intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Luận án Tiến sĩ Kỹ thuật: Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:162

Thêm vào BST
Báo xấu
3
lượt xem 1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án Tiến sĩ Kỹ thuật "Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu" trình bày các nội dung chính sau: Nhận dạng mục tiêu ra đa ứng dụng trí tuệ nhân tạo, thiết lập bài toán; Đề xuất mạng nơ-ron học sâu RINet và giải pháp nhân trọng số hàm Focal Loss nhân trọng số nâng cao chất lượng nhận dạng đúng mục tiêu; đề xuất giải pháp lọc nhiễu nâng cao chất lượng nhận dạng trong mạng nơ-ron học sâu RINet.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật: Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu

  1. BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN VĂN TRÀ NGHIÊN CỨU BÀI TOÁN TỰ ĐỘNG NHẬN DẠNG MỤC TIÊU RA ĐA ỨNG DỤNG MẠNG NƠ-RON HỌC SÂU LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI-2024
  2. BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN VĂN TRÀ NGHIÊN CỨU BÀI TOÁN TỰ ĐỘNG NHẬN DẠNG MỤC TIÊU RA ĐA ỨNG DỤNG MẠNG NƠ-RON HỌC SÂU Ngành: Kỹ thuật ra đa dẫn đường Mã số: 9 52 02 04 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. TS Vũ Chí Thanh 2. TS Đoàn Văn Sáng HÀ NỘI-2024
  3. i LỜI CAM ĐOAN Tôi xin cam đoan, đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả trình bày trong luận án là hoàn toàn trung thực và chưa từng được công bố trong bất kỳ công trình nào khác, các dữ liệu tham khảo được trích dẫn đầy đủ. Hà Nội, ngày tháng năm 2024 Tác giả luận án Nguyễn Văn Trà
  4. ii LỜI CẢM ƠN Luận án này được thực hiện và hoàn thành tại Viện Ra đa, Viện Khoa học và Công nghệ quân sự. Lời đầu tiên, NCS xin bày tỏ lòng biết ơn sâu sắc đến TS Vũ Chí Thanh và TS Đoàn Văn Sáng, những người đã hướng dẫn tận tình, giúp đỡ, động viên tôi vượt qua nhiều khó khăn trong quá trình nghiên cứu và hoàn thành luận án. Tôi xin chân thành cảm ơn Ban Giám đốc Viện KH-CNQS; Thủ trưởng và cán bộ, nhân viên Phòng Đào tạo, Thủ trưởng và các Ban chức năng Viện Ra đa, Viện Khoa học và Công nghệ quân sự đã hướng dẫn và giúp đỡ tôi trong suốt quá trình thực hiện luận án. Xin bày tỏ lòng biết ơn tới các nhà khoa học tại Viện Khoa học Công nghệ quân sự, Học viện Kỹ thuật Quân sự, Trường đại học Bách khoa Hà Nội, Trường đại học Công nghệ/đại học Quốc gia Hà Nội đã có những nhận xét và gợi ý vô cùng quí báu về luận án của tôi. Cuối cùng, tôi xin trân trọng cảm ơn các bạn bè, đồng nghiệp và gia đình đã ủng hộ, động viên và giúp đỡ tôi trong thời gian nghiên cứu và hoàn thành luận án. Hà Nội, ngày tháng năm 2024 Tác giả luận án Nguyễn Văn Trà
  5. iii MỤC LỤC Trang DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT………….…………….. vi DANH MỤC CÁC BẢNG………………………………………………... ix DANH MỤC CÁC HÌNH VẼ……………………………………………. x MỞ ĐẦU…………………………………………………………………... 1 CHƯƠNG 1. NHẬN DẠNG MỤC TIÊU RA ĐA ỨNG DỤNG TRÍ TUỆ NHÂN TẠO, THIẾT LẬP BÀI TOÁN……….…………………… 7 1.1. Tổng quan bài toán nhận dạng mục tiêu ra đa ..……………................. 7 1.1.1. Giới thiệu bài toán …………………….…………………….............. 7 1.1.2. Các dấu hiệu nhận dạng .………………..