Radar mikro-doppler imza sınıflandırma problemi için derin sinir ağı başlatma ve eğitim metodolojileri

Abstract

Son zamanlarda, derin yapay sinir ağları (DNN), sentetik açıklılı radar (SAR) veya mikro-Doppler tabanlı otomatik hedef tanıma gibi RF sinyal sınıflandırma uygulamalarında araştırma konusu olmuştur. Bununla birlikte, radar verisi elde etmenin masraflı ve zor olması, elde edilebilecek veri sayısını kısıtlamaktadır. DNN'ler yüksek varyanslı modeller olmaları sebebiyle aşırı öğrenmeye yatkıdırlar. Dolayısıyla iyi bir genelleme öğrenebilmek için fazla miktarda etiketlenmiş veriye ihtiyaç duymaktadırlar. Bu tez çalışmasında, ilk olarak 4 GHz sürekli dalga radarı 12 farklı ancak birbirine benzer insan hareketi için bir veri seti oluşturulmuştur. Sonrasında literatürde az sayıda veriyle DNN eğitmek için önerilen iki temel teknik kıyaslanmıştır: Gözetimsiz ön-eğitim ve aktarımlı öğrenme. Gözetimsiz ön-eğitim bir konvolüsyonel otokodlayıcı (CAE) yapısı üzerinden, aktarımlı öğrenme ise ImageNet üzerine eğitilmiş popüler CNN mimarileri (VGGNet, GoogleNet and ResNet) üzerinden gerçekleştirilmiştir. Buna ek olarak, aktarımlı öğrenmenin benzer transfer alanı üzerinden uygulanabilmesi için, farklılaştırılmış radar mikro-Doppler simülasyonları oluşturan yenilikçi bir metot önerilmiştir. Tüm sonuçlar, el işçiliği ile oluşturulmuş özniteliklerin çıkartılarak bir SVM sınıflandırıcısının eğitildiği geleneksel yöntem ile kıyaslanmıştır. Tezin sonunda, önerilen artçıl aktarımlı öğrenme ağı DivNet'in, diğer DNN mimarileri arasında en yüksek sınıflandırma doğruluğunu sağladığı ve gürültüye karşı gürbüz olduğu gösterilmiştir.

Recently, deep neural networks (DNNs) have been the subject of intense research for the classification of radio frequency (RF) signals, such as synthetic aperture radar (SAR) imagery or micro-Doppler based automatic target recognition. However, a fundamental challenge is the typically small amount of data available due to the high costs and resources required for measurements. Deep neural networks (DNNs), however, require large-scale labeled datasets to prevent overfitting while having good generalization. In this thesis, the efficacy of two neural network initialization techniques - unsupervised pre-training and transfer learning - for dealing with training DNNs on small data sets are compared. Unsupervised pre-training is implemented through the design of a convolutional autoencoder (CAE), while transfer learning from two popular CNN architectures (VGGNet, GoogleNet and ResNet). Also, a novel method for generating diversified radar micro-Doppler signatures using Kinect-based motion capture simulations is proposed as a training database for DNNs exploiting transfer learning. Results have also been compared with the conventional approach where handcrafted features are employed to train an SVM classifier. In particular, it is shown that the proposed residual transfer learning network, DivNet, offers the highest classification accuracy among other DNN architectures and, is robust to image noise.