Radarla Çoklu Hedef Tespiti için Nesne Tanıma Modellerinin Uyarlanması
[ X ]
Tarih
2024
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Alanya Alaaddin Keykubat University
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu makale, çoklu giriş çoklu çıkış (MIMO) radar hedef tespitinde için Derin Öğrenme tekniğinin uygulamasını, özellikle azimut ve yükseklik tahminine odaklanarak ele almaktadır. Geleneksel yöntemler, özellikle çoklu hedef senaryolarında parazit ve yansıma gibi zorluklarla karşı karşıya kalmaktadır. Özellik çıkarımı, genellikle menzil korelasyonu, Doppler filtreleme, açı demetleme ve sabit yanlış alarm oranı (CFAR) işleminden sonra tespit adımlarını içeren klasik radar sinyal işleme hattına dayanmaktadır. Ancak, erken aşamada veri seyreltilmesi, pratik uygulamalar için gereken büyük veri küplerinde bilgi kaybına yol açabilmektedir. Derin Öğrenme teknikleri, azimut ve yükseklik tespiti için alternatif bir yaklaşım sunmaktadır. Geliştirdiğimiz konvolüsyonel sinir ağı (CNN) modeli, 5000 örnekten oluşan tek hedefli veri üzerinde azimut için 0.149 ve yükseklik için 0.168 Ortalama Kare Hata (MSE) değerleri ile yüksek performans göstermiştir. İki hedefli senaryolarda ise model, 72.000 örneklik veri setinden 8000 test örneği üzerinde 0.838 ile 1.845 arasında MSE değerleri elde etmiştir. Bu makale, model geliştirme sürecini, radar hedef tespitindeki etkisini ve Derin Öğrenme ile geleneksel yöntemlerin entegrasyonuna yönelik potansiyel gelecek araştırma yönlerini detaylı bir şekilde ele almaktadır.
This paper investigates the use of Deep Learning (DL) in multiple input multiple output (MIMO) radar target detection, focusing on azimuth and elevation estimation. Traditional methods face challenges like interference and reflections, especially in multi-target scenarios. Feature extraction conventionally relies on range correlation, Doppler filtering, and angle beamforming, followed by detection after constant false alarm rate (CFAR) processing. However, early data sparsification by bin selection often leads to information loss, particularly with large data cubes required for practical implementation. Deep Learning techniques offer an alternative, specifically in azimuth and elevation detection at earlier stages of radar data processing. We developed a convolutional neural network (CNN) model that achieved Mean Square Errors (MSE) of 0.149 for azimuth and 0.168 for elevation on single-target data from 5,000 samples. The model's performance in dual-target scenarios showed MSEs ranging from 0.838 to 1.845, tested on 8,000 samples from a dataset of 72,000. This paper details the model development process, its impact on radar target detection, and potential future research directions involving the substitution of multi-bin Deep Learning blocks with traditional methods.
This paper investigates the use of Deep Learning (DL) in multiple input multiple output (MIMO) radar target detection, focusing on azimuth and elevation estimation. Traditional methods face challenges like interference and reflections, especially in multi-target scenarios. Feature extraction conventionally relies on range correlation, Doppler filtering, and angle beamforming, followed by detection after constant false alarm rate (CFAR) processing. However, early data sparsification by bin selection often leads to information loss, particularly with large data cubes required for practical implementation. Deep Learning techniques offer an alternative, specifically in azimuth and elevation detection at earlier stages of radar data processing. We developed a convolutional neural network (CNN) model that achieved Mean Square Errors (MSE) of 0.149 for azimuth and 0.168 for elevation on single-target data from 5,000 samples. The model's performance in dual-target scenarios showed MSEs ranging from 0.838 to 1.845, tested on 8,000 samples from a dataset of 72,000. This paper details the model development process, its impact on radar target detection, and potential future research directions involving the substitution of multi-bin Deep Learning blocks with traditional methods.
Açıklama
Anahtar Kelimeler
Deep Learning, Derin Öğrenme, Machine Vision, Yapay Görme, Signal Processing, Sinyal İşleme
Kaynak
ALKÜ Fen Bilimleri Dergisi
ALKÜ Fen Bilimleri Dergisi
ALKÜ Fen Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
6
Sayı
2
