Інтелектуальна система розпізнавання радіолокаційних сигналів з низькою ймовірністю перехоплення
Автор: Микитин Михайло Михайлович
Кваліфікаційний рівень: магістр
Спеціальність: Аналіз даних (Data Science)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Сигнали з низькою ймовірністю перехоплення (Low Probability of Intercept, LPI) широко застосовуються у сучасних радіолокаційних комплексах завдяки низькій середній потужності, широкосмуговості та стійкості до виявлення в умовах інтенсивних шумових завад (low SNR environment). Такі сигнали мають складну структуру та можуть перекривати спектри інших джерел, що створює додаткові труднощі для їх коректної ідентифікації. Традиційні методи розпізнавання, основані на часово-частотних перетвореннях (WVD, CWD, STFT) [1–2], потребують значних обчислювальних ресурсів і демонструють зниження точності при негативних значеннях SNR, оскільки втрачається частина інформації про фазові характеристики сигналу. Це зумовлює потребу у створенні інтелектуальних інформаційних систем, здатних автоматично виділяти ознаки та ефективно працювати з комплексними радіолокаційними сигналами [3–4]. Об’єкт дослідження – процес автоматизованого розпізнавання радіолокаційних сигналів з низькою ймовірністю перехоплення (LPI) у зашумленому радіосередовищі, зокрема за умов низького SNR та наявності значних шумових завад. Предмет дослідження – методи глибинного навчання для обробки комплексних IQ-компонент і параметричних характеристик радіолокаційних сигналів. Мета роботи – розроблення інтелектуальної системи розпізнавання LPI-сигналів на основі гібридної архітектури CNN–MLP з комплексними згортками та механізмом злиття ознак, здатної забезпечувати високу точність класифікації в умовах низького SNR та підтримку роботи в реальному часі. Для досягнення мети необхідно було узгодити архітектуру моделі, програмну реалізацію та логіку взаємодії користувачів із системою, що потребувало проведення комплексного системного аналізу. Для досягнення поставленої мети застосовано комплексний підхід, що поєднує два модулі глибинної обробки: • CNN-гілку для аналізу комплексних IQ-послідовностей за допомогою комплекснозначних згорток та активації ModReLU; • MLP-гілку для обробки параметричних характеристик (pulses, PW, PRI, delay, SNR); • механізм злиття ознак із подальшою класифікацією методом Softmax [5]. Модель навчалась у середовищі PyTorch на датасеті RadChar [6], який містить синтетично згенеровані сигнали п’яти типів (CPT, Barker, PB, Frank, LFM) з рівнями шуму SNR від –20 до +20 дБ. Для побудови програмної частини реалізовано користувацький веб-інтерфейс на основі Gradio, що забезпечує взаємодію із системою, подання сигналів та перегляд результатів. Додатково розроблено механізм стандартизованого збереження результатів, що включає графіки, матриці плутанини та ваги моделі, що підвищує відтворюваність експериментів. У роботі здійснено системний аналіз предметної області та побудовано UML- і BPMN-діаграми, які формалізують функціональні вимоги, структуру модулів, потоки даних та взаємодію користувачів із системою. Це дозволило узгодити архітектуру програмної реалізації з логікою обробки сигналів і забезпечило коректне проектування програмного забезпечення. Окрему увагу приділено моделюванню середовища функціонування системи та визначенню ролей користувачів, що дало змогу сформувати вимоги до інтерфейсу та допоміжних модулів. Результати дослідження показують, що гібридна модель забезпечує високу точність класифікації. При SNR = 0 дБ середня точність становить близько 90 %, а середній F1-score – 0,90. При SNR ? –5 дБ точність перевищує 99 %, що відповідає практично безшумним умовам роботи. Навіть за умов значного шуму (SNR = –10 дБ) модель демонструє працездатність на рівні 82–85 %. За найнижчих значень шуму (SNR = –20 дБ) зберігається базова здатність класифікації (~45 %), що підтверджує стійкість моделі до суттєвого погіршення якості сигналу та її адаптивність. Наукова новизна роботи полягає у використанні комплексних згорток і активації ModReLU в гібридній CNN–MLP-архітектурі, а також у застосуванні механізму SNR-орієнтованого злиття ознак для підвищення якості класифікації в умовах шуму. Практична значущість полягає у можливості застосування системи у засобах радіоелектронної розвідки, пасивного спостереження, когнітивних радарах та комплексах електронної протидії. Розроблена система не потребує побудови спектрограм, може працювати на обмежених обчислювальних ресурсах і забезпечує взаємодію в реальному часі. Ключові слова: LPI-сигнали, радіолокація, глибинне навчання, комплексні згортки, CNN–MLP, IQ-послідовності, RadChar. Перелік використаних джерел. 1. Cohen L. Time-frequency distributions – a review. Proceedings of the IEEE, vol. 77, no. 7, pp. 941–981, 1989. DOI: 10.1109/5.30749. 2. Choi H., Williams W. Improved time-frequency representation of multicomponent signals using exponential kernels. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(6): 862–871. DOI: 10.1109/29.32260. 3. Wan T., Jiang K.-L., Ji H., Tang B. Deep learning-based LPI radar signals analysis and identification using a Nyquist Folding Receiver architecture. Defence Technology, Vol. 19, 2023, pp. 196–209. DOI: 10.1016/j.dt.2021.09.019. 4. Guo Q., Yu X., Ruan G. LPI Radar Waveform Recognition Based on Deep Convolutional Neural Network Transfer Learning. Symmetry, 2019, 11(4): 540. DOI: 10.3390/sym11040540. 5. Yakkati R.R., Boddu A.B., Pardhasaradhi B., Yeduri S.R., Cenkeramaddi L.R. Low Probability of Intercept Radar Signal Classification Using Multi-Channel 1D-CNN. Proceedings of the 2024 10th International Conference on Communication and Signal Processing (ICCSP). IEEE, 2024. DOI: 10.1109/ICCSP60870.2024.10543688. 6. RadChar Dataset. GitHub Repository: https://github.com/abcxyzi/RadChar.