| dc.contributor.author | نوروزی, یاسر | fa_IR |
| dc.contributor.author | قدیمی, قادر | fa_IR |
| dc.contributor.author | بایدرخانی, رضا | fa_IR |
| dc.contributor.author | نایبی, محمد مهدی | fa_IR |
| dc.date.accessioned | 1399-07-09T02:17:38Z | fa_IR |
| dc.date.accessioned | 2020-09-30T02:17:38Z | |
| dc.date.available | 1399-07-09T02:17:38Z | fa_IR |
| dc.date.available | 2020-09-30T02:17:38Z | |
| dc.date.issued | 2019-08-23 | en_US |
| dc.date.issued | 1398-06-01 | fa_IR |
| dc.date.submitted | 2019-05-03 | en_US |
| dc.date.submitted | 1398-02-13 | fa_IR |
| dc.identifier.citation | نوروزی, یاسر, قدیمی, قادر, بایدرخانی, رضا, نایبی, محمد مهدی. (1398). شناسایی و کلاس‌بندی سیگنال رادارهای LPI با استفاده از شبکه‌های لی نت و الکس نت در یادگیری عمیق. مجله رادار, 7(1), 117-128. | fa_IR |
| dc.identifier.issn | 2345-4024 | |
| dc.identifier.uri | https://radar.ihu.ac.ir/article_204922.html | |
| dc.identifier.uri | https://iranjournals.nlai.ir/handle/123456789/216656 | |
| dc.description.abstract | رادارهای LPI (Low Probability of Intercept) و یا با احتمال رهگیری پائین، رادارهایی هستند که به‌دلیل توان کم، پهنای باند گسترده و فرکانس متغیر، احتمال رهگیری آنها توسط سامانه‌‍‍‍‌های شناسایی بسیار پائین است. بنابراین با ظهور این نوع فناوری از رادارها، همواره روشهای جدیدی در حوزه پردازش سیگنال و تصویر مورد نیاز است تا با استفاده از این روش‌ها، بتوان سیگنال‌های مذکور را در مرحله اول تشخیص داده و در مرحله دوم کلاس‌بندی کرده و در مرحله آخر بتوان مشخصات آنها را استخراج کرد. برای حل مسئله، امروزه یادگیری عمیق به‌عنوان یکی از روشهای جدید در حوزه پردازش سیگنال و تصویر مطرح است. در این مقاله با استفاده از روش یادگیری عمیق امکان آشکارسازی و کلاس‌بندی انواع مدولاسیون رادارهای LPI، بررسی خواهد شد. در این راستا ابتدا سیگنال دریافتی با استفاده از تحلیل فوریه زمان-کوتاه، در حوزه زمان-فرکانس مورد تجزیه‌وتحلیل قرار گرفته و خروجی این بخش به‌صورت یک تصویر، به دو شبکه الکس نت و لی‌نت که از شبکه‌های یادگیری عمیق هستند، برای آشکارسازی و کلاس‌بندی انواع مدولاسیون‌های مورد استفاده در رادارهای LPI، داده خواهد شد. نتایج به‌دست‌آمده از این شبیه‌سازی‌ها نشان می‌دهد که درSNR (نسبت سیگنال به نویز) ،dB5- دقت عملکرد روش الکس‌نت 34/97% و دقت عملکرد روش لی‌نت 94% است که نشان از عملکرد بهتر روش الکس‌نت است. | fa_IR |
| dc.language | فارسی | |
| dc.language.iso | fa_IR | |
| dc.publisher | دانشگاه جامع امام حسین (ع) | fa_IR |
| dc.publisher | Imam Hussein University | en_US |
| dc.relation.ispartof | مجله رادار | fa_IR |
| dc.relation.ispartof | Radar | en_US |
| dc.subject | یادگیری عمیق | fa_IR |
| dc.subject | شبکه عصبی کانولوشن | fa_IR |
| dc.subject | تحلیل فوریه زمان-کوتاه | fa_IR |
| dc.subject | رادارهای LPI | fa_IR |
| dc.title | شناسایی و کلاس‌بندی سیگنال رادارهای LPI با استفاده از شبکه‌های لی نت و الکس نت در یادگیری عمیق | fa_IR |
| dc.type | Text | en_US |
| dc.type | مقاله پژوهشی | fa_IR |
| dc.contributor.department | امیر کبیر | fa_IR |
| dc.contributor.department | دانشجو | fa_IR |
| dc.contributor.department | استادیار دانشگاه آزاد اسلامی | fa_IR |
| dc.contributor.department | دانشگاه صنعتی شریف | fa_IR |
| dc.citation.volume | 7 | |
| dc.citation.issue | 1 | |
| dc.citation.spage | 117 | |
| dc.citation.epage | 128 | |
