.png){kind=icon}
返回
Radar-Spectrogram-Based UAV Classification Using Convolutional Neural Networks
.png){kind=icon}
OA
AI
DOI：10.3390/s21010210.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着无人机 (uav) 在各个领域的使用激增，实时检测和识别它们正在成为重要的课题。然而，由于无人机高度低、速度慢、雷达散射截面小等特点，其识别难度较大。利用现有的确定性方法，该算法变得复杂并且需要大量的计算，使得其不适合于实时系统。因此，需要能够实时识别这些新威胁的有效替代方案。基于深度学习的分类模型自己从数据中学习特征，并在计算机视觉任务中表现出出色的性能。在本文中，我们提出了一种基于深度学习的分类模型，该模型学习雷达频谱图图像上表示的目标的微多普勒特征 (MDS)。为了实现这一点，首先，我们在各种场景下使用调频连续波 (FMCW) 雷达记录了五个LSS目标 (三种类型的无人机和两种不同类型的人类活动)。然后，我们通过短时傅立叶变换 (STFT) 将信号转换为图像形式的频谱图。经过数据的细化和增强，我们制作了自己的雷达光谱图数据集。其次，利用ResNet-18模型分析了雷达频谱图数据集的特点，并在ResNet-18模型的基础上设计了计算量小、精度高、稳定性好的resnet-sp模型。结果表明，所提出的resnet-sp训练时间为242 s，准确率为83.39%，优于训练时间为640 s，准确率为79.88% 的ResNet-18。
Keyword:
CNN
classification
UAV
FMCW radar
STFT
spectrogram
MDS
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
分享收藏Structural study of lanthanides(III) in aqueous nitrate and chloride solutions by EXAFS通过EXAFS对硝酸盐和氯化物水溶液中镧系元素 (III) 的结构研究
PREAI
分享收藏分享收藏Machine Learning-Based Drone Detection and Classification: State-of-the-Art in Research基于机器学习的无人机检测和分类: 研究中的最新技术.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏C−H Bond Activation Processes in Cationic and Neutral Titanium Benzyl Compounds with Cyclopentadienyl−Arene Ligands具有环戊二烯-芳烃配体的阳离子和中性钛苄基化合物中的c-h键活化过程OAAI
OAAI分享收藏
查看更多内容