Luận án tiến sĩ: Nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu

Bài toán nhận dạng mục tiêu radar tập trung vào việc phân loại đối tượng từ tín hiệu phản hồi. Hệ thống radar phát sóng điện từ và thu nhận tín hiệu phản xạ. Các dấu hiệu nhận dạng bao gồm đặc trưng hình học, động học và tín hiệu. Phương pháp truyền thống dựa vào trích xuất đặc trưng thủ công. Quá trình này tốn thời gian và phụ thuộc vào kinh nghiệm chuyên gia. Tập dữ liệu radar thường chứa nhiễu và biến đổi phức tạp. Độ phân giải và chất lượng tín hiệu ảnh hưởng trực tiếp đến kết quả.

Mạng nơ-ron học sâu thay đổi cách tiếp cận bài toán nhận dạng radar. Các kiến trúc CNN và RNN được ứng dụng phổ biến. Mạng nơ-ron tích chập CNN xử lý hiệu quả dữ liệu ảnh radar. Khả năng tự động trích xuất đặc trưng radar giảm thiểu can thiệp thủ công. Mô hình học sâu học được biểu diễn đa cấp từ dữ liệu. Hiệu suất nhận dạng vượt trội các phương pháp cổ điển. Công nghệ này mở ra tiềm năng lớn cho hệ thống radar thông minh.

Xử lý tín hiệu radar đối mặt nhiều thách thức kỹ thuật. Nhiễu môi trường ảnh hưởng đến chất lượng tín hiệu thu. Dữ liệu SAR có độ phức tạp cao với nhiều biến thể. Phân tích phổ Doppler yêu cầu thuật toán xử lý tinh vi. Sự mất cân bằng dữ liệu giữa các lớp mục tiêu gây khó khăn huấn luyện. Tài nguyên tính toán hạn chế ảnh hưởng đến triển khai thực tế. Cần giải pháp tối ưu để cân bằng độ chính xác và tốc độ xử lý.

Cấu trúc RINet bao gồm nhiều khối tích chập xếp chồng. Mỗi khối chứa lớp convolution, batch normalization và activation. Kiến trúc sử dụng kết nối tắt để tránh vấn đề gradient biến mất. Số lượng filter tăng dần qua các lớp sâu hơn. Pooling layer giảm chiều dữ liệu và tăng trường nhìn. Dropout được áp dụng để giảm overfitting. Lớp fully connected cuối thực hiện phân loại đa lớp.

RINet tự động học các đặc trưng phân biệt từ dữ liệu radar. Lớp tích chập đầu học các cạnh và texture cơ bản. Các lớp sâu hơn học đặc trưng trừu tượng phức tạp. Quá trình này không cần thiết kế đặc trưng thủ công. Mô hình thích nghi với đặc điểm riêng của dữ liệu radar. Khả năng tổng quát hóa cao trên dữ liệu mới. Hiệu quả trích xuất đặc trưng radar vượt trội phương pháp truyền thống.

Quá trình tối ưu sử dụng các kỹ thuật huấn luyện tiên tiến. Learning rate scheduling giúp hội tụ nhanh và ổn định. Data augmentation tăng tính đa dạng dữ liệu huấn luyện. Batch size và số epoch được điều chỉnh phù hợp. Regularization techniques ngăn chặn overfitting hiệu quả. Validation set đánh giá hiệu suất trong quá trình huấn luyện. Mô hình đạt cân bằng tối ưu giữa bias và variance.

Tập dữ liệu radar thường có phân bố không đồng đều giữa các lớp. Một số loại mục tiêu có số lượng mẫu nhiều hơn đáng kể. Lớp thiểu số như Flycam bị bỏ qua trong quá trình huấn luyện. Mô hình thiên về dự đoán các lớp đa số. Độ chính xác tổng thể cao nhưng hiệu suất lớp thiểu số kém. Vấn đề này phổ biến trong ứng dụng thực tế. Cần giải pháp cân bằng ảnh hưởng của các lớp khác nhau.

Focal Loss thêm hệ số điều chỉnh vào Cross Entropy. Công thức bao gồm tham số focusing và class weight. Tham số gamma kiểm soát mức độ giảm trọng số mẫu dễ. Giá trị gamma cao tập trung mạnh vào mẫu khó. Alpha weight cân bằng tầm quan trọng giữa các lớp. Hàm mất mát giảm nhanh cho dự đoán chính xác. Gradient lớn hơn cho các mẫu phân loại sai.

