Simuleringer med arrayprosessering og maskinlæring for deteksjon av radarmål

Abstract

I rapporten testes og sammenliknes deteksjonsegenskaper for arrayprosesseringsalgoritmer med Konstant falsk-alarmrate (CFAR)-deteksjon og deteksjonsegenskaper for et sekvensielt klassifiseringsnettverk. Testene er utført med ulike typer simulert signalmiljø for luftbåren pulset radar med fasestyrt gruppeantenne og multiple mottakskanaler. CFAR av typen cellemidling er benyttet. Rom-tid adaptiv prosessering (Space-time adaptive processing) (STAP) er en velprøvd metode for undertrykking av bakkeclutter, men har kjente utfordringer med heterogent clutter. Studien undersøker om maskinlæring kan bidra til å redusere problemet med deteksjon i heterogent signalmiljø. Det sekvensielle klassifiseringsnettverket benyttet i denne studien er et Konvolusjonelt nevralt nettverk (Convolutional neural network) (CNN) med 2D-konvolusjonsfiltre. CFAR-deteksjon ble utført etter koherent integrasjon i rom og tid. Rom-tid integrasjonen ble utført med to forskjellige arrayprosesseringsmetoder. Den ene metoden benyttet Diskret fouriertransform (DFT)- dopplerprosessering og konvensjonell Beamforming (BF). Den andre metoden var Post-doppler rom-tid adaptiv prosessering (PD-STAP). Forskjellige signalmiljø med ulik grad av måltetthet og styrke på bakke-clutter ble testet. Tester ble utført for arrayprossessringsalgoritmene med CFAR, og for utgaver av klassifiseringsnettverket trent på de ulike miljøene. Testene indikerer at konvolusjonsnettverket studert i denne rapporten har signifikant bedre deteksjonsegenskaper enn arrayprosesseringslagoritmer for signalmiljø med inhomogeniteter forårsaket av høy måltetthet. Det motsatte er likevel tilfelle ved homogent sterkt bakke-clutter og lavere måltetthet. Av deteksjonsmetodene testet er PD-STAP den eneste med gode resultater for deteksjon i sterkt homogent bakke-clutter av glisne mål, og av mål med middels måltetthet. PD-STAP var også det beste alternativet for deteksjon av glisne mål når bakke-clutteret ikke var sterkere enn at også konvensjonell BF detekterte en stor andel av målene. Deteksjonsevnen til array-prosesseringsalgoritmene med CFAR avtok imidlertid med økende antall forventede mål i referansesettet benyttet til interferensestimering. Ved stor måltetthet ble signalmiljøet inhomogent og PD-STAP brøt sammen. CNN oppnådde fortsatt bra deteksjonsresultater, og gjorde det betydelig bedre enn arrayprosesseringsalgoritmene. CNN-et trent på mål i termisk støy og dempet bakke-clutter viste gode deteksjonsegenskaper for mål i termisk støy med dempet bakke-clutter, og for mål i bare termisk støy. Videre gjorde CNN-et trent på mål i bare termisk støy det bedre enn array-prosesseringsalgoritmene ved deteksjon av målsignal i termisk støy, men ved anvendelse på signalmiljø med bakke-clutter hadde dette CNN-et høy falsk-alarmrate. Under trening av nettverket på signalmiljø med sterkt bakke-clutter opplevde optimeringsalgoritmen problemer med å konvergere til et stabilt minimum, og det resulterende CNN-et hadde svake deteksjonsegenskaper.

Detection properties of array processing algorithms with CFAR detection and detection properties of a sequential classification network are tested and compared. The tests have been carried out with various types of simulated signal environment for airborne phased array pulsed radar with multiple receiver channels. CFAR of type cell-averaging is applied. STAP is a proven method for suppressing ground clutter, but has known challenges with heterogeneous clutter. The study examines whether machine learning can help reduce the problem of detection in heterogeneous signal environment. The sequential classification network used in this study is a CNN with 2D convolutional filters. CFAR detection was performed after coherent integration in space and time. The space-time integration was performed by two different array processing methods. One method applied DFT Doppler processing and conventional BF. The other method was PD-STAP. Different signal environments with varying degrees of target density and strength of ground clutter were tested. Tests were performed for the array processing algorithms with CFAR and for versions of the classification network trained on the different environments. The tests indicate that the convolutional network studied in this report has significantly better detection performance than array processing algorithms for signal environments with inhomogeneities caused by high target density. The opposite is nevertheless the case with homogeneous strong ground clutter and lower target density. Among the detection methods tested, PD-STAP is the only one with good results for detection in strong homogeneous ground clutter of sparse targets and of targets with medium target density. PD-STAP was also the best alternative for the detection of sparse targets when the ground clutter was not stronger than conventional BF also detected a large proportion of the targets. However, the detection ability of the array processing algorithms with CFAR decreased with increasing number of expected targets in the reference set used for interference estimation. At high target density, the signal environment became inhomogeneous and PD-STAP broke down. The CNN still achieved good detection results and significantly outperformed the array processing algorithms. The CNN trained on targets in thermal noise and moderate ground clutter showed good detection properties for targets in thermal noise with moderate ground clutter, and for targets in only thermal noise. Furthermore, the CNN trained on targets in only thermal noise performed better than the array processing algorithms when detecting targets in thermal noise, but when applied to a signal environment with ground clutter, this CNN had a high false alarm rate. During training of the network on signal environment with strong ground clutter, the optimization algorithm experienced difficulties in converging to a stable minimum, and the resulting CNN had poor detection performance.