Systemy radarowe, które wykorzystują fale radiowe do wykrywania i śledzenia obiektów, odgrywają kluczową rolę we współczesnej obronie, lotnictwie i nadzorze, ale ich skuteczność jest często kwestionowana przez bałagan środowiskowy, co oznacza niepożądane sygnały z obiektów takich zakłócaj wykrywanie radaru. Zespół naukowców z Northwest University i Xi’an Institute of Space Radio Technology w Chinach, kierowany przez profesora Cai Wen, opracował innowacyjne podejście do poprawy wykrywania celu ruchu. Ich badanie, opublikowane w recenzowanym czasopiśmie Remote Sensing, wprowadza nowatorską sieć wykrywalną, która wykorzystuje podejście uczenia się AI-AI-AI-AI-AI-AI-AI-AID, które szybko dostosowuje się do nowych sytuacji oraz metodę poprawiania ostrości w celu poprawy wykrywania.
Tradycyjne systemy radarowe zmagają się z wykrywaniem ruchomych celów w złożonych środowiskach ze względu na silne i heterogeniczne echa bałaganu, które są refleksjami z obiektów innych niż cel, które utrudniają identyfikację rzeczywistych ruchomych celów. Utrudnia to odróżnienie słabych sygnałów od szumu tła. Aby rozwiązać ten problem, zespół badawczy zaproponował sieć wykrywalną, która najpierw przechodzi szkolenie offline przy użyciu symulowanych danych radarowych, zmniejszając potrzebę intensywnego szkolenia online. Niewielka ilość danych w czasie rzeczywistym, co oznacza na żywo, stale aktualizowane informacje, jest następnie wykorzystywane do dopracowania sieci, zapewniając możliwość dostosowania się do rzeczywistych warunków. „Zastosowanie uczenia się transferu małej próby pozwala systemowi szybko dostosować się do nowych środowisk bałaganu przy jednoczesnym zachowaniu wysokiej dokładności wykrywania”, wyjaśnił profesor Wen.
Kluczową innowacją w tym badaniu jest integracja mechanizmu uwagi, metodę, która pomaga skupić się na najważniejszych częściach sygnału radaru w celu poprawy wykrywania w określonym polu danych radaru, które pomaga analizować wzorce ruchu. Ten mechanizm pomaga sieci priorytetowo traktować niezbędne cechy, poprawiając jego zdolność do rozróżnienia ruchomych celów od bałaganu tła. Zespół badawczy przeprowadził obszerne symulacje w celu potwierdzenia swojego podejścia, co pokazuje, że mechanizm uwagi znacznie zwiększa tłumienie bałaganu, technikę zmniejszenia zakłóceń z niechcianych sygnałów, nawet w sytuacjach, w których sygnały docelowe są bardzo słabe w porównaniu z hałasem tła. „Nasze symulacje pokazują, że mechanizm uwagi poprawia dokładność klasyfikacji, zdolność systemu do prawidłowego identyfikowania celów, umożliwiając systemowi skuteczniejsze wykrywanie celów nawet w trudnych scenariuszach”, powiedział profesor Wen.
W porównaniu z konwencjonalnymi metodami proponowana sieć osiągnie zmniejszenie potrzebnej mocy obliczeniowej, czyli zdolność obliczeniowa wymagana do szybkiego obsługi dużych danych przy jednoczesnym zachowaniu solidnej wydajności wykrywania. Tradycyjne techniki przetwarzania adaptacyjnego czasoprzestrzennego wymagają dużej liczby niezależnych próbek szkoleniowych, które często są niedostępne w różnorodnym i nieprzewidywalnym otoczeniu. Nowe podejście zmniejsza poleganie na tych próbkach, powodując wykrycie w czasie rzeczywistym, możliwość natychmiastowego identyfikacji ruchomych celów bez opóźnień bardziej wykonalnych dla systemów radarowych w powietrzu i przestrzeni.
Wyniki tego badania torują drogę dla bardziej wydajnych i niezawodnych systemów wykrywania radarów, z potencjalnymi zastosowaniami w obronie, lotnictwie i teledetekcji. Łącząc uczenie się w małej próbie z mechanizmami uwagi, podejście to stanowi potężną alternatywę dla istniejących metod wykrywania. Przyszłe badania mogą koncentrować się na dalszej optymalizacji sieci pod kątem wdrażania świata rzeczywistego i rozszerzeniu jego możliwości na różne platformy radarowe.
Referencje dziennika
Zhu J., Wen C., Duan C., Wang W., Yang X. „Radar poruszający się wykrywanie celu w oparciu o uczenie się i mechanizm uwagi przenoszenia małej próby”. Zdalne zmysł, 2024; 16: 4325. Doi: https://doi.org/10.3390/rs16224325
O autorze

Profesor Cai Wen Uzyskał tytuł licencjata w School of Electronic Engineering na Xidian University w lipcu 2009 r., Oraz doktorant inżynierii z National Key Laboratory of Radar Signal Processing na Xidian University w grudniu 2014 r. Od listopada 2019 r. Do marca 2023 r. Postdoctoral Research Fellow na Wydziale Inżynierii Elektrycznej i Komputerowej na McMaster University w Kanadzie. Od listopada 2016 r. Był asystentem profesora w School of Information Science and Technology, Northwest University, i został awansowany na profesora nadzwyczajnego w 2019 r.
Prowadził ponad 10 krajowych i prowincjonalnych projektów, w tym Chinową Fundację National Science Foundation oraz kilka projektów przemysłowych. Uczestniczył także w licznych projektach badawczych, takich jak National Defense Pre-Besearch Program, National Basic Research Program (973 Program) oraz National Key Research and Development Program. Opublikował ponad 80 artykułów SCI/EI-ink. Wśród tych publikacji pięć artykułów jest wysoce cytowane przez ESI, a trzy są transakcjami IEEE. Jest autorem trzech monografii akademickich i posiada ponad 10 autoryzowanych patentów wynalazków.
Profesor Cai Wen pełnił funkcję przewodniczącego sesji i członka TPC na kilku prestiżowych międzynarodowych konferencjach i działał jako recenzent i lider zespołu w wielu projektach krajowych. Obecnie pełni funkcję członka redakcji na Uniwersytecie Aeronautycznym i Astronautycznym i Radaru Modern. Jest także starszym członkiem Chinese Institute of Electronics i China Radar Industry Association. Jest odbiorcą chińskiego „Międzynarodowego programu wymiany międzynarodowej” i „Young Academic Talent Support Program” na Northwest University. Jego zainteresowania badawcze koncentrują się na przetwarzaniu sygnału radaru, zintegrowanym wykrywaniu i komunikacji (ISAC) i sztucznej inteligencji (AI).