Synthétisez des signaux radar pour entraîner des modèles de Machine Learning et de Deep Learning pour la classification de cibles et de formes d'onde.
Avec MATLAB® et Simulink®, vous pouvez :
- Labelliser les signaux recueillis par des systèmes radar avec l'application Signal Labeler
- Enrichir les jeux de données en simulant les formes d'onde et les échos radar d'objets avec une variété de surfaces équivalentes radar
- Simuler des signatures micro-Doppler de gestes de la main et d'objets animés avec des corps non rigides tels que des hélicoptères, des piétons et des cyclistes
- Appliquer les workflows d'identification et de classification à des jeux de données publics
Pourquoi utiliser l’intelligence artificielle pour les radars ?
Synthétisez des signaux radar pour entraîner des modèles de Machine Learning et de Deep Learning pour la classification de cibles et de de formes d'onde, et appliquez des techniques d'intelligence artificielle aux données collectées par des systèmes radar.
Classification des formes d'onde
Synthétisez et labellisez les formes d'onde radar pour entraîner des réseaux de Deep Learning. Extrayez les caractéristiques temps-fréquence des signaux et effectuez la classification de la modulation des formes d'onde en utilisant des réseaux de Deep Learning.
Classification des cibles radar
Classifiez les échos radar en fonction des surfaces équivalentes radar grâce à des approches de Machine Learning et de Deep Learning. L'approche de Machine Learning utilise l'extraction des caractéristiques avec la diffusion par ondelettes couplée à une SVM (Support Vector Machine). Deux approches de Deep Learning courantes sont l'apprentissage par transfert avec SqueezeNet et l'emploi d'un réseau de neurones récurrents LSTM (Long Short-Term Memory).
Classification des gestes de la main
Classifiez les signaux radar à impulsion ultra-large bande à partir d'un jeu de données publiquement disponible contenant des gestes dynamiques de la main. Utilisez un réseau de neurones à convolution (CNN) à entrées multiples et sortie unique, où le modèle CNN extrait les caractéristiques de chaque signal avant de les combiner pour faire une prédiction finale d'étiquette de geste.
Classification des signatures micro-Doppler
Classifiez les piétons et les cyclistes en fonction de leurs caractéristiques micro-Doppler en utilisant une analyse temps-fréquence et un réseau de Deep Learning. Les mouvements des différentes parties d'un objet placé devant un radar produisent des signatures micro-Doppler qui peuvent être utilisées pour identifier l'objet.
Classification d'images SAR
Utilisez des techniques de Deep Learning pour la classification de cible dans des images SAR (Synthetic Aperture Radar). Créez et entraînez un réseau de neurones à convolution (CNN) pour classifier les cibles SAR à partir du jeu de données MSTAR (Moving and Stationary Acquisition and Recognition).
Reconnaissance d'images SAR
Effectuez la reconnaissance des cibles dans les images SAR (Synthetic Aperture Radar) en utilisant un réseau de neurones à convolution basé sur les régions (R-CNN). Le réseau R-CNN offre des performances de détection et de reconnaissance efficaces qui s'adaptent aux images SAR de scènes étendues.
Utilisation de l’intelligence artificielle pour les radars avec MATLAB
Produits
Découvrez les produits utilisés avec le Deep Learning pour les applications radar.
Demander une version d’essai gratuite
Profitez de 30 jours pour tester.
