实时基于雷达的手动识别在FPGA上使用混合深度学习模型.
Taher S Ahmed1, Ahmed F Mahmoud1, Magdy Elbahnasawy2
1Radar Department, Military Technical Collage, Cairo 11588, Egypt.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了基于实时雷达的手动识别 (HMR) 的新框架,使用混合CNN-SVM模型,实现高精度和高效的硬件部署. 该系统显示了嵌入式应用程序的执行时间和参数数量的显著减少.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 嵌入式系统 嵌入式系统
背景情况:
- 基于雷达的手动识别 (HMR) 面临诸如传感器干扰,杂乱和小数据集等挑战,限制了深度学习 (DL) 模型的性能.
- 现有的HMRDL模型通常需要大量的计算资源,阻碍了嵌入式平台的实时部署.
研究的目的:
- 开发一种新的,实时的HMR框架,克服噪音和数据限制.
- 提高HMR模型的效率和准确性,以便在资源有限的嵌入式系统上部署.
主要方法:
- 一个预处理管道,包括过,平方绝对值计算和规范化,应用于雷达数据.
- 时间序列雷达信号被转换成二元化图像,以提供强大的特征表示.
- 采用混合卷积神经网络支持向量机 (CNN-SVM) 模型进行分类,然后对FPGA平台进行量化和部署 (Xilinx Zynq ZCU102和KR260).
主要成果:
- 拟议的CNN-SVM模型实现了98.91%的分类准确性.
- 与反复的基线相比,模型参数减少了多达66%,SVM实现了92.79%的测试准确性.
- 在FPGA平台上实现了96.13% (ZCU102) 和95.42% (KR260) 的端到端精度,与基于PC的实现相比,执行时间显著减少,吞吐量得到改善.
结论:
- 开发的框架允许基于雷达的HMR用于实时嵌入式应用程序的准确和资源高效.
- 二元化图像表示和混合CNN-SVM架构增强了模型的稳定性并降低了计算负载.
- 成功部署FPGA证实了该系统适用于各种嵌入式环境的可行性.
