Luận án – Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu

Tên luận án:

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

Tóm tắt nội dung tài liệu:

Luận án này tập trung nghiên cứu và phát triển các giải pháp nâng cao chất lượng nhận dạng mục tiêu ra đa tự động sử dụng mạng nơ-ron học sâu, đáp ứng yêu cầu cấp bách trong bối cảnh các loại vũ khí hiện đại ngày càng thông minh. Thực tiễn cho thấy phương pháp nhận dạng thủ công không còn hiệu quả trước hỏa lực lớn và tấn công ồ ạt. Việc áp dụng trí tuệ nhân tạo, đặc biệt là mạng nơ-ron học sâu, được coi là hướng tiếp cận phù hợp để giải quyết các thách thức như hạn chế về dữ liệu ảnh ra đa gán nhãn, cường độ nhiễu cao, cũng như yêu cầu về kích thước mô hình và tốc độ tính toán.

Mục tiêu chính của luận án là đề xuất các giải pháp nhằm cải thiện chất lượng nhận dạng mục tiêu ra đa của mô hình mạng nơ-ron học sâu, tập trung vào ba lớp mục tiêu cụ thể: Flycam, người đi bộ và ô tô, sử dụng bộ dữ liệu RAD-DAR đã công bố. Các đóng góp chính bao gồm:

• Xây dựng mô hình mạng nơ-ron học sâu RINet, kết hợp cấu trúc Residual và Inception, với các nhánh tích chập song song để trích xuất đặc trưng đa dạng. Mô hình RINet đạt độ chính xác cao nhất 94,36% với kích thước 1,382 triệu tham số và thời gian nhận dạng 7,6 ms.
• Đề xuất điều chỉnh hàm mất mát Focal Loss bằng cách nhân trọng số, giúp tăng cường xác suất nhận dạng đúng đối với mục tiêu Flycam lên 98,83% trong tập dữ liệu RAD-DAR.
• Phát triển bộ lọc nhiễu thích nghi tự động điều chỉnh kích thước cửa sổ trượt (ASWNF) để bảo tồn các đặc trưng sườn, cạnh của mục tiêu trong ảnh ra đa, đồng thời nâng cao độ chính xác nhận dạng mục tiêu. Khi áp dụng ASWNF, mô hình RINet đạt độ chính xác 98,95%.
• Đề xuất mô hình mạng sinh đối nghịch RDGenGAN để tăng cường dữ liệu ảnh mục tiêu ra đa, tạo ra các ảnh giả lập có tính tương đồng cao với ảnh gốc, góp phần nâng cao độ chính xác nhận dạng. Dữ liệu tăng cường bởi RDGenGAN (20 epochs) giúp RINet đạt độ chính xác 97,76%.

Kết quả tổng hợp cho thấy mô hình RINet đề xuất, khi kết hợp các giải pháp nâng cao chất lượng, đạt độ chính xác nhận dạng trung bình cao nhất 99,21% trên tập dữ liệu RAD-DAR, vượt trội so với các mô hình mạng nơ-ron học sâu điển hình khác. Luận án cung cấp cơ sở khoa học để xây dựng các mô đun phần mềm tự động nhận dạng mục tiêu, ứng dụng vào tuyến xử lý tín hiệu của các ra đa tại Việt Nam.

Mục lục chi tiết:

• 1 MỞ ĐẦU

  • 1.1. Tính cấp thiết của đề tài luận án
  • 1.2. Mục tiêu nghiên cứu
  • 1.3. Đối tượng và phạm vi nghiên cứu
  • 1.4. Nội dung nghiên cứu
  • 1.5. Phương pháp nghiên cứu
  • 1.6. Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án
  • 1.7. Bố cục của luận án

