Details

Title Применение сверточных нейронных сетей для обработки микродоплеровских сигнатур радаров непрерывного действия: выпускная квалификационная работа бакалавра: направление 11.03.04 «Электроника и наноэлектроника» ; образовательная программа 11.03.04_05 «Радиофизика и электроника»
Creators Мардиев Артем Аликович
Scientific adviser Купцов Владимир Дмитриевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт электроники и телекоммуникаций
Imprint Санкт-Петербург, 2022
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects радар миллиметрового диапазона ; сверточные нейронные сети ; глубокое обучение ; линейно-частотно модулированный сигнал ; искусственный интеллект ; беспилотные транспортные средства ; millimeter wave radar ; convolutional neural networks ; deep learning ; computer vision ; frequency modulated continuous wave signal ; artificial intelligence ; autonomous vehicle
Document type Bachelor graduation qualification work
File type PDF
Language Russian
Level of education Bachelor
Speciality code (FGOS) 11.03.04
Speciality group (FGOS) 110000 - Электроника, радиотехника и системы связи
DOI 10.18720/SPBPU/3/2022/vr/vr22-2622
Rights Доступ по паролю из сети Интернет (чтение)
Record key ru\spstu\vkr\18594
Record create date 12/16/2022

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Тема выпускной квалификационной работы: «Применение сверточных нейронных сетей для обработки микродоплеровских сигнатур радаров непрерывного действия». Данная бакалаврская работа посвящена разработке алгоритмов обработки радиолокационных данных радаров непрерывного действия с использованием сверточных нейронных сетей. Целью работы является разработка алгоритма распознавания микродоплеровских сигнатур на основе сверточных нейронных сетей, а также разработка алгоритма распознавания радарных карт дальность-азимут на основе сверточных нейронных сетей с использованием видеоизображений в качестве обучающих масок. В ходе данной работы были изучены методы глубокого обучения, принципы построения сверточных нейронных сетей, возможные средства их реализации, а также принципы работы FMCW радаров. Работа проводилась с использованием языка Python, библиотек для машинного обучения Tensorflow и Keras, библиотеки Matplotlib для работы с графиками и изображениями. Для обучения нейронных сетей использовалась интерактивная облачная среда Google Colab. Результатами работы являются обученные сверточные нейронные сети, которые способны эффективно распознавать и классифицировать БПЛА, автомобили, велосипедистов и пешеходов. Разработанные алгоритмы могут быть использованы в системах компьютерного зрения для анализа данных радиолокаторов. Результаты работы показывают возможность использования сверточных нейронных сетей в беспилотных транспортных средствах.

The subject of the graduate qualification work is “Application of convolutional neural networks for processing micro-Doppler signatures of continuous-wave radars”. The given work is devoted to the development of algorithms for processing radar data from continuous-wave radars using convolutional neural networks. The aim of the work is to develop an algorithm for recognizing micro-Doppler signatures based on convolutional neural networks, as well as to develop an algorithm for recognizing range-azimuth radar maps based on convolutional neural networks using video images as training masks. In the course of this work, deep learning methods, the principles of constructing convolutional neural networks, means of their implementation, as well as the principles of operation of FMCW radars were studied. The work was carried out using the Python language, the Tensorflow and Keras machine learning libraries, the Matplotlib library for working with graphs and images. The interactive cloud environment Google Colab was used to train neural networks. The results of the work are trained convolutional neural networks that can effectively recognize and classify unmanned aerial vehicles, cars, cyclists, and pedestrians. The developed algorithms can be used in computer vision systems to analyze data from radars. The results of the work show the possibility of using convolutional neural networks in autonomous vehicles.

Network User group Action
ILC SPbPU Local Network All
Read
Internet Authorized users SPbPU
Read
Internet Anonymous

Access count: 11 
Last 30 days: 0

Detailed usage statistics