RU188929U1 - Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете - Google Patents
Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете Download PDFInfo
- Publication number
- RU188929U1 RU188929U1 RU2018147643U RU2018147643U RU188929U1 RU 188929 U1 RU188929 U1 RU 188929U1 RU 2018147643 U RU2018147643 U RU 2018147643U RU 2018147643 U RU2018147643 U RU 2018147643U RU 188929 U1 RU188929 U1 RU 188929U1
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- portrait
- output
- signal
- input
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 abstract description 4
- 239000000654 additive Substances 0.000 abstract description 2
- 230000000996 additive effect Effects 0.000 abstract description 2
- 230000000368 destabilizing effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Предлагаемое устройство относится к области радиолокации и может быть использовано в целях автоматического распознавания (классификации) радиолокационных объектов (воздушных целей).Целью предлагаемого изобретения является повышение вероятности правильного распознавания типов воздушных целей в условиях воздействия помех аддитивного и мультипликативного характеров, а также других случайных факторов, таких как временные флуктуации положения дальностного портрета в стробе наблюдения, ошибки измерения пространственной ориентации воздушной цели.Достижение поставленной цели осуществляется за счет использования предварительной обработки дальностного портрета и использования нейросетевых алгоритмов принятия решения, что в конечном итоге позволяет повысить качество решения задачи распознавания воздушных целей по их дальностному портрету в условиях воздействия помех различного рода, а также других дестабилизирующих факторов.
Description
Предлагаемое устройство относится к области радиолокации и может быть использовано в целях автоматического распознавания (классификации) радиолокационных объектов (воздушных целей).
Известно устройство [1], используемое для решения задач распознавания типов воздушных целей, которое представляет из себя полносвязную трехслойную нейронную сеть, обученную для классификации воздушных целей по их дальностным портретам. Для обучения и контроля качества работы данного устройства с помощью методов математического моделирования формируют множество дальностных портретов для всех типов распознаваемых воздушных целей. Часть дальностных портретов из общего множества используется непосредственно для обучения нейронной сети, другая часть для проверки качества классификации.
Основными недостатками данного устройства являются низкое качество решения задачи распознавания при увеличении количества распознаваемых типов ВЦ, а также высокая чувствительность к воздействию дестабилизирующих факторов (помехи, случайные смещения дальностного в стробе наблюдения).
Также известно устройство двухуровневого нейросетевого распознавания по совокупности признаков [2]. Данное устройство использует двухэтапное распознавание воздушной цели, при котором сначала определяется класс объекта, затем определяется его тип, при этом в дополнение к основному признаку в виде дальностного портрета, используются ряд вспомогательных.
Основными недостатками данного устройства является то, что в процессе распознавания не оценивается вероятность принятия неверного решения, т.к. сигнал на выходе нейросетевого классификатора квантуется по двум уровням «0» и «1». Также устройство подразумевает использование признаков двух признаков в дальностного портрета и доплеровского портрета, синтез которых, по своей физической сути, осуществляется двумя взаимоисключающими способами, что приводит к чрезмерному усложнению устройства распознавания при малом приросте вероятности правильного распознавания.
Из известных устройств, решающих задачу распознавания воздушных целей по их дальностному портрету, наиболее близким по техническому решению к предлагаемому устройству является устройство идентификации воздушных целей по структуре дальностного портрета [3]. Работа устройства основана на установлении взаимного соответствия между амплитудами и временным положением в реальных и эталонных дальностных портретах.
Основными недостатками данного устройства являются зависимость вероятности правильного распознавания от точности определения ракурса воздушной цели, высокая чувствительность к помехам мультипликативного характера, а также неполный учет структурных особенностей, содержащихся в дальностных портретах целей.
Целью предлагаемого изобретения является повышение вероятности правильного распознавания типов воздушных целей в условиях воздействия помех аддитивного и мультипликативного характеров, а также других случайных факторов, таких как временные флуктуации положения дальностного портрета в стробе наблюдения, ошибки измерения пространственной ориентации воздушной цели.
