هر یک از سلولهای تابع ابهام بیانگر احتمال وجود هدف در آن نقطه است .[1] سیگنال دریافتی توسط یک رادار تنها شامل مؤلفهی بازگشتی از سمت اهداف نیست و در این میان مؤلفههای بازگشتی از اهداف کاذب1 و یا سیگنالهای محیطی تولید شده توسط منابع مختلف رادیویی و نویز موجود در گیرندهی راداری نیز وجود دارند .[2] از سوی دیگر، اختلافهای احتمالی در توان سیگنالهای بازگشتی از اهداف مختلف، موجب میشود که برخی از سلولهای تابع ابهام بهغلط بهعنوان هدف آشکارسازی شده و یا برخی سیگنالهای بازگشتی از اهداف ضعیفتر در میان نویز و کلاترها محو شده و بهعنوان هدف آشکار نشوند. مسائل فوق، مهمترین مشکلاتی هستند که این قبیل رادارها با آنها مواجه هستند .3[] بر این اساس، یکی از مراحل اصلیِ پردازش سیگنالِ این رادارها، انتخاب یک آستانهی مناسب
برای تفکیک اهداف واقعی و اهداف کاذب ناشی از نویز و کلاتر است. به دلیل تغییر در توان سیگنالهای رسیده به گیرندهی رادار در طی زمان فعالیت آن، استفاده از یک آستانهی ثابت برای آشکارسازی اهداف واقعی از میان نویز و کلاتر منجر به از دست دادن برخی اهداف و همچنین آشکارسازی برخی از اهداف کاذب خواهد شد. به همین دلیل انتخاب مقدار آستانه فوق در این رادارها بهصورت وفقی بوده که در طی فعالیت رادار، بهروز میشود 2]،3،.[4 روشهایی را که تاکنون برای تفکیک وفقی اطلاعات مربوط به هدف از عوامل مزاحم استفاده شدهاند را میتوان به دو گروه تقسیم کرد. در دستهی اول روشها، آستانهی مربوط به هر سلول از تابع ابهام به روشهای مختلفی از روی سلولهای همسایهی آن حاصل میشود. این شیوهها شامل استفاده از میانگین و میانه روی سلولهای همسایه 5]،[6، انتخاب بزرگترین و یا کوچکترین سلول در همسایگی 6]،[7
و یا مرتب کردن سلولهای همسایه و استفاده از -kامین سلول بهعنوان آستانه است .[8] برای آشکارسازی اهداف از میان نویز و کلاترهای غیر همگن، دستهی دوم روشها ارائهشده است. در این روشها آستانهی مربوط به هر سلول از تابع ابهام از روی سابقهی زمانی آن سلول در فریمهای متوالی به دست میآید [9] که میتواند شامل حصول میانگین از این سابقهی زمانی [10] بوده و یا فیلترینگ این سابقه 11]،[12 باشد؛ اما همین روشها نیز با مشکلات دیگری مواجه هستند. ازجمله اینکه در برخی از آنها، فقط تعداد محدودی از کلاترها، در هر بازهی زمانی حذف میشوند .[11] در این مقاله روشی جدید برای جدا کردن اهداف از میان نویز و کلاتر در محیطهای غیر همگن ارائه میشود. در این روش، سابقهی زمانی هر یک از سلولهای تابع ابهام در قالب یک شبکهی عصبی مصنوعی، مدل میشود.
پارامترهای شبکههای عصبی برای تمام سلولهای تابع ابهام در هر اسکن، بهصورت مرتب بهروز میشوند . با بررسی پارامترهای این مدل برای هر سلول در هر اسکن، ضریب تعلق این سلول به نویز و کلاتر تعیین شده و در صورت بالا بودن این ضریب، سلول موردنظر بهعنوان نویز و کلاتر لحاظ شده و در غیر این صورت، بهعنوان هدف در نظر گرفته میشود. ساختار این مقاله بهصورت زیر است. در بخش 2 نحوهی تشکیل مدل مبتنی بر شبکهی عصبی موردنظر برای هر سلول بیان شده و نحوهی آموزش و بهروز شدن این مدل بهمنظور تفکیک هدف و کلاتر بیان میشود. در بخش 3 عملکرد روش پیشنهادی در این مقاله با استفاده از شبیهسازی اهداف در شرایط متنوع نویز و کلاتر آزموده شده و عملکرد روش پیشنهادی با عملکرد برخی روشهای موجود از جهات مختلف مقایسه میشود. بخش پایانی مقاله نیز به نتیجهگیری اختصاص دارد.
.2 تشریح روش پیشنهادی
یک دنباله زمانی از توابع ابهام را در نظر بگیرید که تابع ابهام مربوط به این دنباله در فریم است. برای هر سلول تأخیر- داپلر از داریم: که اندازه سلولی است که در تأخیر و داپلر از تابع ابهام قرار گرفته است. و نیز به ترتیب ابعاد افقی و عمودی صفحه و نیز حداکثر طول زمانی دنباله هستند. در هر فریم 0 و برای هر سلول واقع در تأخیر و داپلر خواهیم داشت: که { 0 } یک سری زمانی است که از اندازههای سلول واقع در تأخیر و داپلر در تمام فریمهای دنباله توابع تا فریم 0 تشکیل شده است. حال میخواهیم تعلق این سلول در فریم 0 + 1 را به هدف یا کلاتر و نویز تعیین کنیم. برای این کار طبق آزمون فرضها، دو فرض 0 و 1 را بهصورت - 3 - تعریف مینماییم. در رابطه فوق - 0+1 - نشانگر سلول واقع در تأخیر و داپلر از تابع زمان- فرکانس در فریم 0 + 1 بوده و 0 و 1 به ترتیب فرض تعلق سلول فوق را به کلاتر و هدف نشان میدهند. همچنین - 0+1 - و - 0+1 - به ترتیب مؤلفههای نویز و کلاتر را در این سلول و در فریم 0 + 1 نشان میدهند.
برای اینکه تعیین کنیم - 0+1 - به کدامیک از فرضهای رابطهی - 3 - تعلق دارد، سابقه زمانی از آن یعنی { 0 } را بهعنوان ورودی شبکهی عصبی پیشنهادی در این مقاله، در نظر میگیریم. خروجی این مدل، - 0+1 - را بهصورت یکتا تخمین میزند. با مقایسهی خروجی این مدل با مقدار واقعی این سلول در فریم بعد، درصورتیکه اختلاف این دو مقدار از یک مقدار آستانه بیشتر باشد، این سلول بهعنوان جزئی از یک هدف احتمالی در آن فریم در نظر گرفته میشود. شبکه عصبی پیشنهاد شده در این مقاله مدلی به دست میدهد که قادر باشد بهترین نمایه را برای دنبالهی پیشگفته از ورودیها فراهم کند. مدل پیشنهادی، از یک شبکهی عصبی 1 − − 1 استفاده میکند - شکل . - 1 در این مدل، تعداد نورونهای لایهی پنهان است که در اینجا ما مقدار آن را 3 در نظر گرفتهایم. رفتار این شبکه عصبی بهوسیلهی وزنها و بایاسها که در شکل با و نشان داده شده است، توصیف میشود. مدل ارائهشده به کمک روابط زیر توصیف میشود.
