كاهش سطح گلبرگ هاي فرعي در فشرده سازي پالس رادار براي آشكار سازي اهداف همسان با استفاده از شبكه عصبي

Sidelobe Reduction for Similar Targets in Radar Pulse Compression Using Neural Network

در اين مقاله از يك شبكه عصبي چند لايه براي فشرده‏ سازي پالس رادار كه ورودي آن برخلاف روش‏ هاي پيشين، كد پلي فاز است، استفاده مي‏ كنيم. مزيت كدهاي پلي فاز نسبت به كدهاي باينري، داشتن سطح گلبرگ‏ هاي فرعي كمتر و تولرانس داپلر بسيار بهتر است. بعلاوه، برخلاف كدهاي باينري، براي هر طول كد، كدهاي پلي فاز متنوعي وجود دارد كه اين موضوع باعث سودمندي بيشتر شبكه پيشنهادي مي‏شود. براي آموزش شبكه نيز از روش بهينه‏ سازي Levenberg-Marquardt استفاده كرده ‏ايم كه سرعت همگرايي شبكه را تا حد قابل توجهي افزايش مي ‏دهد. پس از 100 بار آموزش شبكه مورد اشاره، سطح گلبرگ‏ هاي فرعي تا حد خيره‏ كننده‏اي كاهش مي‏ يابد. به عنوان نمونه، در مورد كد P3 30=N اين مقدار برابر dB 238/66- و در مورد كد P4 45=N اين مقدار برابرdB 240/51- است. اين طرح براي SNR بسيار پايين نيز عملكرد بسيار خوبي دارد و همچنين در مقايسه با ساير روش‏ هاي موجود تولرانس داپلر بسيار بالاتري را در خروجي شبكه ارائه مي‏ دهد.

We use a multilayer back propagation neural network whose training is based on Levenberg-Marquardt optimization method and apply polyphase codes to its input layer for radar pulse compression in environments with similar targets. The advantage of using polyphase codes (in contrast to binary codes) is lower sidelobe levels and much better Doppler tolerance. The use of Levenberg-Marquardt optimization method in our scheme significantly increases the speed of convergence. The results indicated that after 100 iterations، the main sidelobe for P3 code (N=30) is reduced to -238.66 dB and for P4 code (N=45)، it is reduced to -240.51 dB. Besides، the proposed method is robust against noise and shows much higher Doppler tolerance.