A Machine Learning Framework for Performance Prediction of an Air Surveillance System

Juha Jylhä, Marja Ruotsalainen, Ville Väisänen, Kai Virtanen, Mikko Harju, Minna Väilä

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

Abstrakti

The optimal use of a surveillance radar system requires proper understanding about the system behavior in different configurations, modes, and operating conditions. This paper proposes a machine learning framework for producing and validating the performance model of the surveillance radar system. The framework consists of an optimization method for the parameterization of a radar model and a machine learning method for the modeling of a tracker. Optimization and machine learning is based on the satellite navigation data of cooperative aircraft and corresponding track data from the surveillance system. The aim is to learn the system performance in a wide range of operating conditions using the extensive measurement history and then to predict the present performance with high accuracy at specified locations in the airspace. The feasibility of the proposed framework is assessed using real data.
AlkuperäiskieliEnglanti
OtsikkoEuropean Microwave Week 2017
Alaotsikko"A Prime Year for a Prime Event", EuMW 2017 - Conference Proceedings; 14th European Microwave Conference, EURAD 2017
KustantajaEuMA
Sivut187-190
ISBN (painettu)978-2-87487-049-1
DOI - pysyväislinkit
TilaJulkaistu - 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaEUROPEAN RADAR CONFERENCE - Nuremberg, Saksa
Kesto: 11 lokakuuta 201713 lokakuuta 2017
Konferenssinumero: 14

Conference

ConferenceEUROPEAN RADAR CONFERENCE
LyhennettäEuRAD
Maa/AlueSaksa
KaupunkiNuremberg
Ajanjakso11/10/201713/10/2017

Sormenjälki

Sukella tutkimusaiheisiin 'A Machine Learning Framework for Performance Prediction of an Air Surveillance System'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä