Simula segnali radar per addestrare modelli di Machine Learning e Deep Learning per la classificazione di bersagli e segnali.
Con MATLAB® e Simulink®, è possibile:
- Etichettare i segnali raccolti dai sistemi radar utilizzando l’app Signal Labeler
- Aumentare i set di dati simulando echi e forme d’onda radar da oggetti con un range di sezioni radar equivalenti (RCS, dall’inglese radar cross section)
- Simulare firme micro-Doppler di gesti fatti con le mani e oggetti animati con corpi non rigidi quali elicotteri, pedoni e ciclisti
- Applicare workflow di identificazione e classificazione a set di dati pubblici
Perché usare l'intelligenza artificiale per radar?
Sintetizza segnali radar per addestrare modelli di Machine Learning e Deep Learning per la classificazione di bersagli e segnali e applica tecniche di intelligenza artificiale ai dati raccolti dai sistemi radar.
Classificazione delle forme d’onda
Sintetizza ed etichetta forme d’onda radar per addestrare reti di Deep Learning. Estrai feature di tempo-frequenza dai segnali ed esegui la classificazione della modulazione delle forme d’onda con reti di Deep Learning.
Classificazione di bersagli radar
Classifica i ritorni dei radar in base alle sezioni radar equivalenti (RCS, dall’inglese radar cross section) implementando sia l’approccio basato sul Machine Learning sia l’approccio basato sul Deep Learning. L’approccio basato sul Machine Learning usa l’estrazione delle feature di wavelet scattering accoppiata a una macchina a vettori di supporto (SVM, dall’inglese support-vector machine). Due tra gli approcci basati sul Deep Learning più utilizzati sono il transfer learning con SqueezeNet e una rete neurale ricorrente di tipo Long Short-Term Memory (LSTM).
Classificazione dei gesti delle mani
Classifica i dati di segnali radar a impulsi a banda ultra larga provenienti da un set di dati pubblicamente disponibili di movimenti dinamici delle mani. Usa una rete neurale convoluzionale (CNN) multiple-input single-output in cui il modello di CNN estrae le informazioni delle feature da ciascun segnale prima di combinarle per creare la previsione definitiva dell’etichetta del gesto.
Classificazione di firme micro-Doppler
Classifica pedoni e ciclisti in base alle loro caratteristiche micro-Doppler utilizzando l’analisi di tempo-frequenza e una rete di Deep Learning. I movimenti delle varie parti di un oggetto posto davanti a un radar producono firme micro-Doppler che possono essere utilizzate per identificare l’oggetto.
Classificazione di immagini SAR
Usa le tecniche di Deep Learning per la classificazione di bersagli in immagini di un radar ad apertura sintetica (SAR). Crea e addestra una rete neurale convoluzionale (CNN) per classificare bersagli SAR dal set di dati di bersagli misti MSTAR (acquisizione e riconoscimento di bersagli mobili e stazionari).
Riconoscimento di immagini SAR
Esegui il riconoscimento dei bersagli in immagini di radar ad apertura sintetica (SAR) mediante reti neurali convoluzionali basate su regioni (R-CNN). La rete R-CNN integra il rilevamento e il riconoscimento a prestazioni efficienti, in grado di trattare anche immagini SAR con scene di grandi dimensioni.
Uso dell'intelligenza artificiale per radar con MATLAB
Prodotti
Scopri i prodotti utilizzati con il Deep Learning per applicazioni radar.
Richiedi una versione di prova gratuita
30 giorni di prova a tua disposizione.
