[論文レビュー] A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing

Ping Lang, Xiongjun Fu+5 more|arXiv (Cornell University)|Sep 29, 2020

Advanced SAR Imaging Techniques参考文献 565被引用数 34

ひとこと要約

この調査は、レーダ信号処理へ適用された伝統的なMLおよび深層学習手法の構造化されたレビューを提供し、 emitter recognition、SAR/ISAR 画像処理、抗妨害、および関連する課題と方向性を扱う。

ABSTRACT

Modern radar systems have high requirements in terms of accuracy, robustness and real-time capability when operating on increasingly complex electromagnetic environments. Traditional radar signal processing (RSP) methods have shown some limitations when meeting such requirements, particularly in matters of target classification. With the rapid development of machine learning (ML), especially deep learning, radar researchers have started integrating these new methods when solving RSP-related problems. This paper aims at helping researchers and practitioners to better understand the application of ML techniques to RSP-related problems by providing a comprehensive, structured and reasoned literature overview of ML-based RSP techniques. This work is amply introduced by providing general elements of ML-based RSP and by stating the motivations behind them. The main applications of ML-based RSP are then analysed and structured based on the application field. This paper then concludes with a series of open questions and proposed research directions, in order to indicate current gaps and potential future solutions and trends.

研究の動機と目的

• 従来のMLおよび深層学習を横断するMLベースのレーダ信号処理（RSP）技術の体系的概要を提供する。
• レーダ発信機認識、SAR処理、抗妨害、波形設計における応用を分析する。
• 研究者と実務家を導くギャップ・課題・将来の研究方向を特定する。

提案手法

• IEEE Xplore、Web of Science、dblp から2015–2020年頃に発表された600以上の論文の調査と統合。
• アプリケーション分野とMLパラダイム（従来のMLとDL）ごとにMLベースのRSP手法を体系的に分析。
• RSPにおけるインテリジェントアルゴリズムを可能にする動機、概念、および含意について論じる。
• RSPタスクにおけるMLモデルの比較と未解決の問い・トレンドの特定。

実験結果

リサーチクエスチョン

• RQ1 どのMLおよびDL技術がレーダ信号処理に適用され、どの問題設定で使用されているか？
• RQ2 主な適用領域は何か、MLアプローチはそれらでどのように機能するか？
• RQ3 現在のギャップ、制約、および将来のMLベースRSP研究を導く未解決の問いは何か？
• RQ4 レーダー感知分野のMLにおける最も有望な将来動向と研究方向は何か？

主な発見

• MLベースのRSPは、従来モデル（SVM、決定木、Random Forest、ブースティング、XGBoost）と深層学習モデル（CNN、RNN、DBN、AE、GAN）を含む。
• 応用にはレーダ発信機認識、SAR/ISAR画像処理、抗妨害、波形設計、認知電子戦が含まれる。
• DL手法はレーダ画像と信号の強力な特徴学習を提供する一方、従来のMLは発信認識や関連タスクに対して堅牢な分類器を提供する。
• 調査はデータ不足、モデル解釈性、複数表現学習アプローチの統合などの未解決の問いと将来の方向性を強調している。