منذ 15 أيام

مجموعة بيانات DIAT-μ RadHAR (مجموعة إشارات الميكرودوبيلر) وμ RadNet (شبكة عصبية عميقة خفيفة الوزن)—لتمييز الأنشطة المشبوهة للإنسان

{Arockia Bazil Raj A, Sunita Vikrant Dhavale, Harish C. Kumawat, Mainak Chakraborty}

الملخص

من منظور الأمن الوطني، أصبح التعرف على الأنشطة البشرية المشبوهة بناءً على توقيعات الميكرودوبلر (m-D) للرادار أمرًا ذا أهمية بالغة. وفي هذا السياق، أصبح الكشف المبكر والإنذار المبكر عن الأنشطة الإرهابية عند الحدود الوطنية، والمناطق المحمية/المؤمنة/المراقبة، والاحتجاجات العنيفة للمدنيين أمرًا ضروريًا. ويشهد تصميم نظام تلقائي للتعرف على الأنشطة المشبوهة للبشر – مثل الزحف العسكري، والجري العسكري، والقفز مع حمل سلاح ناري، والتمشّي العسكري، والضرب بال拳، ورمي الحجارة أو القنابل اليدوية – باستخدام نموذج مناسب لشبكة عصبية متعددة الطبقات مبنية على التعلم العميق (DCNN) نموًا سريعًا بفضل قدرتها المتأصلة في استخلاص السمات العميقة. وبهدف إضافة قيمة لهذا البحث، تم تطوير رادار بتردد X بتردد موجة مستمرة (CW) بتردد 10 غيغاهرتز في مختبر أنظمة الرادار لدينا، واستُخدم لجمع توقيعات الميكرودوبلر، بهدف إعداد مجموعة بيانات (DIAT- μ RadHAR) تتوافق مع الأنشطة المشبوهة المذكورة أعلاه. ولضمان إعداد مجموعة بيانات واقعية، تم توجيه أهداف بشرية مختلفة الأطوال والأوزان والجنس للقيام بالأنشطة المشبوهة أمام الرادار على مسافات مختلفة تتراوح بين 10 أمتار و500 متر، وعلى زوايا محاذاة مختلفة (0°، ±15°، ±30°، و±45°). كما تم تصميم وتدريب بنية خفيفة الوزن لشبكة عصبية متعددة الطبقات مبنية على التعلم العميق (μ RadNet) باستخدام مجموعة البيانات المعدة DIAT- μ RadHAR التي تضم 3780 عينة. وتم حساب الأداء والدقة في التصنيف للنموذج μ RadNet بشكل إحصائي، وتمت مقارنة النتائج مع النماذج الحديثة (SOTA) لشبكات CNN. وقد أظهر نموذج DCNN μ RadNet تفوقًا على النماذج الحديثة، حيث حقق دقة تصنيف إجمالية قدرها 99.22%، وعدد معاملات قدره 0.09 مليون، وعمليات فلوتية (FLOPs) بقيمة 0.40 غيغابايت، مع معدلات منخفضة جدًا للنتائج الخاطئة السلبية والإيجابية. كما أن التعقيد الزمني للنموذج الخفيف الوزن μ RadNet المُصمم يبلغ 0.12 ثانية، مما يُثبت مدى ملاءمة نموذجنا المبني على DCNN للتنفيذ على الأجهزة المحمولة.