Alcaraz, Franco A. (2020) Clasificación de señales Doppler de ecos radar usando deep learning / Clasification of doppler signals from radar echoes using deep learning. Maestría en Ingeniería, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Disponible bajo licencia Creative Commons: Reconocimiento - No comercial - Compartir igual. Español 17Mb |
Resumen en español
En esta tesis se muestra el desarrollo de un clasificador de blancos terrestres, tales como personas, animales, automóviles y tanques, a partir de sus firmas micro-Doppler obtenidas con un radar pulsado que opera en banda X. El proceso de clasificación se divide en dos etapas principales. La primera transforma las señales Doppler (dominio temporal), obtenidas por el radar a partir de los ecos de los blancos, a una secuencia de imágenes que se construyen a partir del espectrograma de porciones de dicha señal. La segunda etapa, el clasificador propiamente dicho, se implementa utilizando redes neuronales convolucionales (CNN), enmarcadas en la categoría de modelos de Deep Learning y que son ampliamente utilizadas en la clasificación de distintos tipos de imágenes. Diversas arquitecturas y parametrizaciones han sido analizadas para evaluar su desempeño al utilizar un dataset de señales de radar reales, verificándose finalmente, que el proceso de clasificación desarrollado es adecuado para esta aplicación, presentando un muy buen desempeño, y que es viable una implementación de tiempo real dentro de una plataforma radar. Si bien el enfoque principal del desarrollo es implementar el proceso de clasificación usando imágenes de espectrogramas, también se analizan diversas alternativas, como por ejemplo escalogramas construidos usando transformaciones wavelets discretas. Se implementa también un proceso de detección de segmentos útiles de la señal Doppler a los fines de mejorar la calidad de las muestras de entrenamiento y evaluación, como así también mejorar la calidad del producto clasificación entregado al usuario radar (pos-procesamiento).
Resumen en inglés
This thesis shows the development of a classifier of terrestrial radar targets, such as people, animals, cars and tanks, using their micro-Doppler signatures obtained with a pulsed radar operating in X band. The classification process is divided into two main stages. The first one transforms the Doppler signals (in time domain), obtained by the radar from the echoes of the targets, into a sequence of images that are built from the spectrogram of portions of that signal. In the second stage, the classifier is implemented using convolutional neural networks (CNN), framed in the category of Deep Learning models, widely used in the classification of different types of images. Several architectures and parameterizations have been analyzed to evaluate their performance when using a real radar signals dataset. Finally, performance of the developed classification process for this problem is verified. Moreover, feasibility of real-time implementation as part of a radar system is conrmed. While the main approach of development is to implement the classification process using spectrogram images, various alternatives are also analyzed, such as scalograms constructed using discrete wavelet transformations. A process for detecting useful segments of the Doppler signal is also implemented in order to improve the quality of training and evaluation samples, as well as improving the quality of the classification product delivered to the radar user (post-processing).
| Tipo de objeto: | Tesis (Maestría en Ingeniería) |
|---|---|
| Palabras Clave: | Classification; Clasificación; Radar; Machine learning; [Doppler; Convolutional neural networks; Redes neuronales convolucionales; Deep learning; Aprendizaje profundo; Aprendizaje automático] |
| Materias: | Ingeniería en telecomunicaciones > Radares |
| Divisiones: | Energía nuclear > Instituto Balseiro |
| Código ID: | 978 |
| Depositado Por: | Marisa G. Velazco Aldao |
| Depositado En: | 09 Sep 2021 15:17 |
| Última Modificación: | 09 Sep 2021 15:59 |
Personal del repositorio solamente: página de control del documento
