Desarrollo de algoritmo CFAR bidimensional (rango doppler) basado en aprendizaje de máquina

Abstract

El procesamiento de señales de radar constituye un papel importante en la detección de objetivos para aplicaciones civiles y militares, esto en entornos diversos, los detectores de Tasa de Falsa Alarma Constante (CFAR, del inglés Constant False Alarm Rate) se establecen como el enfoque principal para umbrales adaptativos de detección, para mantener una probabilidad de falsa alarma constante frente a variaciones del ambiente. No obstante, los detectores CFAR presentan degradación en escenarios no estacionarios, con múltiples objetivos o bordes de clutter, donde resulta difícil decidir cual detector CFAR es mejor en cada tipo de escenario. Frente a esta problemática, el objetivo de este trabajo es desarrollar un algoritmo CFAR basado en aprendizaje de máquina, el método utiliza características en tiempo y frecuencia de señales reales de radar para entrenar un modelo y este sea capaz de seleccionar el tipo de detector CFAR adecuado para el escenario en el que se encuentre. Los resultados demostraron que el algoritmo logra identificar y dividir los diferentes escenarios según el nivel de clutter que posea, para posteriormente seleccionar de manera adaptativa el tipo de detector CFAR adecuado para cada tipo de escenario, así mismo detectando el objetivo y su trayectoria. Se concluye que el diseño de algoritmos de detección mejora la confiabilidad en los procesos de detección.