Kernkonzepte
본 연구는 레이더 신호 분류와 특성화를 다중 작업 학습 문제로 다루는 접근법을 제안한다. 제안된 IQ 신호 변환기 모델은 원시 IQ 데이터에서 직접 특징을 추출할 수 있으며, 동시에 분류 및 회귀 작업을 최적화할 수 있다.
Zusammenfassung
본 논문은 레이더 신호 특성화를 위한 다중 작업 학습 프레임워크를 제안한다. 기존 연구는 주로 변조 분류에 초점을 맞추었지만, 신호 특성화는 전자전 분야에서 중요한 과제이다.
제안된 접근법은 다음과 같다:
레이더 신호 특성화를 위한 합성 데이터셋(RadChar)을 생성했다. 이 데이터셋에는 분류 및 회귀 작업을 위한 레이블이 포함되어 있다.
다중 작업 학습 프레임워크를 제안했다. 이 모델은 공유 백본과 개별 작업 헤드로 구성되며, 원시 IQ 데이터에서 특징을 직접 추출할 수 있다.
IQ 신호 변환기(IQST)라는 새로운 주목 기반 아키텍처를 소개했다. IQST는 원시 IQ 데이터에서 특징을 추출하는 데 효과적이다.
실험 결과, IQST 모델이 특히 낮은 신호 대 잡음비에서 우수한 성능을 보였다. 이는 변환기 아키텍처가 IQ 샘플 간의 장기 의존성을 더 잘 포착할 수 있기 때문이다. 제안된 다중 작업 학습 프레임워크는 레이더 신호 특성화를 위한 새로운 벤치마크를 제공한다.
Statistiken
레이더 신호 데이터셋 RadChar는 5가지 신호 유형과 4가지 신호 매개변수로 구성되어 있다.
신호 매개변수에는 펄스 폭(tpw), 펄스 반복 간격(tpri), 펄스 수(np), 펄스 시간 지연(td)이 포함된다.
각 레이더 신호는 512개의 기저대역 IQ 샘플로 구성되며, 3.2 MHz의 샘플링 속도를 사용한다.
신호 매개변수의 범위는 다음과 같다: tpw 10-16 μs, tpri 17-23 μs, td 1-10 μs, np 2-6.