Объект исследования – Система распознавания и классификации объектов для радиолокационной карты радаров непрерывного действия с помощью свёрточных нейронных сетей. Цель работы – 1. Применить специализированное программно-математическое обеспечение "PyTorch machine learning library" и "Shutil libraries" на языке Python для проведения исследований и решения задач по разработке свёрточных нейронных сетей для определения наличия автомобилей на радиолокационных картах дальность-угол в полярных координатах (SCA), дальность-угол (DoA) и дальность-азимут-доплер (RDA). 2. Предложить новые идеи и подходы к разработке объединённой свёрточной сети SCA+DoA+RDA с тремя входами. В результате исследования изучены теоретические знания о FMCW-радарах и основных принципах сверточных нейронных сетей. По данным радиолокационного набора SCORP построена сверточная нейронная сеть с тремя входами. Основная структура нейронной сети состоит из чередующихся сверточных слоев и слоев объединения. После обучения набора данных SCORP нейронная сеть может судить о наличии автомобиля в радиусе действия радара на основе одновременного ввода трех радиолокационных изображений. Новизна работы заключается в использовании классифицированных вручную наборов данных для повышения точности суждения и использовании трехвходовой структуры для повышения его точности.

Object of study is system for recognition and classification of objects for the radar map of continuous radars using convolutional neural networks. The aim is 1. To apply the specialized software and mathematical software "PyTorch machine learning library" and "Shutil libraries" in Python to conduct research and solve problems on the development of convolutional neural networks to determine the presence of cars on radar maps range-angle in polar coordinates ( SCA), range-angle (DoA), and range-azimuth-doppler (RDA). 2. Offer new ideas and approaches to the development of a combined SCA + DoA + RDA convolutional network with three inputs. As a result of the study, theoretical knowledge about FMCW radars and the basic principles of convolutional neural networks were studied. Based on the data from the SCORP radar set, a convolutional neural network with three inputs was built. The basic structure of a neural network consists of alternating convolutional and pooling layers. After training the SCORP dataset, the neural network can judge the presence of a vehicle within the radar range based on the simultaneous input of three radar images. The novelty of the work lies in the use of manually classified data sets to improve the accuracy of judgment and the use of a three-input structure to improve its accuracy.

• РЕФЕРАТ
• ABSTRACT
• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1 FMCW-радар
  • 1.1 Принцип работы FMCW радара
  • 1.2 Принцип определения дальности действия радара FMCW
  • 1.3 Принцип измерения скорости радаром FMCW
  • 1.4 Принцип измерения угла объекта с помощью радара FMCW
• 2 Основные принципы нейронных сетей
  • 2.1 Модель нейронной сети
    • 2.1.1 Модели нейронов и человеческого мозга
    • 2.1.2 Модель нейрона
    • 2.1.3 Выражения нейронных сетей
    • 2.1.4 Обратная связь и структура сети
  • 2.2 Обучение нейронной сети
    • 2.2.1. Обучение исправлению ошибок
    • 2.2.2 Обучение Hebb
    • 2.2.3 Конкурсное обучение
  • 2.3 Однослойный перцептрон
    • 2.3.1 Адаптивный фильтр
    • 2.3.2 Безусловная оптимизация
• 3. Построение конволюционной нейронной сети для распознавания автомобилей
  • 3.1 Набор данных SCORP
  • 3.2 Перегруппировка набора данных
  • 3.3 Построение, обучение и тестирование нейронной сети
• 4. Сравнение нейронной сети с тремя входами и нейронной сети с одним входом
  • 4.1 Свёрточная нейронная сеть «Samples-Chirps-Angle» (SCA)
  • 4.2 Свёрточная нейронная сеть дальность-угол в прямоугольных координатах (DoA)
  • 4.3 Свёрточная нейронная сеть дальность-азимут-доплер (RDA)
  • 4.4 Сравнение процесса обучения трех одновходовых нейронных сетей
• 5. Оптимизация структуры сети
  • 5.1 Модель fix1
  • 5.2 Модель fix2
  • 5.3 Модель fix3
  • 5.4 Модель fix4
  • 5.4 Сравнение разных моделей
    • ЗАКЛЮЧЕНИЕ
    • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
    • ПРИЛОЖЕНИЕ А