Decomposition of the scattered field into singularities for object classification using artificial intelligence algorithms
Pré-traitement par décomposition en singularités du champ diffracté pour la classification d'objets par des algorithmes d'intelligence artificielle
Résumé
One of the classical applications of radar is the discrimination of targets. Indeed, such work was initiated by C.E. Baum who proposed to apply the Singularity Expansion Method (SEM) to the electromagnetic scattered field of an object illuminated by a broadband incident wave. By extracting and studying the resonance poles of these measured signals, it is possible to distinguish between different objects by identifying their natural poles. Several SEM techniques were compared: TLS Matrix Pencil for signals in the time domain, TLS Cauchy, and Vector Fitting for signals in the frequency domain. In addition to the frequency discrimination of objects obtained from the SEM poles, supervised learning techniques such as Machine Learning and Deep Learning are applied to classify different objects based on their characteristic parameters. Different classification algorithms have been studied: Support Vector Machine (SVM), Decision Tree (DT), Multi-Layer Perceptron (MLP), and Convolutional Neural Network (CNN). This study shows that the combination of the most noise-robust SEM technique with neural network-based classifiers can classify the shape or material of an object from a single measurement and with low computational cost. In addition, a procedure is proposed that allows the angle of observation of the receiving antenna or the orientation of an object to be determined from the residues that are associated with each resonance pole. This classification procedure with SEM data is very promising, especially when generalizing to data not included in the training set.
L'une des applications du radar est la détection et identification des objets. En effet, des travaux de ce type ont été initiés par C.E. Baum qui a proposé d’appliquer des méthodes d’expansions en singularités (SEM) au champ diffracté d’un objet éclairé par une onde incidente large bande. L’extraction et l’étude des pôles de résonance de ces signaux mesurés permet de distinguer les différents objets par l’identification des pôles naturels qui leur sont propres. Plusieurs techniques SEM ont été comparées : TLS Matrix Pencil pour des signaux dans le domaine temporel, TLS Cauchy et Vector Fitting pour des signaux dans le domaine fréquentiel. À la discrimination fréquentielle des objets issue des pôles obtenus par la SEM, des techniques d'apprentissage supervisées de type Machine Learning et Deep Learning sont appliquées pour classifier différents objets à partir de leurs paramètres caractéristiques. Différents algorithmes de classification ont été étudiés : Support Vector Machine (SVM), Decision Tree (DT), Multi-Layer Perceptron (MLP) et Convolutional Neural Network (CNN). Cette étude montre que l'association d'une technique SEM la plus robuste au bruit avec des classifieurs à base de réseaux de neurones permet de classifier la forme ou la matière d’un objet à partir d’une seule mesure et avec un faible cout de calcul. De plus, on propose une procédure qui permet de déterminer l’angle d’observation de l’antenne de réception ou l’orientation d’un objet à partir des résidus qui sont associés à chaque pôle de résonnance. Cette procédure de classification avec des données SEM est très prometteuse en particulier lorsqu'il s'agit de généraliser à des données non incluses dans l'ensemble d'apprentissage.
Origine : Version validée par le jury (STAR)