آشكارسازي اهداف راداري با استفاده از روش هاي تشخيص اشياء مبتني بر يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

رادار شناختي با استفاده از پردازش هوشمند و وفقي، قابليت تحليل و تصميم‌گيري خودكار را در سيستم‌هاي راداري ايجاد مي‌كند. يكي از ابزارهاي مهم براي دستيابي به اين هدف، هوش مصنوعي و به‌ويژه يادگيري عميق است. يادگيري عميق، به‌عنوان يكي از شاخه‌هاي هوش مصنوعي، در آشكارسازي اهداف راداري، به‌ويژه در شرايط نويزي و پيچيده، مي‌تواند نقش مهمي ايفا كند. در اين پژوهش، از دو شبكه يادگيري عميق Faster R-CNN و Yolov8n براي آشكارسازي اهداف راداري در داده‌هاي شبيه‌سازي‌شده استفاده شده است. عملكرد اين دو شبكه، بر روي داده‌هاي داراي كلاتر سفيد و رنگي بررسي شده‌است. به علت محدوديت داده‌، آموزش و ارزيابي با استفاده از داده‌هاي شبيه‌سازي انجام شده‌است. همچنين، براي بهبود عملكرد اين شبكه‌ها، از روش يادگيري انتقالي بهره گرفته شده است. يادگيري انتقالي به معناي استفاده از مدل‌هاي پيش‌آموزش‌ديده در يك مجموعه داده، براي تسريع و بهبود يادگيري در مجموعه داده جديد است. عملكرد اين شبكه‌ها با روش‌هاي كلاسيك آشكارسازي CA-CFAR و OS-CFAR مقايسه شده‌است CA-CFAR و OS-CFAR كه از روش‌هاي پايه در آشكارسازي اهداف راداري هستند، در شرايط نويزي و با نسبت سيگنال به نويز (SNR) پايين، محدوديت‌هايي در دقت آشكارسازي دارند. نتايج اين پژوهش نشان داد كه شبكه‌هاي Faster R-CNN وYOLOv8n در نسبت‌هاي سيگنال به كلاتر (SCR) پايين عملكرد بهتري نسبت بهCA-CFAR وOS-CFAR دارند و توانايي بيشتري در آشكارسازي اهداف با احتمال هشدار غلط پايين از خود نشان داده‌اند. به عنوان مثال در حالت كلاتر رنگي و SCRهاي كمتر از -10 dB با وجود آنكه دقت روش‌هاي مرسوم كاهش مي‌يابد، احتمال آشكارسازي دو شبكه مذكور در احتمال هشدار نادرست 1.5 × 10 ^ (-6)، بيشتر از 90 درصد است. اين يافته‌ها نشان‌دهنده‌ي قابليت‌هاي بالقوه يادگيري عميق در بهبود كارايي سيستم‌هاي راداري و جايگزيني يا مكمل‌سازي روش‌هاي كلاسيك است. همچنين به منظور بررسي عملكرد اين شبكه‌ها در حالت چندهدفي، مطالعه‌اي بر روي تفكيك‌پذيري آن‌ها انجام و نشان داده شده است كه در صورتي كه فاصله بين دو هدف بيشتر از 2 سلول باشد، در هر دو شبكه احتمال آنكه يكي از اهداف از دست برود كمتر از 30 درصد است. در نهايت، اين پژوهش بر اهميت استفاده از ابزارهاي يادگيري عميق در سيستم‌هاي راداري و نياز به تحقيق و توسعه بيشتر در اين حوزه تأكيد مي‌كند.

233215

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان