Resumen:
Uno de los principales aplicativos de los radares es la identificación de objetivos en las señales obtenidas por el barrido de este sistema; la señal resultante pasa por un proceso de análisis para determinar si existe o no la presencia de un objeto y esta labor incrementa su complejidad en bajos niveles de relación señal a ruido (SNR). Para solventar este inconveniente se propone el uso de técnicas alternativas mediante algoritmos de aprendizaje profundo (deep learning) y de redes neuronales artificiales intentando mejorar el desempeño, la capacidad y la calidad de radares actualmente existentes. Para lograr este objetivo se estudia la utilización de un tipo de red neuronal denominada red neuronal convolucional.
En el presente trabajo se realizó una implementación y análisis de las redes neuronales convolucionales unidimensionales y bidimensionales para una posterior comparativa de los resultados obtenidos entre ambas redes, las cuales se desarrollaron orientadas a la clasificación de la presencia o no de objetivos en señales de radar. Los resultados obtenidos muestran que en los niveles de SNR bajos de 0 dBs a -5 dBs las redes neuronales convolucionales lograron al menos un 99.94% de exactitud en la clasificación.
El uso de las redes neuronales convolucionales y las técnicas de aprendizaje profundo implican un mayor costo computacional y un mayor tiempo de entrenamiento de los modelos, pero tiene como ventaja óptimos resultados respecto a las prácticas tradicionales utilizadas para la detección de objetivos en señales de radar.
