بهبود دقت طبقه‌بند در شرايط داده محدود در پردازش داده‌هاي ميكروداپلر راداري با استفاده از شبكه‌هاي مولد متخاصم

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

به‌طور كلي، يكي از چالش‌هاي اساسي در به‌كارگيري الگوريتم‌هاي يادگيري عميق، محدوديت دسترسي به داده‌هاي آموزشي است كه كارايي و قابليت تعميم اين الگوريتم‌ها را تحت تأثير قرار مي‌دهد. يكي از حوزه‌هاي كاربردي كه با اين چالش به‌طور جدي مواجه است، طبقه‌بندي اهداف متحرك با اجزاء متحرك در سامانه‌هاي راداري است. اين پديده كه تحت عنوان امضاي ميكرو-داپلر شناخته مي‌شود، شامل شناسايي و تمايز اهدافي نظير بالگرد، هواپيما در ارتفاع پايين، پرنده و كوادروتور است. با اينكه در سال‌هاي اخير بهره‌گيري از الگوريتم‌هاي يادگيري عميق در اين زمينه رشد قابل‌توجهي داشته است، اما همچنان محدوديت داده مانعي اساسي در مسير ارتقاي عملكرد اين روش‌ها محسوب مي‌شود. در اين پژوهش با بررسي چندين مجموعه داده‌ دردسترس و معروف ميكرو-داپلر، در نهايت مجموعه داده Dop-Net به‌دليل نقاط قوت متمايز نسبت به ساير مجموعه‌داده‌ها انتخاب شد. در ادامه يك رويكرد جامع و نظام‌‌‌مند شامل 9 سناريو به‌منظور جبران دقت طبقه‌بند مبتني بر الگوريتم يادگيري عميق به‌دليل كاهش نمونه‌هاي اين مجموعه داده طراحي شده است. برخي از اين سناريوها مي‌تواند در شرايطي باعث افزايش دقت و در شرايطي ديگر برخلاف انتظار، موجب كاهش دقت طبقه‌بند ‌شود. همچنين با ارزيابي نقاط مثبت و ضعف هرسناريو، سناريوي بعدي تكميل شده است. درنهايت با بهبود شبكه‌ مولد متخاصمي به نام فست گن به‌منظور توليد داده باكيفيت و تركيب آن با شبكه بخش‌بندي تصويرYolov11 به‌منظور استخراج ويژگي‌هاي ميكرو-داپلر، توانستيم دقت طبقه‌بند در شرايط داده محدود (شامل يك بيستم تمام داده‌ها)از را حدود 0.81 به 0.96 يا همان دقت معادل طبقه‌بند در شرايط تمام داده افزايش دهيم. به‌بيان ديگر، اتخاذ اين رويكرد سبب جبران كاهش حدود 0.15 دقت طبقه‌بند در شرايط داده‌ محدود در مجموعه داده راداري Dop-Net شد. از آن‌جايي كه طراحي تمام سناريوها مستقل از نوع مجموعه داده است، بنابراين قابليت تعميم آن‌ها به‌ساير مجموعه داده‌هاي ميكرو-داپلر نيز وجود دارد.

236242

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان