[논문]Jamming Prediction for Radar Signals Using Machine Learning Methods

Lee, Gyeong-Hoon; Jo, Jeil; Park, Cheong Hee

doi:10.1155/2020/2151570

[해외논문] Jamming Prediction for Radar Signals Using Machine Learning Methods 원문보기

Security and communication networks, v.2020, 2020년, pp.1 - 9

Lee, Gyeong-Hoon (Department of Computer Science and Engineering, Chungnam National University, Daejeon, Republic of Korea) , Jo, Jeil (The 2nd Research and Development Institute, Agency for Defense Development, Daejeon, Republic of Korea) , Park, Cheong Hee (Department of Computer Science and Engineering, Chungnam National University, Daejeon, Republic of Korea)

Abstract ▼ AI-Helper

Jamming is a form of electronic warfare where jammers radiate interfering signals toward an enemy radar, disrupting the receiver. The conventional method for determining an effective jamming technique corresponding to a threat signal is based on the library which stores the appropriate jamming method for signal types. However, there is a limit to the use of a library when a threat signal of a new type or a threat signal that has been altered differently from existing types is received. In this paper, we study two methods of predicting the appropriate jamming technique for a received threat signal using deep learning: using a deep neural network on feature values extracted manually from the PDW list and using long short-term memory (LSTM) which takes the PDW list as input. Using training data consisting of pairs of threat signals and corresponding jamming techniques, a deep learning model is trained which outputs jamming techniques for threat signal inputs. Training data are constructed based on the information in the library, but the trained deep learning model is used to predict jamming techniques for received threat signals without using the library. The prediction performance and time complexity of two proposed methods are compared. In particular, the ability to predict jamming techniques for unknown types of radar signals which are not used in the stage of training the model is analyzed.

참고문헌 (13)

1990
Hochreiter, Sepp, Schmidhuber, Jürgen. Long Short-Term Memory. Neural computation, vol.9, no.8, 1735-1780.

상세보기
D'Urso, P., Maharaj, E.A.. Autocorrelation-based fuzzy clustering of time series. Fuzzy sets and systems, vol.160, no.24, 3565-3589.

상세보기
10.5121/sipij.2013.4408
2000
Xia, Zhanguo, Xia, Shixiong, Wan, Ling, Cai, Shiyu. Spectral Regression Based Fault Feature Extraction for Bearing Accelerometer Sensor Signals. Sensors, vol.12, no.10, 13694-13719.

상세보기
Rauber, Thomas W., de Assis Boldt, Francisco, Varejao, Flavio Miguel. Heterogeneous Feature Models and Feature Selection Applied to Bearing Fault Diagnosis. IEEE transactions on industrial electronics : a publication of the IEEE Industrial Electronics Society, vol.62, no.1, 637-646.

상세보기
Nayana, B. R., Geethanjali, P.. Analysis of Statistical Time-Domain Features Effectiveness in Identification of Bearing Faults From Vibration Signal. IEEE sensors journal, vol.17, no.17, 5618-5625.

상세보기
Journal of Computing 2 3 138 2010
Engineering Review 37 165 2017
Morales Ferre, Ruben, de la Fuente, Alberto, Lohan, Elena Simona. Jammer Classification in GNSS Bands Via Machine Learning Algorithms. Sensors, vol.19, no.22, 4841-.

상세보기
The Journal of Machine Learning Research 15 1 1929 2014
COURSERA: Neural Networks for Machine Learning 4 2 2012

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 보기

AccessON 원문보기

원문 URL 링크

DOI : 10.1155/2020/2151570 [무료]
Hindawi Publishing Corporation : 저널
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증