Progettazione e sviluppo di algoritmi e tecniche di machine learning e deep learning per l’identificazione e classificazione di obiettivi spaziali attraverso l’elaborazione di segnali radar

Negli ultimi anni, l’evoluzione dell’Intelligenza Artificiale ha trasformato radicalmente il modo in cui affrontiamo problemi complessi. La crescente capacità dei sistemi intelligenti di elaborare grandi quantità di dati, di adattarsi a contesti incerti e di operare in tempo reale ha aperto nuove frontiere in molteplici settori applicativi, in particolare quello del settore Spaziale. Questo progetto di dottorato nasce con l’obiettivo di contribuire alla protezione di infras- trutture strategiche, alla comprensione dell’ambiente spaziale e all’identificazione precoce di minacce, sviluppando nuove tecniche basate su Machine Learning e Deep Learning per l’analisi dei segnali radar. L’intento principale è stato quello di indagare la possibilità di identificare e classificare in modo automatico i bersagli spaziali, sfruttando le potenzialità dell’IA per superare i limiti dei metodi radaristici tradizionali. L’approccio seguito nel lavoro ha integrato tecniche classiche, come il rilevamento CFAR (Constant False Alarm Rate), con modelli neurali avanzati: tra questi, architetture YOLO, reti dotate di meccanismi di self-attention e tecniche di regressione e classificazione multi-head, in grado di stimare simultaneamente parametri fisici del target. Le soluzioni proposte sono state validate tramite simulazioni e dataset appositamente generati, permettendo un confronto dettagliato con le metriche consolidate nella letteratura. Questo ha consentito di valutare l’efficacia, l’accuratezza e la generalizzabilità dei modelli in scenari operativi complessi. Tuttavia, il dominio spaziale non ha rappresentato l’unico ambito di indagine della ricerca. L’interesse per l’Intelligenza Artificiale è stato esteso ad altri contesti di rilievo: il primo è stato quello della sicurezza informatica, in particolare con lo studio e la rilevazione di comunicazioni nascoste (covert channels) all’interno dei sistemi Internet of Medical Things (IoMT) e reti wireless; il secondo ha riguardato l’applicazione dell’IA al Ground Penetrating Radar (GPR) per il rilevamento non invasivo delle radici arboree, con l’obiettivo di dimostrare la versatilità degli approcci neurali anche in ambito geotecnico