Toward Data-Driven Radar STAP

要約

レーダーを目的としたサイト固有の高忠実度無線周波数 (RF) モデリングおよびシミュレーション ツールの最近の出現によって触媒された、レーダーの古典的な方法のデータ駆動型定式化は、過去 10 年間で急速に人気が高まっています。
この急増にもかかわらず、限られた焦点がこれらの古典的な方法の理論的基礎に向けられてきました。
この点に関して、レーダー時空間適応処理 (STAP) への進行中のデータ駆動型アプローチの一環として、レーダー ターゲット ローカリゼーションのコンテキストで選択された部分空間分離方法の漸近的なパフォーマンス保証を分析し、提案された
ターゲット位置推定のための深層学習フレームワーク。
私たちのアプローチでは、ISL Inc. によって開発されたサイト固有の RF モデリングおよびシミュレーション ツールである RFView を使用して、所定の制約された領域に可変強度のターゲットをランダムに配置することにより、包括的なデータセットを生成します。これらの制約された領域からの各レーダー リターン信号に対して、ヒートマップ テンソルを生成します。
正規化適応整合フィルター (NAMF) テスト統計の範囲、方位角、仰角、および一般化サイドローブ キャンセラー (GSC) の出力電力。
ディープ ラーニング フレームワークを使用して、これらのヒートマップ テンソルからターゲットの位置を推定し、一致した設定と一致しない設定でのデータ駆動型アプローチの実現可能性と大幅な改善を実証します。

要約(オリジナル)

Catalyzed by the recent emergence of site-specific, high-fidelity radio frequency (RF) modeling and simulation tools purposed for radar, data-driven formulations of classical methods in radar have rapidly grown in popularity over the past decade. Despite this surge, limited focus has been directed toward the theoretical foundations of these classical methods. In this regard, as part of our ongoing data-driven approach to radar space-time adaptive processing (STAP), we analyze the asymptotic performance guarantees of select subspace separation methods in the context of radar target localization, and augment this analysis through a proposed deep learning framework for target location estimation. In our approach, we generate comprehensive datasets by randomly placing targets of variable strengths in predetermined constrained areas using RFView, a site-specific RF modeling and simulation tool developed by ISL Inc. For each radar return signal from these constrained areas, we generate heatmap tensors in range, azimuth, and elevation of the normalized adaptive matched filter (NAMF) test statistic, and of the output power of a generalized sidelobe canceller (GSC). Using our deep learning framework, we estimate target locations from these heatmap tensors to demonstrate the feasibility of and significant improvements provided by our data-driven approach in matched and mismatched settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google