Simuleringer med arrayprosessering og maskinlæring for deteksjon av radarmål

I rapporten testes og sammenliknes deteksjonsegenskaper for arrayprosesseringsalgoritmer med Konstant falsk-alarmrate (CFAR)-deteksjon og deteksjonsegenskaper for et sekvensielt klassifiseringsnettverk. Testene er utført med ulike typer simulert signalmiljø for luftbåren pulset radar med fasestyrt gruppeantenne og multiple mottakskanaler. CFAR av typen cellemidling er benyttet. Rom-tid adaptiv prosessering (Space-time adaptive processing) (STAP) er en velprøvd metode for undertrykking av bakkeclutter, men har kjente utfordringer med heterogent clutter.

Studien undersøker om maskinlæring kan bidra til å redusere problemet med deteksjon i heterogent signalmiljø. Det sekvensielle klassifiseringsnettverket benyttet i denne studien er et Konvolusjonelt nevralt nettverk (Convolutional neural network) (CNN) med 2D-konvolusjonsfiltre. CFAR-deteksjon ble utført etter koherent integrasjon i rom og tid. Rom-tid integrasjonen ble utført med to forskjellige arrayprosesseringsmetoder. Den ene metoden benyttet Diskret fouriertransform (DFT)- dopplerprosessering og konvensjonell Beamforming (BF). Den andre metoden var Post-doppler rom-tid adaptiv prosessering (PD-STAP). Forskjellige signalmiljø med ulik grad av måltetthet og styrke på bakke-clutter ble testet. Tester ble utført for arrayprossessringsalgoritmene med CFAR, og for utgaver av klassifiseringsnettverket trent på de ulike miljøene.

Testene indikerer at konvolusjonsnettverket studert i denne rapporten har signifikant bedre deteksjonsegenskaper enn arrayprosesseringslagoritmer for signalmiljø med inhomogeniteter forårsaket av høy måltetthet. Det motsatte er likevel tilfelle ved homogent sterkt bakke-clutter og lavere måltetthet. Av deteksjonsmetodene testet er PD-STAP den eneste med gode resultater for deteksjon i sterkt homogent bakke-clutter av glisne mål, og av mål med middels måltetthet. PD-STAP var også det beste alternativet for deteksjon av glisne mål når bakke-clutteret ikke var sterkere enn at også konvensjonell BF detekterte en stor andel av målene. Deteksjonsevnen til array-prosesseringsalgoritmene med CFAR avtok imidlertid med økende antall forventede mål i referansesettet benyttet til interferensestimering. Ved stor måltetthet ble signalmiljøet inhomogent og PD-STAP brøt sammen. CNN oppnådde fortsatt bra deteksjonsresultater, og gjorde det betydelig bedre enn arrayprosesseringsalgoritmene. CNN-et trent på mål i termisk støy og dempet bakke-clutter viste gode deteksjonsegenskaper for mål i termisk støy med dempet bakke-clutter, og for mål i bare termisk støy. Videre gjorde CNN-et trent på mål i bare termisk støy det bedre enn array-prosesseringsalgoritmene ved deteksjon av målsignal i termisk støy, men ved anvendelse på signalmiljø med bakke-clutter hadde dette CNN-et høy falsk-alarmrate. Under trening av nettverket på signalmiljø med sterkt bakke-clutter opplevde optimeringsalgoritmen problemer med å konvergere til et stabilt minimum, og det resulterende CNN-et hadde svake deteksjonsegenskaper.