МОДЕЛЬ РАССЕЯНИЯ РАДИОЛОКАЦИОННЫХ СИГНАЛОВ ОТ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
Аннотация
Рассматривается модель рассеяния радиолокационных сигналов от беспилотных ле-
тательных аппаратов (БПЛА) мультироторного типа для формирования обучающих дан-
ных нейросетевого классификатора. В последнее время к изучению вопроса обнаружения и
классификации малоразмерных беспилотных летательных аппаратов (БПЛА) наблюдает-
ся повышенный интерес, который связан с развитием номенклатуры БПЛА в продаже и
производстве. Помимо развития БПЛА увеличение производительности вычислителей по-
зволило создавать классификаторы с использованием новых нейросетевых алгоритмов.
Данная модель осуществляет формирование радиолокационных изображений, получаемых
в результате отражения от беспилотного летательного аппарата радиолокационного
сигнала с линейной частотной модуляцией с учетом конфигурации, характеристик, теку-
щего местоположения и параметров полета наблюдаемого объекта. При расчете отра-
женного сигнала учитывается углы поворота БПЛА (тангажа, крена и рыскания), скоро-
сти полета, размера и местоположения винтов в текущей конфигурации БПЛА. Получен-
ная модель может быть полезна для формирования обучающего набора классификатора
беспилотных летательных аппаратов мультироторного типа, построенного с использо-
ванием сверточных нейронных сетей. Необходимость использования модели, формирую-
щей данные для нейронной сети, обуславливается требованием к большому числу обучаю-
щих и верифицирующих выборок, а также большим разнообразием конфигураций беспи-
лотных летательных аппаратов, что сильно увеличивает сложность и стоимость созда-
ния обучающего датасета с применением экспериментальных измерений. Помимо собст-
венно обучения нейронной сети, данную модель можно применить для оценки возможно-
сти обнаружения и классификации различных видов мультироторных БПЛА, в разработке
специализированной радиолокационной станции обнаружения данного вида объектов.
Литература
using spectrograms and cepstrograms, International Journal of Microwave and Wireless
Technologies, 2015, Vol. 7, No. 3-4, pp. 469.
2. Oh B.S. et al. An EMD-based micro-Doppler signature analysis for mini-UAV blade flash
reconstruction, 2017 22nd International Conference on Digital Signal Processing (DSP).
IEEE, 2017, pp. 1-5.
3. Tahmoush D. Detection of small UAV helicopters using micro-Doppler, Radar Sensor Technology
XVIII. International Society for Optics and Photonics, 2014, Vol. 9077, pp. 907717.
4. Molchanov P. et al. Classification of small UAVs and birds by micro-Doppler signatures, International
Journal of Microwave and Wireless Technologies, 2014, Vol. 6, No. 3-4, pp. 435-444.
5. De Wit J.J.M., Harmanny R.I.A., Molchanov P. Radar micro-Doppler feature extraction using
the singular value decomposition, 2014 International Radar Conference. IEEE, 2014, pp. 1-6.
6. Fuhrmann L. et al. Micro-Doppler analysis and classification of UAVs at Ka band, 2017 18th
International Radar Symposium (IRS). IEEE, 2017, pp. 1-9.
7. Zhang P. et al. Classification of drones based on micro-Doppler signatures with dual-band
radar sensors, 2017 Progress in Electromagnetics Research Symposium-Fall (PIERS-FALL).
IEEE, 2017, pp. 638-643.
8. Kim B.K., Kang H.S., Park S.O. Drone classification using convolutional neural networks with
merged Doppler images, IEEE Geoscience and Remote Sensing Letters, 2016, Vol. 14, No. 1,
pp. 38-42.
9. Martinez J. et al. Convolutional neural network assisted detection and localization of UAVs
with a narrowband multi-site radar, 2018 IEEE MTT-S International Conference on Microwaves
for Intelligent Mobility (ICMIM). IEEE, 2018, pp. 1-4.
10. Stankovic L., Daković M., Thayaparan T. Time-frequency signal analysis with applications.
Artech house, 2014.
11. Stankovic L., Djurovic I., Thayaparan T. Separation of target rigid body and micro-Doppler
effects in ISAR imaging, IEEE Transactions on Aerospace and Electronic Systems, 2006, Vol.
42, No. 4, pp. 1496-1506.
12. Stankovic L., Thayaparan T., Dakovic M. Signal decomposition by using the S-method with
application to the analysis of HF radar signals in sea-clutter, IEEE Transactions on Signal
Processing, 2006, Vol. 54, No. 11, pp. 4332-4342.
13. Fioranelli F. et al. Classification of loaded/unloaded micro-drones using multistatic radar,
Electronics Letters, 2015, Vol. 51, No. 22, pp. 1813-1815.
14. Schmidt R. Multiple emitter location and signal parameter estimation, IEEE transactions on
antennas and propagation, 1986, Vol. 34, No. 3, pp. 276-280.
15. Tan R. et al. Improved micro-Doppler features extraction using smoothed-pseudo Wigner-
Ville distribution, 2016 IEEE Region 10 Conference (TENCON). IEEE, 2016, pp. 730-733.
16. Yardibi T. et al. Source localization and sensing: A nonparametric iterative adaptive approach
based on weighted least squares, IEEE Transactions on Aerospace and Electronic Systems,
2010, Vol. 46, No. 1, pp. 425-443.
17. Sun H. et al. Improving the Doppler resolution of ground-based surveillance radar for drone
detection, IEEE Transactions on Aerospace and Electronic Systems, 2019, Vol. 55, No. 6, pp.
3667-3673.
18. Bai X. et al. Imaging of micromotion targets with rotating parts based on empirical-mode decomposition,
IEEE transactions on geoscience and remote sensing, 2008, Vol. 46, No. 11,
pp. 3514-3523.
19. Ziyue T., Yongliang W., Zhiwen W. STAP scheme to detection of hovering helicopter, WCC
2000-ICSP 2000. 2000 5th International Conference on Signal Processing Proceedings. 16th
World Computer Congress 2000. IEEE, 2000, Vol. 3, pp. 1921-1924.
20. Slyusar' N.M. Vtorichnaya modulyatsiya radiolokatsionnykh signalov dinamicheskimi
ob"ektami [Secondary modulation of radar signals by dynamic objects]. Smolensk: VA VPVO
SV RF, 2006.
