[论文解读] Comparative Analysis of Radar Cross Section Based UAV Classification Techniques

Martins Ezuma, Chethan Kumar Anjinappa+2 more|arXiv (Cornell University)|Dec 17, 2021

Advanced SAR Imaging Techniques被引用 8

一句话总结

本研究评估了15种基于雷达散射截面（RCS）的分类算法——涵盖统计学习（SL）、机器学习（ML）和深度学习（DL）——在15 GHz和25 GHz频段下对六种商用无人机的识别性能。分类树ML模型在3 dB信噪比（SNR）下实现了最高准确率（98.66%）和最快平均分类时间（0.46 ms），优于SL和DL方法，尤其在低SNR条件下表现更优。

ABSTRACT

This work investigates the problem of unmanned aerial vehicles (UAVs) identification using their radar crosssection (RCS) signature. The RCS of six commercial UAVs are measured at 15 GHz and 25 GHz in an anechoic chamber, for both vertical-vertical and horizontal-horizontal polarization. The RCS signatures are used to train 15 different classification algorithms, each belonging to one of three different categories: statistical learning (SL), machine learning (ML), and deep learning (DL). The study shows that while the classification accuracy of all the algorithms increases with the signal-to-noise ratio (SNR), the ML algorithm achieved better accuracy than the SL and DL algorithms. For example, the classification tree ML achieves an accuracy of 98.66% at 3 dB SNR using the 15 GHz VV-polarized RCS test data from the UAVs. We investigate the classification accuracy using Monte Carlo analysis with the aid of boxplots, confusion matrices, and classification plots. On average, the accuracy of the classification tree ML model performed better than the other algorithms, followed by the Peter Swerling statistical models and the discriminant analysis ML model. In general, the classification accuracy of the ML and SL algorithms outperformed the DL algorithms (Squeezenet, Googlenet, Nasnet, and Resnet 101) considered in the study. Furthermore, the computational time of each algorithm is analyzed. The study concludes that while the SL algorithms achieved good classification accuracy, the computational time was relatively long when compared to the ML and DL algorithms. Also, the study shows that the classification tree achieved the fastest average classification time of about 0.46 ms.

研究动机与目标

• 为应对因无人机在敏感区域的非法使用而带来的对可靠反无人机系统日益增长的需求。
• 评估在真实雷达信噪比（SNR）条件下，基于RCS的分类技术对商用无人机的识别性能。
• 利用实测RCS数据，比较统计学习、机器学习和深度学习模型在分类准确率和计算效率方面的表现。
• 研究有限方位RCS数据（120°覆盖段）对分类性能的影响，与完整360°覆盖进行对比。
• 为未来反无人机系统（C-UAS）和自动目标识别系统的设计提供实证基准。

提出的方法

• 在电波暗室中，使用VV和HH极化方式，在15 GHz和25 GHz频段下对六种商用无人机进行了RCS测量。
• 训练并测试了十五种分类算法：五种SL（如高斯混合模型、Peter Swerling模型）、五种ML（如分类树、支持向量机SVM、k近邻kNN、判别分析）、五种DL（如SqueezeNet、GoogLeNet、NASNet、ResNet101）。
• 通过蒙特卡洛模拟（10次运行）在不同SNR水平下评估性能，生成箱线图、混淆矩阵和分类图。
• 系统性地改变信噪比（SNR），以评估在真实雷达环境中典型的低SNR条件下的鲁棒性。
• 通过测量10,000个测试样本的平均推理时间，评估模型的计算效率。
• 通过将RCS输入限制在以0°为中心的120°覆盖段，模拟有限数据场景，并与完整360°数据下的性能进行对比。

实验结果

研究问题

• RQ1 在15 GHz和25 GHz频段下，不同分类范式——统计学习、机器学习和深度学习——在利用RCS特征识别无人机方面的表现如何？
• RQ2 信噪比（SNR）对基于RCS的无人机识别模型分类准确率有何影响？
• RQ3 与完整360°覆盖相比，RCS数据仅来自有限方位角段（120°）对分类性能有何影响？
• RQ4 哪种分类算法在RCS-based无人机识别中实现了准确率与计算效率的最佳平衡？
• RQ5 模型复杂度和参数估计过程如何影响SL、ML和DL分类器的计算时间？

主要发现

• 分类树ML模型在使用15 GHz VV极化RCS数据时，在3 dB SNR下实现了最高的分类准确率（98.66%）。
• 该模型的平均分类时间最快，仅为0.46 ms，在计算效率方面优于所有其他模型。
• 统计学习模型（如Peter Swerling 3和4）以及判别分析ML模型在准确率上分别位列第二和第三，尤其在低SNR条件下表现优异。
• 尽管在高SNR下，深度学习模型（SqueezeNet、GoogLeNet、NASNet、ResNet101）仍持续表现逊于ML和SL模型。
• 当RCS数据被限制在120°覆盖段时，所有模型的分类准确率均下降，其中分类树模型在5 dB SNR下的准确率从100%降至87.33%。
• 统计学习模型的平均分类时间最慢（>500 ms），主要由于采用最大似然估计（MLE）或期望最大化（EM）方法进行计算密集型参数估计。