Assessing Noise Effects on UAV Classification Accuracy With Deep Learning and FPGA Real-Time Processing: A Study Utilizing Radar Digital Twins
Notice bibliographique
Résumé
The increasing use of Unmanned Aerial Vehicles (UAVs) highlights the need for robust classification systems. This study explores the impact of noise on UAV classification accuracy using radar-based deep learning. A noise-free dataset of range-Doppler maps (RDMs) is generated from digital twin simulations, and noisy datasets are created by adding Additive White Gaussian Noise (AWGN) across Signal-to-Noise Ratio (SNR) levels from -20 dB to 10 dB. A Deep Learning (DL) model, trained on a merged dataset, achieves an accuracy exceeding 98%. Performance evaluation shows accuracy dropping to 34% at -14 dB SNR, with Receiver Operating Characteristic (ROC) curves used for analysis. Inference at the software level is conducted using TensorFlow on a PC within the Vitis-AI Docker environment, achieving an accuracy of 96.39%. The quantized model, when deployed on the KR260 Field-Programmable Gate Array (FPGA), attains an accuracy of 94.73%. Although there is a slight drop in accuracy, the hardware implementation demonstrates impressive performance, supporting a real-time UAV classification system that is effective across different noise levels. Finally, the pre-trained model is deployed on an FPGA processing platform to evaluate its effectiveness for real-time classification. By leveraging the FPGA’s real-time processing capabilities, this approach satisfies the stringent speed and accuracy requirements necessary 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».