模拟雷达信号训练机器和深度学习模型的目标和信号分类。
用MATLAB®和仿真软件®,您可以:
- 使用信号标签应用程序标记从雷达系统收集的信号
- 通过模拟具有一定雷达截面范围的物体的雷达波形和回波来增加数据集
- 模拟手势和非刚体(如直升机、行人和骑自行车的人)的动画对象的微多普勒信号
- 将识别和分类工作流应用于公共数据集
为什么在雷达上使用深度学习?
综合雷达信号,训练机器和深度学习模型进行目标和信号分类,并将深度学习技术应用于从雷达系统收集的数据。
波形分类与频谱感知
综合和标记雷达波形训练深度学习网络。利用深度学习网络从信号中提取时频特征并进行波形调制分类。确定占用信号的带宽。
雷达目标分类
结合机器和深度学习方法,基于雷达横截面对雷达回波进行分类。机器学习方法采用小波散射特征提取与支持向量机相结合的方法。两种常见的深度学习方法是使用SqueezeNet的迁移学习和长短期记忆(LSTM)循环神经网络。
手势的分类
从公开的动态手势数据集中分类超宽带(UWB)脉冲雷达信号数据。使用多输入、单输出卷积神经网络(CNN),其中CNN模型从每个信号中提取特征信息,然后将其组合成最终的手势标签预测。
SAR图像分类
利用深度学习技术对合成孔径雷达(SAR)图像进行目标分类。创建和训练卷积神经网络(CNN)从运动和静止目标采集和识别(MSTAR)混合目标数据集中分类SAR目标。
SAR图像识别
利用基于区域的卷积神经网络(R-CNN)对合成孔径雷达(SAR)图像进行目标识别。R-CNN网络集成了检测和识别,具有高效的性能,可扩展到大场景SAR图像。