Target detection in radars using small neural networks

Måldeteksjon er en viktig oppgave for radarsystemer. En ønsker å tilfredstille to delvis motstridende krav: å oppnå høy deteksjonsevne samtidig med en lav falsk alarmrate. Denne rapporten ser på deteksjon av mål i avstand-dopplerbilder. Vi foreslår en maskinlæringsmetodikk for dette formålet. Bruk av maskinlæring gjør det mulig å utvikle deteksjonsmetoder utelukkende basert på innsamlede data. Dette kan blant annet redusere behov for utvikling av egne deteksjonsalgoritmer for ulike scenarioer. I denne rapporten foreslås en tostegs prosess for deteksjon. I det første steget gjennomføres deteksjon med en forenklet tradisjonell teknikk. Denne teknikken resulterer i høy deteksjonsevne, men med atskillige falske deteksjoner. I det neste steget tar et trent nevralt nettverk en endelig avgjørelse som klassifiserer deteksjoner som korrekte eller falske. Resultatene av en slik prosess viser at trente nevrale nettverk kan identifisere falske deteksjoner med god nøyaktighet. Nettverket kan anvende tilgjengelig informasjon i naboceller og dopplerprofiler for bedret ytelse. Dette gjør det mulig å redusere i falsk alarmrate med begrenset tap i deteksjonsevne. Med et tilpasset trent nevralt nettverk kan en oppnå økt systemytelse sammenlignet med tradisjonelle CFAR (konstant falsk alarm rate) deteksjonsmetoder. Scenarioene for opptrening kan inneholde ulik typer clutter og mål, som det kan være vanskelig å detektere på grunn av lav signal-til-støyforhold, multiple nærliggende objekter eller mål i clutterkanter. Denne rapporten er hovedsakelig basert på en publisert artikkel [1] av forfatteren.