Одержано 20.04.2023; Виправлено 24.04.2023; Прийнято 25.04.2023

Надруковано 28.04.2023; Вперше Online 23.05.2023

https://doi.org/10.34229/2707-451X.23.1.7

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна

 

УДК 517.9:621.325.5:621.382.049.77

Нейромережевий компонент сучасної інформаційної системи на мобільних платформах: LPI когнітивна радарна система

Микола Косовець ^{1 *} ,   Лілія Товстенко ²

¹ Науково-виробниче підприємство «Квантор», Київ, Україна

² Інститут кібернетики імені В.М. Глушкова НАН України, Київ

^* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

 

Вступ. Розглянуто проблему побудови сучасних систем збору, обробки та представлення інформації для рухомих платформ, що характеризуються наявністю нейронної мережі з глибоким навчанням, сенсорів з попередньою обробкою, систем обробки та представлення інформації. У сучасних системах фізика процесів не змінюється, а відповідно алгоритм вилучення сигналів з-під шуму також не змінюється, а доповнюється нейронною мережею, яка в процесі обробки інформації навчається виконувати прикладне завдання. Показаний приклад реалізації впровадження технології штучного інтелекту для розробки когнітивного радара на рухомій платформі полегшує перехід від адаптивних систем до когнітивних.                                               

Мета. Основна мета – впровадження Штучного Інтелекту в сучасні радари різного призначення: медичні системи, системи моніторингу довкілля, системи безпеки, військові системи, системи розмінування, моніторинг у сільському господарстві та інші. Особливе місце займають системи на платформах, що рухаються: дрони, літаки, вертольоти та інші. Також приділено увагу побудові малополітних радарних систем, які досягаються малою потужністю випромінювання, застосуванням чутливих приймачів сигналів, особливістю кодування та режиму передачі, використання нейронних мереж із навчанням, класифікацією сигналів, обробкою радарних зображень тощо.

Взято радар сантиметрового діапазону, як найбільше вивчений, найбільш інформативний на сьогодні, здатного збирати інформацію на великих відстанях, малих габаритах, розмірів, споживання, вазі. Маючи потужність випромінювання в один Вт, ми можемо сканувати об'єкти на відстані 20 км. Сам процес проектування мережного приймально-передавального пристрою мало чим відрізняється від звичайного, за винятком системи управління роботою приймально-передавального тракту з рівнем сигналу нижче шумів і когнітивних можливостей. Інтерес обумовлений інформативністю та відносною простотою проектування. Вони різняться по частоті, чутливості, потужності, модуляції, кількості інформації, інтерфейсу, виявлення об'єктів тощо.

Результати. Розглянутий компонент нейронної мережі: радіохвильовий приймач та передавач сантиметрового діапазону. Спроектований сучасний радар з низькою ймовірністю перехоплення (LPI) є класом радіолокаційної системи, що має певні характеристики, які роблять їх практично невидимими для сучасних приймачів перехоплення. Особливості радарів LPI включають: використання вузькоспрямованої антени з низькими бічними пелюстками; передача радіолокаційних імпульсів лише у разі потреби; зниження потужності переданого імпульсу; поширення радіолокаційних імпульсів у широкій смузі частот, тому у будь-якій смузі буде дуже слабкий сигнал; або використовувати різні параметри передачі, такі як форма імпульсу, частота повторення імпульсів (PRF) за допомогою внутрішньоімпульсної модуляції.

Висновки.  Представлена схема приймально-передавального тракту системи радіолокації сантиметрового діапазону. Він має типові блоки радіолокації прийому і передачі, опорні генератори, змішувачі, підсилювачі, циркулятор, перемикачі, обмежувачі сигналів, аналого-цифрові і цифро-аналогові перетворювачі. Ця відмінність від аналогічних радарів, де регуляція якісних характеристик досягається адаптивними методами, а шляхом регуляції когнітивних здібностей радара нейронною мережею. У цій статті представлені характеристики відбитих сигналів, вплив на них перешкод, зовнішніх і внутрішніх шумів. Це дозволить інструментам глибокого навчання створити когнітивний радар з характеристиками, які визначає Замовник.

 

Ключові слова: штучний інтелект, глибоке навчання, нейронна мережа, когнітивний радар, мультипроцесор, частотна модуляція безперервної хвилі, твердотільний передавач.

