Künstliche Intelligenz (KI)

Künstliche Intelligenz für Radar

Einsatz von Techniken der künstlichen Intelligenz in Radaranwendungen

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

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.

Einsatz von Diagrammen, um zu zeigen, wie sich die Werte im Zeitverlauf ändern.

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).

Vergleich von tatsächlichen und vorhergesagten Kennzeichnungen bei der Klassifizierung von Handgesten.

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. 

Vorhergesagte Rahmen und Kennzeichnungen am Testbild anzeigen.

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.

Vorhergesagte Rahmen und Kennzeichnungen am Testbild anzeigen.

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.