NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI CÁC HOẠT ĐỘNG CỦA CON NGƯỜI DỰA TRÊN ẢNH PHỔ CÓ DẤU HIỆU MICRO-DOPPLER VỚI SỰ TÁC ĐỘNG CỦA NHIỄU

Tóm tắt

Các mạng nơ-ron chập sâu (Deep Convolutional Neural Networks – DCNNs) ngày càng được sử dụng rộng rãi để phân loại các hoạt động của con người dựa trên ảnh phổ có dấu hiệu micro-Doppler (m-D) thu được từ radar. Tuy nhiên, hiệu suất phân loại của các mô hình thường bị giảm đáng kể khi tín hiệu m-D bị ảnh hưởng bởi nhiễu. Nghiên cứu này đề xuất một phương pháp mới nhằm cải thiện độ chính xác phân loại của DCNNs trong môi trường có sự tác động bởi nhiễu Gauss trắng. Phương pháp đề xuất giới thiệu một kỹ thuật lựa chọn ô cự ly (range bin) tối ưu dựa trên tiêu chí giá trị entropy cực tiểu (minimum entropy) của tín hiệu, nhằm tăng cường chất lượng tín hiệu đầu vào cho DCNN mà không cần thay đổi kiến trúc mạng. Kỹ thuật đề xuất được kiểm chứng thực nghiệm bởi 4 mô hình DCNNs hiện có trên tập dữ liệu mô phỏng (với 6 mức nhiễu khác nhau), cho thấy sự cải thiện đáng kể về độ chính xác phân loại.