雷达AI

模拟雷达信号以训练机器和深度学习模型，用于目标和信号分类。

使用MATLAB^®和Simulink^®，您可以：

为什么要将人工智能用于雷达？

合成并标记雷达波形以训练深度学习网络。从信号中提取时频特征，并使用深度学习网络进行波形调制分类。确定占用信号的带宽。

使用机器和深度学习方法，根据雷达横截面对雷达回波进行分类。机器学习方法使用小波散射特征提取和支持向量机。两种常见的深度学习方法是使用SqueezeNet的转移学习和长短期记忆（LSTM）递归神经网络。

从公开的动态手势数据集中对超宽带（UWB）脉冲雷达信号数据进行分类。使用多输入、单输出卷积神经网络（CNN），其中CNN模型从每个信号中提取特征信息，然后将其组合以进行最终手势标签预测。

使用时频分析和深度学习网络，根据行人和骑自行车者的微阻挡特征对其进行分类。放置在雷达前的物体不同部分的运动产生微阻挡特征，可用于识别物体。

使用深度学习技术对合成孔径雷达（SAR）图像进行目标分类。创建并训练卷积神经网络（CNN），以从移动和固定目标捕获与识别（MSTAR）混合目标数据集中对SAR目标进行分类。

使用基于区域的卷积神经网络（R-CNN）对合成孔径雷达（SAR）图像进行目标识别。R-CNN网络将检测和识别与高效性能结合起来，可扩展到大型场景SAR图像。

雷达示例的AI

了解用于雷达应用的深度学习产品。

30天的探索触手可及。

立即下载