使用低不确定性微多普勒签名图像和超轻量卷积神经网络的小型无人机的分类

科学领域:

• 雷达信号处理 雷达信号处理
• 人工智能的人工智能
• 无人机技术 无人机技术

背景情况:

• 小型无人机的扩散需要先进的威胁检测和分类方法.
• 卷积神经网络 (CNN) 与频率调制连续波 (FMCW) 雷达的微多普勒特征 (MDS) 结合起来,对无人机分类具有前景.
• 现有的方法在实时处理和准确性方面面临挑战,特别是在不同无人机特性的情况下.

研究的目的:

• 开发一个全面和有效的实时方法来分类小型无人机.
• 提高MDS图像的质量,以进行增强的无人机签名分析.
• 创建一个超轻的CNN模型,以降低计算成本保持高分类准确性.

主要方法:

• 使用频率调制连续波 (FMCW) 雷达的改进技术,生成高质量的微多普勒特征 (MDS) 图像.
• 开发和实施超轻量级卷积神经网络 (CNN) 架构,优化速度和效率.
• 实时分类实验集成增强的MDS图像生成和轻量级的CNN模型.

主要成果:

• 拟议的MDS图像增强技术显著提高了雷达信号的质量,从而提高了CNN分类的准确性.
• 不确定性量化验证了增强的MDS图像的稳定性和可靠性.
• 超轻量级的CNN实现了高分类准确度 (高达100%,平均99.21%) 的最小计算资源 (约. 4.88K参数,21.51K节点,31.52M个FLOPS). 这是一个很好的方法.

结论:

• 这种综合方法有效地从很远的距离实时分类小型无人机.
• 增强的MDS成像和超轻 CNN的组合为无人机检测提供了高效和准确的解决方案.
• 这种方法解决了对有效的反无人机技术日益增长的需求,通过提供可行的计算和高性能分类系统.