Target detection in radars using small neural networks

Abstract

Target detection is an essential part of radar systems. An important objective in radar target detection is to satisfy two often contradictory requirements: a high probability of detection with a low false alarm rate. This report proposes and investigates the use of a particular machine learning method to detect targets in range-Doppler images. The application of machine learning in such a context allows the detection procedure to be designed primarily on available data. This can therefore reduce the need to design detection algorithms tailored for different scenarios. The method proposed in this report follows a two-step approach. In the first step a depreciated detection process is performed which results in a high probability of detection and a very large false alarm rate. In the second step a trained neural network makes a final decision to classify the detection as true or false. The report shows that trained neural networks are capable of identifying false detections with considerable accuracy. These networks can utilize information available in guard cells and Doppler profiles. This allows for a significant reduction in false alarm rate with moderate loss in the probability of detection. With an appropriately designed neural network, an overall improved system performance can be achieved when compared against traditional constant false alarm rate (CFAR) detectors for the specific trained scenarios. The trained scenarios may include land or sea clutter and difficult to detect targets, such as those with low signal to noise ratio, multiple closely spaced targets or targets in clutter edges. The report is based largely on a previously published paper [1] by the author.

Måldeteksjon er en viktig oppgave for radarsystemer. En ønsker å tilfredstille to delvis motstridende krav: å oppnå høy deteksjonsevne samtidig med en lav falsk alarmrate. Denne rapporten ser på deteksjon av mål i avstand-dopplerbilder. Vi foreslår en maskinlæringsmetodikk for dette formålet. Bruk av maskinlæring gjør det mulig å utvikle deteksjonsmetoder utelukkende basert på innsamlede data. Dette kan blant annet redusere behov for utvikling av egne deteksjonsalgoritmer for ulike scenarioer. I denne rapporten foreslås en tostegs prosess for deteksjon. I det første steget gjennomføres deteksjon med en forenklet tradisjonell teknikk. Denne teknikken resulterer i høy deteksjonsevne, men med atskillige falske deteksjoner. I det neste steget tar et trent nevralt nettverk en endelig avgjørelse som klassifiserer deteksjoner som korrekte eller falske. Resultatene av en slik prosess viser at trente nevrale nettverk kan identifisere falske deteksjoner med god nøyaktighet. Nettverket kan anvende tilgjengelig informasjon i naboceller og dopplerprofiler for bedret ytelse. Dette gjør det mulig å redusere i falsk alarmrate med begrenset tap i deteksjonsevne. Med et tilpasset trent nevralt nettverk kan en oppnå økt systemytelse sammenlignet med tradisjonelle CFAR (konstant falsk alarm rate) deteksjonsmetoder. Scenarioene for opptrening kan inneholde ulik typer clutter og mål, som det kan være vanskelig å detektere på grunn av lav signal-til-støyforhold, multiple nærliggende objekter eller mål i clutterkanter. Denne rapporten er hovedsakelig basert på en publisert artikkel [1] av forfatteren.