Verea, Juan Manuel E. (2022) Supresión de clutter en radares de búsqueda usando técnicas de aprendizaje automático / Clutter supression in search radars using machine learning techniques. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 6Mb |
Resumen en español
En este proyecto se desarrolló un método para etiquetar detecciones de radar como clutter o miembros de trayectorias, combinando métodos de agrupación con aprendizaje automático no supervisado y calculo de correlación espacio-temporal en grupos de detecciones. Se comenzó por estudiar los principios de radar y aprendizaje automático, llegando a implementar una cadena de procesamiento de señales de radar incluyendo técnicas monopulso. Utilizando datasets reales, se encontraron patrones de comportamiento en los dos tipos de detecciones y se definió un criterio de clasificación en base a los mismos. Se estudiaron métodos publicados previamente y se validaron los resultados utilizando datasets simulados y reales, alcanzando desempeños similares a los observados en la literatura. El método desarrollado no requiere procesamiento de señales y puede aplicarse a cualquier dataset de detecciones donde se tenga información sobre la posición y el tiempo de llegada de cada detección. Finalmente se adaptó el método desarrollado para funcionar en tiempo real y etiquetar cada nueva detección a medida que es guardada.
Resumen en inglés
In this project, a method for classifying radar detections as clutter or members of trajectories was developed by using unsupervised machine learning (clustering) techniques as well as calculations of spatial and temporal correlation within clusters. After studying the principles of radar signal processing and machine learning, a radar signal processor was developed, which includes monopulse techniques. Using datasets of real radar detections, patterns of behaviour were found in groups of clutter and non-clutter. These patterns were used to define a decision treshold in order to classify groups of detections. The methods developed were tested using both simulated and real datasets. The method developed in this project does not require signal processing and achieves similar results to other, more complicated methods found in the literature. It can therefore be applied to any radar detection dataset that has information of the location and time of arrival of every detection. Finally, the method was adapted for working in real time and classifying each new arriving detection.
| Tipo de objeto: | Tesis (Proyecto Integrador Ingeniería en Telecomunicaciones) |
|---|---|
| Palabras Clave: | Machine learning; Aprendizaje automático; Radar; [Clutter supression; Supresión de clutter; Clustering; Agrupamiento; Unsupervised learning; Aprendizaje no supervisado; Spatial-temporal correlation; Correlación espacio-temporal; Radar detections; Detecciones de radar] |
| Referencias: | [1] Comparing different clustering algorithms on toy datasets. URL https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_ comparison.html. x, 27 [2] Zhang, X., Wang, W., Zheng, X., Ma, Y., Wei, Y., Li, M. A clutter suppression method based on som-smote random forest. IEEE Radar Conference, 2019. xi, xi,3, 9, 30, 32, 33, 53, 60 [3] Callaghan, D., Burger, J., Mishra, A. K. A machine learning approach to radar sea clutter suppression. IEEE Radar Conference, 2017. 3 [4] Liu, M., Wang, R., Hu, C. Identification and suppression of clutter using machine learning method. IEEE International Conference on Signal, Information and Data Processing, 2019. 3 [5] Richards, M. A. Fundamentals of Radar Signal Processing. 2da.Edicion. McGraw- Hill Education, 2014. 3, 9 [6] Read the docs: Stonesoup. URL https://stonesoup.readthedocs.io/en/v0.1b11/auto_tutorials/05_DataAssociation-Clutter.html. 3, 51 [7] Sherman, S. M., Barton, D. K. Monopulse Principles and Techniques. 2da.Edicion. Artech House, 2011. 21 [8] Barton, D. K. Modern Radar System Analysis. 1ra.Edici´on. Artech House, 1988. 21 [9] Rahmah, N., Sitanggang, I. S. Determination of optimal epsilon (eps) value on dbscan algorithm to clustering data on peatland hotspots in sumatra. IOP Conference Series Earth and Environmental Science, 31, 2016. 27 [10] Haykin, S., Deng, C. Classification of radar clutter using neural networks. IEEE Transactions on Neural Networks, 2, 1991. 60 [11] Olive, X., Basora, L., Viry, B., Alligier, R. Deep trajectory clustering with autoencoders. 9th International Conference for Research in Air Transportation, 2020. 60 [12] Kay, S. M. Fundamentals of Statistical Signal Processing: Estimation Theory. 2da.Edicion., tomo 1. Prentice Hall, 1993. [13] Burkov, A. The Hundred-Page Machine Learning Book. 2019. [14] Bishop, C. M. Pattern Recognition and Machine Learning. 1ra. Edicion. Springer, 2011. [15] Read the docs: Hdbscan. URL https://hdbscan.readthedocs.io/en/latest/how_to_use_epsilon.html. [16] Radar tutorial. URL https://www.radartutorial.eu/. [17] High resolution range profile. URL https://www.researchgate.net/figure/High-resolution-range-profile_fig3_236266844. |
| Materias: | Ingeniería en telecomunicaciones > Análisis y sistemas complejos |
| Divisiones: | INVAP |
| Código ID: | 1142 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 30 May 2023 16:18 |
| Última Modificación: | 05 Jun 2023 16:07 |
Personal del repositorio solamente: página de control del documento
