Offline Radar Pulse Track Association with Deinterleaving Errors

Radar systems play a crucial role in detecting the position and velocity of objects by emitting electromagnetic signals into the environment. In electronic warfare, it is essential to identify which pulses from pulsed radar systems originate from the same system, in order to track the activity of the radar system. This problem can be solved by deinterleaving the radar pulses, a process that aims to sort the received pulses within a window into different tracks based on which radar system generated the pulses. However, typically deinterleaving does not process the entire recording at once, as such sets of sequences are generated from the deinterleaving process. Additionally, deinterleaving is prone to errors, necessitating solutions to associate sequences to form complete tracks and correct for the errors. This thesis investigates time-series clustering as a solution to this problem, proposing three distinct algorithms: Mixture of Hidden Markov Models Clustering, a Fisher-Rao distance based clustering algorithm and a Long Short-Term Memory based Autoencoder. These algorithms represent varied approaches to time-series clustering, including model-based, distance-based and representation-based methods respectively. Additionally, a two-step process is proposed for error correction: identifying errors within each track using Out-of-Distribution detection, followed by inserting incorrect pulses into the correct track with a classifier. Among the algorithms studied, Mixture of Hidden Markov Models Clustering demonstrates the best performance for sequence association, albeit with high processing costs. However, Fisher-Rao and the Long Short-Term Memory based Autoencoder also yield promising results, offering potential for extension to online applications. For error correction, a combination of a Isolation Forest followed by a Decision Tree was observed to perform well under these circumstances.
Radar-system spelar en avgörande roll inom position och hastighets-detektion av objekt. Detta utförs genom att sända ut en elektromagnetisk signal i omgivningen, vilken sedan kommer tillbaka till radar-systemet. Denna radar-signal kan dock även tas upp av en passiv radar. Inom elektronisk krigsföring så är det viktigt att kunna avgöra vilka detekterade pulser som avgetts från samma pulserande radar system. Detta problem kan lösas av en så-kallad avinterfolierings-process, denna process sorterar de inkommande pulserna utefter vilket radar-system som avgett pulserna. Däremot, skapar avinterfoliering typiskt inte kompletta sekvenser av ett radar-system, samt att fel kan uppstå inom denna avinterfolierings process. Därmed är det viktigt att kunna skapa fullständiga sekvenser utifrån de inkompletta sekvenserna, samt rätta till felen i avinterfolierings processen. I denna rapport så undersöks tidsserieklustring som en potentiell lösning till detta problem. Tre olika algoritmer har utvecklas för detta ändamål: Mixture of Hidden Markov Models Clustering, en Fisher-Rao avståndsbaserad klustrings algoritm och en Long Short-Term Memory baserad Autoencoder. Dessa algoritmer representerar olika sätt att lösa ett tidsserieklustrings problem, modellbaserat, avståndsbaserat samt representationsbaserat. Desutom, ges en två-stegs process för att rätta till avinterfolieringsfelen. Först identifieras felen i vardera slutgiltig sekvens med Out-of-Distribution detektion, följt av införning av de detekterade pulserna till korrekt sekvens med hjälp av en klassifierare. Bland de undersökta algoritmerna, så gav Mixture of Hidden Markov Models Clustering bäst prestanda för tidsserieklustringen, dock lider denna algoritm av hög processeringskostnad. Däremot, gav Fisher-Rao samt den Long Short-Term Memory-baserade Autoencodern också bra prestanda, vilket kan ge potentiella lösningar till realtids utökningar av problemet. För avinterfolieringsrättningen, fungerade en kombination av Isolation For