A multi-layer feed-forward perceptron for microwave signals processing
| Autor: | P. Faure, R. Rouveure, M.-O. Monod |
|---|---|
| Přispěvatelé: | Irstea Publications, Migration |
| Rok vydání: | 2004 |
| Předmět: | |
| Zdroj: | IGARSS |
| DOI: | 10.1109/igarss.2003.1294840 |
| Popis: | This paper investigates the processing of radar signals using artificial neural networks. Today, the use of FMCW radar is considered to control the agricultural implements working depth, in order to overcome the limitations of sensors based on optical or ultrasound devices towards agricultural environment (dust, rain, etc.). The objective is to determine the radar-target distance R with a direct identification of the discrete-time radar signal Sb[n]. The neural network structure in a multi-layer feed-forward perceptron. Using simulation studies, we illustrate the capability of this neural network in determining the relation between R and Sb. The first training strategy uses non-disturbed input data, but this solution leads to an important overfitting when noise is added to the input signals. The second strategy reduces this sensitivity by carrying out the training phase with noisy input data. A comparison of accuracy and computing times is achieved between neural network and spectral analysis (FFT). Cet article s'intéresse au problème du traitement de signaux radar à partir de réseaux de neurones artificiels. L'utilisation de radar FM-CW est aujourd'hui envisagée pour le contrôle de la profondeur de travail des outils agricoles, avec l'objectif de résoudre les problèmes liés à la mise en ouvre de capteur optique ou ultrason dans un environnement agricole (poussières, pluie, etc.). L'objectif de ce travail est de déterminer la distance radar-cible R par une identification directe du signal radar numérisé Sb[n]. Le réseau de neurones utilisé est un perceptron multicouche. A l'aide de simulations, nous illustrons la capacité de ce réseau de neurones à déterminer la relation entre R et Sb. La première stratégie d'apprentissage réalisée utilise des données non bruitées à l'entrée du réseau, mais cette solution n'est pas robuste si du bruit est ajouté au signaux d'entrée. La seconde stratégie réduit cette sensibilité au bruit en réalisant la phase d'apprentissage avec des données d'entrées bruitées. Une comparaison des précisions et des temps de calcul est réalisée entre le réseau de neurones et une analyse spectrale (FFT). |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|