Till innehåll på sidan
Till KTH:s startsida

Radar Signal Processing using Artificial Neural Networks

Tid: Fr 2023-10-13 kl 10.00

Plats: F3 (Flodis), Lindstedtsvägen 26 & 28, Stockholm

Videolänk: https://kth-se.zoom.us/j/66647545115

Språk: Engelska

Ämnesområde: Elektro- och systemteknik

Respondent: Alexander Karlsson , Teknisk informationsvetenskap

Opponent: Professor Maria Sabrina Greco,

Handledare: Professor Magnus Jansson, Teknisk informationsvetenskap; Mikael Hämäläinen, ; Dr. Henrik Holter,

Exportera till kalender

Reserach funder: SAAB

QC 20230914

Abstract

Denna avhandling kombinerar radarsignalbehandling med datadrivna artificiellaneuronnät (ANN) metoder. Signalbehandlings algoritmer är ofta baserade påmodellantaganden om hur data kommit till. I vissa fall är sådana modeller tillräckligaför att designa bra, eller till och med optimala, lösningar.I många fall kan dock dessa modeller vara alltför komplicerade för att ta framanalytiska lösningar; vara alltför förenklade, så att resultat från praktik skiljer sigmarkant från vad som var teoretiskt väntat; vara okända i den bemärkelsen att enav många kända modeller eller parameter värden kan passa data, men vi vet intevilket; eller vara alltför komplexa så att lösningen blir för tung att beräkna.Datadrivna ANN metoder kan användas för att brygga dessa gap. Vi demonstrerar detta i fyra olika studier, där vi använder oss av modeller för radardata föratt formulera datadrivna lösningar som är både noggranna och beräkningsmässigteffektiva.Vi jämför resultat från ANN lösningar med resultat från beräkningsmässigt merkrävande minsta kvadrat och matchade filter lösningar. Vi visar att prestandan avANN är jämförbar med dessa, men kräver endast en bråkdel av beräkningarna. Vitränar ANN på data från modeller med ett brett span av parameter värden. Dettaför att hantera okända parameter värden och förändringar i dessa, som kan ändradata men inte den önskade prediktionen. Vi visar att en ANN klassificerare som ärtränad på data från enkla modeller kan prestera anmärkningsvärt sämre i praktikenfrån vad som vad var teoretiskt väntat. Vi förbättrar detta genom att kombinera enbegränsad mängd riktigt data med syntetiskt modelldata. I samtliga fall användervi oss av modeller som är enkla att exekvera. Dom är dock inte enkla att analyserai avsikt att skapa analytiska lösningar.Mer konkret presenterar vi en metod för icke-koherent pulskompression somlöser upp mål inom en pulsvidd. Vi presenterar en metod för att detektera svagamålspår som inte kräver antaganden om målets acceleration, signal-till-brus förhållande etc. Vi presenterar olika metoder för att inkorporera bristande modelldata iträningen av klassificerare för drönare och icke-drönare mål. Till sist presenterar vien metod för estimering av skillnaden i sträcka under flervägsutbredning över sjö,i avsikt av målföljning.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-336597