…………………….…...... 8 1.1.3. Các phương pháp nhận dạng mục tiêu ra đa ………………………... 15 1.1.4. Tập dữ liệu ra đa ……………….…………………………………… 22 1.2. Tình hình nghiên cứu bài toán nâng cao chất lượng nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu …………………………………. 28 1.2.1. Tình hình nghiên cứu ngoài nước…………………………………… 28 1.2.2. Tình hình nghiên cứu trong nước……………………………………. 35 1.3. Đề xuất hướng nghiên cứu của luận án.……………………………...... 36 1.4. Kết luận Chương 1…………………………………………………….. 39 CHƯƠNG 2. ĐỀ XUẤT MẠNG NƠ-RON HỌC SÂU RINET VÀ GIẢI PHÁP NHÂN TRỌNG SỐ HÀM MẤT MÁT FOCAL LOSS NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG MỤC TIÊU....................... 41 2.1. Đặt vấn đề ………………………………..………………….……........ 41 2.2. Kỹ thuật học sâu ứng dụng cho bài toán nhận dạng mục tiêu ra đa…… 41 2.2.1. Kỹ thuật học sâu………………………………………………...…… 41 2.2.2. Các tiêu chuẩn so sánh, đánh giá……………………………………. 45 2.2.3. Tham số phần mềm và cấu hình phần cứng máy tính……………….. 48 2.3. Đề xuất mô hình mạng nơ-ron học sâu nhận dạng mục tiêu ra đa trên ảnh cự ly – tần số Doppler của tập dữ liệu RAD-DAR…………………….. 48
  6. iv 2.2.1. Đề xuất cấu trúc mô hình RINet ……...……………………………... 48 2.2.2. Đánh giá hiệu quả của cấu trúc CNN mô hình RINet.…….…............ 57 2.4. Đề xuất nhân trọng số hàm mất mát Focal Loss nhằm nâng cao xác suất nhận dạng đúng mục tiêu Flycam…………………...…………............ 61 2.4.1. Hàm mất mát và phương pháp tối ưu....…………...…………............ 61 2.4.2. Hàm mất mát Cross Entropy……….....…………...…………............ 62 2.4.3. Hàm mất mát Focal Loss…..……….....…………....…………........... 62 2.4.4. Đề xuất nhân trọng số hàm mất mát Focal Loss…...…………........... 65 2.4.5. Đánh giá hiệu quả của việc nhân trọng số hàm mất mát Focal Loss... 66 2.5. Kết luận Chương 2………………………………………………….…. 68 CHƯƠNG 3 GIẢI PHÁP LỌC NHIỄU NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TRONG MẠNG NƠ-RON HỌC SÂU RINET………...…... 70 3.1. Đặt vấn đề …………………………………………………………....... 70 3.2. Xây dựng bộ lọc nhiễu cho mô hình mạng nơ-ron RINet………...…… 71 3.2.1. Nhiễu trong ảnh dữ liệu mục tiêu ra đa................................................ 71 3.2.2. Vị trí của bộ lọc nhiễu trong mô hình RINet........................................ 72 3.2.3. Nghiên cứu các phương pháp lọc nhiễu …………………...………... 73 3.2.4. Các phương pháp bảo tồn vùng ảnh đặc trưng của bộ lọc nhiễu…….. 79 3.2.5. Đề xuất bộ lọc thích nghi tự động điều chỉnh kích thước cửa sổ lọc cho mô hình RINet ….................................................................................... 81 3.3. Đánh giá hiệu quả của phương pháp đề xuất .…….………...……….... 86 3.3.1. Ảnh đặc trưng của mạng nơ-ron trong trường hợp tín hiệu đầu vào 86 có nhiễu và không có nhiễu …....................................................................... 3.3.2. Đánh giá hiệu quả bằng thực nghiệm ……………………………..... 87 3.4. Kết luận Chương 3…..………………………………………………… 94 CHƯƠNG 4. ĐỀ XUẤT SINH ẢNH MỤC TIÊU BẰNG MẠNG SINH ĐỐI NGHỊCH GAN NHẰM NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG CỦA MẠNG NƠ-RON HỌC SÂU RINET. HIỆU QUẢ TỔNG 95 THỂ……..………………………...………………………….……….…….
