Automatic detection of signals by using artificial intelligence techniques
- Autores: Raúl Vicen Bueno
- Directores de la Tesis: Manuel Rosa Zurera (dir. tes.), María del Pilar Jarabo Amores (codir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2012
- Idioma: inglés
- Tribunal Calificador de la Tesis: José Luis Sanz González (presid.), Roberto Gil Pita (secret.), Amerigo Capria (voc.), Rafael Pérez-Jiménez (voc.), Saturnino Maldonado Bascón (voc.)
- Materias:
- Enlaces
- Resumen
- español
La detección automática de señales (blancos) en interferencia aditiva (clutter más ruido) es un problema no resuelto hoy en día. Muchos y diversos esquemas de detección son propuestos constantemente en revistas especializadas sobre temas de investigación radar y de procesado de señal. Esos esquemas son adaptados normalmente a la casuística del problema, es decir, a los blancos y al tipo de clutter presentes en esos experimentos. Es por ello que la tesis presentada a continuación busca proponer un esquema de detección que trabaje con altas prestaciones en distintos entornos. En esta tesis se pretende resolver dos tipos de problemas: uno centrado en la detección de blancos radar de tipo Swerling 0 en presencia de clutter sintético modelado con una distribución Weibull y ruido blanco Gaussiano; y otro centrado en la detección de barcos en movimiento a partir de imágenes radar provenientes de un radar marino comercial. Se ha comprobado que los datos reales están estadísticamente relacionados con los datos sintéticos simulados, lo cual permitirá proponer un único esquema de detección que trabaje en ambos casos. Teniendo en cuenta los problemas de detección planteados, se asumen varias premisas. Las imágenes radar generadas en entornos simulados tienen en cuenta una correlación temporal entre celdas consecutivas de la imagen y una distribución espacial constante de los parámetros estadísticos del clutter dentro de una misma imagen, pero variable de una imagen a otra. Dentro de este entorno simulado, se asumen distintos tamaños y formas de blanco. Estos entornos han sido simulados mediante el uso de los parámetros estadísticos del clutter descritos en la literatura. Comparando dichos entornos, se observa una gran disparidad en sus parámetros estadísticos, haciendo más difícil aún si cabe la tarea de proponer un detector radar que trabaje correctamente y con altas prestaciones en distintos entornos radar. Para resolver los problemas de detección planteados, se han considerado detectores radar utilizados habitualmente en la literatura. Así, se ha seleccionado como detector de referencia para el caso de trabajar con datos procedente de un radar coherente el detector de blanco conocido a priori (TSKAP: target sequence known a priori). Detectores basados en técnicas CFAR (constant false alarm rate) han sido elegidos para el caso de trabajar con datos procedentes de un radar incoherente. Por otro lado, se ha estudiado el uso de técnicas de inteligencia artificial (IA) para crear detectores que resuelvan los dos problemas de detección planteados. De las posibles técnicas de IA existentes en la literatura, se han elegido dos tipos de redes neuronales artificiales (RNAs): el perceptron multicapa (MLP: Multilayer perceptron) y las RNAs basadas en funciones de base radial (RBFNs: Radial basis function networks). Mediante este tipo de técnicas, se proponen nuevas estrategias de detección para los casos coherente e incoherente. Aparte de la contribución en el uso de técnicas de IA en temas de detección radar, se presenta otra contribución importante: el uso de nuevos modos de selección de celdas de una imagen para la mejora de las prestaciones del detector radar propuesto. Estos modos están basados en esquemas de selección con retardo (en una o dos dimensiones), dentro de los cuales se pueden elegir más celdas para poder realizar una mejor estimación de los parámetros del clutter que rodea al blanco. Además, el uso de estos modos de selección en dos dimensiones en detectores CFAR también puede ser considerado contribución ya que antes no se habían presentado resultados para los modos aquí propuestos. Los experimentos desarrollados consideran entornos simulados de mar, mar helado y tierra para el diseño y test de los detectores coherentes tomados como referencia y los basados en IA. En estos experimentos, se estudió la influencia de los siguientes parámetros durante el diseño de