تشخيص الگوي تغييرات زمان تكرار پالس مبتني بر شبكه عصبي عميق كانولوشني بهبود يافته با استفاده از ماشين يادگيري تقويتي بهينه‌ شده

تشخيص زمان تكرار پالس يكي از وظايف اصلي سيستم پشتيباني الكترونيكي براي شناسايي دقيق رادارهاي تهديد است. اين مسئله به دليل دنباله بسيار نويزي الگوي تغييرات زمان تكرار پالس در محيط‌هاي واقعي، مسئله پيچيده‌ و چالش‌برانگيز است. اين مقاله يك رويكرد دومرحله‌اي جديد براي تشخيص شش نوع الگوي تغييرات زمان تكرار پالس رايج معرفي مي‌كند. روش‌هاي يادگيري عميق نمي‌توانند اين جنبه‌ها را پوشش دهند زيرا آموزش و تنظيم دقيق پارامترهاي مدل زمان زيادي را صرف مي‌كند. در اين رويكرد، مرحله اول به آموزش يك شبكه عصبي كانولوشني عميق مي‌پردازد كه به‌عنوان استخراج‌كننده ويژگي‌ها كار مي‌كند و مرحله دوم به استفاده از ماشين‌ يادگيري تقويتي براي شناسايي بلادرنگ الگوها مي‌پردازد. اشكال اصلي ماشين‌‌هاي يادگيري تقويتي تنظيم وزن‌ها و باياس‌هاي ورودي به صورت تصادفي مي‌باشد كه اين امر سبب كاهش پايداري و قابليت اطمينان شبكه مي‌شود، زيرا عملكرد شبكه به‌طور قابل‌ملاحظه‌اي به تنظيم وزن‌ها و باياس‌هاي اوليه بستگي دارد؛ بنابراين، اين مقاله از الگوريتم بهينه‌سازي RUN براي بهبود نتايج و افزايش قابليت اطمينان شبكه با حفظ قابليت بلادرنگ استفاده مي‌كند. آشكارساز طراحي‌شده براي اولين بار بر روي مجموعه داده‌هاي واقعي محك زده مي‌شود و با مقايسه نتايج آن با روش‌هاي ديگر تأييد مي‌گردد. رويكرد پيشنهادي با 99.11% به‌عنوان دقت نهايي در مجموعه داده‌هاي واقعي PRI از ساير معيارهاي مقايسه بهتر عمل مي‌كند و منجر به كاهش خطاي نسبي به ميزان 1.75% در مقايسه با شبكه عصبي كانولوشني عميق مي‌شود. مهم‌تر از آن، زمان موردنياز براي آموزش عميق RUN-ELM تنها 0.9474 ميلي‌ثانيه است و زمان آزمايش كلي براي 60000 تصوير 2.937 ثانيه است.