Đề xuất bổ sung trọng số riêng cho lớp Flycam. Trọng số được tính dựa trên tỷ lệ nghịch đảo số mẫu. Phương pháp này tăng cường sự chú ý vào lớp thiểu số. Kết hợp với tham số gamma tối ưu cho hiệu quả cao. Thực nghiệm cho thấy cải thiện đáng kể độ chính xác Flycam. Độ chính xác tổng thể của mô hình vẫn được duy trì. Giải pháp đơn giản nhưng hiệu quả trong thực tế.

Nhiễu radar xuất hiện dưới nhiều dạng khác nhau. Nhiễu nhiệt từ thiết bị điện tử ảnh hưởng tín hiệu yếu. Nhiễu clutter từ môi trường xung quanh gây nhiễu loạn. Speckle noise đặc trưng trong dữ liệu SAR. Nhiễu làm giảm tỷ lệ tín hiệu trên nhiễu SNR. Chất lượng ảnh kém ảnh hưởng đến trích xuất đặc trưng. Cần phương pháp lọc hiệu quả để cải thiện dữ liệu đầu vào.

Bộ lọc được tích hợp vào giai đoạn tiền xử lý. Đặt trước lớp tích chập đầu tiên của mạng. Vị trí này cho phép làm sạch dữ liệu ngay từ đầu. Các lớp sau xử lý dữ liệu đã được lọc nhiễu. Cải thiện chất lượng đặc trưng học được. Giảm ảnh hưởng nhiễu đến quá trình huấn luyện. Tăng độ ổn định và tin cậy của mô hình.

Bộ lọc tự động điều chỉnh kích thước cửa sổ theo đặc điểm vùng ảnh. Vùng có nhiều chi tiết sử dụng cửa sổ nhỏ. Vùng đồng nhất áp dụng cửa sổ lớn hơn. Thuật toán phát hiện cạnh và texture để quyết định. Phương pháp bảo tồn thông tin quan trọng hiệu quả. Loại bỏ nhiễu mà không làm mờ đặc trưng. Kết quả thực nghiệm cho thấy cải thiện rõ rệt độ chính xác nhận dạng.

Thu thập dữ liệu radar thực tế tốn kém và phức tạp. Một số loại mục tiêu hiếm gặp trong thực tế. Chi phí vận hành hệ thống radar cao. Điều kiện thu thập yêu cầu môi trường và thời gian đặc biệt. Dữ liệu không cân bằng giữa các lớp mục tiêu. Tập dữ liệu nhỏ dẫn đến overfitting mô hình. Cần phương pháp tăng cường dữ liệu hiệu quả.

Generator sử dụng kiến trúc deconvolution để tạo ảnh. Đầu vào là vector nhiễu ngẫu nhiên từ phân bố chuẩn. Các lớp deconv tăng dần kích thước đến ảnh radar. Discriminator là mạng CNN phân loại nhị phân. Kiến trúc tương tự phần encoder của RINet. Hàm mất mát adversarial điều khiển quá trình học. Cân bằng huấn luyện hai mạng là yếu tố quan trọng.

Chất lượng ảnh sinh được đánh giá qua nhiều tiêu chí. Inception Score đo tính đa dạng và chất lượng. Frechet Inception Distance so sánh phân bố ảnh thật và giả. Visual inspection kiểm tra định tính bằng mắt thường. Ảnh sinh phải giống ảnh thật về cấu trúc và đặc trưng. Thử nghiệm trên mô hình phân loại mục tiêu radar. Kết quả cho thấy cải thiện độ chính xác khi bổ sung dữ liệu GAN.

Tín hiệu radar thay đổi theo thời gian tạo chuỗi dữ liệu. Phân tích phổ Doppler cung cấp thông tin vận tốc mục tiêu. Chuỗi xung radar chứa thông tin chuyển động. Đặc trưng thời gian quan trọng cho phân loại. Mẫu chuyển động khác nhau giữa các loại mục tiêu. Máy bay có đặc trưng Doppler khác xe cộ. RNN khai thác hiệu quả thông tin tuần tự này.

LSTM gồm nhiều cell kết nối tuần tự. Mỗi cell xử lý một bước thời gian trong chuỗi. Cell state truyền thông tin dài hạn qua các bước. Hidden state chứa thông tin ngắn hạn cho bước hiện tại. Các cổng sử dụng hàm sigmoid và tanh. Số lượng unit trong LSTM ảnh hưởng khả năng học. Stacking nhiều lớp LSTM tăng độ sâu mô hình.

CNN trích xuất đặc trưng không gian từ ảnh radar. LSTM xử lý chuỗi đặc trưng theo thời gian. Kiến trúc hybrid tận dụng ưu điểm cả hai. CNN layers trước LSTM layers trong pipeline. Đầu ra CNN là đầu vào cho LSTM. Mô hình học được đặc trưng không gian-thời gian. Hiệu quả cao cho nhận dạng mục tiêu chuyển động.