Deep Learning para radar

Aplique técnicas de inteligencia artificial a aplicaciones de radar

Simule señales de radar para entrenar modelos de Machine Learning y Deep Learning para clasificar objetivos y señales.

Con MATLAB® y Simulink®, puede:

  • Etiquetar señales recopiladas de sistemas de radar con la app Signal Labeler
  • Aumentar conjuntos de datos simulando formas de onda de radar y ecos de objetos con diversas secciones transversales de radar
  • Simular firmas de micro-Doppler de gestos de la mano y objetos animados con cuerpos no rígidos, tales como helicópteros, peatones y ciclistas
  • Aplicar flujos de trabajo de identificación y clasificación a conjuntos de datos públicos

¿Por qué utilizar Deep Learning para radar?

Sintetice señales de radar para entrenar modelos de Machine Learning y Deep Learning para la clasificación de objetivos y señales, y aplique técnicas de Deep Learning a datos recopilados de sistemas de radar.

Clasificación de formas de onda

Clasificación de formas de onda

Sintetice y etiquete formas de onda de radar para entrenar redes de Deep Learning.  Extraiga características de tiempo-frecuencia de las señales y realice clasificación de modulación de formas de onda con redes de Deep Learning.

Uso de gráficas para mostrar cómo cambian los valores con el tiempo.

Clasificación de objetivos de radar

Clasifique retornos de radar en función de secciones transversales de radar con enfoques de Machine Learning y Deep Learning. El enfoque de Machine Learning utiliza la extracción de características de dispersión de wavelets junto con una máquina de vectores de soporte. Dos enfoques frecuentes de Deep Learning son la transferencia del aprendizaje con SqueezeNet y una red neuronal recurrente de memoria de corto-largo plazo (LSTM).

Comparación de etiquetas con datos reales y previstos para clasificar gestos de la mano.

Clasificación de gestos de la mano

Clasifique datos de señales de radar de impulsos de banda ultra ancha (UWB) procedentes de un conjunto de datos de gestos de la mano dinámicos, de dominio público. Utilice una red neuronal convolucional (CNN) de entrada múltiple y salida única donde el modelo de CNN extrae información de las características de cada señal antes de combinarla para efectuar una predicción final de las etiquetas de los gestos.

Clasificación de firmas de micro-Doppler

Identifique peatones y ciclistas en función de sus características de micro-Doppler utilizando análisis de tiempo-frecuencia y una red de Deep Learning. Los movimientos de diferentes partes de un objeto ubicado delante de un radar producen firmas de micro-Doppler que se pueden emplear para identificar el objeto. 

Visualización de etiquetas y cuadros con datos previstos en una imagen de prueba.

Clasificación de imágenes de SAR

Utilice técnicas de Deep Learning para la clasificación de objetivos de imágenes de radar de apertura sintética (SAR). Cree y entrene una red neuronal convolucional (CNN) para clasificar objetivos de SAR del conjunto de datos de objetivos mixtos MSTAR (Moving and Stationary Target Acquisition and Recognition).

Visualización de etiquetas y cuadros con datos previstos en una imagen de prueba.

Reconocimiento de imágenes de SAR

Efectué el reconocimiento de objetivos de imágenes de SAR con una red neuronal convolucional basada en la región (R-CNN). La red R-CNN integra la detección y el reconocimiento con un rendimiento eficiente que se adapta a imágenes de SAR de escenas de gran tamaño.