Conception adaptative de forme d'onde radar à faible probabilité de détection (LPD) avec apprentissage profond génératif

Nous proposons une nouvelle méthode basée sur l'apprentissage pour générer de manière adaptative des formes d'onde radar à faible probabilité de détection (LPD) qui se fondent dans leur environnement opérationnel. Nos formes d'onde sont conçues pour suivre une distribution indistinguable du bruit de fond radiofréquence (RF) ambiant, tout en restant efficaces pour le rantage et la détection. Pour ce faire, nous utilisons un cadre d'apprentissage non supervisé et antagoniste ; notre réseau générateur produit des formes d'onde conçues pour tromper un réseau critique, qui est optimisé pour différencier les formes d'onde générées de l'arrière-plan. Pour garantir que nos formes d'onde générées restent efficaces pour la détection, nous introduisons et minimisons une fonction de perte basée sur une fonction d'ambiguïté sur les formes d'onde générées. Nous évaluons la performance de notre méthode en comparant la détectabilité des formes d'onde générées avec celle des formes d'onde LPD traditionnelles à l'aide d'un réseau neuronal de détection entraîné séparément. Nous constatons que notre méthode peut générer des formes d'onde LPD qui réduisent la détectabilité jusqu'à 90 % tout en offrant simultanément de meilleures caractéristiques de fonction d'ambiguïté (détection). Notre cadre fournit également un mécanisme pour équilibrer la détectabilité et la performance de détection.