Enhancing drone spectra classification: a study on data-adaptive pre-processing and efficient hardware deployment

Focusing on the problem of Drone vs. Unknown classification based on radar frequency-amplitude spectra using Deep Learning (DL), especially 1-Dimensional Convolutional Neural Networks (1D-CNNs), this thesis aims at reducing the current gap in the research related to adequate pre-processing techniques for hardware deployment. The primary challenge tackled in this work is determining a pipeline that facilitates industrial deployment while maintaining high classification metrics. After presenting a comprehensive review of existing research on radar signal classification and the application of DL techniques in this domain, the technical background of signal processing is described to provide a practical scenario where the solutions could be implemented. A thorough description of technical constraints, such as Field Programmable Gate Array (FPGA) data type requirements, follows the entire project justifying the necessity of a learning-based pre-processing technique for highly skewed distributions. The results demonstrate that data-adaptive pre-processing eases hardware deployment and maintains high classification metrics, while other techniques contribute to noise and information loss. In conclusion, this thesis contributes to the field of radar frequency-amplitude spectra classification by identifying effective methods to support efficient hardware deployment of 1D-CNNs, without sacrificing performance. This work lays the foundation for future studies in the field of DL for real-world signal processing applications.

Mirando a ridurre l'attuale gap di ricerca relativo alle tecniche di pre-processing per la distribuzione hardware di reti neurali, questa tesi si concentra in particolare sul problema della classificazione di "Drone vs. Unknown" basata sugli spettri radar (frequenza-ampiezza) utilizzando una tecnica di Deep Learning (DL), in particolare le Reti Neurali Convoluzionali 1-Dimensionali (1D-CNN). La principale sfida affrontata consiste nella determinazione di una pipeline che faciliti l'implementazione industriale, mantenendo alte le metriche di classificazione. Dopo aver presentato una rassegna completa delle ricerche esistenti sulla classificazione dei segnali radar e sull'applicazione delle tecniche di DL in questo dominio, segue il contesto tecnico dell'elaborazione dei segnali (Signal Processing) per fornire uno scenario pratico in cui le soluzioni indagate potrebbero essere implementate. Una descrizione approfondita dei vincoli tecnici, come ad esempio i requisiti del tipo di dato richiesti da Field Programmable Gate Array (FPGA) segue l'intero progetto, giustificando la necessità di una tecnica di pre-processing che si adatti alle distribuzioni altamente asimmetriche. I risultati mostrano come il pre-processing adattivo faciliti l'implementazione su hardware, mantenendo elevate le metriche di classificazione, mentre altre tecniche contribuiscono alla creazione di rumore e alla perdita di informazione. In conclusione, la tesi contribuisce al campo della classificazione di spettri radar identificando metodi efficaci per supportare un'efficiente implementazione hardware delle reti neurali convoluzionali, senza sacrificare le prestazioni. Pone le basi per studi futuri in ambito DL sulla classificazione di spettri radar 1D.