Aprendizaje profundo para radar: Una encuesta

Se presenta una revisión completa y bien estructurada sobre la aplicación de algoritmos basados en aprendizaje profundo (DL), como redes neuronales convolucionales (CNN) y memoria a corto y largo plazo (LSTM), en el procesamiento de señales de radar. Las siguientes áreas de aplicación de DL se abarcan: i) diseño de formas de onda de radar y arreglos de antenas; ii) reconocimiento de formas de onda de radar pasivo o de baja probabilidad de interceptación (LPI); iii) reconocimiento automático de objetivos (ATR) basado en perfiles de alta resolución de rango (HRRPs), firmas Doppler e imágenes de radar de apertura sintética (SAR); y iv) reconocimiento y supresión de interferencias/ruidos de radar. Aunque el DL es universalmente alabado como la solución definitiva a muchos problemas de cuello de botella en la mayoría de los trabajos existentes sobre temas similares, tanto los aspectos positivos como negativos de las historias sobre DL se verifican en este trabajo. Específicamente, se examinan a fondo dos factores limitantes del rendimiento en la vida real de las redes neuronales profundas (DNN), muestras de entrenamiento limitadas y ejemplos adversariales. Al investigar la relación entre los algoritmos basados en DL propuestos en varios artículos y conectarlos entre sí para formar una imagen completa, este trabajo sirve como una valiosa fuente para investigadores que buscan oportunidades de investigación potenciales en este prometedor campo de investigación.