레이다 관련 딥러닝

레이다 응용 사례에 인공 지능 기법을 적용할 수 있습니다.

레이다 신호를 시뮬레이션하여 표적 및 신호 분류에 대한 머신러닝 모델과 딥러닝 모델을 훈련시킬 수 있습니다.

MATLAB® 및 Simulink®로 다음과 같은 작업을 수행할 수 있습니다.

  • 신호 레이블 지정기 앱을 사용하여 레이다 시스템으로부터 수집된 신호에 레이블 지정
  • 다양한 레이다 반사 면적으로 레이다 파형과 객체의 반향을 시뮬레이션하여 데이터셋 증대하기
  • 손 제스처 및 헬리콥터, 보행자, 자전거 운전자 등의 비강체를 사용한 애니메이션 객체의 마이크로 도플러 시그니처 시뮬레이션
  • 공개 데이터셋에 식별 및 분류 워크플로 적용

왜 레이다에 딥러닝을 사용할까요?

레이다 신호를 합성하여 표적 및 신호 분류에 대한 머신러닝 모델과 딥러닝 모델을 훈련시키고 레이다 시스템으로부터 수집된 데이터에 딥러닝 기법을 적용할 수 있습니다.

파형 분류

파형 분류

레이다 파형을 합성하고 레이블을 지정하여 딥러닝 신경망을 훈련시킬 수 있습니다.  딥러닝 신경망을 사용하여 신호로부터 시간-주파수 특징을 추출하고 파형 변조 분류를 수행할 수 있습니다.

플롯을 사용하여 시간 경과에 따른 값의 변화 표시.

레이다 표적 분류

머신러닝 접근법과 딥러닝 접근법을 모두 사용하여 레이다 반사 면적을 기반으로 레이다 반사 신호를 분류할 수 있습니다. 머신러닝 접근법에서는 서포트 벡터 머신과 함께 웨이블릿 스캐터링 특징 추출을 사용합니다. 일반적인 딥러닝 접근법 두 가지로는 SqueezeNet을 사용한 전이 학습과 LSTM(장단기 기억) 순환 신경망이 있습니다.

손 제스처 분류에 대한 실제 레이블과 예측 레이블 비교.

손 제스처 분류

공개된 동적 손 제스처 데이터셋으로부터 UWB(초광대역) 임펄스 레이다 신호 데이터를 분류할 수 있습니다. 다중 입력, 단일 출력 CNN(컨벌루션 신경망)을 사용할 수 있으며, 여기서 CNN 모델은 각 신호로부터 특징 정보를 추출한 다음 이를 비교하여 최종 제스처 레이블 예측을 수행합니다.

마이크로 도플러 시그니처 분류

시간-주파수 분석과 딥러닝 신경망을 사용하여 보행자와 자전거 운전자를 저마다의 마이크로 도플러 특성에 따라 분류할 수 있습니다. 레이다 앞에 놓인 객체의 다양한 부분이 움직이면 객체 식별에 사용 가능한 마이크로 도플러 시그니처가 생성됩니다. 

테스트 영상에 대한 예측 상자 및 레이블 보기.

SAR 영상 분류

딥러닝 기법을 SAR(합성 개구 레이다) 영상의 표적 분류에 사용할 수 있습니다. CNN(컨벌루션 신경망)을 생성하고 훈련시켜 MSTAR(Moving and Stationary Target Acquisition and Recognition) Mixed Targets 데이터셋으로부터 SAR 표적을 분류할 수 있습니다.

테스트 영상에 대한 예측 상자 및 레이블 보기.

SAR 영상 인식

R-CNN(영역 기반 컨벌루션 신경망)을 사용하여 SAR(합성 개구 레이다) 영상의 표적 인식을 수행할 수 있습니다. R-CNN 신경망은 대규모의 장면 SAR 영상까지 확장되는 효율적인 성능으로 검출과 인식을 통합합니다.