[논문 리뷰] A New Radar Signal Multiparameter-Based Deinterleaving Method

Chao Wang, Weisong Liu외 3명|arXiv (Cornell University)|2022. 08. 21.

Wireless Signal Modulation Classification인용 수 7

한 줄 요약

이 논문은 복합적인 전자전 환경에서 간섭 신호 흐름에서 파uls 간격 반복 주기(PRI), 파울스 너비(PW), 고주파수(RF), 파울스 진폭(PA)와 같은 다차원 의미 특징을 기반으로 파울스를 분류하기 위해 이중방향 게이트드 순환단위(BGRU)를 사용하는 새로운 레이더 신호 분리 방법을 제안한다. 이 방법은 단일 단계 학습 프레임워크에서 파rameter 상호의 결합을 공동으로 활용하여 복잡한 시나리오에서 99.8%의 정확도를 달성하며, PRI 기반 및 기존 다매개변수 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Radar signal deinterleaving has been extensively and thoroughly investigated in the electronic reconnaissance field. In this work, a new radar signal multiparameter-based deinterleaving method is proposed. In this method, semantic information composed of the pulse repetition interval (PRI), pulse width (PW), radio frequency (RF), and pulse amplitude (PA) of a radar signal is used to deinterleave radar signals. A bidirectional gated recurrent unit (BGRU) is employed, and the difference of time of arrival (DTOA)/RF, DTOA/PW, and DTOA/PA of the pulse stream are input into the BGRU. Based on the semantic information contained in different radar signal types, each pulse in the obtained pulse stream is classified according to the semantic information category, and the radar signals are deinterleaved. Compared to the PRI-based deinterleaving methods, the proposed method utilizes the multidimensional information of radar signals. As a result, higher deinterleaving accuracy is achieved. Compared to other existing radar signal multiparameter-based deinterleaving methods, the proposed method can adapt to radar signals with complex parameter features as well as to complex signal environments, and can complete the use of multiparameter in one step.

연구 동기 및 목표

• 비정기적, 고밀도 또는 손실이 발생하는 레이더 신호에서 성능이 떨어지는 전통적인 PRI 기반 분리 방법의 한계를 해결한다.
• SDIF 및 PRI-Tran과 같은 기존 PRI 추정 기법에서 발생하는 임계값 민감도 및 반복 계산 문제를 극복한다.
• 단일 단계 학습 프레임워크 내에서 레이더 신호의 여러 매개변수(PRI, PW, RF, PA)를 동시에 활용하여 향상된 분리 성능을 얻는 통합형 엔드 투 엔드 딥 러닝 프레임워크를 개발한다.
• 파울스 손실 및 노이즈가 존재하는 복잡한 신호 환경에서의 견고한 분리 성능을 보장한다.
• 단일 매개변수에서 다중 매개변수 레이더 신호 분류로의 의미 분할 원칙을 확장하여 더 높은 식별 능력을 향상시킨다.

제안 방법

• 이 방법은 이중방향 게이트드 순환단위(BGRU)를 사용하여 다중 매개변수 간의 시간적 의존성을 모델링하며, 여러 매개변수의 도착 시간 차이(DTOA)를 처리한다.
• 입력 특징으로는 DTOA/RF, DTOA/PW, DTOA/PA가 포함되며, 이는 파울스 간 상대적 시간 및 매개변수 변화 패턴을 인코딩한다.
• PRI, PW, RF, PA로부터 유도된 의미 정보를 융합하여 각 파울스에 대한 다차원 특징 벡터를 구성하고, 이를 기반으로 레이더 신호 유형으로 분류한다.
• 모델은 단일 단계 학습을 통해 복합 매개변수 패tern을 기반으로 각 파울스를 해당 레이더 소스에 할당하도록 엔드 투 엔드로 훈련된다. 이로써 임계값 의존적인 PRI 추정을 피한다.
• 이 방법은 분리 문제를 시퀀스 레이블링 문제로 간주하며, BGRU가 파울스 시퀀스 내 장거리 의존성을 효과적으로 포착할 수 있는 능력을 활용한다.
• 이 방법은 파라미터 간 결합 효과를 학습함으로써 고속 RF, 위상 스캐닝 PA, 비균일한 PRI 변조와 같은 복잡한 신호 특징을 효과적으로 처리하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 단일 통합 프레임워크 내에서 다수의 매개변수(PRI, PW, RF, PA)를 활용하여 레이더 신호를 효과적으로 분리할 수 있는가?
• RQ2 파울스 손실 및 무작위 노이즈 조건에서 제안된 BGRU 기반 방법이 기존 PRI 기반 방법(SDIF, PRI-Tran)보다 어떻게 성능을 발휘하는가?
• RQ3 PRI-PW, PRI-RF, PRI-PA와 같은 매개변수 간 결합이 개별 매개변수가 식별하기 어려운 상황에서 분리 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 이 방법은 RF 및 PA에서 일정, 고속, 또는 그룹화된 변조를 보이는 다양한 레이더 신호 유형으로 일반화 가능한가?
• RQ5 레이더 분리에서 의미 분할을 단일 매개변수에서 다중 매개변수 입력으로 확장할 경우 성능의 상한선은 어느 정도인가?

주요 결과

• 실험 2에서 제안된 SSD-Multipara 방법은 중첩된 PW 및 PRI 조건 하에서 99.8%의 분리 정확도를 기록했으며, 이는 SSD-PRI 방법(93.7%) 및 PRI-Tran(70.64%)보다 뚜렷이 뛰어난 성능이다.
• 실험 1에서는 비정기적인 PRI로 인해 PRI 기반 방법이 실패했지만, SSD-Multipara 방법은 PW와 PRI의 결합된 특징을 활용하여 여전히 99.4%의 정확도를 달성했다.
• 실험 4에서 파울스 손실 50% 및 무작위 노이즈 파울스 50% 조건에서도 SSD-Multipara 방법은 99.6%의 정확도를 유지했으며, PRI-Tran은 정확도가 22.41%로 급격히 하락했다.
• 결과는 PRI와 RF(일정, 고속, 또는 그룹 고속) 또는 PA(비스캐닝, 기계적, 위상 스캐닝) 간의 결합이 개별 매개변수가 겹치는 상황에서도 분리 성능을 크게 향상시킨다는 것을 확인했다.
• 통제 실험 결과, 기존의 SDIF 및 PRI-Tran과 같은 방법들은 일반적으로 임계값 조정으로 인해 과도하게 높은 정확도를 보고하지만, 이는 실제 목표 파울스 탐지 성능을 반영하지 못한다.
• 이 방법은 한 번의 단계에서 다수의 매개변수를 처리할 수 있어, 순차적 또는 임계값 기반 접근 방식에 비해 더 높은 정확도와 복잡한 신호 환경에서의 적응성을 확보할 수 있다.