  7. v 4.1. Đặt vấn đề …………………………………...…………………..…….. 95 4.2. Phương án đề xuất …………………………………………………..… 96 4.2.1. Tổng quan bài toán tăng cường dữ liệu ảnh mục tiêu ra đa ….....………... 96 4.2.2. Các giải pháp tăng cường dữ liệu ảnh mục tiêu ra đa.……………..... 96 4.2.3. Đề xuất mô hình mạng sinh đối nghịch GAN để tăng cường dữ liệu cho cho tập dữ liệu RAD-DAR ………….…………………………….…... 100 4.3. Thử nghiệm và đánh giá kết quả …………………………...…………. 106 4.3.1. Các phương pháp đánh giá ………..……………………...…………. 106 4.3.2. Đánh giá hiệu quả giải pháp sinh ảnh bằng mạng sinh đối nghịch 106 GAN bằng phương pháp thực nghiệm...……………...…………. ...……… 4.4. Đánh giá hiệu quả của mô hình mạng nơ-ron RINet kết hợp với các 112 giải pháp nâng cao chất lượng nhận dạng mục tiêu …...………………...… 4.4.1. Tổng hợp mô hình RINet đề xuất ………………………...…………. 112 4.4.2. Đánh giá hiệu quả của mô hình RINet đề xuất ……...………………. 114 4.5. Kết luận Chương 4 ……………………………...………………......… 116 KẾT LUẬN ……………………………………………………………….. 118 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ……... 120 TÀI LIỆU THAM KHẢO………………………………………………... 121
  8. vi DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT θ [độ] Góc hướng chuyển động của mục tiêu σ [m2] Diện tích phản xạ hiệu dụng mục tiêu ra đa σ2 Phương sai λ [m] Bước sóng làm việc của ra đa f [Hz] Tần số Doppler ρ [m] Độ phân giải cự ly ra đa R [m] Cự ly Pt [watt] Công suất đỉnh máy phát Gt Hệ số khuếch đại anten phát d [m] Khoảng cách S [hz] Độ dốc tần số c [m/s] Vận tốc ánh sáng B [Hz] Độ di tần tín hiệu phát Δϕ [độ] Độ dịch pha k Hằng số Boltzman Ts [độ] Nhiệt độ hệ thống Sin Tín hiệu đầu vào lớp tích chập Fxy Kết quả đầu ra của phép tích chập bộ lọc xy Fconcat Kết quả đầu ra phép xếp chồng Concatnate p [%] Phân phối xác suất thực tế q [%] Phân phối xác suất dự báo CE Hàm mất mát Cross Entropy ft [%] Tần suất của đối tượng t wt [%] Hệ số trọng lượng mức độ ưu tiên X∪Y Hợp của hai tập hợp X và Y X∩Y Giao của hai tập hợp X và Y 𝑓(∙) Hàm số
  9. vii log(∙) Logarit tự nhiên exp(∙) Hàm mũ v [m/s] Vận tốc zm Trung bình cục bộ epochs Số lần duyệt qua hết các dữ liệu trong tập huấn luyện batch Số lượng mẫu ảnh sử dụng trong 1 lần để cập nhật tham số mạng size nơ-ron ADC Bộ biến đổi tương tự - số (Analog Digital Converter ) AI Trí tuệ nhân tạo (Artificial Intelligence) ASWNF Bộ lọc nhiễu kích thước cửa sổ trượt thích nghi (Adaptive Size Window Noise Filter) CNN Mạng nơ-ron tích chập (Convolutional Neural Network) CRF Hợp nhất ra đa và camera (Radar Camera Fusion) CV Thị giác máy tính (Computer Vision) DL Học sâu (Deep Learning) DP Xử lý phát hiện (Detection Pocessing) DTC Khoảng cách đến trung tâm (Distance To Center) FC Kết nối đầy đủ (Fully Connected) FFT Phép biến đổi Fourier nhanh (Fast Fourier Transform) FMCW Điều tần tuyến tính liên tục (Frequency Modulated Continuous Wave) GAN Mạng sinh đối nghịch (Generative Adversarial Network) GD Hạ gradient (Gradient Descent) HRR Ra đa độ phân giải cao (High Resolution Radar) HMI Giao diện người máy (Human-Machine Interface) MSE Lỗi trung bình bình phương (Mean Square Error) PE Tạo các điểm dấu (Plots Extraction) RA Cự ly - phương vị (Range - Azimuth) RAD Cự ly - phương vị - tần số Doppler (Range - Azimuth - Doppler)
  10. viii RAD_DAR Ra đa với máy thu đa kênh kỹ thuật số (Radar with Digital Array Receiver) (Radar with Digital Array Receiver) RATR Tự động nhận dạng mục tiêu ra đa (Radar Automatic Target Recognition) RCS Diện tích phản xạ hiệu dụng ra đa (Radar Cross Section) RD Cự ly - tần số Doppler (Range - Doppler) ROI Những vùng ảnh quan tâm (Regions Of Interest) SAR Ra đa tổng hợp mặt mở (Synthetic Aperture Radar) SNR Tỷ số tín trên tạp (Signal to Noise Ratio) STFT Phép biến đổi Fourier trong thời gian ngắn (Short-time Fourier Transform) TTS Phần mềm bám quỹ đạo ra đa (Targets Tracker Software) UAV Phương tiện bay không người lái (Unmanned Aerial Vehicle) USV Xuồng không người lái (Unmanned Surface Vehicle)
  11. ix DANH MỤC CÁC BẢNG Trang Bảng 1.1. Các tập dữ liệu ra đa gán nhãn .…………………………………. 23 Bảng 1.2. Bảng tham số mục tiêu DJI Phantom 4..………………………... 26 Bảng 1.3. So sánh các cấu trúc CNN điển hình ...…………………………. 29 Bảng 1.4. So sánh kết quả nhận dạng mục tiêu ra đa với các hàm mất mát khác nhau ……………………………………………………….. 30 Bảng 2.1. So sánh kết quả nhận dạng mục tiêu mô hình CNN-DC32 với các mô hình khác ……………………………….………………. 50 Bảng 2.2. So sánh mô hình mạng nơ-ron với các cấu trúc CNN khác nhau.. 58 Bảng 2.3. So sánh mô hình RINet với số lượng các khối R-I Block khác nhau ……………………………………………………………... 60 Bảng 2.4. So sánh độ chính xác nhận dạng của các mô hình mạng nơ-ron... 68 Bảng 3.1. So sánh kết quả nhận dạng mục tiêu của mô hình RINet trên các tập dữ liệu khác nhau…………………………………………..... 90 Bảng 3.2. So sánh kết quả nhận dạng với dữ liệu đầu ra bộ lọc Lee với các kích thước cửa sổ khác nhau và bộ lọc ASWNF ………...……… 92 Bảng 3.3. So sánh kết quả nhận dạng mục tiêu của các mô hình mạng nơ- ron khác khi áp dụng bộ lọc nhiễu ASWNF ……………….…... 93 Bảng 4.1. So sánh kết quả nhận dạng mục tiêu của mô hình RINet trên các tập ảnh tăng cường khác nhau ………………………..………… 109 Bảng 4.2. Kết quả nhận dạng của các mô hình mạng nơ-ron khác trên tập ảnh tăng cường …………………………………………………. 109 Bảng 4.3. So sánh kết quả nhận dạng mục tiêu của mô hình RINet với các mô hình khác ……………………………………………………. 115
  12. x DANH MỤC CÁC HÌNH VẼ Trang Hình 1.1. Ứng dụng học sâu cho bài toán tự động nhận dạng mục tiêu ra đa....................................................….….….….………………. 8 Hình 1.2. Ảnh dữ liệu RA vị mục tiêu người đi xe đạp……………...…... 10 Hình 1.3. Đặc tính xung của mục tiêu……………………………………. 10 Hình 1.4. So sánh hai mẫu tín hiệu mục tiêu trên miền thời gian và ảnh phổ sau phép biến đổi STFT…………………………………... 10 Hình 1.5. Đặc trưng phản xạ của các mục tiêu…………………………... 11 Hình 1.6. Biểu diễn tín hiệu phản hồi theo thời gian và tần số của mục tiêu…………………………………………………………....... 11 Hình 1.7. Ảnh cự ly – vận tốc Doppler mục tiêu người đi bộ ra đa FMCW…………………………………………………………. 13 Hình 1.8. Phân tích độ dịch tần số micro-Doppler qua phép biến đổi STFT…………………………………………………………… 13 Hình 1.9. Dấu hiệu micro-Doppler của mục tiêu………………………… 13 Hình 1.10. Thông tin pha và độ lệch pha từ 2 chấn tử anten liên tiếp tín hiệu phản xạ từ mục tiêu là người đi bộ……………………….. 14 Hình 1.11. Thông tin pha và độ lệch pha từ 2 chấn tử anten liên tiếp tín hiệu phản xạ từ mục tiêu là ô tô……………………………….. 14 Hình 1.12. Nhận dạng mục tiêu theo phương pháp truyền thống…………. 16 Hình 1.13. Một cấu trúc CNN tiêu biểu cho RATR từ ảnh mục tiêu trên miền thời gian-tần số…………………………………...……… 18 Hình 1.14. Mạng nơ-ron học sâu phát hiện và nhận dạng mục tiêu ra đa…. 19 Hình 1.15. Mạng nơ-ron học sâu động nhận dạng mục tiêu trong tuyến xử lý tín hiệu ra đa FMCW………………………………………... 19 Hình 1.16. Kết quả phát hiện và nhận dạng mục tiêu của mạng nơ-ron…... 20 Hình 1.17. Mạng nơ-ron học sâu nhận dạng mục tiêu ra đa………………. 21 Hình 1.18. Sơ đồ khối ra đa FMCW dùng để thu thập tập dữ liệu RAD- DAR…………………………………………………………… 24 Hình 1.19. Quá trình tạo ảnh cự ly – tần số Doppler của ra đa FMCW…… 24 Hình 1.20. Quá trình trích chọn tạo mẫu mục tiêu cho tập RAD-DAR…… 25 Hình 1.21. Mẫu mục tiêu ra đa dạng bản đồ nhiệt ………...……………… 25 Hình 1.22. Phân bố số lượng mẫu mục tiêu trong tập dữ liệu……………... 25 Hình 1.23. Ảnh dữ liệu cự ly – vận tốc Doppler mục tiêu người đi bộ..…... 27 Hình 1.24. Biểu diễn dữ liệu mẫu mục tiêu trên bản đồ cường độ màu heatmap………………………………………………………… 28 Hình 1.25. Kết quả ảnh dữ liệu ra đa sau thuật toán xử lý điều chỉnh
  13. xi cường độ điểm ảnh theo tâm ảnh……………………………… 33 Hình 1.26. Quá trình hợp nhất thông tin nhiều chu kỳ của mô hình RODNet ……………………………………………………….. 34 Hình 1.27. Mô hình RINet luận án đề xuất và các bước so sánh, đánh giá.. 38 Hình 2.1. Cấu trúc tiêu biểu 1 mô hình mạng nơ-ron học sâu………….... 42 Hình 2.2. Quá trình huấn luyện và kiểm tra mô hình mạng nơ-ron …...... 43 Hình 2.3. Ma trận so sánh cho mô hình phân loại ảnh……...………….... 45 Hình 2.4. Cấu trúc mô hình mạng nơ-ron DopplerNet và CNN-DC32….. 49 Hình 2.5. Cấu trúc mô hình mạng nơ-ron IRNN…………………………. 51 Hình 2.6. Kết quả so sánh của IRNN với các mô hình khác……………... 51 Hình 2.7. Cấu trúc mô hình mạng RINet đề xuất………………………… 53 Hình 2.8. Phép tích chập………………………………………………….. 54 Hình 2.9. Sơ đồ khối kết nối tắt………………………………...………… 55 Hình 2.10. Quy trình đánh giá hiệu quả cấu trúc CNN của mô hình RINet.. 57 Hình 2.11. So sánh chất lượng của mô hình đề xuất với các mô hình khác trên cùng tập dữ liệu…………………………………………… 59 Hình 2.12. Đồ thị so sánh hàm mất mát Cross Entropy và Focal Loss……. 64 Hình 2.13. Đánh giá hiệu quả của hàm mất mát Focal Loss nhân trọng số.. 66 Hình 3.1. Ví dụ về nhiễu trong ảnh mục tiêu ra đa ………………….…... 71 Hình 3.2. Một ví dụ về phát hiện và nhận dạng nhầm mục tiêu ra đa khi tỉ số tín/tạp nhỏ…….…………………………………………... 71 Hình 3.3. Vị trí, vai trò của bộ lọc nhiễu trong mô hình RINet………….. 72 Hình 3.4. Kết quả lọc nhiễu ảnh đầu vào của mô hình pre-trained FFDNet………………………………………………………… 73 Hình 3.5. Lưu đồ thuật toán bộ lọc không gian thích nghi.………………. 75 Hình 3.6. Kết quả lọc nhiễu sau bộ lọc Lee…...…………………………. 77 Hình 3.7. Kết quả lọc nhiễu sau bộ lọc Frost..….………………………... 78 Hình 3.8. Kết quả lọc nhiễu sau bộ lọc Kuan…………………………….. 79 Hình 3.9. Mô hình khuếch tán đa hướng lọc nhiễu trên vùng ảnh đồng nhất…………………………………………………………….. 81 Hình 3.10. Kết quả lọc nhiễu của bộ lọc RGF…………………………….. 81 Hình 3.11. Lọc nhiễu ảnh mục tiêu ra đa của bộ lọc Frost với các kích thước cửa sổ khác nhau………………………………………... 82 Hình 3.12. Giải pháp tư động điều chỉnh kích thước cửa sổ trượt bộ lọc…. 82 Hình 3.13. Lưu đồ thuật toán bộ lọc ASWNF đề xuất ……………………. 85 Hình 3.14. So sánh ảnh đầu bộ lọc ASWNF đề xuất……………………… 86 Hình 3.15. So sánh các ảnh đặc trưng trích xuất từ các lớp tích chập trong trường hợp ảnh đầu vào có nhiễu và không có nhiễu .………… 87 Hình 3.16. Mô hình tổng quát thử nghiệm và đánh giá các bộ lọc nhiễu….. 88
  14. xii Hình 3.17. Các bước tiến hành thử nghiệm và đánh giá các bộ lọc nhiễu.... 89 Hình 3.18. Các bước tiến hành thử nghiệm và đánh giá bộ lọc nhiễu ASWNF…………………………………………………....…... 91 Hình 3.19. Kết quả đánh giá quá trình huấn luyện và kiểm tra của mô hình RINet áp dụng bộ lọc nhiễu ASWNF đề xuất…………………. 93 Hình 4.1. Phương pháp dịch cự ly tăng cường ảnh ra đa………………… 98 Hình 4.2. Phương pháp dịch phương vị tăng cường ảnh ra đa…………… 98 Hình 4.3. Tạo các ảnh SAR tăng cường bằng việc cắt chọn ảnh gốc……. 99 Hình 4.4. Các ảnh dữ liệu được tạo từ quá trình thay đổi cường độ nhiễu nền……………………………………………………………... 99 Hình 4.5. Thay đổi độ sáng ảnh để tăng cường dữ liệu…………………... 100 Hình 4.6. Sơ đồ tổng thể mạng GAN…………………………………….. 101 Hình 4.7. Cấu trúc bộ sinh……………………………………………….. 102 Hình 4.8. Cấu trúc bộ phân biệt………………………………………….. 103 Hình 4.9. Dữ liệu ảnh đầu ra bộ sinh sau các chu kỳ huấn luyện khác nhau……………………………………………………………. 105 Hình 4.10. Các bước đánh giá hiệu quả của phương pháp sinh ảnh GAN.... 107 Hình 4.11. Biểu đồ tham số sai số huấn luyện, kiểm tra của mô hình overfitting……………………………………………………… 110 Hình 4.12. Biểu đồ tham số huấn luyện, kiểm tra trên tập dữ liệu RAD_DAR…………………………………………………….. 111 Hình 4.13. Biểu đồ tham số huấn luyện, kiểm tra trên tập dữ liệu tăng cường bởi các thuật toán xử lý ảnh……………………………. 111 Hình 4.14. Biểu đồ tham số huấn luyện, kiểm tra của mô hình RINet trên tập dữ liệu RAD_DAR tăng cường bởi mô hình RDGenGAN... 111 Hình 4.15. Tổng hợp mô hình RINet luận án đề xuất ….………………….. 113 Hình 4.16. Kết quả huấn luyện, kiểm tra mô hình RINet áp dụng các giải pháp nâng cao chất lượng nhận dạng mục tiêu………………… 114
  15. 1 MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Thực tiễn các cuộc xung đột vũ trang và chiến tranh gần đây đây tại Afghanistan, Syria và giữa các quốc gia Armenia-Azerbaijan, Nga-Ukraine, Israel- Palestine, … cho thấy rằng, các bên tham chiến sử dụng đa dạng các chủng loại vũ khí đặc biệt là máy bay không người lái (UAV: Unmanned Aerial Vehicle), xuồng không người lái (USV: Unmanned Surface Vehicle) và tên lửa hành trình, bom lượn, ... Các loại vũ khí này ngày càng thông minh và có tính sát thương cao. Để xây dựng được phương án đối phó (chế áp, đánh chặn, …) thì việc xác định được chủng loại mục tiêu là yếu tố cần thiết để người chỉ huy ra quyết định. Khi đối phương dùng hỏa lực lớn, tấn công ồ ạt, cường độ cao thì phương pháp nhận dạng xác định thủ công dựa vào kinh nghiệm và năng lực của trắc thủ là không hiệu quả. Do đó, giải pháp tự động nhận dạng mục tiêu là một yêu cầu cấp bách. Áp dụng trí tuệ nhân tạo để giải quyết bài toán nhận dạng mục tiêu ra đa là một hướng tiếp cận phù hợp với xu hướng nghiên hiện nay trong lĩnh vực xử lý tín hiệu ra đa. Với sự phát triển trong lĩnh vực trí tuệ nhân tạo sẽ giúp giải quyết bài toán nhận dạng mục tiêu ra đa đạt độ chính xác cao, giảm độ phức tạp của thiết bị, giảm thời gian tính toán và tăng tính khả thi trong việc áp dụng vào các đài ra đa thực tế [28-30]. Tuy nhiên, nhận dạng mục tiêu ra đa ứng dụng trí tuệ nhân tạo là một bài toán phức tạp do một số nguyên nhân chính như sau: - Số lượng tập dữ liệu ra đa có gán nhãn cũng như số lượng mẫu trong các tập dữ liệu được công bố là rất hạn chế [104]; - Mỗi chủng loại ra đa có các đặc trưng dữ liệu khác nhau, không thể chia s , dùng chung tập dữ liệu [106]; - Ảnh dữ liệu ra đa mang nhiều thông tin (đặc tính chuyển động, vận tốc, tọa độ của mục tiêu) [106], tuy nhiên dữ liệu này thường có độ phân giải thấp mức nhiễu cao khiến cho đặc trưng mục tiêu không thể hiện nổi bật như ảnh tạo ra từ camera [96], [57]. - Mô hình mạng nơ-ron nhận dạng mục tiêu ra đa ngoài yêu cầu về chỉ tiêu độ
  16. 2 chính xác nhận dạng cao còn phải đảm bảo có kích thước mô hình phù hợp, tương thích với phần cứng và tốc độ nhận dạng nhanh để đồng bộ với toàn tuyến xử lý tín hiệu của ra đa. Từ những lý do như vậy, luận án lựa chọn đề tài nghiên cứu “Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu”. Đây là một vấn đề cấp thiết và có tính thời sự, ứng dụng cao. Các kết quả nghiên cứu của luận án giúp nâng cao chất lượng nhận dạng mục tiêu ra đa của các mô hình mạng nơ-ron học sâu. 2. Mục tiêu nghiên cứu Mục tiêu nghiên cứu của luận án là nghiên cứu đề xuất một số giải pháp nhằm nâng cao chất lượng nhận dạng mục tiêu ra đa ứng dụng mô hình mạng nơ-ron học sâu. 3. Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu Đối tượng nghiên cứu của luận án là các mô hình mạng nơ-ron học sâu và bài toán tự động nhận dạng mục tiêu ra đa. Phạm vi nghiên cứu - Nghiên cứu áp dụng các giải pháp nâng cao chất lượng nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu; - Luận án tập trung nghiên cứu nhận dạng 3 lớp mục tiêu Flycam, người đi bộ, ô tô và sử dụng bộ dữ liệu đã có sẵn được công bố trên tạp chí có uy tín. 4. Nội dung nghiên cứu Để đạt được các mục tiêu đề ra, luận án tập trung nghiên cứu một số nội dung chính như sau: - Nghiên cứu lý thuyết nhận dạng theo các dấu hiệu đặc trưng trong tín hiệu phản xạ về từ mục tiêu ra đa; - Khảo sát, phân tích, đánh giá các bộ dữ liệu ra đa gán nhãn đã được công bố trên thế giới; - Nghiên cứu, phân tích, đánh giá các mô hình học sâu và các kỹ thuật nhận dạng mục tiêu ra đa;
