Maskinlæring og gruppeantenner i moderne radarsystemer

Abstract

Denne rapporten presenterer enkelte resultater fra siste del av FFI-prosjektet Operativ radarytelse II (OPRA II), hvor den potensielle anvendelsen av maskinlæring og nevrale nettverk i moderne radarsystemer er blitt studert. Maskinlæringsbaserte teknikker er demonstrert på problemstillinger innen sparse rekonstruksjon og deteksjon av mål. Sparse rekonstruksjon er en teknikk som kan brukes på data som er samlet inn ved hjelp av en compressed sensing metodikk. De innsamlede dataene er derfor ikke punktprøvd regulært, men har gap. For å rekonstruere data må en ta i bruk sparse rekonstruksjonsteknikker som i hovedsak baserer seg på bruk av iterative numeriske metoder. I denne rapporten er det demonstrert hvordan en heller kan anvende et opptrent nevralt nettverk for dette formålet. Resultatene gjør det mulig å kjøre rekonstruksjonsteknikker effektivt ved hjelp av dedikerte grafikkort. Deteksjon av mål er en viktig egenskap for en radar. Svake mål, flere nærliggende mål og clutter gjør blant annet at det er krevende å opprettholde høy deteksjonsevne samtidig som falskalarmraten holdes lav. For å forbedre den generelle deteksjonsytelsen er det implementert detektorer ved hjelp av maskinlæringsteknikker. Resultatene viser at det er mulig å opprettholde god deteksjonsytelse, mens falskalarmraten kan reduseres betraktelig i forhold til konvensjonelle deteksjonsmetoder. I tilknytning til dette er array-prosessering en viktig del av moderne radarsystemer. Teorien bak mange av metodene som anvendes har vært kjent i lengre tid. Gruppeantenner med mange mottakskanaler gir bedre retningsinformasjon enn antenner med en enkelt kanal, og arrayprosessering utnytter denne informasjonen. Men det stiller store krav til antennens maskinvareløsninger og til regneressurser for signalprosesseringen. Rapporten oppsummerer resultater fra ulike simuleringer og testforsøk knyttet til adaptive array-prosesseringsmetoder for bakkebaserte radarer. Resultatene indikerer at array-prosessering fungerer godt for bakkebaserte radarer som opererer i komplekse signalmiljøer. Adaptiv stråleforming gir bedre retningsbestemmelse og deteksjonsevne enn konvensjonell stråleforming under testmålinger med gruppeantenner utsatt for interferens.

This report presents some techniques and results from the OPRA II project. The presented methods investigate the use of machine learning and neural networks in a radar context. These techniques are applied for the cases of sparse reconstruction and target detection. Data collected through compressed sensing methods will have gaps within and be incoherent. To reconstruct full data, sparse reconstruction methods need to be employed. These techniques rely on the use of numerical iterative methods. In this work, we show how one can instead use a neural network for this purpose. This opens up the possibilities for an efficient execution of reconstruction methods using e.g. dedicated graphical processing units. Target detection is an important task for radar systems and becomes complicated in settings with weak targets, multiple closely spaced targets and the presence of clutter. This can make it difficult to sustain a high probability of detection with a low false alarm rate. To improve upon traditional detectors, the detection process is herein proposed implemented via machine learning based techniques. The results show that it is possible to sustain a good detection capability while the neural networks can significantly reduce the false alarm rate. Array processing is another important and integral part of modern radar systems. The general theory behind many of the concepts applied in array processing is well developed. Array antennas with multiple receiver channels provide better directional information than single channel antennas, and array processing exploits this information. However, this places great demands on the antenna hardware solutions and on computational capabilities for the signal processing. This report gives a summary on various simulations and trials carried out during the project related to array processing. The results indicate array processing works well for groundbased radars operating in complex signal environments. Adaptive beamforming provides better direction of arrival estimates and detection capability than conventional beamforming during test measurements with array antennas exposed to interference.