los detectores bajo estudio: las propiedades del clutter presente en las imágenes de los conjuntos de diseño (para entrenar RNAs y establecer el umbral de detección); los modos de selección; el número de celdas seleccionadas; así como el número de neuronas ocultas en las RNAs. A partir de estos estudios, se obtienen los valores de dichos parámetros, de tal forma que se obtienen altas prestaciones, mientras que se mantiene un coste computacional moderado en el detector propuesto. Una vez diseñados los detectores, éstos se testean utilizando un conjunto de datos de test no utilizado previamente. Este conjunto de test está compuesto por imágenes radar con distintas propiedades estadísticas para simular lo que ocurre en entornos reales. Las prestaciones observadas para este conjunto son ligeramente inferiores a los obtenidas en la etapa de diseño. Además, se observa que las prestaciones del detector para las distintas imágenes radar del con- junto, es decir, para distintos condiciones de clutter, presentan pequeñas variaciones. Esto nos indica un alto grado de robustez en los detectores cuando las condiciones de clutter cambian con el tiempo. Teniendo en cuenta estas pequeñas variaciones de las prestaciones del detector, podemos inferir que las mismas prestaciones presentadas aquí se pueden obtener cuando el detector diseñado procese nuevas imágenes radar en el futuro. Por otro lado, se han realizado estudios similares para el caso de detectores incoherentes en entornos simulados de mar, mar helado y tierra. De estos estudios, destacamos las diferencias que existen entre los resultados obtenidos por los detectores coherentes e incoherentes en entornos simulados de clutter de mar. La primera diferencia que se observa es que las prestaciones del detector incoherente son ligeramente menores que las obtenidas por el coherente, aspecto que era de esperar porque sólo considera la información de amplitud. La segunda diferencia observada es la alta reducción de coste computacional que se obtiene, siendo esto debido a que en estos detectores se utiliza menos información a la entrada. Los resultados obtenidos para los entornos simulados de mar helado y tierra no han sido incorporados en la memoria de la tesis porque tanto las prestaciones como el coste computacional obtenidos son similares a los obtenidos para el caso de entornos marinos. Finalmente, se han diseñado y testeado detectores incoherentes para trabajar con imágenes provenientes de un radar marino comercial situado en la plataforma de investigación alemana FINO-1, la cual se encuentra localizada en el mar del Norte (Alemania). Antes de proceder con el diseño de estos detectores, se comprobó que las medidas de clutter contenidas en las imágenes radar seguían una distribución Weibull, tal y como se asumió en el entorno simulado de mar. Acto seguido a esta comprobación, se procedió con el ajuste de los parámetros de cada uno de los detectores bajo estudio (CFAR y basados en técnicas de IA) para obtener las mejores prestaciones posibles, así como un coste computacional moderado. Una vez diseñados los detectores, se procedió a testearlos, llegando a las mismas conclusiones a las que se llegó para el caso sintético: alta robustez frente a cambios en las condiciones de diseño y baja pérdida de prestaciones cuando se procesan nuevas imágenes radar. También se muestra cual es el coste computacional de la configuración seleccionada en los casos de detectores incoherentes basados en MLPs y RBFNs, así como la velocidad de computo necesaria para poder procesar imágenes radar en tiempo real. A partir de estos resultados, se llega a la conclusión final de que como las unidades de procesado disponibles en el mercado permiten trabajar a las velocidades que necesita el sistema, el procesado en tiempo real está garantizado. A partir del análisis de las prestaciones obtenidas para los distintos casos de estudio aborda- dos en la tesis, se llega a la siguiente conclusión general: los detectores basados en técnicas de IA mejoran las prestaciones obtenidas por los detectores de referencia seleccionados de la literatura en todos los casos de estudio presentados. Ésta conclusión se obtiene para radares que trabajan a distintas frecuencias, con distintas resoluciones y con receptores diferentes (coherentes e incoherentes). Además, esta conclusión también es independiente del entorno radar bajo estudio (mar, mar helado y tierra).
