Deep Learning per radar

Uso di tecniche di intelligenza artificiale per le applicazioni radar

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 il Deep Learning 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 Deep Learning ai dati raccolti dai sistemi radar.

Classificazione delle forme d’onda

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.

Uso di grafici per mostrare la variazione dei valori nel tempo.

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).

Confronto di etichette effettive e previste per la classificazione dei gesti fatti con le mani.

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. 

Visualizzazione di etichette e riquadri previsti sull’immagine di test.

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).

Visualizzazione di etichette e riquadri previsti sull’immagine di test.

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.