Tomtat luanan tiengviet nghiên cứu bài toán tự Động nhận dạng mục tiêu ra Đa Ứng dụng mạng nơ ron học sâu

Trong đó, nghiên cứu các giải pháp để khắc phục các khó khăn như: số lượng tập ảnh ra đa gán nhãn hạn chế, cường độ nhiễu trong ảnh cao, yêu cầu về kích thước mô hình và tốc độ

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG

VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ

NGUYỄN VĂN TRÀ

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

Mã số: 9 52 02 04

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI - 2024

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - BỘ QUỐC PHÒNG

Người hướng dẫn khoa học:

1 TS Vũ Chí Thanh

2 TS Đoàn Văn Sáng

Phản biện 1: GS.TS Bạch Gia Dương

Đại học Quốc gia Hà Nội

Phản biện 2: TSKH Đào Chí Thành

Viện Hàn lâm Khoa học và Công nghệ Việt Nam

Phản biện 3: PGS.TS Lê Vĩnh Hà

Viện Khoa học và Công nghệ Quân sự

Luận án được bảo vệ tại Hội đồng đánh giá luận án tiến sĩ cấp Viện, họp tại Viện Khoa học và Công nghệ quân sự

Vào hồi: giờ ngày tháng năm 2024

Có thể tìm hiểu luận án tại:

- Thư viện Viện Khoa học và Công nghệ quân sự

- Thư viện Quốc gia Việt Nam

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án

Thực tiễn các cuộc xung đột vũ trang và chiến tranh gần đây cho thấy các bên tham chiến sử dụng đa dạng các chủng loại vũ khí đặc biệt là máy bay không người lái, xuồng không người lái và tên lửa hành trình, bom lượn, Các loại vũ khí này ngày càng thông minh, có tính sát thương cao Khi đối phương dùng hỏa lực lớn, tấn công ồ ạt, cường độ cao thì phương pháp nhận dạng xác định thủ công dựa vào kinh nghiệm và năng lực của trắc thủ

là không hiệu quả Do đó, giải pháp tự động nhận dạng mục tiêu là một yêu cầu cấp bách

Áp dụng trí tuệ nhân tạo để giải quyết bài toán nhận dạng mục tiêu ra đa

là một hướng tiếp cận phù hợp với xu hướng nghiên hiện nay trong lĩnh vực

xử lý tín hiệu ra đa Trong đó, nghiên cứu các giải pháp để khắc phục các khó khăn như: số lượng tập ảnh ra đa gán nhãn hạn chế, cường độ nhiễu trong ảnh cao, yêu cầu về kích thước mô hình và tốc độ tính toán của mạng nơ-ron nhằm nâng cao chất lượng nhận dạng mục tiêu là một nhiệm vụ quan trọng

Xuất phát từ những lý do trên, luận án lựa chọn đề tài nghiên cứu

“Nghiên cứu bài toán tự động nhận dạng mục tiêu ra đa ứng dụng mạng ron học sâu” Đây là vấn đề cấp thiết và có tính thời sự, ứng dụng cao, những

nơ-kết quả của Luận án là tiền đề cho lĩnh vực nghiên cứu, xây dựng các mô đun phần mềm tự động nhận dạng mục tiêu để ứng dụng vào trong tuyến xử

lý tín hiệu của các ra đa tại Việt Nam

2 Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận án là nghiên cứu đề xuất một số giải pháp nhằm nâng cao chất lượng nhận dạng mục tiêu ra đa của mô hình mạng nơ-ron học sâu

3 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận án là các mô hình mạng nơ-ron học sâu và bài toán tự động nhận dạng mục tiêu ra đa

Phạm vi nghiên cứu của luận án là:

- Nghiên cứu áp dụng các giải pháp nâng cao chất lượng nhận dạng mục tiêu ra đa ứng dụng mạng nơ-ron học sâu;

- Luận án tập trung nghiên cứu nhận dạng 3 lớp mục tiêu Flycam, người

đi bộ, ô tô và sử dụng bộ dữ liệu đã có sẵn được công bố trên tạp chí có uy tín

4 Nội dung nghiên cứu

Để đạt được các mục tiêu đề ra, luận án tập trung nghiên cứu một số nội dung chính như: Nghiên cứu lý thuyết nhận dạng mục ra đa; Khảo sát các

tập dữ liệu ra đa gán nhãn; Nghiên cứu, phân tích, đánh giá các mô hình học sâu và các kỹ thuật nhận dạng mục tiêu ra đa; Nghiên cứu các giải pháp nâng cao chất lượng nhận dạng mục tiêu của mạng nơ-ron học sâu

5 Phương pháp nghiên cứu

Kết hợp nghiên cứu lý thuyết , giải thích, mô tả toán học để xây dựng các

mô hình, mô phỏng đánh giá các mô hình bằng phần mềm Chứng minh hiệu quả các đề xuất bằng công cụ đánh giá của Framework Tensorflow, ngôn ngữ lập trình Python

6 Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án

Ý nghĩa khoa học: Kết quả nghiên cứu của luận án góp phần hoàn thiện

cơ sở lý thuyết bài toán nhận dạng mục tiêu ra đa ứng dụng trí tuệ nhân tạo

Ý nghĩa thực tiễn: Kết quả của các nghiên cứu trong luận án là cơ sở khoa

học để xây dựng mô đun xử lý nhận dạng mục tiêu áp dụng vào thực tế Luận án có thể là tài liệu tham khảo trong nghiên cứu khoa học, trong giảng dạy tại Học viện, Nhà trường, và các khóa huấn luyện chuyên ngành

7 Bố cục của luận án

Luận án được xây dựng bao gồm phần Mở đầu, 4 chương, và Kết luận

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

Tự động nhận dạng mục tiêu ra đa (RATR: Radar automatic target recognition) là bài toán xác định kiểu loại của mục tiêu dựa trên những dấu hiệu đặc trưng được trích xuất từ tín hiệu phản xạ ra đa

1.1.2 Các dấu hiệu nhận dạng

Hiện nay, các nhà nghiên cứu tập trung vào 3 dấu hiệu đặc trưng cơ bản trong tín hiệu phản xạ về từ mục tiêu ra đa làm cơ sở nhận dạng Cụ thể, ba dấu hiệu đặc trưng đó là:

- Đặc trưng diện tích phản xạ hiệu dụng ra đa;

-Đặc trưng chuyển động của mục tiêu thể hiện qua tham số tần số Doppler và micro-Doppler;

- Đặc trưng về pha và đặc tính phân cực tín hiệu phản xạ về từ mục tiêu

1.1.3 Các phương pháp nhận dạng mục tiêu ra đa

Tùy theo cách thức trích xuất đặc trưng, nhận dạng mục tiêu ra đa có thể được chia thành hai phương pháp: phương pháp truyền thống và phương pháp học sâu

Hình 1.12 Nhận dạng mục tiêu theo phương pháp truyền thống

- Phương pháp truyền thống đưa ra quyết định nhận dạng dựa vào việc thực hiện các thuật toán để tính toán độ tương đồng của dữ liệu mục tiêu thu được hiện tại với các mẫu mục tiêu ghi lưu trong bộ nhớ

- Nhận dạng theo phương pháp học sâu có thể chia thành 2 mức độ: + Mạng nơ-ron có chức năng phát hiện và nhận dạng: Trong trường hợp này, luồng xử lý phát hiện và nhận dạng là nối tiếp Mạng nơ-ron phải đồng

bộ về mặt thời gian, tốc độ tính toán với toàn bộ tuyến xử lý tín hiệu của ra

đa Sơ đồ chức năng của ra đa có mạng nơ-ron phát hiện và nhận dạng mục tiêu được mô tả trên Hình 1.15 Phương pháp này áp dụng phù hợp cho các

ra đa cỡ nhỏ, tầm gần, số lượng mục tiêu bám bắt đồng thời bé

Hình 1.15 Mạng nơ-ron học sâu phát hiện và nhận dạng mục tiêu ra đa + Mạng nơ-ron chỉ đảm nhận chức năng nhận dạng: Trong trường hợp này, thông tin mục tiêu nhận dạng được lựa chọn thủ công thông qua thao tác của trắc thủ ra đa trên màn hình HMI hoặc được lựa chọn tự động Tuyến

xử lý phát hiện ra đa và tuyến xử lý nhận dạng ra đa là song song, trong đó

hệ thống xử lý nhận dạng là hệ thống xử lý trễ, không yêu cầu đồng bộ tốc với tuyến xử lý phát hiện Phương pháp này phù hợp và có tính khả thi cao cho việc áp dụng vào thực tế các ra đa cảnh giới với tính năng phát hiện, bám bắt đồng thời nhiều mục tiêu Sơ đồ chức năng của ra đa có mạng nơ-ron chỉ đảm nhiệm chức năng nhận dạng mục tiêu được mô tả trên Hình 1.17

Hình 1.17 Mạng nơ-ron học sâu nhận dạng mục tiêu ra đa Luận án lựa chọn hướng tiếp cận mạng nơ-ron học sâu chỉ đảm nhận chức năng nhận dạng mục tiêu để nghiên cứu

1.1.4 Tập dữ liệu ra đa

Trình bày thống kê các tập dữ liệu ra đa gán nhãn đã được công bố trên thế giới Các tập dữ liệu này chủ yếu được xây dựng từ ra đa điều tần tuyến tính liên tục (FMCW: Frequency Modulated Continuous Wave) cự ly nhỏ trang bị trên hệ thống hỗ trợ lái tự động hoặc ảnh mục tiêu của ra đa tổng hợp mặt mở (SAR: synthetic aperture radar) Trong số các tập dữ liệu đã được công bố, tập dữ liệu RAD-DAR là tập hợp các mẫu mục tiêu ra đa trên miền cự ly – tần số Doppler được trích xuất từ ra đa FMCW cự ly hoạt động đến 3 km Tập dữ liệu này phù hợp với định hướng nghiên cứu của luận án Luận án sẽ sử dụng tập dữ liệu RAD-DAR để huấn luyện, đánh giá mô hình mạng nơ-ron và các giải pháp cải tiến đề xuất

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

Trong những năm gần đây, đề xuất các giải pháp nâng cao độ chính xác của mô hình là hướng nghiên cứu chính trong lĩnh vực nhận dạng mục tiêu

ra đa ứng dụng mạng nơ-ron học sâu Các nghiên cứu chính để nâng cao độ chính xác mô hình mạng nơ-ron bao gồm:

- Nghiên cứu các cấu trúc mạng nơ-ron tích chập phù hợp;

- Nghiên cứu cải tiến hàm mất mát;

- Nghiên cứu tăng cường dữ liệu;

- Nghiên cứu tiền xử lý dữ liệu đầu vào

1.2.2 Tình hình nghiên cứu trong nước

Vấn đề áp dụng trí tuệ nhân tạo vào tuyến xử lý tín hiệu đang bắt đầu được đẩy mạnh triển khai Tuy nhiên, chưa có nhiều công trình nghiên cứu trong nước ở lĩnh vực này được công bố Các kết quả công bố trong nước chỉ dừng ở mức độ nghiên cứu lý thuyết hoặc mô phỏng

1.3 Đề xuất hướng nghiên cứu của luận án

Luận án tổng hợp các kết quả nghiên cứu bài toán nhận dạng mục tiêu ra

đa ứng dụng trí tuệ nhân tạo và đưa ra một số vấn đề còn tồn tại như:

- Số lượng các tập dữ liệu ra đa gán nhãn đã được công bố là ít, đặc biệt là đối với các ra đa quân sự;

- Còn ít các công trình nghiên cứu trong nước về lĩnh vực nhận dạng mục tiêu ra đa;

- Vấn đề tăng xác suất nhận dạng đúng cho lớp mục tiêu quan trọng chưa được đề cập đến trong các công trình nghiên cứu;

- Chưa có công trình nghiên cứu nào tiến hành giải quyết triệt để bài toán lọc nhiễu với yêu cầu bảo tồn các vùng ảnh đặc trưng mục tiêu;

- Giải pháp tăng thêm số lượng ảnh cho tập dữ liệu ra đa ít được đề cập trong các công trình nghiên cứu Chưa có công trình nghiên cứu nào tiến

hành tăng cường ảnh cho tập dữ liệu RAD-DAR

Trên cơ sở phân tích các vấn đề còn tồn tại, những vấn đề chính luận án xác định sẽ tập trung giải quyết bao gồm:

1) Nghiên cứu, đề xuất một cải tiến trong hàm mất mát Focal Loss áp dụng cho các mô hình mạng nơ-ron học sâu trong quá trình huấn luyện nhằm nâng cao xác suất nhận dạng đúng với mục tiêu Flycam trong tập dữ liệu RAD-DAR

2) Nghiên cứu đề xuất bộ lọc nhiễu không gian thích nghi tự động thay đổi kích thước cửa sổ trượt đảm bảo khả năng lọc nhiễu và bảo tồn các vùng ảnh mang thông tin đặc trưng của mục tiêu

3) Nghiên cứu, đề xuất bộ sinh dữ liệu giả lập ảnh mục tiêu ra đa của tập dữ liệu RAD-DAR theo cấu trúc mạng GAN

Hình 1.27 Mô hình RINet luận án đề xuất và các bước so sánh, đánh giá

Luận án đề xuất một mô hình mạng nơ-ron học sâu RINet là tổng hợp của các giải pháp nâng cao chât lượng như: cấu trúc CNN phù hợp, điều chỉnh nhân trọng số hàm mất mát Focal Loss, áp dụng thuật toán lọc nhiễu

và sử dụng mạng sinh đối nghịch GAN để tăng cường dữ liệu Cấu trúc của

mô hình đề xuất của luận án và các bước tiến hành so sánh đánh giá với các

mô hình khác đã được công bố trên cùng tập dữ liệu được mô tả như trên hình 1.27

1.4 Kết luận chương 1

Chương 1 của luận án bao gồm các nội dung chính như sau:

- Khảo sát, phân tích các dấu hiệu đặc trưng trong tín hiệu phản xạ mục tiêu ra đa làm cơ sở nhận dạng mục tiêu

- Phân tích, đánh giá các phương pháp nhận dạng mục tiêu ra đa: phương pháp truyền thống và phương pháp học sâu

- Khảo sát các tập dữ liệu ra đa gán nhãn cho bài toán nhận dạng mục tiêu theo phương pháp học sâu đã được công bố trên thế giới, trình bày tổng quan về tập dữ liệu RAD-DAR

- Khảo sát, phân tích tình hình nghiên cứu trong và ngoài nước bài toán

tự động nhận dạng mục tiêu ra đa Từ các kết quả đó, luận án đã đưa ra các vấn đề còn tồn tại và xác định những nội dung chính mà luận án sẽ tập trung giải quyết

Các đề xuất nâng cao chất lượng nhận dạng mục tiêu ra đa được trình bày tại Chương 2, 3, và 4 của luận án

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

Chương 2 luận án sẽ đề xuất hàm mất mát mới sử dụng trong quá trình huấn luyện mạng nơ-ron nhằm tăng xác suất nhận dạng đúng với mục tiêu Flycam so với các mục tiêu khác trong tập dữ liệu RAD-DAR Hàm mất mát này là sự điều chỉnh của hàm mất mát Focal Loss Luận án cũng đề xuất xây dựng mô hình mạng nơ-ron học sâu để tiến hành các bước thực nghiệm

và kiểm chứng Mô hình mạng nơ-ron học sâu này được xây dựng dựa trên việc khảo sát và đánh giá các cấu trúc CNN khác nhau trong một số mô hình đã được công bố trên cùng tập dữ liệu RAD-DAR

2.2 Kỹ thuật học sâu ứng dụng cho bài toán nhận dạng mục tiêu

ra đa

Trình bày các kiến thức liên quan trong lĩnh vực học sâu, các tiêu chuẩn

so sánh đánh giá các mô hình mạng nơ-ron và thông tin cấu hình phần mềm, phần cứng tiến hành cài đặt các thử nghiệm trong luận án này

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

Luận án đã đề xuất một mô hình học sâu nhận dạng mục tiêu trên tập dữ liệu RAD-DAR, gọi là mô hình RINet (Residual Iception Network) Hình 2.7 là minh họa cấu trúc của mô hình RINet đề xuất Cấu trúc mô hình đề xuất là sự kết hợp của kết nối tắt Residual và Inception Tầng trích xuất đặc trưng bao gồm các khối Residual-Inception (R-I Block), các khối này nối tiếp nhau Số lượng các khối R-I Block trong mô hình đề xuất được xác định thông qua kết quả thực nghiệm Mỗi khối R-I Block bao gồm 3 mô đun Residual-Inception (R-I Component) kết nối song song với nhau Kết quả đầu ra của 3 mô đun này được hợp nhất ở lớp xếp chồng Concatnate Mỗi

mô đun R-I Component bao gồm 2 bộ tích chập song song Số bộ lọc của các bộ tích chập là 32, kích thức bộ lọc của 2 nhánh tích chập tương ứng là 1*k và k*1 (bộ lọc 1 chiều) Kích thước bộ lọc k trong Mỗi mô đun R-I Component lần lượt là 3, 5, 7 giúp trích lọc thông tin đa dạng trên những vùng đặc trưng mục tiêu có kích thước khác nhau

Hình 2.7 Cấu trúc mô hình mạng RINet đề xuất

2.3.2 Đánh giá hiệu quả của cấu trúc CNN mô hình RINet

Kết quả thực nghiệm so sánh mô hình RINet và các mô hình DopplerNet, CNN-32DC, RINN và MobileNetV2 ở trên hình 2.11 Mô hình RINet luận án đề xuất có hiệu năng tốt nhất với các tham số: kích thước mô hình 1,382 triệu tham số, độ chính xác 94,36% và thời gian dự đoán 7,6 ms

Hình 2.11 So sánh chất lượng của mô hình đề xuất với các mô hình

khác trên cùng tập dữ liệu

Luận án tiến hành so sánh các mô hình RINet với số lượng các khối R-I Block lần lượt là 1, 2, 3, 4, 5 như mô tả trên Bảng 2.3 Mô hình RINet có 1 khối R-I Block là tốt nhất với độ chính xác nhận dạng là 94,36%, kích thước

mô hình là 1,382 triệu tham số, thời gian nhận dạng là 7,6 ms

Bảng 2.3: So sánh mô hình RINet số lượng các khối R-I Block khác nhau

Số khối R-I

Block mô

hình RINet

Các tiêu chí so sánh Độ chính xác

(%)

Kích thước (triệu tham số)

Thời gian tính toán (ms)

2.4.1 Hàm mất mát và phương pháp tối ưu

Trình bày về vai trò của hàm mất mát trong quá trình huấn luyện mạng nơ-ron

2.4.2 Hàm mất mát Cross Entropy

Trình bày về hàm mất mát Cross Entropy

2.4.3 Hàm mất mát Focal Loss

Trình bày về hàm mất mát Focal Loss

2.4.4 Đề xuất nhân trọng số hàm mất mát Focal Loss

Điều chỉnh hàm mất mát là một giải pháp để khắc phục tình trạng mất cân bằng dữ liệu và cũng là 1 phương pháp hiệu quả để nâng cao chất lượng nhận dạng mục tiêu ra đa của mô hình mạng nơ-ron

Với mục tiêu nâng cao xác suất nhận dạng đúng đối với lớp mục tiêu Flycam trong tập dữ liệu RAD-DAR, luận án đề xuất điều chỉnh hệ số t

trong công thức hàm mất mát Focal Loss thành biểu thức mô tả trong công thức (2.24) Hàm mất mát Focal Loss nhân trọng số luận án đề xuất sử dụng để huấn luyện mô hình RINet được mô tả ở công thức (2.25), ký hiệu

là Weighted Focal Loss (WFL)

1

ww

t

t N

t t

Trong phần này luận án đã tiến hành cài đặt mô hình đề xuất RINet và

sử dụng 3 hàm mất mát là hàm Cross Entropy, Focal Loss, và hàm Focal Loss nhân trọng số Hàm Focal Loss nhân trọng số được khởi tạo tập giá trị

ưu tiên [w1, w2, w3] tương ứng với 3 loại mục tiêu: ô tô, Flycam, người đi

bộ là [1, 3, 1] Tham số độ chính xác nhận dạng của từng mục tiêu và tham

số độ chính xác trung bình được tính toán trên tập dữ liệu kiểm tra như mô

2.5 Kết luận Chương 2

Tóm lại, những đóng góp chính trong chương 2 của luận án bao gồm:

1 Phân tích, so sánh, đánh giá các mô hình mạng nơ-ron khác nhau nhận dạng mục tiêu trên tập dữ liệu RAD-DAR

2 Trên cơ sở so sánh các mô hình đó, luận án đề xuất một mô hình mạng nơ-ron học sâu RINet để nhận dạng mục tiêu ra đa trên ảnh cự ly – tần số Doppler trong bộ dữ liệu RAD-DAR Mô hình RINet có tầng CNN kết hợp của cấu trúc Residual – Inception với 3 nhánh tích chập song song với kích thước các bộ lọc tương ứng là 3, 5,7, và sử dụng các bộ lọc một chiều

3 Đề xuất hàm mất mát mới dựa trên sự điều chỉnh của hàm mất mát Focal Loss Hàm mất mát này cho phép điều chỉnh hệ số ưu tiên đối với lớp mục tiêu quan trọng Khi áp dụng hàm mất mát Focal Loss nhân trọng số để huấn luyện mô hình RINet, xác suất phát hiện đúng đối với mục tiêu Flycam cao so với 2 lớp mục tiêu còn lại

Kết quả nghiên cứu trong chương này đã được công bố tại công trình [CT1], [CT2], [CT3] trong danh mục các công trình đã công bố

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

Chương 3 của luận án nghiên cứu tác động của nhiễu đến chất lượng nhận dạng mục tiêu, phương pháp lọc nhiễu và đề xuất sử dụng bộ lọc không gian có điều chỉnh tự động kích thước cửa sổ trượt ASWNF để bảo tồn các đặc trưng sườn, cạnh của mục tiêu trong ảnh ra đa Kết quả phần thực nghiệm cho thấy, sử dụng tập ảnh đã được loại nhiễu bởi bộ lọc đề xuất giúp nâng cao độ chính xác nhận dạng mục tiêu của các mạng nơ-ron

3.2 Xây dựng bộ lọc nhiễu cho mô hình mạng nơ-ron RINet

3.2.1 Nhiễu trong ảnh dữ liệu ra đa

Trình bày khái niệm về nhiễu trong ảnh mục tiêu ra đa và tác động của nhiễu đến quá trình nhận dạng mục tiêu của mạng nơ-ron

3.2.2 Vị trí của bộ lọc nhiễu trong mô hình RINet

Để làm giảm tác động của nhiễu trong ảnh mục tiêu ra đa đến chất lượng nhận dạng của mạng nơ-ron học sâu, luận án đề xuất áp dụng bộ lọc nhiễu trong mô hình RINet Vị trí và vai trò của bộ lọc nhiễu được mô trong hình 3.3 Bộ lọc nhiễu được sử dụng cả trong quá trình huấn luyện mô hình và trong quá trình nhận dạng thực tế

Hình 3.3 Vị trí, vai trò của bộ lọc nhiễu trong mô hình RINet

3.2.3 Nghiên cứu các giải pháp lọc nhiễu

Để làm giảm tác động của nhiễu đến chất lượng nhận dạng mục tiêu ra

đa, một số phương pháp lọc nhiễu phổ biến đã được áp dụng để tiến hành lọc nhiễu trong tín hiệu phản xạ về của ra đa Trong đó, việc sử dụng các bộ lọc thích nghi để triệt nhiễu đã được chứng minh là một trong những phương pháp hiệu quả để triệt nhiễu trong ảnh dữ liệu ra đa

Hình 3.5 Lưu đồ thuật toán bộ lọc thích nghi, (a) lưu đồ thuật toán, (b)

code chương trình phần mềm của bộ lọc Kuan

Bản chất của phương pháp lọc nhiễu trắng bằng bộ lọc thích nghi là việc

di chuyển một cửa sổ trượt qua từng pixel trong ảnh và áp dụng phép tính toán bằng cách sử dụng các giá trị pixel trong cửa sổ trượt Pixel trung tâm