[論文レビュー] A New Radar Signal Multiparameter-Based Deinterleaving Method

Chao Wang, Weisong Liu+3 more|arXiv (Cornell University)|Aug 21, 2022

Wireless Signal Modulation Classification被引用数 7

ひとこと要約

本論文は、複数の次元的意味特徴（パルス間隔間隔（PRI）、パルス幅（PW）、電波周波数（RF）、パルスアラーム（PA））に基づいて、混合されたパルスストリームからパルスを分類するため、双方向ゲート付き再帰的ユニット（BGRU）を用いた新しいレーダー信号の再構成手法を提案する。この手法は、複雑な状況下でも99.8％の正確性を達成し、単一のステップ学習フレームワーク内でパrameterの結合を統合的に活用することで、PRIベースの手法や既存の多パrameter手法を上回る性能を発揮する。

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.

研究の動機と目的

• 非周期的、高密度、または損失のあるレーダー信号に対して困難を示す従来のPRIベースの再構成手法の限界を解消する。
• SDIF や PRI-Tran などの既存のPRI推定技術が抱えるしきい値感受性および反復的計算の問題を克服する。
• 一括学習フレームワーク内で複数のレーダー信号パラメータ（PRI、PW、RF、PA）を同時に活用する統合的でエンドツーエンドのディープラーニングフレームワークを構築する。
• パルスの重複や変調されたパrameter、パルス損失、ノイズを含む複雑な信号環境でも、頑健な再構成を可能にする。
• 単一パラメータから多パラメータへの意味的セグメンテーションの原則を拡張し、分類能力を向上させる。

提案手法

• 本手法は、混合パルスストリームにおける時間的依存性をモデル化するため、双方向ゲート付き再帰的ユニット（BGRU）を用い、複数のパラメータ間の到着時差（DTOA）を処理する。
• 入力特徴には、DTOA/RF、DTOA/PW、DTOA/PA が含まれ、これらはパルス間の相対的タイミングとパラメータ変動パターンを符号化する。
• PRI、PW、RF、PA からの意味的情報を統合し、各パルスの多次元特徴ベクトルを形成することで、異なるレーダー信号カテゴリへの分類を可能にする。
• モデルはエンドツーエンドで訓練され、個々のパルスがどのレーダー源に属するかを、組み合わせたパラメータパターンに基づいて分類する。しきい値依存のPRI推定を回避する。
• 本手法は再構成をシーケンスラベル付け問題として扱い、BGRUがパルス列における長距離依存性を捉える能力を活用する。
• 本手法は、AGILE RF、位相スキャンPA、非一様なPRI変調などの複雑な信号特徴を処理できるように設計されており、パラメータ結合効果を学習する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、単一の統合フレームワーク内で複数のパラメータ（PRI、PW、RF、PA）を用いて、レーダー信号の再構成を効果的に行えるか？
• RQ2 パルス損失やランダムノイズの条件下で、提案されたBGRUベースの手法は、従来のPRIベースの手法（例：SDIF、PRI-Tran）と比較してどの程度の性能を示すか？
• RQ3 パラメータ結合（例：PRI-PW、PRI-RF、PRI-PA）は、個々のパラメータが識別不能な状況下で、再構成精度をどの程度向上できるか？
• RQ4 本手法は、RF や PA に一定、AGILE、またはグループ化された変調を示す多様なレーダー信号タイプに一般化可能か？
• RQ5 レーダー再構成における意味的セグメンテーションを単一パラメータから多パラメータ入力に拡張した場合、性能の上限はどの程度か？

主な発見

• 実験2では、提案手法のSSD-Multiparaが99.8％の再構成正確性を達成した。これは、重複するPWとPRIの条件下で、SSD-PRI手法（93.7％）やPRI-Tran（70.64％）を著しく上回った。
• 実験1では、非周期的PRIのためPRIベースの手法が失敗したが、SSD-Multipara手法はPWとPRIの結合特徴を活用することで99.4％の正確性を達成した。
• 実験4では、50％のパルス損失と50％のランダムノイズパルス下でも、SSD-Multiparaは99.6％の正確性を維持した。一方、PRI-Tranは22.41％まで低下した。
• 結果から、PRIとRF（一定、AGILE、またはグループAGILE）やPA（非スキャン、機械的、位相スキャン）の結合が、個々のパラメータが重複する状況下でも再構成性能を顕著に向上させることを確認した。
• 制御実験では、従来の手法（SDIF や PRI-Tran）がしきい値チューニングにより正確性を誇張する傾向にあるが、これは真のパルス検出性能を反映していないことが判明した。
• 本手法は、一括で複数のパラメータを処理できるため、逐次的またはしきい値依存のアプローチと比較して、複雑な信号環境下での正確性と適応性が優れている。