  17. 3 - Nghiên cứu các giải pháp nâng cao chất lượng nhận dạng mục tiêu của mạng nơ-ron học sâu bao gồm: + Xây dựng mô hình học sâu có cấu trúc mạng nơ-ron tích chập phù hợp cho bài toán nhận dạng mục tiêu kết hợp với điều chỉnh hàm mất mát trong quá trình huấn luyện; + Đề xuất giải pháp lọc nhiễu trong ảnh mục tiêu ra đa trước khi huấn luyện mạng nơ-ron học sâu; + Đề xuất mô hình mạng nơ-ron sinh ảnh làm tăng số lượng mẫu trong tập dữ liệu trước khi huấn luyện mạng nơ-ron. - Xây dựng quy trình và tiến hành thực nghiệm, kiểm chứng hiệu quả của các giải pháp đề xuất dựa trên kết quả nhận dạng mục tiêu của các mô hình mạng nơ- ron. 5. Phương pháp nghiên cứu Phương pháp nghiên cứu của luận án là kết hợp nghiên cứu lý thuyết với thực nghiệm. - Về lý thuyết: Nghiên cứu tổng quan lý thuyết nhận dạng mục tiêu ra đa, các kỹ thuật học sâu để quyết bài toán nhận dạng dạng mục tiêu dựa vào các dấu hiệu đặc trưng của mục tiêu trong tín hiệu phản xạ. Nghiên cứu, khảo sát các bộ dữ liệu ra đa chuẩn và các công trình nghiên cứu khoa học có liên quan trong và ngoài nước. Nghiên cứu các kỹ thuật nhằm nâng cao hiệu năng nhận dạng mục tiêu của các mô hình mạng nơ-ron. Nghiên cứu các thuật toán tăng cường dữ liệu, lọc nhiễu dữ liệu. Kết hợp giữa tính toán lý thuyết và mô phỏng bám sát theo các tham số thực tế. - Về thực nghiệm: Sử dụng ngôn ngữ lập trình Python để thực hiện hóa các thuật toán, xây dựng các mô hình mạng nơ-ron để nhận dạng mục tiêu trên bộ dữ liệu mẫu mục tiêu ra đa đã được công bố. Sử dụng các công cụ trên framework Tensorflow để xây dựng mô hình mạng nơ-ron, cài đặt các thuật toán đề xuất, huấn luyện và kiểm tra. Các mô hình mạng nơ-ron nhận dạng mục tiêu trên cùng tập dữ liệu đã được công bố trên thế giới được xây dựng lại để so sánh kết quả với mô hình đề xuất trong luận án này.
  18. 4 6. Ý nghĩa khoa học và thực tiễn của luận án Việc nghiên cứu các kỹ thuật nhằm nâng cao chất lượng của mô hình mạng nơ-ron học sâu tự động nhận dạng mục tiêu ra đa của luận án có ý nghĩa trên cả hai phương diện khoa học và thực tiễn: Ý nghĩa khoa học - Kết quả nghiên cứu của luận án góp phần hoàn thiện cơ sở lý thuyết bài toán nhận dạng mục tiêu ra đa ứng dụng trí tuệ nhân tạo; - Làm cơ sở cho việc triển khai kỹ thuật nhận dạng, áp dụng các giải pháp nhằm nâng cao chất lượng nhận dạng mục tiêu ứng dụng mạng nơ-ron học sâu trong thực tế. Ý nghĩa thực tiễn Các nội dung nghiên cứu trong Luận án phù hợp với xu hướng nghiên cứu trên thế giới và có các ý nghĩa thực tiễn sau: - Kết quả của các nghiên cứu trong luận án là cơ sở khoa học để xây dựng và cải tiến các mô đun xử lý nhận dạng mục tiêu trong thực tế góp phần hiện đại hóa các ra đa tại Việt Nam. - Các nội dung trong luận án có thể là tài liệu tham khảo trong nghiên cứu khoa học, trong giảng dạy tại Học viện, Nhà trường, và các khóa huấn luyện chuyên ngành. 7. Bố cục luận án Trên cơ sở các nội dung nghiên cứu, luận án được trình bày gồm phần mở đầu, 4 chương chính, kết luận, danh mục công trình khoa học đã công bố, danh mục tài liệu tham khảo. Bố cục của 4 chương chính như sau: Chương 1: Nhận dạng mục tiêu ra đa ứng dụng trí tuệ nhân tạo, thiết lập bài toán Chương 1 giới thiệu khái quát về bài toán nhận dạng mục tiêu ra đa, các hướng nghiên cứu trong lĩnh vực này. Qua đó, mô tả quá trình và định hướng nghiên cứu nâng cao chất lượng nhận dạng mục tiêu ứng dụng mạng nơ-ron học sâu phù hợp với xu thế hiện nay và thực tiễn.
