This thesis combines radar signal processing, with data driven artificial neuralnetwork (ANN) methods. Signal processing algorithms are often based on modelingassumptions of how the data was formed. In some cases, such models are sufficientfor designing good, or even optimal, solutions.In many cases however, these models may be too complicated to form analyticalsolutions; be too simplified, such that practical results may differ significantly fromwhat was theoretically indicated; be unknown in the sense that one of several knownmodels or parameter values may fit the data, but we do not know which; or be toocomplex such that the solution will be too heavy to compute.Data driven ANN methods provide a simple way of bridging these gaps. Wedemonstrate this in four different studies, where we make use of radar data modelsto formulate data driven solutions that are both accurate and computationallyefficient.We compare ANN based results to computationally demanding least squares,and exhaustive matched filtering approaches. We show that the performance of theANNs are comparable to these, but come at a fraction of the computational load.We train ANNs on data sampled from models using a wide range of parametervalues. This naturally handles drifts and unknown parameter values, which maychange the data, but not the desired prediction. We show that an ANN classifiertrained on data from simple models may in practice perform significantly worsethan what was expected from theory. We improve this by combining a limitedamount of real data with synthetic model data. In all cases, we make use of modelsthat are simple to evaluate. They are however not simple to analyze for the purposeof creating analytical solutions.In particular we present a method for achieving non-coherent pulse compressionthat resolves targets within a single pulse width. We present a method fordetecting weak target trajectories that does not require prior assumptions ontarget acceleration, the signal-to-noise ratio, etc. We present different methodsof incorporating imperfect model data in the training of classifiers of drone andnon-drone targets. Finally we present a method for estimating the path differencein sea surface multipath propagation, for the purpose of target tracking.

Denna avhandling kombinerar radarsignalbehandling med datadrivna artificiellaneuronnät (ANN) metoder. Signalbehandlings algoritmer är ofta baserade påmodellantaganden om hur data kommit till. I vissa fall är sådana modeller tillräckligaför att designa bra, eller till och med optimala, lösningar.I många fall kan dock dessa modeller vara alltför komplicerade för att ta framanalytiska lösningar; vara alltför förenklade, så att resultat från praktik skiljer sigmarkant från vad som var teoretiskt väntat; vara okända i den bemärkelsen att enav många kända modeller eller parameter värden kan passa data, men vi vet intevilket; eller vara alltför komplexa så att lösningen blir för tung att beräkna.Datadrivna ANN metoder kan användas för att brygga dessa gap. Vi demonstrerar detta i fyra olika studier, där vi använder oss av modeller för radardata föratt formulera datadrivna lösningar som är både noggranna och beräkningsmässigteffektiva.Vi jämför resultat från ANN lösningar med resultat från beräkningsmässigt merkrävande minsta kvadrat och matchade filter lösningar. Vi visar att prestandan avANN är jämförbar med dessa, men kräver endast en bråkdel av beräkningarna. Vitränar ANN på data från modeller med ett brett span av parameter värden. Dettaför att hantera okända parameter värden och förändringar i dessa, som kan ändradata men inte den önskade prediktionen. Vi visar att en ANN klassificerare som ärtränad på data från enkla modeller kan prestera anmärkningsvärt sämre i praktikenfrån vad som vad var teoretiskt väntat. Vi förbättrar detta genom att kombinera enbegränsad mängd riktigt data med syntetiskt modelldata. I samtliga fall användervi oss av modeller som är enkla att exekvera. Dom är dock inte enkla att analyserai avsikt att skapa analytiska lösningar.Mer konkret presenterar vi en metod för icke-koherent pulskompression somlöser upp mål inom en pulsvidd. Vi presenterar en metod för att detektera svagamålspår som inte kräver antaganden om målets acceleration, signal-till-brus förhållande etc. Vi presenterar olika metoder för att inkorporera bristande modelldata iträningen av klassificerare för drönare och icke-drönare mål. Till sist presenterar vien metod för estimering av skillnaden i sträcka under flervägsutbredning över sjö,i avsikt av målföljning.