- English
The automatic detection of signals (targets) in additive interference (clutter and noise) is not a problem completely solved nowadays. Many different approaches are reported every year in the specialized literature depending on the targets to be detected and the kind of interference present in the environment where the sensor is working. In this way, a detection approach that is able to work in different environments is searched in this thesis. This thesis tries to solve two detection problems: the detection of moving Swerling 0 targets in synthetic Weibull-distributed clutter and white Gaussian noise; and the detection of moving vessels in marine radar environments. A relationship between these two problems is found in the thesis, allowing to propose a unique detection scheme that works in both cases. According to the detection problems to be solved in the thesis, some premises are set. Synthetic radar scans are generated in simulated environments having: time-correlation between consecutive cells; and constant clutter properties (skewness parameter) inside a scan, but variable scan-to-scan. Targets of different sizes and shapes are included in the synthetic radar scans. Different radar environments have been considered in the thesis by using the statistical parameters of sea, sea-ice and ground clutters reported in the literature. From these environments, it is observed that the clutter statistics are different each other, making the problem of proposing a detector scheme able to work with high performance in different environments more complicated. For solving the detection problems this thesis deals with, Artificial Intelligence (AI) based detectors are proposed, and compared with commonly used detectors selected from the literature. The coherent detector set as reference is the target sequence known a priori (TSKAP) detector. The incoherent detector set as reference is based on constant false alarm rate (CFAR) techniques. From AI techniques, two feed-forward artificial neural networks (ANNs) strategies are selected: the multilayer perceptrons (MLPs) and the radial basis function ANNs (RBF-ANNs, also referred as RBFNs). By using these AI techniques, coherent and incoherent approaches are proposed. An additional contribution is made in the thesis by proposing new modes of selecting the cells to be processed. Thus, not only the commonly used non-delayed selection modes are used, but also additional delayed selection modes are studied. These proposed modes are based on 2-dimension selection templates, instead of the 1-dimension templates commonly used in CFAR detectors. Experiments considering the reference and AI-based coherent detectors have been carried out in simulated sea, sea-ice and ground environments. In these experiments, the influence of the following parameters in the design stage of the detectors is studied: the clutter properties of the data sets used to design the detectors (for training the MLPs and RBFNs, and for setting the detection threshold); the selection modes; the number of selected cells; and the number of hidden neurons in AI-based detectors. From these studies, the values for obtaining the highest performance, while maintaining a low computational cost, are selected. Once the reference and AI-based detectors are designed, they are tested using a set of radar scans never processed before (test data set). This data set is composed of radar scans with different clutter conditions (simulating real environments). The performance obtained for this data set is slightly lower than the one achieved in the design stage. Moreover, the performances achieved for each particular radar scan of the test data set, i.e. for different clutter conditions, present low variations, denoting high robustness of the detector against changes in clutter conditions. According to these low performance variations, we can infer the performance achieved by the detectors when processing new radar scans in the future with similar clutter properties as the ones used here. Similar studies have been made when using reference and AI-based incoherent detectors in synthetic sea, sea-ice and ground environments. From the analysis of incoherent detectors in synthetic sea clutter, we focus on the differences observed with respect to coherent detectors in synthetic sea clutter. First, a low performance decrease is observed, being expected because the incoherent detectors only process the amplitude of the cells. And second, a high computational cost decrease is observed in AI-based incoherent detectors because less information is used at their inputs. The results obtained when designing and testing incoherent detectors in synthetic sea-ice and ground environments are not reported in the thesis because similar performance losses and computational cost decreases as the ones presented above are obtained. Finally, incoherent detectors have been designed and tested when processing radar scans obtained by a standard marine radar. This marine radar was sited in the FINO-1 German research platform (North Sea, Germany). It has been statistically checked that the measurements of the clutter fit the Weibull distribution. In this way, CFAR and AI-based detectors were designed by tuning their parameters in order to obtain the highest performance, while maintaining a reasonable computational cost. Once designed, they were tested obtaining similar conclusions as for the synthetic case: high robustness against clutter condition changes and low performance loss when processing new radar scans. The computational costs of the proposed configurations of MLP and RBFN-based incoherent detectors are reported. The processing speed needed to process radar scans in real-time is also reported. And since commercial processing units can fulfill this processing speed, the proposed AI-based detector can process marine radar scans in real-time. From the analysis of the performance obtained in the different cases of study, this thesis finishes with the following conclusion: the proposed AI-based detectors outperform the reference detectors in all the cases of study presented in the thesis. This conclusion is obtained when processing radar scans from radars working at different frequencies, with different resolutions and with different receivers (coherent and incoherent). Moreover, this conclusion is independent of the radar environment under study (sea, sea-ice and ground).
- español