Достижение поставленной цели осуществляется за счет использования предварительной обработки дальностного портрета и использования нейросетевых алгоритмов принятия решения.
Устройство состоит из:
1 - радиоприемное устройство;
2 - блок согласованной обработки и амплитудного детектирования;
3 - блока аналого-цифрового преобразования и амплитудной нормировки сигнала;
4 - блок морфологической фильтрации сигнала;
5 - нейросетевой классификатор;
6 - устройство управления и синхронизации.
Работа устройства (Фиг. 1) осуществляется следующим образом:
высокочастотный широкополосный сигнал, отраженный от воздушной цели, поступает на радиоприемное устройство 1, где происходит его предварительная обработка и перенос спектра на промежуточную частоту для удобства осуществления дальнейшей обработки. Затем сигнал поступает на блок согласованной обработки и амплитудного детектирования 2, где происходит его сжатие с помощью фильтров, согласованных с типом и параметрами обрабатываемого сигнала, а также выделение низкочастотной огибающей сигнала, которая является дальностным портретов воздушной цели. Выделенная низкочастотная огибающая поступает на вход блока аналого-цифрового преобразования и амплитудной нормировки сигнала 3, где происходит временная дискретизация и квантование по уровню дальностного портрета, необходимые для его дальнейшего использования в цифровых устройствах обработки и хранения, а также нормировка сигнала по максимуму его значения. С выхода блока аналого-цифрового преобразования и амплитудной нормировки сигнала 3 дальностный портрет одновременно поступает в блок морфологической фильтрации сигнала 4, а также в устройство управления и синхронизации 6. В блоке морфологической фильтрации сигнала 4 дальностный портрет подвергается морфологической декомпозиции, формируя на выходе множество сигнальных признаков, которые поступают в нейросетевой классификатор 5, где используются для решения задачи распознавания воздушной цели. В процессе работы устройства осуществляется передача информации и команд от устройства управления и синхронизации 6 к блоку морфологической фильтрации сигнала 4, а также к нейросетевому классификатору 5. Информация о дальностном портрете из блока аналого-цифрового преобразования и амплитудной нормировки сигнала 3 передается в устройство управления и синхронизации 6 для ее сохранения и дальнейшего использования в формировании базы эталонных дальностных портретов, необходимых для обучения нейросетевого классификатора 5 и настройки коэффициентов импульсных характеристик фильтров в блоке морфологической фильтрации сигнала 4.
Нейросетевой классификатор 5, представляет полносвязную многослойную нейронную сеть прямого распространения. Обучение нейросетевого классификатора осуществляется на основе данным, содержащихся в базе эталонных дальностных портретов.
Основным элементом блока морфологической фильтрации сигнала 4 является массив цифровых фильтров со значением их импульсных характеристик G (Фиг. 2), выполняющий роль морфологической декомпозиции тех структурных особенностей, содержащихся в дальностном портрете, с которыми согласованы их импульсные характеристики. Выбор числа фильтров осуществляется исходя из особенностей сигналов на входе радиоприемного устройства, так как ширина спектра, отношение сигнал шум, количество типов распознаваемых воздушных целей и т.п. В общем случае массив цифровых фильтров с импульсными характеристиками gi,j можно представить как:
где i, j – индексы фильтра в массиве фильтров.
Настройка (адаптация) импульсных характеристик фильтров осуществляется в параллельно с процессом обучения нейросетевого классификатора методом обратного распространения ошибки. С математической точки зрения задачей обучения является процесс минимизации значения квадратичной функции потерь L на выходе нейросетевого классификатора 5:
где Y – ожидаемое значение на выходе НСК для k-го типа ВЦ, R̂ - фактическое значение на выходе НСК для k-го типа ВЦ.
Значение R̂ на выходе НСК можно представить, как сложную функцию, значение которой зависит от значений весовых коэффициентов нейросетевого классификатора W и значений импульсных характеристик G в фильтровом массиве блока морфологической фильтрации:
Тогда задачу обучения нейросетевого классификатора и адаптации импульсных характеристик фильтров в блоке морфологической фильтрации можно свести к поиску таких значений W и G, которые обеспечивают минимум значения функции потерь L:
В соответствии с методом обратного распространения ошибки значения W и G на n-м шаге обучения можно определить, как:
где ηi – шаг обучения, задаваемый скалярным значением.
