基于雷达截面的无人机分类技术对比分析
信号处理
2021-12-21 v1
摘要
本研究探讨了利用雷达截面（RCS）特征识别无人机（UAVs）的问题。在微波暗室中，于 15 GHz 与 25 GHz 下，以垂直-垂直与水平-水平极化测量了六种商用无人机的 RCS。RCS 特征被用于训练 15 种不同的分类算法，每种分属三类之一：统计学习（SL）、机器学习（ML）与深度学习（DL）。研究表明，尽管所有算法的分类精度随信噪比（SNR）提升而增加，ML 算法取得了优于 SL 与 DL 算法的精度。例如，分类树 ML 在使用来自无人机的 15 GHz VV 极化 RCS 测试数据、于 3 dB SNR 下实现了 98.66% 的精度。我们借助箱线图、混淆矩阵与分类图，利用蒙特卡洛分析考察了分类精度。平均而言，分类树 ML 模型的精度优于其他算法，其次为 Peter Swerling 统计模型与判别分析 ML 模型。总体上，ML 与 SL 算法的分类精度优于研究中考虑的 DL 算法（Squeezenet、Googlenet、Nasnet 与 Resnet 101）。此外，分析了各算法的计算时间。研究得出结论：尽管 SL 算法取得了良好分类精度，但其计算时间相对 ML 与 DL 算法较长。同时，研究表明分类树实现了约 0.46 ms 的最快平均分类时间。
引用
@article{arxiv.2112.09774,
title = {Comparative Analysis of Radar Cross Section Based UAV Classification Techniques},
author = {Martins Ezuma and Chethan Kumar Anjinappa and Vasilii Semkin and Ismail Guvenc},
journal= {arXiv preprint arXiv:2112.09774},
year = {2021}
}
备注
17 pages