• CHƯƠNG 1. NHẬN DẠNG MỤC TIÊU RA ĐA ỨNG DỤNG TRÍ TUỆ NHÂN TẠO, THIẾT LẬP BÀI TOÁN

  • 1.1. Tổng quan bài toán nhận dạng mục tiêu ra
  • 1.1.1. Giới thiệu bài toán
  • 1.1.2. Các dấu hiệu nhận dạng
  • 1.1.3. Các phương pháp nhận dạng mục tiêu ra đa
  • 1.1.4. Tập dữ liệu ra đa
  • 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
  • 1.2.1. Tình hình nghiên cứu ngoài nước
  • 1.2.2. Tình hình nghiên cứu trong nước
  • 1.3. Đề xuất hướng nghiên cứu của luận án
  • 1.4. Kết luận chương 1

• 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

  • 2.1. Đặt vấn đề
  • 2.2. Kỹ thuật học sâu ứng dụng cho bài toán nhận dạng mục tiêu ra đa
  • 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
  • 2.3.1. Đề xuất cấu trúc mô hình RINet
  • 2.3.2. Đánh giá hiệu quả của cấu trúc CNN mô hình RINet
  • 2.4. Đề xuất nhân trọng số hàm mất mát Focal Loss nhằm nâng cao xác suất nhận dạng đúng mục tiêu Flycam
  • 2.4.1. Hàm mất mát và phương pháp tối ưu
  • 2.4.2. Hàm mất mát Cross Entropy
  • 2.4.3. Hàm mất mát Focal Loss
  • 2.4.4. Đề xuất nhân trọng số hàm mất mát Focal Loss
  • 2.4.5. Đánh giá hiệu quả của việc nhân trọng số hàm mất mát Focal Loss
  • 2.5. Kết luận Chương 2

• CHƯƠNG 3. ĐỀ XUẤT GIẢI PHÁP LỌC NHIỄU NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG MỤC TIÊU CỦA MẠNG NƠ-RON HỌC SÂU RINET

  • 3.1. Đặt vấn đề
  • 3.2. Xây dựng bộ lọc nhiễu cho mô hình mạng nơ-ron RINet
  • 3.2.1. Nhiễu trong ảnh dữ liệu ra đa
  • 3.2.2. Vị trí của bộ lọc nhiễu trong mô hình RINet
  • 3.2.3. Nghiên cứu các giải pháp lọc nhiễu
  • 3.2.4. Các phương pháp bảo tồn vùng ảnh đặc trưng của bộ lọc nhiễu
  • 3.2.5. Đề xuất bộ lọc thích nghi tự động điều chỉnh kích thước cửa sổ lọc cho mô hình RINet
  • 3.3. Đánh giá hiệu quả của phương pháp đề xuất
  • 3.4. Kết luận Chương 3

• CHƯƠNG 4. ĐỀ XUẤT PHƯƠNG PHÁP SINH ẢNH MỤC TIÊU RA ĐA SỬ DỤNG MẠNG SINH ĐỐI NGHỊCH GAN

  • 4.1. Đặt vấn đề
  • 4.2. Phương án đề xuất
  • 4.2.1. Tổng quan bài toán tăng cường dữ liệu ảnh mục tiêu ra đa
  • 4.2.2. Các giải pháp tăng cường dữ liệu ảnh mục tiêu ra đa
  • 4.2.3. Đề xuất mô hình mạng sinh đối nghịch GAN để tăng cường dữ liệu cho cho tập dữ liệu RAD-DAR
  • 4.3. Thử nghiệm và đánh giá kết quả
  • 4.3.1. Xây dựng giải pháp đánh giá
  • 4.3.2. Đánh giá hiệu quả giải pháp sinh ảnh bằng mạng sinh đối nghịch GAN bằng phương pháp thực nghiệm
  • 4.4. Đánh giá hiệu quả của mô hình mạng nơ-ron RINet kết hợp với các giải pháp nâng cao chất lượng nhận dạng mục tiêu
  • 4.4.1. Tổng hợp mô hình RINet đề xuất
  • 4.4.2. Đánh giá hiệu quả của mô hình RINet đề xuất
  • 4.5. Kết luận Chương 4

• KẾT LUẬN