 

Цитувати так: Коsovets M., Tovstenko L. Neural Network Component of Modern Information System on Mobile Platforms: LPI Cognitive Radar System. Cybernetics and Computer Technologies. 2023. 1. P. 74–88. https://doi.org/10.34229/2707-451X.23.1.7

 

Список літератури

           1.     Barkat M.On adaptive cell-averaging CFAR radar signal detection. Electrical Engineering and Computer Science. Dissertations. 1987. 276. https://surface.syr.edu/eecs_etd/276 (звернення: 20.04.2023)

           2.     Kosovets M., Tovstenko L. The Practical aspect of using the Artificial Intellectual Technology for building a multidimensional function CFAR for smart-handled LPI Radar. Проблеми програмування. 2020. № 2–3. UkrPROG’2020. 16-17 Вересеня. 2020. Kиїв, Україна. С. 304–312. http://dspace.nbuv.gov.ua/handle/123456789/180476

           3.     Han X., Chen S. Open-Set Recognition of LPI Radar Signals Based on Deep Class Probability Output Network. 2022. IEEE 8th International Conference on Computer and Communications (ICCC). 2022. Publisher: IEEE. https://doi.org/10.1109/ICCC56324.2022.10065669

           4.     Avdeyenko G., Narytnik T. Design of the Short-range FMCW Radar of the Terahertz Band. 2021 IEEE International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo). 2021. IEEE. https://doi.org/10.1109/UkrMiCo52950.2021.9716617

           5.     Ren Z., Xiong Y., Li S., Wang D., Peng Z. Sub-Sampled Two-Dimensional SAR Imaging Method Based on MIMO FMCW Radar. 2020 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD). 2020. IEEE. https://doi.org/10.1109/ICSMD50554.2020.9261629

           6.     Deiana D., Suijker E.M., Bolt R.J., Maas A.P.M., Vlothuizen W.J., Kossen A.S. Real time indoor presence detection with a novel radar on a chip. 2014 International Radar Conference. IEEE. https://doi.org/10.1109/RADAR.2014.7060375

           7.     Wei G., Zhou Y., Wu S. Detection and localization of high speed moving targets using a short-range UWB impulse radar. 2008. IEEE. Radar Conference. IEEE. https://doi.org/10.1109/RADAR.2008.4720766

           8.     Liang Y., Liang X., He Y., Han W., Ge S. A novel ground moving target parameters estimation method for FMCW SAR. 2016 CIE International Conference on Radar (RADAR). IEEE. https://doi.org/10.1109/RADAR.2016.8059541

           9.     Giusti E., Martorella M. Range Doppler and image autofocusing for FMCW Inverse Synthetic Aperture Radar. 2009. International Radar Conference "Surveillance for a Safer World" (RADAR 2009). IEEE. https://ieeexplore.ieee.org/document/5438485

       10.     Shi S., Wang Y., Wang F., Zhou J. LPI Performance Optimization Scheme for a Joint Radar-Communications System. 2020 IEEE 11th Sensor Array and Multichannel Signal Processing Workshop (SAM). https://doi.org/10.1109/SAM48682.2020.9104362

       11.     Vakili M., Khosrojerdi S., Aghajannezhad P., Yahyaei M. A hybrid artificial neural network-genetic algorithm modeling approach for viscosity estimation of graphene nanoplatelets nanofluid using experimental data. Int. Commun. Heat Mass Transf. 2017. No. 82. P. 40–48. http://dx.doi.org/10.1016/j.icheatmasstransfer.2017.02.003  

       12.     Kosovets M., Tovstenko L. Development of cognitive Radar Architecture. Проблеми програмування. 2022. № 1. С. 63–75. http://dspace.nbuv.gov.ua/handle/123456789/186204

       13.     Rudys S., Laučys A., Udris D., Pomarnacki R., Bručas D. Functionality Investigation of the UAV Arranged FMCW Solid-State Marine Radar. J. Mar. Sci. Eng. 2021. 9 (8). 887; https://doi.org/10.3390/jmse9080887

       14.     Kosovets M., Tovstenko L. Terahertz Radar of Image to study the Properties of Materials. Журнал “Зв’язок”. 2018. № 3. С. 40–46. http://con.dut.edu.ua/index.php/communication/issue/view/116

       15.     Park D.H., Bang J.H., Park J.H., Kim H.N. A Fast and Accurate Convolutional Neural Network for LPI Radar Waveform Recognition. 2022. 19th European Radar Conference (EuRAD). https://doi.org/10.23919/EuRAD54643.2022.9924721

       16.     Plata S., Wawruch R. CRM-203 Type Frequency Modulated Continuous Wave (FMCW) Radar. 2022. Conference Paper Publisher: IEEE. TransNav, the International Journal on Marine Navigation and Safety of Sea Transportation. 2009. 3 (3). P. 311–314. https://www.transnav.eu/Article_CRM-203_Type_Frequency_Modulated_Plata,11,171.html

       17.     Kosovets M. Generating a Test configuration with absorber 3D Tz FMCW Imagеr Radar. Журнал “Зв’язок”. 2017. № 1. С. 49–57. http://con.dut.edu.ua/index.php/communication/article/view/1440

 

 

ISSN 2707-451X (Online)

ISSN 2707-4501 (Print)

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна