|
《Deep Learning for Radar and Communications Automatic Target Recognition 》 简要介绍（机器翻译）： 雷达与通信的深度学习自动目标识别是现代人工智能/机器学习(AI/ML)技术在射频(RF)数据开发中的一个综合例证。虽然许多教科书关注于非射频数据的AI/ML技术，如视频图像、音频语音和语音文本，但在射频频谱中却没有这样的书籍。因此，有必要为研究团体编写一本RF机器学习(ML)书，以捕捉最新的AI/ML和深度学习(DL)算法和未来的挑战。我们这本书的目标是为实践者提供(I)重要的ML/DL技术概述，(Ii)阐述与为射频应用开发ML方法有关的技术挑战，以及(Iii)在合成孔径雷达(SAR)图像和通信信号分类中实施ML技术。 熟悉术语AI、ML和DL是很重要的，因为在今天的文学中，这些词有时可以互换使用。广义地说，DL是ML的子集，ML是AI的子集(更深入的定义可以在第一章中找到)。ML的方法论在解决各种问题的多领域领域经历了一场爆炸。其中许多技术适用于物理推理，用于识别感知域中的特定对象，识别音频域中的语音模式，或区分文本域中的语言短语。ML还在涉及基于人类运动学、音频或书面行为的意图语义推理的各个方面产生了重大影响。这些进步的有利技术是由于开发了更快的计算机和更多的培训数据存储。许多ML结构都是受生物神经网络的启发，以模拟人的大脑皮层。在这里，涉及感知操作、特征识别和认知推理的反复训练使特定的人类个体能够在环境中发挥良好的作用。同样，在硅基计算机芯片组中，基于神经网络的ML体系结构也通过涉及许多数据集的广泛处理以类似的方式进行培训。 本书旨在提供有关ML概念的概括性概述，用于现代雷达和通信系统，这些系统通常产生和应用复杂的同相和正交数据信道。根据图形识别技术的层次结构，提供了各种方法的分类。讨论是按照有监督的学习方法进行的，这些方法有标记的培训数据集，可以通过使用半月制，和无监督的方法，应用的数据集，标签真相信息是不可用的。根据处理体系结构的具体细节对分类法进行进一步分解。对于本书中介绍的一些元素，将提供更多的细节，以便读者了解各种技术的优点。因此，读者将能够收集关于选择特定ML方法的直觉，这些方法可能对特定的雷达或通信应用产生有利的结果。我们力求对这些技术进行比较分析，将其作为本书的重点，因为目前市场上似乎没有任何书籍可使读者了解各种用于雷达和通信应用的AI/ML/DL方法。简化的示例和图表使读者进一步了解可以开发和使用的许多ML策略之间的异同。此外，这本书包括每一章的每个ML方法的综合参考列表，这样读者就很容易被引导到附加的辅助信息，以完成雷达和通信项目所需的目标。 在使用ML处理复杂价值的雷达图像和利用通信信号方面出现了一些意外。特别是，可以认为机器神经网络实际上比人类前额叶皮层的相应生物版本更灵活，至少在某些方面是这样。具体来说，ML算法可以使用在许多雷达和通信接收机中生成的复杂的同相数据和正交数据，或者等效的，幅度和相位数据。可以使用原始相位历史数据芯片作为训练和测试ML算法的输入(如第6章所述)。对于人类来说，实际的相位历史图像显示为无规噪声，而不管人们是否将数据检查为同相和/或正交图像。噪声的统计不确定性来源于复值合成孔径雷达图像在雷达信号回波采集中的一般全息特性。值得注意的是，ML体系结构能够提供一种非平凡的分类能力，而任何检查相同输入相位历史图像数据芯片的人都可能具有极低的分类能力。 很明显，ML已经进入了技术领域，而且它将继续存在。这本书为读者提供了许多用于解决雷达和通信应用中复杂问题的ML体系结构的方法，供新兴学生、学术研究人员和工程实践者使用。我们希望您能从这里提供的用于RF数据的ML方法的组成、组织和表示中获益良多。 作者介绍： Uttam K.Majumder博士是空军研究实验室(AFRL)的高级电子工程师，自2003年以来一直在那里工作。他的研究领域包括自动目标识别的人工智能/机器学习(AI/ML)、高性能计算(HPC)、用于监视应用的合成孔径雷达(SAR)算法、雷达波形设计和数字图像处理。在各种奖项中，Majumder博士因出色的表现获得空军民用成就奖，AFRL因雷达系统开发获得科学技术成就奖，并因机器学习算法开发获得SPIE上升研究员奖。Majumder博士获得了纽约城市学院计算机科学系的理学士学位、俄亥俄州代顿空军工业学院的硕士学位和印第安纳州西拉斐特普渡大学的电子工程博士学位。他还获得了俄亥俄州代顿赖特州立大学的MBA学位。Majumder博士是俄亥俄州代顿赖特州立大学的兼职教师，在那里他开发并教授了一门关于SAR信号和像处理的研究生课程。Majumder博士在IEEE、SPIE、Milcom和Tri服务雷达研讨会上发表了50多篇技术论文(期刊和会议)。他提交了两份专利申请。Majumder博士是IEEE的高级成员。他是IEEETAES的评审员，并担任多个会议的技术项目委员会和会议主席。 Erik Blasch是位于弗吉尼亚州阿灵顿的美国空军研究实验室(AFRL)-空军科学研究室(AFOSR)的一名项目官员。他以前是美国纽约罗马AFRL信息局的首席科学家(2012-2017年)、魁北克瓦尔卡蒂埃的加拿大国防研究和发展(DRDC)交流科学家(2010-2012年)，以及AFRL传感器局的信息融合评估技术主管-俄亥俄州代顿传感器开发综合性能评估(COMPASE)中心(2000-2009年)。其他任务包括支持情报、获取和空间技术的美国空军预备役军官上校，获得18枚奖牌。ACA-他是莱特州立大学电气和生物医学工程副教授(2000-2010年)和空军技术学院(AFIT)的副教授，教授信号处理、电子、信息融合以及研究辅助任命(2011-2017年)。来自代顿、宾厄姆顿大学和罗切斯特理工学院。Blasch博士是国际信息融合学会(ISIF)的创始成员(www.xif.org)，2007年主席和理事会(2000-2010年)。他曾担任IEEE航天和电子系统协会理事会(2011-2016年)、杰出讲师(2012-2019年)、5次会议的共同主席和3份学术期刊的副编辑。他专注于信息融合、目标跟踪、机器人技术和图形识别研究，编撰了850多篇科学论文和书籍章节。他拥有31项专利，获得了33项团队机器人奖，颁发了60多个教程，并提供了12次全体讲座。他的合著包括高级信息融合管理和系统设计(Artech House，2012年)、上下文增强信息融合(Springer，2016)、多光谱图像融合和着色(SPIE，2018)和动态数据驱动应用系统手册(Springer 2018)。Blasch博士从麻省理工学院获得机械工程学士学位(1992年)，并从佐治亚理工学院获得机械工程硕士学位(1994年)、健康科学硕士学位(1995年)和工业工程硕士学位(人类因素)(1995年)，并在威斯康星大学攻读医学博士/博士学位，在1996年被召到美国空军服役。他在莱特州立大学获得了MBA学位(1998年)、经济学硕士学位(1999年)和电气工程博士学位(1999年)，并毕业于空战学院(2008年)。他获得了IEEE生物工程师奖(Russ-2008)、IEEE AESS杂志最佳论文奖(Mimno-2012)、军事传感研讨会数据融合领导奖(Mignogna-2014)、富布赖特学者评选奖(2017)以及AFRL颁发的18项研究/技术和团队奖。他是美国航空航天学会(AIAA)、光子学和工业工程师协会(SPIE)研究员、电气和电子工程师学会(IEEE)研究员。 大卫·艾伦·加伦，博士，是一位终身教授。海军研究生院(NPS)计算机工程系--他自2012年以来一直担任这个职位。他撰写或合著了20份参考期刊论文和50多份会议出版物，主要是在雷达领域。他有7人 U.S. Patents,都与雷达有关，是IEEE的高级成员。此外，他目前在电子战领域担任参考期刊IEEE航空航天和电子工程交易的副编辑。此外，在NPS工作期间，他曾担任由各联邦政府机构赞助的许多研究项目的首席调查员。1986年，加伦教授在罗诺克科勒格大学获得学士学位，主修数学和物理，专攻计算机科学。1988年和1991年分别获得威廉和玛丽的物理学硕士和博士学位。1991年至1993年，他在海军研究实验室(NRL)获得海军研究局博士后奖学金。从1994年到2012年，他在两家“财富”500强国防公司担任职务，同时从事各种技术的研究，包括雷达、信号处理和建模。他的行业服务最终被授予其中一家公司的技术研究员和助理副总裁的头衔。加伦教授喜欢向NPS研究生传授他在应用研究和教学方面的经验，这是他们为美国和盟国的国防服务的一部分。  |
|
|
