4
Introduzione
I moderni sistemi radar usano forme d’onda molto complesse e spesso le sole informazioni derivanti dall’analisi interpulse non sono sufficienti per una completa discriminazione. Per classificare queste tipologie di radar è necessaria una analisi intrapulse che sia in grado di caratterizzare in dettaglio la struttura di ogni singolo impulso: ogni emissione ha una propria “firma” insita nel segnale trasmesso dovuta a numerosi fattori tra cui è possibile citare le modulazioni intenzionali (MOP, Modulation On Pulse) e non intenzionali (UMOP, Unintentional Modulation On Pulse). Questo tipo di analisi dei segnali radar è nota come Finger Printing o anche con l’acronimo di SEI: Specific Emitter Identification.
Le tecniche SEI, quindi, si prefiggono di discriminare una specifica emittente sulla base delle caratteristiche intrinseche presenti su un impulso di tale specifica emittente.
Come scopo ultimo, le tecniche SEI si prefiggono di poter distinguere in maniera univoca un dato radar, riuscendo a discriminarlo rispetto ad altri radar identici (stessa tipologia, ma differente “serial number”) in tutto e per tutto proprio sulla base di tale “impronta digitale”. È possibile ipotizzare che un tipico processo di SEI preveda una prima fase fondamentale di estrazione delle opportune features e una seconda fase di classificazione sulla base delle features estratte.
L’estrazione di features si basa su opportune trasformazioni matematiche volte ad enfatizzare taluni aspetti del segnale in determinati domini.
La bibliografia comprende numerosi esempi di estrazioni di features, tra i quali è possibile citare:
- Analisi nel dominio del tempo (shape dell’impulso nel dominio del tempo).
- Utilizzo di trasformata DFT (Discrete Fourier Transform) con elevata dinamica e risoluzione frequenziale per l’estrazione e la caratterizzazione dello spettro (ad esempio comportamento lobi laterali trasmettitore, spurie etc.).
- Utilizzo di trasformata Wavelet per l’estrazione delle differenti componenti tempo/frequenza (caratterizzazione degli “edge” degli impulsi, overshoot etc.).
A valle dell’estrazione di un certo numero di features, esiste la necessità di classificare tali impulsi. Ogni impulso ricevuto sarà caratterizzato da un certo numero di features con determinati parametri misurati: è ipotizzabile che l’attività di classificazione si basi su opportune metriche che verificano la distanza dell’insieme dei parametri misurati rispetto a parametri di riferimento.
Introduzione
5
Per quanto riguarda l’estrazione di features verranno affrontati i seguenti argomenti:
• Studio compilativo della letteratura presente con particolare enfasi sull’estrazione delle features.
• Classificazione di possibili features utili per il SEI e di operatori matematici per l’estrazione delle features.
• Scelta degli algoritmi opportuni e proposizione di nuovi algoritmi per l’estrazione delle features identificate.
• Analisi delle features estratte per valutare le prestazioni di tali algoritmi su dati simulati.
• Analisi comparativa delle features estratte su dati simulati e su dati reali.
• Analisi comparativa tra dati reali su differenti campagne.
Nel lavoro verranno esaminati, in modo esaustivo, set di algoritmi per l’estrazione di features sia di Ampiezza che di Fase. Per quanto riguarda le A-UMOP (Amplitude Unintentional Modulation On Pulse) gli algoritmi esaminati permettono di discriminare le emittenti su 5 parametri fondamentali (rise angle, fall angle, rise duration, fall duration e overshoot), mentre per le P-UMOP (Phase Unintentional Modulation On Pulse) verranno estratti 3 altri parametri (waveform entropy, bispectra entropy e surrounding line bispectra). L’analisi degli algoritmi sia su dati simulati che su dati reali acquisiti da un TWT fa emergere che in tutti i casi analizzati esiste sempre almeno una features che consente la discriminazione dei differenti segnali e che, in generale, maggiore è il numero di features analizzate, maggiore è la capacità di discriminazione.
