Clasificación de blancos de radar en ambientes de ruido arbitrario mediante resonancias naturales y técnicas de componentes principales

Resumen

La necesidad de mejorar en sistemas que clasifiquen blancos de radar de forma más eficiente y segura ha sido una de las principales motivaciones de esta memoria. Además, en la actualidad la clasificación radar no se restringe al campo de la navegación aeroespacial sino que está presente en multitud de disciplinas, como la medicina (detección de tumores...) o en arqueología y geología (uso del radar de penetración de suelo, GPR). Es por eso, que en este trabajo de tesis se han creado diferentes algoritmos que pretenden poseer importantes características básicas: ser independientes del ángulo de orientación del blanco, ser robustos ante cualquier tipo de ruido y por supuesto tener un alto índice de acierto en la clasificación. Como punto básico de este trabajo se han elegido las resonancias naturales complejas del blanco (CNRs) como los parámetros clasificadores por la razón de que son independientes del ángulo de orientación y sus valores sólo dependen de la geometría y propiedades físicas del blanco. También se ha comprobado que la frecuencia angular de las CNRs (la parte imaginaria) es menos sensible al ruido que el factor de amortiguamiento (la parte real). Además la frecuencia angular es menos dependiente del ángulo y tiene mayor capacidad discriminante. En cuanto al método de extracción de resonancias de la señal se ha elegido el método de la matriz pencil (GPOF) por ser el que ofrece los mejores resultados y es más eficiente computacionalmente y robusto respecto al ruido. Se ha visto que si se extraen las CNRs de la respuesta temporal de tipo escalón se obtienen resultados más estables que si se extraen desde la respuesta impulso. Pero cuando la componente ruidosa es muy grande (relación señal-ruido, SNR, baja) el sistema de extracción se vuelve muy ineficiente. Una de las aportaciones de esta memoria ha sido el añadir una etapa de análisis de componentes principales (PCA) al proceso clasificatorio para intentar minimizar el efecto del ruido. La base de esta etapa es proyectar una librería de resuestas de blancos patrón conocidos sobre el espacio vectorial generado por las componentes principales del PCA. Como las primeras componentes acumulan la mayor parte de la información se pueden eliminar las restantes y volver de nuevo al espacio original. Las componentes principales eliminadas suelen contener usualmente la información ruidosa de la señal, de modo que al eliminarlas se disminuye también el ruido en el espacio original. Como elemento puro clasificador se ha elegido una red neuronal de tipo perceptrón multicapa (MLP) por ser fácil de construir y de comportamiento no-lineal, y robusta frente a cambios en la entrada. Uniendo los tres elementos anteriores (CNRs, PCA y redes neuronales) se describe el algoritmo NRPCA para la clasificación de señales de radar contaminadas con ruido blanco gaussiano. El NRPCA se inicia con una librería de señales escalón de blancos de referencia a los cuales se les aplica la etapa de PCA para obtener la matriz de componentes principales y se eligen sólo las primeras componentes. La señales para clasificar se hacen pasar por esa matriz truncada y se reconstruye en el espacio original habiendo eliminado algunas componentes ruidosas. De esa señal reconstruida se extraen las primeras resonancias mediante GPOF y se utilizan como entradas de la red neuronal, que ha sido entrenada con anterioridad con las respuestas de referencia. Los resultados de las simulaciones muestran que el algoritmo NRPCA tiene un mejor comportamiento y porcentajes de acierto comparado con otros métodos de la literatura. Se observa que efectivamente el NRPCA tiene mejor comportamiento incluso a SNR bajas y que es independiente respecto del ángulo de orientación. NRPCA ha sido creado para la contaminación de las señales por ruido blanco gaussiano. La siguiente cuestión que se planteó era la de extender NRPCA cuando la contaminación era con ruido coloreado. El problema del NRPCA es que la etapa PCA y el GPOF no tienen un buen comportamiento ante procesos de ruido de color. En una primera aproximación al problema se estudia la extensión del GPOF a estadística de alto orden (HOS). En particular, se utilizan cumulantes de cuarto orden para la extracción de resonancias a través del GPOF-FOC (de GPOF fourth order cumulants). Una extensión del NRPCA se crea (NRPCA-FOC) sustituyendo la etapa GPOF por el método GPOF-FOC. En las simulaciones del capítulo \ref{metodofoc} se muestra que el NRPCA-FOC supera en aciertos al original NRPCA bajo ruido coloreado, y que también obtiene mejores resultados que la aplicación directa del GPOF-FOC. El único incoveniente, común a todos los métodos que usan cumulantes de cuarto orden, es el aumento del coste computacional. Pero el NRPCA-FOC tiene otra posible mejora cuando trabajamos con señales contaminadas con ruido arbitrario. La etapa PCA es una etapa básicamente lineal y no se comporta eficientemente cuando aparecen efectos de naturaleza no-lineal, como realmente ocurre en la adquisión de señales radar. En el capítulo \ref{CAP_KPCA} se muestra una posible ampliación a esta etapa: el uso de técnicas kernel y en particular del kernel PCA (KPCA). Ahora projectamos los datos de radar sobre un espacio generado por una función núcleo (kernel) y se halla la matriz de PCA en ese espacio y se escogen las primeras componentes principales. El problema en este caso es que la reconstrucción de señal original no es tan sencilla como en el caso del PCA lineal. Utilizando la técnica KPCA en lugar de PCA en el método NRPCA se desarrolla el algoritmo GNRPCA (de generalized NRPCA) y añadiendo además la técnica GPOF-FOC se crea el algoritmo GNRPCA-FOC, en el que ahora no se tiene ninguna etapa lineal. Las simulaciones han sido realizadas con señales contaminadas tanto con ruido gaussiano blanco como coloreado, para demostrar el rendimiento ante diferentes entornos ruidosos. Los resultados muestran que el GNRPCA-FOC obtiene mayores acierto a SNR muy bajas, aunque seguido muy de cerca por el GNRPCA que aunque no utiliza la etapa GPOF-FOC se comporta bien en ambientes ruidosos. De nuevo, el tiempo de computación es relevante en los algoritmos GNRPCA y su extensión FOC. Se describe también un sistema para el uso de los diferentes algoritmos desarrollados en esta memoria (NRPCA, GNRPCA y GNRPCA-FOC) según su eficiencia tanto en aciertos como en tiempo de computación. De esta manera, para cada rango de SNR será más eficiente utilizar uno u otro, teniendo un equilibrio entre número de aciertos y tiempo de computación.