Os sistemas de radar utilizam ondas de rádio para detectar e seguir objectos e desempenham um papel vital na defesa, na aviação e na vigilância modernas, mas a sua eficácia é frequentemente desafiada pela desordem ambiental, o que significa que sinais indesejados de objectos como edifícios, árvores ou o solo podem interferir com a detecção do radar. Uma equipe de pesquisa da Northwest University e do Instituto de Tecnologia de Rádio Espacial de Xi’an, liderada pelo professor Cai Wen, desenvolveu um método inovador para melhorar a detecção de alvos móveis por radar. Seu estudo, publicado na revista Remote Sensing, revisada por pares, apresenta uma nova rede de detecção que usa métodos de aprendizagem assistidos por inteligência artificial para se adaptar rapidamente a novas situações e métodos de aprimoramento focados para melhorar a detecção.
Os sistemas de radar tradicionais têm dificuldade em detectar alvos em movimento em ambientes complexos devido aos ecos de interferência fortes e irregulares. Esses ecos são reflexos de objetos não-alvo, tornando mais difícil a identificação de alvos móveis reais. Isto torna difícil distinguir sinais fracos de ruído de fundo. Para resolver este problema, a equipe de pesquisa propôs uma rede de detecção que é primeiro treinada offline usando dados de radar simulados, reduzindo assim a necessidade de treinamento online extensivo. Pequenas quantidades de dados em tempo real (ou seja, informações continuamente atualizadas em tempo real) são então usadas para ajustar a rede e garantir que ela se adapte às condições do mundo real. “O uso de aprendizagem por transferência de pequenas amostras permite que o sistema se adapte rapidamente a novos ambientes desordenados, mantendo alta precisão de detecção.” Professor Wen explicou.
Uma inovação importante desta pesquisa é a integração de um mecanismo de atenção, uma abordagem que ajuda a focar nas partes mais importantes do sinal de radar para melhorar a detecção dentro de um campo de dados de radar específico, auxiliando assim na análise de padrões de movimento. Esse mecanismo ajuda a rede a priorizar recursos essenciais e a melhorar a capacidade de distinguir alvos móveis da confusão de fundo. A equipa de investigação conduziu extensas simulações para validar a sua abordagem, demonstrando que o mecanismo de atenção aumenta significativamente a supressão de interferências, uma técnica que reduz a interferência indesejada do sinal, mesmo quando o sinal alvo é muito fraco em comparação com o ruído de fundo. “Nossas simulações mostram que o mecanismo de atenção melhora a precisão da classificação e melhora a capacidade do sistema de identificar corretamente os alvos, permitindo que o sistema detecte alvos de forma mais eficaz, mesmo em cenários desafiadores”, disse o professor Wen.
Em comparação com os métodos tradicionais, a rede proposta reduz o poder de processamento necessário, ou seja, o poder de computação necessário para processar rapidamente grandes quantidades de dados, mantendo ao mesmo tempo um desempenho robusto de detecção. As técnicas tradicionais de processamento adaptativo espaço-temporal requerem um grande número de amostras de treinamento independentes, que muitas vezes não estão disponíveis em ambientes variáveis e imprevisíveis. O novo método reduz a dependência dessas amostras, tornando a capacidade de detecção em tempo real, identificando imediatamente alvos em movimento sem demora, mais viável para sistemas de radar aéreos e espaciais.
Os resultados desta pesquisa abrem caminho para sistemas de detecção de radar mais eficientes e confiáveis, com aplicações potenciais nas áreas de defesa, aviação e sensoriamento remoto. Ao combinar a aprendizagem por transferência de poucos disparos com um mecanismo de atenção, esta abordagem fornece uma alternativa poderosa aos métodos de detecção existentes. Pesquisas futuras podem se concentrar na otimização adicional da rede para implantação prática e na extensão de sua funcionalidade para diferentes plataformas de radar.
Referência do diário
Zhu Jie, Wen Cheng, Duan Cheng, Wang Wen, Yang X. “Detecção de alvo móvel por radar com base em aprendizagem de transferência de pequenas amostras e mecanismo de atenção”. Sensoriamento Remoto, 2024;16:4325. DOI: https://doi.org/10.3390/rs16224325
Sobre o autor
Professor Cai Wen Ele recebeu seu diploma de bacharel pela Escola de Engenharia Eletrônica da Universidade de Ciência e Tecnologia Eletrônica de Xi’an da China em julho de 2009, e seu doutorado em engenharia pelo Laboratório Estatal de Processamento de Sinais de Radar da Universidade de Xi’an de Ciência Eletrônica e Tecnologia da China em dezembro de 2014. De novembro de 2019 a março de 2023, ele se envolveu em pesquisa de pós-doutorado no Departamento de Engenharia Elétrica e de Computação da Universidade McMaster, Canadá. Ele é professor assistente na Escola de Ciência e Tecnologia da Informação da Northwest University desde novembro de 2016 e foi promovido a professor associado em 2019.
Ele presidiu mais de 10 projetos de nível nacional, provincial e ministerial, como a Fundação Nacional de Ciências Naturais da China, bem como vários projetos de industrialização. Também participa de diversos projetos de pesquisa, como o Programa Nacional de Pesquisa Preliminar de Defesa, o Programa Nacional de Pesquisa Básica (Programa 973) e o Programa Nacional de P&D Chave. Ele publicou mais de 80 artigos indexados SCI/EI nas principais revistas e conferências acadêmicas internacionais, como IEEE TSP, IEEE TAES e IEEE TGRS. Entre eles, 5 artigos são altamente citados pela ESI e 3 artigos são artigos importantes sobre transações do IEEE. Ele escreveu 3 monografias acadêmicas e possui mais de 10 patentes de invenção autorizadas.
O professor Cai Wen atuou como presidente de filial e membro do TPC em muitas conferências internacionais conhecidas, e como revisor e líder de equipe de muitos projetos nacionais. Atualmente, ele atua como membro do conselho editorial do Journal of Naval Aeronautical and Astronautical University e Modern Radar. Ele também é membro sênior da China Electronics Society e da China Radar Industry Association. Ele recebeu o “Programa de Intercâmbio Internacional de Pós-Doutorado” da China e o “Programa de Apoio a Jovens Talentos Acadêmicos” da Northwest University. Seus interesses de pesquisa concentram-se em processamento de sinais de radar, detecção e comunicações integradas (ISAC) e inteligência artificial (IA).
