Enhanced UAV Detection and Classification Using Machine Learning and MIMO Radars
Notice bibliographique
Résumé
In the present investigation, the impacts of antenna field of view (FOV) on the accuracy of machine learning (ML) models utilized for the classification of various unmanned air vehicle (UAV) types were systematically explored using full-wave electromagnetic simulation software. Initially, similar to many state-of-the-art works, an ML algorithm was meticulously trained under a particular condition where the relative angle between the UAVs and the antenna was kept at 0$^{\circ}$, yielding an accuracy of 96.5%. In contrast to the common practice, the trained ML model was subsequently subjected to testing at varied relative angles, spanning from 20$^{\circ}$to 90$^{\circ}$. Observational outcomes delineate a decrease in ML classification accuracy with an increase in the relative angle between UAVs and the antenna. Next, this study investigates the impact of utilizing multiple-input-multiple-output (MIMO) radar system for classification. The results indicate enhancement of UAV detection and classification efficacy when contrasted with a single-input-single-output (SISO) radar system, at 80$^{\circ}$, an accuracy of 60% for the MIMO antenna compared to 13% for the SISO antenna. To corroborate the results obtained by utilizing full-wave electromagnetic simulation software, a series of experimental laboratory measurements were undertaken. The empirical measurements were found to yield comparable ML accuracy, at 80$^{\circ}$, an accuracy of 38% for the MIMO antenna compared to 1% for the SISO antenna. This work underscores the paramount versatility achieved through invoking full-wave electromagnetic simulators alongside ML algorithms and the respective possible impact on standard practices when it comes to developing next-generation MIMO radar systems for UAV classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».