Simulation der Radarsignale zum Trainieren von Deep-Learning-Modellen für die Ziel- und Signalklassifizierung.
Mit MATLAB® und Simulink® können Sie Folgendes tun:
- Aus Radarsystemen erfasste Signale mithilfe der Signal Labeler-App kennzeichnen
- Datensätze durch das Simulieren von Radarwellenformen und Echos von Objekten mit einer Vielzahl von Radarquerschnitten aufwerten
- Mikro-Doppler-Signaturen von Gesten und animierten Objekten mit nicht-starren Körpern wie Hubschrauber, Fußgänger und Radfahrende simulieren
- Identifizierungs- und Klassifizierungsabläufe auf öffentliche Datensätze anwenden
Warum Künstliche Intelligenz für Radar?
Synthetisieren Sie Radarsignale zum Trainieren von Machine-Learning- und Deep-Learning-Modellen zur Ziel- und Signalklassifizierung. Wenden Sie Künstliche-Intelligenz-Techniken auf von Radarsystemen erfasste Daten an.
Klassifikation von Wellenformen
Synthetisieren und kennzeichnen Sie Radarwellenformen, um Deep-Learning-Netze zu trainieren. Extrahieren Sie Zeit-Frequenz-Funktionen von Signalen und führen Sie eine Wellenform-Modulationsklassifizierung mithilfe von Deep-Learning-Netzen aus.
Radarzielklassifikation
Klassifizieren Sie Radardetektionen auf Basis von Radarquerschnitten mit einem Machine-Learning- und einem Deep-Learning-Ansatz. Der Machine-Learning-Ansatz verwendet eine Merkmalsextraktion mit Wavelet-Streuung zusammen mit einer Support Vector Machine (SVM). Zwei gängige Deep-Learning-Ansätze sind das Transfer Learning mithilfe von SqueezeNet und ein rekurrentes neuronales LSTM-Netz (Long Short-Term Memory).
Klassifizierung von Handgesten
Klassifizieren Sie UWB-Impulsradarsignaldaten (Ultrabreitband) aus einem öffentlich verfügbaren Datensatz dynamischer Handgesten. Verwenden Sie ein neuronales Faltungsnetz (CNN) mit mehreren Eingaben und einer einzelnen Ausgabe, wobei das CNN-Modell Merkmalinformationen aus jedem Signal extrahiert, bevor sie zu einer endgültigen Vorhersage der Gestenkennzeichnung kombiniert werden.
Klassifizierung einer Mikro-Doppler-Signatur
Klassifizieren Sie Fußgänger und Radfahrende je nach Mikro-Doppler-Merkmalen mithilfe einer Zeit-Frequenz-Analyse und einem Deep-Learning-Netz. Die Bewegungen verschiedener Teile eines vor einem Radar platzierten Objekts erzeugen Mikro-Doppler-Signaturen, mit denen das Objekt identifiziert werden kann.
Klassifizierung eines SAR-Bildes
Verwenden Sie Deep-Learning-Techniken zur Zielklassifizierung von Bildern eines Synthetic Aperture Radar (SAR). Erstellen und trainieren Sie ein CNN, um SAR-Ziele aus dem MSTAR-Datensatz (Moving and Stationary Target Acquisition and Recognition) mit gemischten Zielen zu klassifizieren.
SAR-Bilderkennung
Führen Sie eine Zielerkennung von SAR-Bildern (Synthetic Aperture Radar) mithilfe eines Region-based Convolutional Neural Network (R-CNN) durch. Das R-CNN verbindet Detektion und Erkennung mit effizienter Leistung, die sich auf großflächige SAR-Bilder skalieren lässt.
Einsatz von Künstliche Intelligenz für Radar mit MATLAB
Produkte
Erfahren Sie mehr über die Produkte, die bei Deep Learning für Radar verwendet werden.
Kostenlose Testversion anfordern
30 Tage kostenlos ausprobieren.
