Clasificación de señales Doppler de ecos radar usando deep learning

Mostrar todas las versiones(2)

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 prim...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Alcaraz, Franco A.
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2020
Materias:
Radares
Classification
Clasificación
Radar
Machine learning
[Doppler
Convolutional neural networks
Redes neuronales convolucionales
Deep learning
Aprendizaje profundo
Aprendizaje automático]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/978/1/Alcaraz.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-978
record_format dspace
spelling I25-R131-9782021-09-09T18:59:11Z Clasificación de señales Doppler de ecos radar usando deep learning Clasification of doppler signals from radar echoes using deep learning Alcaraz, Franco A. Radares Classification Clasificación Radar Machine learning [Doppler Convolutional neural networks Redes neuronales convolucionales Deep learning Aprendizaje profundo Aprendizaje automático] 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). 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). 2020-12-18 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/978/1/Alcaraz.pdf es 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. http://ricabib.cab.cnea.gov.ar/978/
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Radares
Classification
Clasificación
Radar
Machine learning
[Doppler
Convolutional neural networks
Redes neuronales convolucionales
Deep learning
Aprendizaje profundo
Aprendizaje automático]
spellingShingle Radares
Classification
Clasificación
Radar
Machine learning
[Doppler
Convolutional neural networks
Redes neuronales convolucionales
Deep learning
Aprendizaje profundo
Aprendizaje automático]
Alcaraz, Franco A.
Clasificación de señales Doppler de ecos radar usando deep learning
topic_facet Radares
Classification
Clasificación
Radar
Machine learning
[Doppler
Convolutional neural networks
Redes neuronales convolucionales
Deep learning
Aprendizaje profundo
Aprendizaje automático]
description 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).
format Tesis
NonPeerReviewed
author Alcaraz, Franco A.
author_facet Alcaraz, Franco A.
author_sort Alcaraz, Franco A.
title Clasificación de señales Doppler de ecos radar usando deep learning
title_short Clasificación de señales Doppler de ecos radar usando deep learning
title_full Clasificación de señales Doppler de ecos radar usando deep learning
title_fullStr Clasificación de señales Doppler de ecos radar usando deep learning
title_full_unstemmed Clasificación de señales Doppler de ecos radar usando deep learning
title_sort clasificación de señales doppler de ecos radar usando deep learning
publishDate 2020
url http://ricabib.cab.cnea.gov.ar/978/1/Alcaraz.pdf
work_keys_str_mv AT alcarazfrancoa clasificaciondesenalesdopplerdeecosradarusandodeeplearning
_version_ 1794277872070819840

Ejemplares similares