저피탐 레이더 신호검출 및 제원추정

Abstract

현대의 전자전(Electronic Warfare, EW)에서 레이더의 사용은 필수적이며, 아군의 신호를 보호하고 적군의 신호를 파악하는 것으로 전장의 우위를 선점할 수 있다. 전자전에서 사용되는 저피탐(Low Probability of Intercept, LPI) 레이더 신호는 낮은 신호 전력으로 인해 파악이 어려우며, 이를 위한 신호처리 알고리즘이 요구된다. 기존의 신호처리 알고리즘의 경우 낮은 신호 대 잡음비(Signal to Noise Ratio, SNR) 환경에서 상대적으로 강한 노이즈 전력으로 인해 높은 성능을 기대하기 어렵다. 이러한 한계를 극복하기 위해, 본 논문에서는 딥러닝을 활용한 저피탐 레이더 신호처리 알고리즘을 제안한다. Convolutional Neural Network(CNN) 기반의 모델을 사용하여 펄스 형태로 수신되는 레이더 신호의 존재유무를 파악하였고, 펄스의 제원 값인 펄스 반복주기(Pulse Repetition Interval, PRI), 펄스 폭(Pulse Width, PW), 도착 시간(Time of Arrival, ToA)을 추정하였다. 신호의 존재유무를 파악하기 위해 다양한 전처리 방식을 적용하였으며, 노이즈로 인한 영향을 완화시키기 위해 디노이징 모델을 설계하여 적용하였다. 제안하는 알고리즘의 성능을 입증하기 위해 기존의 레이더 신호 검출을 위한 에너지 감지(Energy Detection) 알고리즘과, 펄스 트레인 제원 추정을 위한 변화점 감지(Change Point Detection) 알고리즘과의 성능을 비교하였다. 총 21종의 레이더 신호를 사용하였으며, 신호 대 잡음비의 범위는 –14dB에서 6dB로 설정하였다. 추가적으로, 저피탐 레이더에서 사용되는 펄스 내 변조(Intra Pulse Modulation) 타입을 분류하기 위한 CNN 모델을 설계하였으며, 디노이징 모델에 따른 분류성능을 비교하였다.|In modern Electronic Warfare (EW), the use of radar is essential for protecting friendly signals and detecting enemy signals, thereby gaining an advantage on the battlefield. Low Probability of Intercept (LPI) radar signals, used in electronic warfare, are difficult to detect due to their low signal power, necessitating advanced signal processing algorithms. Traditional signal processing algorithms struggle to perform well in low Signal to Noise Ratio (SNR) environments due to relatively strong noise power. To overcome these limitations, this paper proposes a deep learning-based signal processing algorithm for LPI radar signals. Using a Convolutional Neural Network (CNN)-based model, the presence of radar signals received in pulse form was detected, and the parameters of the pulse, such as Pulse Repetition Interval (PRI), Pulse Width (PW), and Time of Arrival (ToA), were estimated. Various preprocessing methods were applied to detect the presence of signals, and a denoising model was designed and implemented to mitigate the impact of noise. The performance of the proposed algorithm was demonstrated by comparing it with the traditional Energy Detection algorithm for radar signal detection and the Change Point Detection algorithm for pulse train parameter estimation. A total of 21 types of radar signals were used, with the SNR range set from -14dB to 6dB. Additionally, a CNN model was designed to classify the types of Intra Pulse Modulation used in LPI radar, and the classification performance was compared based on the denoising model.