  19. 5 Chương 2: Đ xu t mạng nơ-ron học sâu RINet và giải pháp nhân trọng số h m Focal Loss nhân trọng số nâng cao ch t lượng nhận dạng đ ng mục tiêu Chương 2 của luận án xây dựng mô hình mạng nơ-ron RINet để tiến hành nhận dạng mục tiêu dựa vào dấu hiệu tần số Doppler trong ảnh mục tiêu của tập dữ liệu RAD-DAR ra đa điều tần tuyến tính liên tục. Mô hình là sự kết hợp của cấu trúc kết nối tắt – song song (Residual – Inception) và sử dụng các bộ lọc một chiều. Đồng thời, luận án đề xuất sử dụng hàm mất mát Focal Loss cải tiến nhân trọng số để nâng cao xác suất nhận dạng đúng đối với mục tiêu là Flycam. Quá trình tiến hành thực nghiệm huấn luyện, kiểm tra và so sánh cho thấy mô hình đề xuất cho độ chính xác nhận dạng cao hơn so với các mô hình trong các nghiên cứu trên cùng tập dữ liệu. Khi áp dụng hàm mất mát Focal Loss nhân trọng số đề xuất, mục tiêu Flycam được nhận dạng đúng với xác suất cao hơn các mục tiêu khác. Chương 3: Đ xu t giải pháp lọc nhiễu nâng cao ch t lượng nhận dạng trong mạng nơ-ron học sâu RINet Chương 3 của luận án đã tiến hành đánh giá tác động của nhiễu đến chất lượng nhận dạng mục tiêu ra đa của mô hình mạng nơ-ron học sâu. Thông qua quá trình nghiên cứu và phân tích các giải pháp lọc nhiễu khác nhau, luận án đã đề xuất một giải pháp lọc nhiễu sử dụng bộ lọc thích nghi với kích thước cửa sổ trượt tự động thay đổi để tiến hành lọc nhiễu và nâng cao khả năng bảo tồn các đặc trưng mục tiêu trong ảnh dữ liệu. Qua quá trình thực nghiệm, đánh giá kết quả trên tập dữ liệu RAD-DAR phương án đề xuất của luận án giúp tăng độ chính xác nhận dạng mục tiêu ra đa của các mô hình học sâu. Chương 4: Đ xu t sinh ảnh mục tiêu bằng mạng sinh đối nghịch GAN nhằm nâng cao ch t lượng nhận dạng của mạng nơ_ron học sâu RINet. Hiệu quả của tổng thể Chương 4 của luận án đã đề xuất mô hình sinh ảnh mục tiêu ra đa theo cấu trúc mạng sinh ảnh đối nghịch (GAN: Generative Adversarial Networks) để tăng cường ảnh cho tập dữ liệu RAD_DAR. Kết quả thực nghiệm cho thấy độ chính xác nhận dạng mục tiêu ra đa của các mô hình mạng nơ-ron học sâu được nâng cao khi huấn luyện trên tập dữ liệu RAD_DAR tăng cường bởi mô hình sinh ảnh luận án đề
  20. 6 xuất. Mô hình sinh ảnh đề xuất của luận án có là một giải pháp hiệu quả tăng cường ảnh mục tiêu ra đa cho các tập dữ liệu khi số lượng mẫu chưa đáp ứng. Chương 4 đã xây dựng một mô hình RINet tổng quát: kết hợp cấu trúc CNN đề xuất và các giải pháp nâng cao chất lượng (cải tiến hàm mất mát, lọc nhiễu, và tăng cường dữ liệu) và tiến hành kiểm chứng, so sánh bằng thực nghiệm kết quả nhận dạng mục tiêu với các mô hình mạng nơ-ron học sâu điển hình đã được công bố trên các tạp chí khoa học sử dụng cùng tập dữ liệu RAD-DAR. Các kết quả thực nghiệm cho thấy, mô hình RINet đề xuất của luận án có độ chính xác nhận dạng mục tiêu trung bình cao nhất, xác suất nhận dạng đúng đối với lớp mục tiêu quan trọng Flycam trong tập dữ liệu RAD-DAR cũng được cải thiện đáng kể.
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.11: Bộ Luận Văn Tốt Nghiệp Chuyên Ngành Tài Chính Ngân Hàng
172 tài liệu
846 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2