Значение градиента функции определяется, как:
Таким образом, обучение нейросетевого классификатора и настройка импульсных характеристик фильтров в блоке морфологической фильтрации представляют из себя единый процесс адаптации к входным данным, представленным в обучающей выборке.
Для осуществления предлагаемого устройства, в частности цифровых фильтров в блоке морфологической фильтрации сигнала 4, ввиду того, что потребное число цифровых фильтров может быть велико, наиболее целесообразно использовать элементную базу, позволяющую реализовать параллельные вычисления, например, программируемые логические интегральные схемы. Реализацию нейросетевого классификатора целесообразно осуществлять как с использованием специализированных нейронных процессоров, так и с помощью программируемых логических интегральных схем.
Принцип работы предлагаемого устройства поясняется чертежами (Фиг. 1, 2, 3, 4).
На фиг. 1 представлена структурная схема предлагаемого устройства.
На фиг. 2 представлен рисунок, поясняющий принцип обработки информации в массиве фильтров блока морфологической фильтрации 4 и нейросетевом классификаторе 5.
На фиг. 3 и фиг. 4 представлены показатели качества решения задачи распознавания (средняя вероятность правильного распознавания) для прототипа и предлагаемого устройства соответственно, полученные для различных ширин спектров сигнала, отраженного от воздушной цели.
Для оценки качества решения задачи распознавания типов воздушных целей по их дальностному портрету проведен статистический эксперимент. В эксперименте использовалось десять типов воздушных целей средних размеров (линейная протяженность 15-25 метров). Оценка производилась для отношений сигнал-шум на выходе устройства согласованной обработки 0-25 дБ и ширин спектра сигнала 50-150 МГц. Установлено, что предлагаемое устройство за счет предварительной обработки дальностного портрета в блоке морфологической фильтрации, позволяет повысить качество распознавания в условиях воздействия мультипликативных помех, а также при низких отношениях сигнал-шум на выходе устройства согласованной обработки и амплитудного детектирования. Также устройство обладает свойством инвариантности к временному положению дальностного портрета в стробе наблюдения. Относительный прирост вероятности правильного распознавания по сравнению с прототипом составляет до 27% (Фиг. 3, 4) для отношения сигнал-шум на выходе устройства согласованной обработки 20-25 дБ.
ИСТОЧНИКИ ИНФОРМАЦИИ
1. Ширман Я.Д., Лещенко C.П., Орленко В.М. О моделировании вторичного излучения воздушных целей и его использовании в технике радиолокационного распознавания. Радиолокация и радиометрия, 2000, № 3. С. 71.
2. Перехожев В.А, Митрофанов Д.Г., Сафонов А.В. Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков Патент РФ № 91185 по заявке № 2009125287/22 от 02.07.2009 г.
3. Митрофанов Д.Г., Майоров Д.А., Гаврилов А.Д. и др. Устройство идентификации воздушных объектов по структуре дальностного портрета. Патент РФ № 2513041 по заявке № 2012121473/07 от 24.05.2012 г.
