Détection de brouilleurs trompeurs par apprentissage profond pour les communications à faible probabilité d’interception

Détection de brouilleurs trompeurs par apprentissage profond pour les communications à faible probabilité d’interception

H. Bouzabia, T. N. Do et G. Kaddoum, “Deep Learning-Enabled Deceptive Jammer Detection for Low Probability of Intercept Communications,” in IEEE Systems Journal, vol. 17, no. 2, pp. 2166-2177, juin 2023, doi : 10.1109/JSYST.2022.3180481

Abstract or Summary

La détection du brouillage trompeur dans les communications tactiques à faible probabilité d’interception/faible probabilité de détection (LPI/LPD) fait l’objet d’une attention croissante, en particulier dans le contexte des communications radar. Dans cet article, nous proposons un nouvel algorithme basé sur l’apprentissage profond, appelé détection trompeuse de brouilleurs en deux étapes (TDJD), pour les signaux de brouillage chirp à modulation de fréquence linéaire à pseudo-bruit (PN) intégrés dans les communications radar. Plus précisément, l’algorithme proposé utilise la distribution temps-fréquence (TFD) et les représentations en phase et en quadrature (I/Q) des signaux reçus pour obtenir des caractéristiques plus discriminantes pour la détection de brouilleurs trompeurs inconnus dans l’hypothèse réaliste où les informations sur le brouilleur trompeur, telles que le signal du code PN, la puissance et la portée, ne sont pas disponibles. En particulier, les signaux radar reçus sont convertis en deux types de représentations TFD à l’aide de la distribution de Choi-William (CWD) et des représentations I/Q. Ensuite, une approche en deux étapes basée sur des techniques de détection de valeurs aberrantes et de classification automatique de la modulation fondées sur l’apprentissage profond est appliquée aux représentations CWD et I/Q afin d’extraire des caractéristiques de haut niveau pour la détection des brouilleurs. Les résultats de la simulation montrent que l’algorithme TDJD est plus performant que d’autres algorithmes d’apprentissage profond pertinents en termes de probabilité de détection et de probabilité de fausse alarme. En outre, l’algorithme TDJD permet une détection précise avec un faible rapport signal-brouillage-bruit.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag