RU211322U1 - Интегрированное устройство опознавания воздушных объектов (целей) - Google Patents

Интегрированное устройство опознавания воздушных объектов (целей) Download PDF

Info

Publication number
RU211322U1
RU211322U1 RU2022106656U RU2022106656U RU211322U1 RU 211322 U1 RU211322 U1 RU 211322U1 RU 2022106656 U RU2022106656 U RU 2022106656U RU 2022106656 U RU2022106656 U RU 2022106656U RU 211322 U1 RU211322 U1 RU 211322U1
Authority
RU
Russia
Prior art keywords
block
output
neural network
layer
adder
Prior art date
Application number
RU2022106656U
Other languages
English (en)
Inventor
Юрий Николаевич Котенко
Александр Александрович Близнюк
Александр Валерьевич Слободянюк
Гаяне Размиковна Якунина
Евгений Юрьевич Махов
Original Assignee
Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации
Filing date
Publication date
Application filed by Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации filed Critical Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации
Application granted granted Critical
Publication of RU211322U1 publication Critical patent/RU211322U1/ru

Links

Images

Abstract

Техническое решение относится к технике радиолокации, радиосвязи, радионавигации и радиоуправления и может быть использовано в радиоэлектронных системах для выработки признака государственной принадлежности воздушных объектов (цели). Техническим результатом является снижения погрешности опознавания принадлежности воздушного объекта за счет обучения многослойной нейронной сети с прямым распространением сигнала на зашумленных векторах обучения. Заявленное интегрированное устройство опознавания для выработки признака государственной принадлежности воздушных объектов содержит Т-канальный блок информационных каналов, обучающий блок, состоящий из блока памяти, блока генератора непрерывного шума, блока сумматора, блока генератора целевых векторов и блока генератора обучающих векторов. В устройство введен блок двухслойной нейронной сети. Блок первого слоя нейронной сети содержит десять нейронов, каждый из которых содержит блок матрицы весов IW11, блок смещения b1, блок сумматора и блок с функцией активации гиперболический тангенс. Второй слой нейронной сети содержит два нейрона, каждый из которых содержит блок матрицы весов IW21, блок смещения b2, блок сумматора и блок с линейной функцией активации, выход которого подключен к блоку принятия решения о принадлежности воздушного объекта к классу «свой» или «чужой», выход которого является выходом устройства. 1 ил., 3 табл.

Description

Предлагаемое техническое решение относится к технике радиолокации, радиосвязи, радионавигации и радиоуправления и может быть использовано в радиоэлектронных системах для выработки признака государственной принадлежности воздушных объектов (целей).
Известно интегрированное устройство (система) опознавания [Радиолокационные системы многофункциональных самолетов. T1. РЛС - информационная основа боевых действий многофункциональных самолетов. Системы и алгоритмы первичной обработки радиолокационных сигналов / Под ред. А.И. Канащенкова и В.И. Меркулова. - М.: Радиотехника, 2006, С. 644-650], содержащее набор (блок) информационных каналов: канал координатно-связного опознавания; канал радиолокационного опознавания; канал на основе информации, получаемой по радиолокационным изображениям; каналы радиолокационного и оптико-электронного распознавания; канал радиотехнической разведки; канал тактического опознавания. Выход каждого из информационных каналов подключен к соответствующему входу процессора обработки данных, выход каждого является выходом устройства.
Устройство работает следующим образом. На основе поступающей информации о цели, для которой необходимо определить ее принадлежность к «своим» или «чужим» объектам, каждый информационный канал выделяет соответствующие признаки. Эти признаки поступают в процессор обработки данных, который, в соответствии с реализованным в нем алгоритмом, выносит окончательное решение принадлежности цели к одному из двух классов - «свой» или «чужой».
К недостаткам данного устройства можно отнести то, что не используются возможности каналов по выработке частных решений в различных алфавитах.
Известно также интегрированное устройство (система) опознавания [Жиронкин С.Б., Аврамов А.В., Быстраков С.Г. Построение интегрированных систем опознавания на основе координатно-связного метода // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники, 1997, №35, С. 71-74], которое содержит пять информационных каналов (подсистем): прямого опознавания, координатно-связного опознавания, радиоэлектронного распознавания, оптико-электронного распознавания и радиотехнического распознавания, а также быстродействующую цифровую вычислительную систему (БЦВС).
Устройство работает следующим образом. На основе поступающей информации о цели, для которой необходимо определить ее принадлежность к «своим» или «чужим» объектам, каждый информационный канал в соответствии с заложенным в нем принципом формирует частное решение о принадлежности цели к определенному (классу) в своем собственном алфавите. Частные решения информационных каналов поступают в БЦВС, которая, в соответствии с реализованным в ней алгоритмом, выносит окончательное решение о принадлежности цели к одному из двух классов - «свой» или «чужой».
Недостатками этого устройства является ограничение информационных каналов, а также отсутствие учета достоверности вырабатываемых им частных решений, что снижает достоверность принятого на их основе общего решения.
Наиболее близким по технической сущности и достигаемому результату является интегрированное устройство опознавания воздушных целей [Котенко И.Ю., Котенко Ю.Н. Интегрированное устройство опознавания воздушных целей. Патент RU 203063, опубл. 22.03.2021], которое и выбрано в качестве прототипа. Устройство содержит T-канальный блок информационных каналов, а также следующие N-канальные блоки: блок логического устройства, два блока устройства памяти, два блока перемножения элементов памяти и одноканального блок деления, выход которого подключен к соответствующему входу одноканального блока принятия решения, выход которого является выходом устройства
Устройство работает следующим образом. Каждый из t информационных каналов блока в рамках своего алфавита вырабатывает частное решение о принадлежности объекта к определенному классу в виде решения
Figure 00000001
(«свой») или
Figure 00000002
(«чужой») и соответствующую этому частному решению
Figure 00000003
апостериорную вероятность.
Сформированные парные значения
Figure 00000004
группируются в виде двумерной матрицы в блоке информационных каналов.
Далее с каждого t-то канала, сформированные парные значения
Figure 00000005
через многоканальный выход поступают на блок логического устройства. Логическое устройство в зависимости от значения
Figure 00000006
(«свой») или
Figure 00000007
(«чужой»), отсортировывает значения апостериорных вероятностей
Figure 00000008
на первый или второй входы блоков устройства памяти 1 и 2 соответственно. Поступившие значения
Figure 00000009
распределяются в ячейках блоков устройства памяти 1 и 2 в виде уже одномерных матриц.
Блоки перемножения элементов памяти 1 и 2 реализуют формирование оптимальных решений по критерию Неймана-Пирсона на основе функций правдоподобия
Figure 00000010
для объектов с признаком «свой» и
Figure 00000011
для объектов с признаком «чужой».
Сформированные в блоках перемножения элементов памяти 1 и 2 функции правдоподобия
Figure 00000012
и
Figure 00000013
по одноканальным выходам поступают в блок деления 7, где вычисляется отношение правдоподобия
Figure 00000014
по формуле:
Figure 00000015
Полученное таким образом значение отношения правдоподобия с блока деления по одноканальному выходу поступает в блок принятия решения (выход которого является выходом устройства), где и принимается окончательное решение о принадлежности воздушного объекта по следующему принципу:
Figure 00000016
а порог h выбирается по заданной вероятности неправильного опознавания «чужого» объекта
Figure 00000017
как «своего»
Figure 00000018
.
При заданной вероятности ложной тревоги Fзад, используя известную формулу расчета порогового значения
Figure 00000019
находится значение порога h, где
Figure 00000020
- функция Лапласа.
Недостатком этого устройства является загруженность системы применением операции сортировки значений апостериорных вероятностей
