[논문 리뷰] A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing

Ping Lang, Xiongjun Fu외 5명|arXiv (Cornell University)|2020. 09. 29.

Advanced SAR Imaging Techniques참고 문헌 565인용 수 34

한 줄 요약

본 조사는 레이더 신호 처리에 적용된 전통적인 ML 및 딥러닝 방법에 대한 구조화된 리뷰를 제공하며, 발신기 인식, SAR/ISAR 영상 처리, 재밍 방지, 그리고 관련 도전과제와 방향을 다룬다.

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.

연구 동기 및 목표

• 전통적 ML과 딥러닝 전반에 걸친 ML 기반 레이더 신호 처리(RSP) 기법에 대한 체계적인 개요를 제공한다.
• 레이더 발신기 인식, SAR 처리, 재밍 방지, 파형 설계 분야의 응용을 분석한다.
• 연구자 및 실무자를 안내하기 위한 격차, 도전과제 및 향후 연구 방향을 식별한다.

제안 방법

• IEEE Xplore, Web of Science, and dblp에서 2015–2020년경 발표된 600편이 넘는 논문에 대한 조사와 합성을 수행한다.
• 응용 분야 및 ML 패러다임(전통 ML 및 DL)에 따른 ML 기반 RSP 기법의 구조화된 분석.
• RSP에서 지능형 알고리즘 구현의 동기, 개념 및 함의에 대해 논의한다.
• RSP 과제 전반에 걸친 ML 모델의 비교와 미해결 문제 및 경향의 식별.

실험 결과

연구 질문

• RQ1 레이더 신호 처리에 어떤 ML 및 DL 기법이 적용되었으며 어떤 문제 설정에서 사용되는가?
• RQ2 주요 응용 영역은 무엇이며 ML 접근법은 이들에서 어떻게 성능을 발휘하는가?
• RQ3 향후 ML 기반 RSP 연구를 이끄는 현재의 격차, 한계 및 미해결 문제는 무엇인가?
• RQ4 레이더 감지에서 ML의 미래 트렌드와 가장 유망한 연구 방향은 무엇인가?

주요 결과

• ML 기반 RSP는 전통적 모델(SVMs, 의사결정나무, 랜덤 포레스트, boosting, XGBoost)과 딥러닝 모델(CNNs, RNNs, DBNs, AEs, GANs)을 포함한다.
• 응용 분야로는 레이더 발신기 인식, SAR/ISAR 영상 처리, 재밍 방지, 파형 설계, 인지 전자전이 포함된다.
• DL 방법은 레이더 영상과 신호에 대한 강력한 특징 학습을 제공하는 반면, 전통 ML은 발신 인식 및 관련 작업에 대해 강력한 분류기를 제공한다.
• 본 조사는 데이터 부족, 모델 해석 가능성, 다중 표현 학습 접근법의 통합 등 미해결 문제와 향후 방향을 강조한다.