10331

بررسي دسته بندي اهداف در رادارهاي مراقبت زميني توسط هوش مصنوعي

1400

دكتر ستار ميرزاكوچكي

دسته‌بندي اهداف يكي از چالش برانگيزترين عملكردهاي پردازش سيگنال رادار است. پس از شناسايي و رديابي موفقيت آميز اهداف، دسته‌بندي آن‌ها اهميت بالايي دارد. اين اهميت، در هنگام برخورد با رادارهاي نظامي با نياز به شناسايي و دسته‌بندي هدفمند، قابل اعتماد و ساختار يافته افزايش مي‌يابد. دسته‌بندي مي‌تواند به بسياري از سوالاتي كه براي اپراتورهاي رادار ايجاد مي‌شود كمك كرده و پاسخي مناسب دهد. به عنوان مثال هدف هوايي، زميني يا دريايي است؟ غيرنظامي يا نظامي است؟ دوست يا دشمن است؟ و غيره. وظيفه اصلي رادارهاي نظارتي زميني، كنترل مرزي و شناسايي اهداف متحرك زميني است. در سامانه‌هاي راداري معمولي، تشخيص هدف كاملاً خودكار است، اما شناسايي هدف و تصميم‌گيري در مورد آن اساساً به تصميم كاربر نياز دارد. در رادارهاي نظارت زميني پالس داپلر، وظيفه دسته‌بندي با گوش دادن به سيگنال‌هاي صوتي دريافت شده توسط رادار انجام مي‌شود. سيگنال صوتي به دليل تغيير فركانس داپلر در اهداف متحرك صداهاي منحصر به فردي توليد مي‌كند و توسط كاربرهاي آموزش ديده قابل شناسايي است. اين رويكرد داراي اشكالاتي است، زيرا مقياس‌هاي كيفي كاربرها متفاوت است و دسته‌بندي ناسازگار و كندي را ارائه مي‌دهد كه براي عمليات در زمان واقعي مناسب نيست. الگوريتم‌هاي تشخيص خودكار هدف (ATR) اكنون به تدريج جايگزين شناسايي هدف مبتني بر انسان مي‌شوند، كه نه تنها يك دسته‌بندي مبتني بر دانش قابل اعتماد ارائه مي‌دهند، بلكه با كاهش درگيري انسان در چنين كارهايي، يك گزينه مقرون به صرفه نيز هستند. وظايف اصلي برنامه ATR غلبه بر محدوديت‌هاي كاربرهاي انساني (از جمله هزينه ها)، بهبود عملكرد كل سامانه و اجازه واكنش سريع به تهديد بالقوه است. برنامه‌هاي بالقوه ATR در مأموريت هاي ‌مختلف نظارتي- تاكتيكي در ميادين جنگي، مرزها و مكآن‌هاي حساس قابل استفاده هستند. از اين رو نيازهاي نظامي به ATR كارآمد و موثر، به راحتي آشكار مي‌شود. اكثر رادارهاي نظارتي فعال از سامانه‌هاي راداري با وضوح پايين و معمولي استفاده مي‌كنند. اگر رادارهاي نظارتي بتوانند دسته‌بندي خودكار و قابل اعتماد را در مناطق مورد بررسي ارائه دهند، درك درست از محدوده نظارت بسيار بهتر خواهد شد. اكثر الگوريتم‌هاي ATR موجود با داده‌هاي، تصوير براي رادارهاي اپتيك، رادار دهانه تركيبي (SAR)، رادار‌هاي با وضوح برد بالا (HRR)و موج ميلي‌متري (MMW) قابل استفاده هستند. در دسته‌بندي كننده خودكار هدف براي رادار نظارت و رديابي قابل حمل براي انسان معرفي شده است. از طرف ديگر در سال هاي اخير محبوبيت استفاده از پهبادها (Dron) به شكل فزاينده‌اي رو به افزايش بوده است. هواپيماهاي بدون سرنشين (پهباد) به عنوان يك راه حل كارآمد براي تعدادي از كاربردهاي مفيد از فيلمبرداري پيشرفته گرفته تا نظارت بر حيات وحش و تحويل بسته ارائه شده‌اند. زيرا كار با آن‌ها بسيار ارزان تر و آسان تر از هواپيماهاي سنتي است و براي بسياري از اهداف مانند نظارت، تداركات و ضبط‌هاي هوايي استفاده مي‌شوند. از طرف ديگر، غيرمعمول نيست كه از پيشرفت تكنولوژي براي اهداف مخرب نيز استفاده شود و يا براي جرايم غير ايمن يا جنايي مورد سو استفاده قرار گيرند. همچنين، پهپادها داراي سطح مقطع راداري(RCS) كمي هستند و تشخيص آن‌ها دشوار است. بنابراين، تشخيص هواپيماهاي بدون سرنشين يك چالش بزرگ است. به طور خاص، مشخصه ميكرو داپلر (MDS) پهپادها به طور گسترده‌اي در مقالات براي اهداف دسته‌بندي استفاده شده است. الگوريتم‌هاي ذكر شده در قسمت‌هاي قبلي از تفاوت سيگنال پژواك رادار بر اساس ساختارهاي هندسي اهداف استفاده مي‌كنند و بنابراين براي رادارهاي نظارتي زميني با وضوح پايين قابل استفاده نيستند. شبكه هاي عصبي عميق (DNN) در كشف ويژگي‌هاي سطح بالا و قابل درك به طور مستقيم از داده‌ها بسيار كارآمد هستند. از اين رو استفاده از هوش مصنوعي مي‌تواند در دسته‌بندي اهداف در اين نوع رادارها پركاربرد و مفيد واقع شود.

12/1/2021 12:00:00 AM

73551

1400/10/05

Investigation of target classification in ground surveillance radars by artificial intelligence

دسته‌بندي , رادار , هوش مصنوعي