Ανάλυση και επεξεργασία κυματομορφών χαμηλής ανιχνευσιμότητας με τη χρήση μετασχηματισμού Hilbert-Huang και κατηγοριοποίησή τους με μηχανές δ...

Abstract

Modern electronic warfare environment calls for precise localization and identification of all enemy communication and radar emissions, in order to effectively program the friendly Electronic protection systems, and build the anti-radiation missiles threat libraries. In this thesis the methods and techniques for identification and classification of LPI RADAR signals are presented. An extended database is generated, consisted of twelve LPI signal modulations. To efficiently simulate the radar operational environment, a varying level multispectral Gaussian noise is added to the signals, with SNR spanning from -15 to 10dB. A novel method for signal denoising was used, prior to feature extraction. The new method namely EMD-HOS, is based on Hilbert-Huang transform and Higher Order Statistics and developed especially for the purposes of the present study. The most representative features are extracted from the signals using a wide range of methods and techniques, such as Zhao-Atlas-Marks transform TFD, Higher Order Statistics and signal entropy estimation. A crucial part of this thesis is considered the application of Multilinear Principal Component Analysis (MPCA) for the dimensionality reduction. The waveform classification is performed with the use of Support Vector Machines (SVM). The classification results are very promising and outperform similar results reported so far in the scientific literature.

Στο σύγχρονο περιβάλλον επιχειρήσεων ηλεκτρονικού πολέμου, οι εχθρικές εκπομπές τηλεπικοινωνιών ή ραντάρ απαιτείται να εντοπιστούν και να αναγνωριστούν έγκαιρα, προκειμένου να δοθεί η δυνατότητα προγραμματισμού των φίλιων συστημάτων ηλεκτρονικής προστασίας και των βιβλιοθηκών απειλών των βλημάτων αντί-ραντάρ. Στην παρούσα εργασία παρουσιάζονται μέθοδοι επεξεργασίας και ταξινόμησης κυματομορφών που αποτελούν εκπομπές ραντάρ χαμηλής ανιχνευσιμότητας. Το πρόβλημα εξετάζεται από τη βάση του, ξεκινώντας με τη δημιουργία μίας εκτενούς βάσης δεδομένων, αποτελούμενης από δώδεκα διαφορετικούς τύπους διαμόρφωσης κυματομορφών χαμηλής ανιχνευσιμότητας, ενώ η εξομοίωση του επιχειρησιακού περιβάλλοντος γίνεται με προσθήκη στα σήματα πολυχρωματικού γκαουσιανού θορύβου με SNR κυμαινόμενο από -15 έως 10dB. Η αποθορυβοποίηση των σημάτων πραγματοποιείται με τη χρήση της EMD-HOS, η οποία αποτελεί υβριδική μέθοδο βασιζόμενη στο μετασχηματισμό Hilbert-Huang και τη στατιστική υψηλότερης τάξης και αναπτύχθηκε στα πλαίσια της παρούσας εργασίας. Για την εξαγωγή των κύριων χαρακτηριστικών των κυματομορφών ακολουθείται ένας συνδυασμός φασματικών και στατιστικών μεθόδων, με βάση κυρίως την κατανομή χρόνου-συχνότητας που προκύπτει από τον μετασχηματισμό Zhao-Atlas-Marks, τη στατιστική υψηλότερης τάξης, καθώς και την εντροπία των σημάτων. Η μείωση της διαστατικότητας γίνεται με την εφαρμογή της πολυγραμμικής ανάλυσης πρωτευουσών συνιστωσών (MPCA), η συνεισφορά της οποίας κρίνεται καταλυτική για την ποιότητα των αποτελεσμάτων που προέκυψαν. Τέλος, για την ταξινόμηση των κυματομορφών χρησιμοποιούνται οι μηχανές διανυσμάτων υποστήριξης (SVM), επιτυγχάνοντας ιδιαίτερα υψηλά ποσοστά επιτυχούς κατηγοριοποίησης, τα οποία υπερβαίνουν κατά πολύ τα αντίστοιχα ποσοστά, που αναφέρονται στις μέχρι σήμερα δημοσιευμένες μελέτες