Desarrollo y análisis de sistemas de estimación y detección de objetivos de radar mediante algoritmos de machine y deep learning

Abstract

La detección de objetivos de radar es un proceso que requiere de la recepción, procesamiento y análisis de las señales a analizar, donde es necesario cumplir con parámetros de alto rendimiento para garantizar la capacidad de respuesta ante posibles amenazas. Los sistemas actuales basan su funcionamiento en filtros y algoritmos que si bien cumplen su función presentan falencias frente a niveles de relación señal a ruido (SNR) bajos, situación que es común cuando se manejan señales a grandes distancias en un ambiente no controlado, generando complicaciones en el correcto funcionamiento de los sistemas. El avance de los algoritmos de Machine Learning y Deep Learning ha dado paso a sistemas de entrenamiento supervisados que reflejan mejores resultados trabajando como clasificadores. El objetivo del presente trabajo es comparar el rendimiento del algoritmo bayesiano tradicional (AR LMS MEAN) con los algoritmos de Machine Learning (Algoritmo de Bosque Aleatorio) y Deep Learning (Redes Neuronales LSTM). Los resultados muestran una mejora considerable en niveles de SNR bajos, cumpliendo con las exigencias de un sistema de detección de objetivos de radar óptimo, demostrando que si bien el entrenamiento de los algoritmos desarrollados tiene una duración mayor su desempeño es una mejora considerable con respecto a las técnicas antes utilizadas.