雷达的深度学习

将人工智能技术用于雷达应用

仿真雷达信号以训练机器学习和深度学习模型进行目标和信号分类。

借助 MATLAB® 和 Simulink®,您可以:

  • 使用信号标注器标注从雷达系统采集的信号
  • 仿真雷达波形以及基于一系列雷达反射截面的目标回波,以此增强数据集
  • 仿真手势和非刚体运动目标(如直升机、行人和骑车人)的微多普勒签名
  • 将识别和分类工作流应用于公共数据集

为什么将深度学习应用于雷达?

合成雷达信号以训练机器学习和深度学习模型进行目标和信号分类,并将深度学习方法应用于从雷达系统采集的数据。

波形分类

波形分类

合成和标注雷达波形以训练深度学习网络。从信号中提取时频特征,并使用深度学习网络执行波形调制分类。

使用绘图来显示值如何随时间变化。

雷达目标分类

使用机器学习和深度学习方法基于雷达反射截面对雷达回波进行分类。机器学习方法结合使用小波散射特征提取和支持向量机。两种常见的深度学习方法是使用 SqueezeNet 进行迁移学习,以及使用长短期记忆 (LSTM) 循环神经网络。

比较实际标签和预测标签以进行手势分类。

手势分类

基于公开的动态手势数据集对超宽带 (UWB) 冲激雷达信号数据进行分类。使用多输入单输出卷积神经网络 (CNN),CNN 模型从每个信号中提取特征信息,然后将其组合以进行最终的手势标签预测。

微多普勒签名分类

使用时频分析和深度学习网络,根据行人和骑车人的微多普勒特征对其进行分类。置于雷达前方的目标中不同部位的运动会产生相应的微多普勒签名,这些签名可用于识别目标。

查看测试图像上的预测框和标签。

SAR 图像分类

使用深度学习方法对合成孔径雷达 (SAR) 图像进行目标分类。创建并训练一个卷积神经网络 (CNN),基于运动和静止目标捕获和识别 (MSTAR) 混合目标数据集对 SAR 目标进行分类。

查看测试图像上的预测框和标签。

SAR 图像识别

使用基于区域的卷积神经网络 (R-CNN) 对合成孔径雷达 (SAR) 图像进行目标识别。R-CNN 网络综合了检测和识别,其高效的性能表现支持它扩展到大场景 SAR 图像。