FMCW 雷达传感器通过重复使用神经网络来提高范围精度
Homin Cho1,2, Yunho Jung3,4, Seongjoo Lee1,2
1Department of Semiconductor Systems Engineering, Sejong University, Gunja-dong, Gwangjin-gu, Seoul 05006, Republic of Korea.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究通过监督学习提高了雷达范围的精度. 重复使用神经网络可以最大限度地降低成本并提高效率,即使增加了标签,也能更好地传感室内雷达.
科学领域:
- 雷达系统工程 雷达系统工程
- 机器学习应用 机器学习应用
- 信号处理 信号处理
背景情况:
- 监督学习提高了雷达范围的精度,但当精度超过分辨率时,它面临着加大标签和学习成本的挑战.
- 消除背景噪声对于室内雷达传感应用至关重要.
研究的目的:
- 提出一种方法来提高雷达范围的精度,同时减轻监督学习中的标签数量不断增加.
- 为了降低学习成本,并最大限度地提高雷达系统的计算效率.
主要方法:
- 利用为特定部分训练的神经网络,并将其重复用于其他应用.
- 在频率域中应用分数多重模式,用于在不同的FFT bin位置上进行模式分析.
主要成果:
- 证明频率域中相同的分数多重模式可以分析各种FFT bin位置的模式.
- 证实,在相同的数据上训练的神经网络可以有效地重新使用.
结论:
- 提出的方法成功地提高了范围的精度,同时在监督学习中管理标签的扩散.
- 重新使用训练有素的神经网络可以为雷达系统实现高效的硬件实现,减少计算开销.
