Details

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.