[论文解读] Deep Learning Approach for Target Locating in Through-the-Wall Radar under Electromagnetic Complex Wall

Fardin Ghorbani, Hossein Soleimani+1 more|arXiv (Cornell University)|Feb 16, 2021

Geophysical Methods and Applications参考文献 20被引用 7

一句话总结

本研究提出了一种基于深度神经网络（DNN）的方法，用于在墙体具有复杂电磁特性时，实现穿透墙体雷达（TWR）中的二维多目标定位。利用五种墙体模型和三种目标配置的FDTD仿真数据集，该方法在单目标定位中达到97.7%的准确率，双目标定位中达到94.1%，三目标定位中达到62.2%。

ABSTRACT

In this paper, we used the deep learning approach to perform two-dimensional, multi-target locating in Throughthe-Wall Radar under conditions where the wall is modeled as a complex electromagnetic media. We have assumed 5 models for the wall and 3 modes for the number of targets. The target modes are single, double and triple. The wall scenarios are homogeneous wall, wall with airgap, inhomogeneous wall, anisotropic wall and inhomogeneous-anisotropic wall. For this purpose, we have used the deep neural network algorithm. Using the Python FDTD library, we generated a dataset, and then modeled it with deep learning. Assuming the wall as a complex electromagnetic media, we achieved 97:7% accuracy for single-target 2D locating, and for two-targets, three-targets we achieved an accuracy of 94:1% and 62:2%, respectively.

研究动机与目标

• 解决在墙体具有复杂电磁特性条件下，穿透墙体雷达中准确实现二维多目标定位的挑战。
• 建立并模拟包含均质、空气间隙、非均质、各向异性和非均质-各向异性墙体在内的真实墙体场景。
• 评估深度学习在不同电磁墙体复杂度下对单目标、双目标和三目标定位的性能表现。
• 建立一种基于FDTD生成的合成数据的端到端数据驱动框架，用于TWR应用中深度神经网络的训练。

提出的方法

• 在Python中采用有限差分时域（FDTD）方法，模拟电磁波在各种墙体模型中的传播过程。
• 生成一个全面的合成数据集，用于表示五种不同墙体配置和三种目标模式下的二维目标定位。
• 在仿真数据集上训练深度神经网络（DNN），以实现从雷达回波信号到目标坐标的映射。
• 将墙体建模为具有不同介电常数、磁导率和各向异性的复杂电磁介质，以反映真实世界中的复杂性。
• 采用监督学习方法，将输入雷达信号映射到二维目标位置，并在DNN训练过程中最小化损失函数。
• 通过准确率指标，在不同目标数量和墙体类型下评估模型性能。

实验结果

研究问题

• RQ1 当墙体表现出复杂电磁特性时，深度神经网络在穿透墙体雷达中对单目标的定位准确率如何？
• RQ2 在复杂墙体条件下，使用深度学习进行多目标定位（双目标和三目标）时，性能下降程度如何？
• RQ3 不同墙体配置（如空气间隙、非均质性和各向异性）如何影响基于深度学习的目标定位准确率？
• RQ4 将墙体建模为复杂电磁介质，在多大程度上提升了TWR系统中目标定位的真实感和准确性？

主要发现

• 深度学习模型在将墙体建模为复杂电磁介质的条件下，对穿透墙体雷达中单目标的定位准确率达到97.7%。
• 在所有测试的墙体配置下，双目标定位的准确率达到94.1%。
• 三目标定位准确率下降至62.2%，表明在目标数量增加时存在显著的性能挑战。
• 该模型在多种墙体类型下表现出鲁棒性，包括非均质、各向异性和非均质-各向异性墙体。
• 使用FDTD仿真数据实现了在复杂电磁墙体场景下的有效泛化能力。
• 结果表明，深度学习在TWR中实现二维目标定位方面是有效的，尤其在真实墙体条件下对单目标和双目标定位表现更优。