Le Deep Learning pour les radars

Appliquer des techniques d'intelligence artificielle aux applications radar

Synthétisez des signaux radar pour entraîner des modèles de Machine Learning et de Deep Learning pour la classification de cibles et de formes d'onde.

Avec MATLAB® et Simulink®, vous pouvez :

  • Labelliser les signaux recueillis par des systèmes radar avec l'application Signal Labeler
  • Enrichir les jeux de données en simulant les formes d'onde et les échos radar d'objets avec une variété de surfaces équivalentes radar
  • Simuler des signatures micro-Doppler de gestes de la main et d'objets animés avec des corps non rigides tels que des hélicoptères, des piétons et des cyclistes
  • Appliquer les workflows d'identification et de classification à des jeux de données publics

Pourquoi utiliser le Deep Learning pour les radars ?

Synthétisez des signaux radar pour entraîner des modèles de Machine Learning et de Deep Learning pour la classification de cibles et de de formes d'onde, et appliquez des techniques de Deep Learning aux données collectées par des systèmes radar.

Classification des formes d'onde

Classification des formes d'onde

Synthétisez et labellisez les formes d'onde radar pour entraîner des réseaux de Deep Learning. Extrayez les caractéristiques temps-fréquence des signaux et effectuez la classification de la modulation des formes d'onde en utilisant des réseaux de Deep Learning.

Utilisation de tracés pour indiquer l'évolution des valeurs dans le temps

Classification des cibles radar

Classifiez les échos radar en fonction des surfaces équivalentes radar grâce à des approches de Machine Learning et de Deep Learning. L'approche de Machine Learning utilise l'extraction des caractéristiques avec la diffusion par ondelettes couplée à une SVM (Support Vector Machine). Deux approches de Deep Learning courantes sont l'apprentissage par transfert avec SqueezeNet et l'emploi d'un réseau de neurones récurrents LSTM (Long Short-Term Memory).

Comparaison des étiquettes réelles et prédites pour la classification des gestes de la main

Classification des gestes de la main

Classifiez les signaux radar à impulsion ultra-large bande à partir d'un jeu de données publiquement disponible contenant des gestes dynamiques de la main. Utilisez un réseau de neurones à convolution (CNN) à entrées multiples et sortie unique, où le modèle CNN extrait les caractéristiques de chaque signal avant de les combiner pour faire une prédiction finale d'étiquette de geste.

Classification des signatures micro-Doppler

Classifiez les piétons et les cyclistes en fonction de leurs caractéristiques micro-Doppler en utilisant une analyse temps-fréquence et un réseau de Deep Learning. Les mouvements des différentes parties d'un objet placé devant un radar produisent des signatures micro-Doppler qui peuvent être utilisées pour identifier l'objet. 

Visualisation des boîtes et des étiquettes prévues sur l'image-test

Classification d'images SAR

Utilisez des techniques de Deep Learning pour la classification de cible dans des images SAR (Synthetic Aperture Radar). Créez et entraînez un réseau de neurones à convolution (CNN) pour classifier les cibles SAR à partir du jeu de données MSTAR (Moving and Stationary Acquisition and Recognition).

Visualisation des boîtes et des étiquettes prédites sur l'image-test

Reconnaissance d'images SAR

Effectuez la reconnaissance des cibles dans les images SAR (Synthetic Aperture Radar) en utilisant un réseau de neurones à convolution basé sur les régions (R-CNN). Le réseau R-CNN offre des performances de détection et de reconnaissance efficaces qui s'adaptent aux images SAR de scènes étendues.