Claims (1)
- Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете, включающее радиоприемное устройство 1, последовательно соединенное с блоком согласованной обработки и амплитудного детектирования 2, отличающееся наличием блока аналого-цифрового преобразования и амплитудной нормировки сигнала 3, первый выход которого последовательно соединен с первым входом блока морфологической фильтрации сигнала 4, основным элементом которого является массив цифровых фильтров, который осуществляет структурную декомпозицию входного сигнала в виде дальностного портрета воздушной цели и тем самым обеспечивает выделение признаков наиболее характерных для наблюдаемого дальностного портрета типа воздушной цели, выход которого соединен с первым входом нейросетевого классификатора 5, который обеспечивает непосредственное решение задачи распознавания по совокупности признаков, выделенных в блоке морфологической фильтрации 4, при этом второй выход блока аналого-цифрового преобразования и амплитудной нормировки сигнала 3 последовательно соединен со входом устройства синхронизации и управления 6, первый выход которого последовательно соединен со вторым входом блока морфологической фильтрации сигнала 4, а второй выход последовательно соединен со вторым входом нейросетевого классификатора 5, на выход которого в ходе решения задачи распознавания воздушной цели выдается информация о распределении вероятностей принадлежности наблюдаемой воздушной цели к тому или иному типу.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018147643U RU188929U1 (ru) | 2018-12-30 | 2018-12-30 | Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018147643U RU188929U1 (ru) | 2018-12-30 | 2018-12-30 | Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете |
Publications (1)
Publication Number | Publication Date |
---|---|
RU188929U1 true RU188929U1 (ru) | 2019-04-29 |
Family
ID=66430863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018147643U RU188929U1 (ru) | 2018-12-30 | 2018-12-30 | Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU188929U1 (ru) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7012552B2 (en) * | 2000-10-20 | 2006-03-14 | Lockheed Martin Corporation | Civil aviation passive coherent location system and method |
WO2006133268A2 (en) * | 2005-06-06 | 2006-12-14 | Signal Labs, Inc. | System and method for detection and discrimination of targets in the presence of interference |
US20070081723A1 (en) * | 2005-10-11 | 2007-04-12 | Omar Aboutalib | Process for the indentification of objects |
RU91185U1 (ru) * | 2009-07-02 | 2010-01-27 | Дмитрий Геннадьевич Митрофанов | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков |
RU2513041C2 (ru) * | 2012-05-24 | 2014-04-20 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации имени Маршала Советского Союза А.М. Василевского" Министерства Обороны Российской Федерации | Устройство идентификации воздушных объектов по структуре дальностного портрета |
-
2018
- 2018-12-30 RU RU2018147643U patent/RU188929U1/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7012552B2 (en) * | 2000-10-20 | 2006-03-14 | Lockheed Martin Corporation | Civil aviation passive coherent location system and method |
WO2006133268A2 (en) * | 2005-06-06 | 2006-12-14 | Signal Labs, Inc. | System and method for detection and discrimination of targets in the presence of interference |
US20070081723A1 (en) * | 2005-10-11 | 2007-04-12 | Omar Aboutalib | Process for the indentification of objects |
RU91185U1 (ru) * | 2009-07-02 | 2010-01-27 | Дмитрий Геннадьевич Митрофанов | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков |
RU2513041C2 (ru) * | 2012-05-24 | 2014-04-20 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации имени Маршала Советского Союза А.М. Василевского" Министерства Обороны Российской Федерации | Устройство идентификации воздушных объектов по структуре дальностного портрета |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862705B (zh) | 一种基于运动特征和深度学习特征的无人机小目标检测方法 | |
US10429488B1 (en) | System and method for geo-locating and detecting source of electromagnetic emissions | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN108765937B (zh) | 用于etc系统的车辆识别装置、路侧单元和方法 | |
CN112444785B (zh) | 一种目标行为识别的方法、装置和雷达系统 | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
CN110766067A (zh) | 基于机器学习的毫米波雷达材质识别方法 | |
Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
CN109766926A (zh) | 一种雷达辐射源信号脉内特征综合评估方法及系统 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN104751184A (zh) | 基于强度统计稀疏的全极化sar图像分类方法 | |
Perrin et al. | Multisensor fusion in the frame of evidence theory for landmines detection | |
RU188929U1 (ru) | Устройство нейросетевого распознавания типов воздушных целей по совокупности структурных признаков, содержащихся в дальностном портрете | |
CN105046706B (zh) | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 | |
RU91185U1 (ru) | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков | |
Tang et al. | A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms | |
CN115100733B (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN108549076A (zh) | 一种基于速度节凑图的多种类无人机场景识别方法 | |
Yuan et al. | Ship and corner reflector identification based on extreme learning machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM9K | Utility model has become invalid (non-payment of fees) |
Effective date: 20190616 |