Gürültüsü azaltılmış ve veri seti arttırılmış micro-doppler radar spektrogramları ile nesne sınıflandırılması

Nesnelerin sınıflandırılması, radar sinyal işlemedeki en zorlu görevlerden biridir. Bir hedefi sınıflandırmak, radar operatörlerinin, nesnenin kaynağı ve etkinliği gibi hedefin doğasını anlamalarına yardımcı olabilir. Ancak radar nesne sınıflandırma modelleri geliştirmek için gerekli olan etiketli verileri bulmak çok zordur. Bir radar veri seti oluşturmak pahalı ve zaman alıcı bir süreçtir. Bu sorunları ele almak için mikro-Doppler radar veri setlerine uygulanabilecek bir gürültü azaltma yöntemi bu tez kapsamında önerilmiştir. Bu yöntem, RadEch micro-Doppler radar veri setlerindeki her sınıfın spektrogramlarının ortalaması alınarak ve bu ortalama spektrogramın, sınıflarda bulunan her örnekten piksel piksel çıkarılması ile gerçekleştirilir. RadEch veri kümesi ayrıca geleneksel ve öğrenme tabanlı veri geliştirme yöntemleriyle de zenginleştirilmiştir. Öğrenmeye dayalı veri artırma yöntemi, Çekişmeli Üretici Ağlar kullanılarak gerçekleştirilmiştir. Ham spektrogramlar, geliştirilmiş spektrogramlar ve gürültüsü azaltılmış spektrogramlar beş katmanlı evrişimsel sinir ağı, VGG-16 ve VGG-19 kullanılarak sınıflandırılmıştır. Sınıflandırma sonuçları, literatürde yapılmış alan son çalışmalarla karşılaştırılmıştır. Karşılaştırma sonuçları, gürültüsü azaltılmış spektrogramlar üzerinde yapılan sınıflandırma başarısının, mevcut en son yöntemlerden daha iyi bir performansa sahip olduğunu göstermiştir.