Nghiên cứu đánh giá ảnh hưởng các tham số của biến đối fourier thời gian ngắn đến độ chính xác nhận dạng các tín hiệu ra đa sử dụng trí tuệ nhân tạo
Article Sidebar
Full Text: 
PDF
Abstract
This study focuses on evaluating the influence of key parameters of the Short-Time Fourier Transform (STFT) on the radar signal recognition accuracy using deep learning. The parameters considered include the number of FFT points, the type and the length of the window function. The time–frequency representations of radar signals obtained from different STFT configurations were used as inputs to an AlexNet architecture. Experimental results show that increasing the FFT size improves classification accuracy at low SNR levels but also increases computation time. Conversely, shorter windows enhance processing speed but reduce classification performance. The choice of window function also significantly affects the spectral resolution and stability of radar signal features. This study helps clarify the correlation between time–frequency resolution and computational cost and provides recommendations for selecting optimal STFT configurations in real-time radar signal recognition systems.
Tóm tắt
Nghiên cứu này được thực hiện nhằm tập trung đánh giá ảnh hưởng của các tham số đặc trưng của biến đổi Fourier thời gian ngắn (STFT) đến độ chính xác nhận dạng tín hiệu ra đa sử dụng mạng học sâu. Các tham số được xem xét bao gồm số điểm FFT, loại và độ dài hàm cửa sổ. Các kết quả phân tích thời gian – tần số của tín hiệu ra đa thu được từ các cấu hình STFT khác nhau được sử dụng làm đầu vào cho mạng nơ-ron tích chập học sâu dựa trên kiến trúc AlexNet. Kết quả thực nghiệm cho thấy việc tăng kích thước FFT giúp cải thiện độ chính xác nhận dạng ở các mức SNR thấp nhưng đồng thời làm tăng thời gian tính toán. Ngược lại, cửa sổ ngắn giúp tăng tốc độ xử lý nhưng làm giảm hiệu quả phân loại. Loại hàm cửa sổ cũng ảnh hưởng đáng kể đến độ phân giải phổ và tính ổn định đặc trưng của tín hiệu ra đa. Kết quả nghiên cứu này góp phần làm rõ mối quan hệ tương quan giữa độ phân giải thời gian – tần số và chi phí tính toán; đồng thời, khuyến nghị cho việc lựa chọn cấu hình STFT tối ưu trong các hệ thống nhận dạng tín hiệu ra đa theo thời gian thực cũng đã được đưa ra.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Ahmad, A., Muhammad Lawan, A., & Yusuf, Z. Y. (2019). Sorting of Low Probability of Intercept Radar Signals Based on Frequency Modulation Constancy Using Wigner-Ville Distribution. 2019 IEEE Asia-Pacific Conference on Applied Electromagnetics (APACE) (pp. 1-5).
Benyahia, Z., Hefnawi, M., Aboulfatah, E. A., & Gadi, T. (2022). SqueezeNet-Based Range, Angle, and Doppler Estimation for Automotive MIMO Radar Systems. 2022 International Conference on Intelligent Systems and Computer Vision (ISCV) (pp. 1-5).
Conn, M. A., & Josyula, D. (2019). Radio Frequency Classification and Anomaly Detection using Convolutional Neural Networks. 2019 IEEE Radar Conference (RadarConf) (pp. 1-6).
Elfaki, A. (2021). Using the Short-Time Fourier Transform and ResNet to Diagnose Depression from Speech Data. 2021 IEEE International Conference on Computing (ICOCO)
(pp. 372-376).
Kuschel, H., & O'Hagan, D. (2010). Passive radar from history to future. 11th International Radar Symposium (pp. 1-4).
Li, L. (2010). A New Method of Wavelet Transform Based on FFT for Signal Processing. 2010 Second WRI Global Congress on Intelligent Systems (pp.203-206).
Minh, D. V., Phuong, T. N., Phat, T. H., & Giang, N. P. (2025). Evaluation of digital signal processing techniques for enhancing passive surveillance system performance. TNU Journal of Science and Technology, 230(14), 442-450. https://doi.org/10.34238/tnu-jst.13548
Nadav, L., & Eli, M. (2004). Radar Signals. John Wiley & Sons, Inc., USA. Reddy, R., & Sinha, S. (2025). State-of-the-Art Review: Electronic Warfare Against Radar Systems. IEEE Access, 13, 57530-57567. https://doi.org/10.1109/ACCESS.2025.3555493
Satapathy, J. R., Bodade, R. M., & Ayeelyan, J. (2024). CNN based Modulation classifier and Radio Fingerprinting for Electronic Warfare Systems. 2024 4th International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE)
(pp. 1880-1885).
Shi, L., Chen, S., Zhao, Y., & Tao, R. (2023). Synchrosqueezed Fractional Wavelet Transform: A New High-Resolution Time-Frequency Representation. IEEE Transactions on Signal Processing, 71, 264-278. https://doi.org/10.1109/TSP.2023.3244105
Recognition. IEEE Communications Letters, 25(7), 2290-2294. https://doi.org/10.1109/LCOMM.2021.3070151
Xu, S., Qi, H., Zhang, Y., Tang, C., Feng, L., & Yang, Q. (2023). Research on Advanced Detection Method of Target Spectrum of Radar Altimeter Based on VGG16-Net. 2023 IEEE Int. Conference on Signal Processing, Communications and Computing (ICSPCC) (pp. 1-6).
Yu, Z., Tang, J., & Wang, Z. (2021). GCPS: A CNN Performance Evaluation Criterion for Radar Signal Intrapulse Modulation
Zhang, M., Luo, W., Wang, Y., Yang, J. and Ohtsuki, T. (2021). An Effective Radar Signal Recognition Method Using Neural Architecture Search. 2021 IEEE 94th Vehicular Technology Conference (VTC2021-Fall) (pp. 1-5).