基于自适应雷达处理与卷积神经网络的数据驱动目标定位
计算机视觉与模式识别
2024-07-11 v6 信号处理
摘要
利用专为自适应雷达处理应用设计的现代射频(RF)建模与仿真工具的先进功能，本文提出一种数据驱动方法，以提高自适应雷达检测后雷达目标定位的精度。为此，我们使用高保真、特定场地的射频建模与仿真工具 RFView，通过在预定义区域内随机放置强度可变的目标，生成大量雷达回波。我们由雷达回波在距离、方位[和多普勒]上的归一化自适应匹配滤波器(NAMF)检验统计量生成热力图张量。随后，我们训练一个回归卷积神经网络(CNN)从这些热力图张量中估计目标位置，并将该方法的定位精度与峰值查找和局部搜索方法进行比较。该实证研究表明，我们的回归 CNN 在目标位置估计精度上取得了显著提升。即使在接近 NAMF 失效阈值的信杂噪比(SCNR)区间，回归 CNN 仍具有显著增益和合理精度。我们还研究了训练好的 CNN 对雷达数据失配的鲁棒性，即将 CNN 测试于未训练区域得到的热力图张量。我们表明，通过使用相对较少的新训练样本进行少样本学习，可使 CNN 对雷达数据失配具有鲁棒性。
引用
@article{arxiv.2209.02890,
title = {Data-Driven Target Localization Using Adaptive Radar Processing and Convolutional Neural Networks},
author = {Shyam Venkatasubramanian and Sandeep Gogineni and Bosung Kang and Ali Pezeshki and Muralidhar Rangaswamy and Vahid Tarokh},
journal= {arXiv preprint arXiv:2209.02890},
year = {2024}
}