Application of PCA and Unsupervised Deep Learning in Bird and Drone Discrimination Based on FMCW Radar Measurements
Notice bibliographique
Résumé
In low-altitude airspace surveillance, distinguishing between birds and drones is crucial due to their overlapping radar signatures. Radar, the preferred technology for long-range surveillance, struggles with this differentiation. To address this, our study introduces an unsupervised deep learning method utilizing real radar data from birds and unmanned aerial vehicles (UAVs). This approach starts with data cleaning and upsampling using the synthetic minority oversampling technique (SMOTE) to manage dataset imbalance. We integrate principal component analysis (PCA) with deep learning to reduce the feature set efficiently. This integration minimizes computational demands while retaining essential information for precise clustering, enhancing real-world applicability. A deep clustering network (DCN) exploits the reduced-dimensional space created by PCA to identify distinct signal clusters for birds and drones, optimized for radar surveillance without relying on predefined labels. A deep neural network (DNN) maps data into a cluster-friendly hidden space, designed for radar signal analysis. The model’s effectiveness, with an average normalized mutual information (NMI) score of 0.878 through K-fold cross-validation, underscores the innovative potential of combining PCA with unsupervised learning. This method overcomes traditional radar techniques’ limitations, offering a scalable and efficient solution for surveillance scenarios.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».