Learning based multiple input multiple output radar imaging
Öğrenme tabanlı çok girişli çok çıkışlı radar görüntüleme
- Tez No: 895622
- Danışmanlar: PROF. DR. ÖZGÜR GÜRBÜZ ÜNLÜYURT, DR. NAİME ÖZBEN ÖNHON
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 187
Özet
MIMO radarlar, özel anten konfigurasyonlari sayesinde, faz dizili radarların aksine çok daha az anten kullanarak“yapay dizi”oluşturup üstün açısal çözünürlük sağlar. Sayısal hüzme oluşturma teknikleri vasıtası ile, MIMO radarlar çevrelerinin 3B radar görüntüsünü mekanik olarak döndürmeye gerek kalmadan oluşturmaya imkan tanırlar. Hem gürültülü hem de bant sınırlı olan radar ölçümlerinden menzil/azimut profili veya radar yansıtıcılığı görüntüsü gibi bir radar bilinmeyenin geri çatımı, zor ve kötü tanımlı bir ters problemi sunar. Geleneksel geri çatma yöntemleri genellikle, altta yatan ölçüm fiziğini taklit eden tamamen bilinen bir matematiksel ölçüm modeli aracılığıyla ölçümlerin ters çevrilmesine dayanır. Ancak, geleneksel yaklaşımlar çoğunlukla ölçüm modellerine dayanır ve model tabanlı geri çatma teknikleri, geri çatımı yapılan radar bilinmeyeni hakkında her hangi bir önsel bilgi mevcut dahi olsa, bu önsel bilgileri tam olarak kullanmayabilir. Geri çatımı yapılan radar bilinmeyeni hakkındaki önsel bilgilerin geri çatım adımlarına dahil etmek için, radar bilinmeyeni içindeki belirli mekansal düzenlilikleri teşvik etmek amacıyla düzenleyiciler kullanılabilir. Bununla birlikte, bu düzenleyiciler genellikle geri çatımı yapılan radar bilinmeyeni içindeki karmaşık mekansal korelasyonları etkili bir şekilde yakalamada yetersiz kalabilir veya maliyet fonksiyonunun analitik minimizasyonuna kolayca izin vermeyeblir. Son zamanlarda, Alternatif Yönlendirme Çarpanları Yöntemi (ADMM), ölçüm verisini düzenleyici fonksiyondan ayırmayı mümkün kılarak, istenen herhangi bir düzenleyiciyi geri çatma sürecine tak-çalıştır (PnP) şeklinde dahil etmeyi mümkün kılmaktadır. Bu tezde, ADMM methodu ile menzil profil ve radar görüntüsü geri çatma problemlerini ele almak üzere uyguluyoruz ve geri çatma kalitesini artırmak için düzenleme yöntemi olarak derin öğrenme ağlarını kullanmayı öneriyoruz. MIMO radar bağlamında ters problemler için simülasyon sonuçlarımız üzerinden ADMM yöntemi içinde bir düzenleme yöntemi olarak derin öğrenme ağlarının etkinliğini gösteriyoruz. Radar menzil profil ve radar görüntü geri çatma problemleri için düzenleyici olarak CNN ve U-Net mimarilerini kullanan ADMM yönteminin performansını farklı ölçüm senaryoları altında alternatif yöntemler ile karşılaştırmalı bir analizle değerlendiriyoruz. İncelenen yöntemler arasında, hem radar menzil profili hem de görüntü geri çatma problemleri konusunda geri çatma performansı olarak en başarılı yöntem olarak ADMM, derin öğrenme ağlarının düzenleyici fonksiyon olarak kullanılması durumunda öne çıkmaktadır. Ek olarak, MIMO radarlarda hedef açı tahmini problemi üzerine çalışıp ve problem özelinde yapay sinir ağlarının kullanımı öneriyoruz. Kapsamlı deneyler üzerinden, çeşitli ölçüm senaryolarında, önerilen tekniğin tahmin doğruluğunu gösteriyoruz. Simulasyon sonuçları ile önerilen yöntemin özellikle de ölçüm modelinde belirsizlikler olduğu durumlarda etkinliğini gösteriyoruz.
Özet (Çeviri)
Multiple Input Multiple Output (MIMO) radars, with their unique antenna configuration, offer superior angular resolution by forming a“virtual array”with fewer antennas compared to phased-array radars. Through digital beamforming techniques, MIMO radars can generate 3D radar images of their surroundings without the need for mechanical rotation. Reconstructing an unknown field such as range/azimuth profile or full radar reflectivity image from radar returns, which are both noisy and band-limited, presents a challenging and ill-posed inverse problem. Conventional reconstruction methods typically involve inversion of the measurements through a fully known mathematical measurement model that mimics the underlying physics of measurements. However, conventional approaches often rely on a measurement model and model-based inversion techniques may not fully leverage the prior knowledge of the unknown field being reconstructed when such information is known. To incorporate prior information of the radar data into the reconstruction process, regularizers can be employed to promote specific spatial patterns within the radar data. Nevertheless, these regularizers often fall short in effectively capturing the intricate spatial patterns within the field data being reconstructed, or they may not readily allow for analytical minimization of the cost function. Recently, the Alternating Direction Method of Multipliers (ADMM) framework has emerged as a means to provide a way of decoupling the model inversion from the regularization of the priors, enabling the incorporation of any desired regularizer into the inversion process in a plug-and-play (PnP) fashion. In this thesis, we implement the ADMM framework to address the radar range profile and image reconstruction problems where we propose to employ deep learning networks as a regularization method for enhancing the quality of the inversion process which usually suffers from the ill-posed nature of the problem. We demonstrate the efficacy of deep learning networks as a regularization method within the ADMM framework via our simulation results for the inverse problems in MIMO radar context. We assess the performance of the ADMM framework employing CNN and U-Net architectures as a regularizer for radar range profile and radar image reconstruction problems, respectively. We conduct a comparative analysis against alternative methods under different measurement scenarios. Notably, among the methods under investigation, ADMM with deep learning networks used as a regularizer stands out as the most successful method for both radar range profile and image reconstruction problems in terms of reconstruction error. Furthermore, we study the problem of target angle estimation in MIMO radars, proposing the use of artificial neural networks for this purpose. Through comprehensive experiments, we show the potential of our proposed method across a range of measurement scenarios, verifying its effectiveness especially in the presence of measurement model uncertainties.
Benzer Tezler
- Deep learning-based reconstruction methods for near-field mimo radar imaging
Yakın alan mikrodalga görüntülemede derin öğrenmeye dayalı imge geriçatım teknikleri
İRFAN MANİSALI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Multi-output regressions for estimating crop's biophysical parameters from polsar data
Ekın biyofiziksel parametrelerinin çok hedefli regresyon analizleri ile kestirimi
ZEHRA MELTEM ŞAHİN
Yüksek Lisans
İngilizce
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
DR. ÖĞR. ÜYESİ GÜLŞEN TAŞKIN KAYA
- Çeşitli mikroşerit antenlerin karakteristik parametrelerinin farklı algoritmalarla eğitilen yapay sinir ağları ile hesaplanması
Computation of characteristics parameters of various type microstrip antennas with the use of artificial neural networks trained by different learning algorithms
SEYFETTİN SİNAN GÜLTEKİN
Doktora
Türkçe
2002
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KERİM GÜNEY
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Uzaysal modülasyon sistemlerinde derin öğrenme tabanlı anten seçimi
Deep learning based antenna selection for spatial modulation systems
İLKER AHMET ARSLAN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN ALTIN