Figure 00000021
и расчетами отношения правдоподобия
Figure 00000022
. Кроме того, в устройстве не учитывается фактор воздействия преднамеренных помех на выходные вектора, поступающие с блока информационных каналов, что приводит к погрешностям и ошибкам при принятии решения о принадлежности воздушного объекта.
Задача предлагаемого технического решения заключается в сокращении времени на принятие решения о принадлежности объекта (цели) за счет исключения операции сортировки значений апостериорных вероятностей
Figure 00000023
и расчета значения отношения правдоподобия
Figure 00000024
. Кроме того, использование обученной в автономном режиме на зашумленных векторах многослойной нейронной сети с прямым распространением сигнала значительно снизит погрешность распознавания выходных векторов блока информационных каналов, что повысит надежность устройства.
Цель технического решения достигается тем, что в известном устройстве, содержащее T-канальный блок информационных каналов и N-канальные блоки: блок логического устройства, два блока устройства памяти, два блока перемножения элементов памяти и одноканального блока деления, выход которого подключен к соответствующему входу одноканального блока принятия решения, выход которого является выходом устройства, N-канальные блоки: блок логического устройства, два блока устройства памяти, два блока перемножения элементов памяти и одноканальный блок деления были заменены на N-канальные блоки двухслойной нейронной сети, блок памяти, блок генератора непрерывного шума, блок сумматора, блок генератора целевых векторов и блок генератора обучающих векторов.
Сопоставительный анализ с прототипом показывает, что заявленное устройство отличается тем, что содержит дополнительно введенные N-канальные блоки: два блока двухслойной нейронной сети, блок памяти, блок генератора непрерывного шума, блок сумматора, блок генератора целевых векторов и блок генератора обучающих векторов. Таким образом, заявляемое устройство соответствует критерию технического устройства новизна.
В заявленном техническом решении используются блоки с известной логикой работы [Радиолокационные системы многофункциональных самолетов. T1. РЛС - информационная основа боевых действий многофункциональных самолетов. Системы и алгоритмы первичной обработки радиолокационных сигналов/ Под ред. А.И. Канащенкова, В.И. Меркулова. - М.: Радиотехника, 2006, С. 644-650; Жиронкин С.Б., Аврамов А.В., Быстраков С.Г. Построение интегрированных систем опознавания на основе координатно-связного метода - Зарубежная радиотехника. Успехи современной радиоэлектроники, 1997, №5, С. 71-74], а также описание работы блоков нейронных сетей [Нейронные сети. Matalab/ Под ред. B.C. Медведева, В.Г. Потемкина - М.: ДИАЛОГ-МИФИ, 2002, С. 38-41, 201-205].
Блок-схема устройства представлена на фиг.1
Устройство содержит:
1 - блок информационных каналов (в составе T-каналов), выходы решений которых подключены через многоканальный выход к соответствующему входу первого слоя нейронной сети;
2 - блок первого слоя двухслойной нейронной сети (скрытый слой), содержащий десять нейронов, каждый из которых содержит блок матрицы весов IW11, блок смещения b1, блок сумматора и блок с функцией активации гиперболический тангенс
Figure 00000025
где
Figure 00000026
Многоканальный выход блока 2 подключен к блоку 3, который содержит второй (выходной) слой нейронной сети.
3 - блок второго слоя двухслойной нейронной сети (выходной слой), содержащий два нейрона, каждый из которых содержит блок матрицы весов IW21, блок смещения b2, блок сумматора и блок с линейной функцией активации A2=Wp+b, где р - два выходных вектора с первого скрытого слоя нейронной сети р1 или р2.
Многоканальный выход блока 3 подключен к блоку принятия решения 4.
4 - блок принятия решения, выход которого является выходом устройства.
Обучающий блок, который состоит из:
5 - блок памяти, многоканальный выход которого подключен к входу первого (скрытого) слоя нейронной сети,
6 - блок генератора непрерывного шума, который генерирует импульсы непрерывного шума, многоканальный выход которого подключен к блоку сумматора,
7 - блок сумматора, многоканальный выход которого подключен к блоку памяти 5,
8 - блок генератора целевых векторов, многоканальный выход которого подключен к блоку памяти 5,
9 - блок генератора обучающих векторов
Figure 00000027
, многоканальный выход которого подключен к блоку сумматора 7.
В режиме обучения устройство работает следующим образом. Блок генератора обучающих векторов 9 генерирует матрицу векторов
Figure 00000028
, которые означают частное решение о принадлежности объекта к определенному классу в виде частного решения
Figure 00000029
(«свой») или
Figure 00000030
(«чужой») и соответствующую этому частному решению апостериорную вероятность.
Значение корреляционного интеграла для «своего» объекта определяется по формуле:
Figure 00000031
Для «чужого» объекта:
Figure 00000032
где SNR - отношение сигнал/шум.
Значение
Figure 00000033
апостериорной вероятности того, что объект «свой», определяется по формуле:
Figure 00000034
.
В соответствии с критерием идеального наблюдателя решение
Figure 00000035
принимается, если апостериорная вероятность того, что объект «свой» больше 0,5. [Жиронкин С.Б., Близнюк А.А., Слободянюк А.В. Алгоритм частично децентрализованной обработки апостериорной информации в комплексной системе обнаружения // Успехи современной радиоэлектроники. - М.: Радиотехника, 2021 - №2 - С. 48-56.].
Figure 00000036
Далее сгенерированные матрицы обучающих векторов поступают через многоканальный выход блока 9 на вход блока сумматора 7.
Блок 6 генератора непрерывного шума генерирует вектора шума таким образом, чтобы получить зашумленные обучающие векторы со средним значением 0,1 и 0,2 [Нейронные сети. Matalab / Под ред. B.C. Медведева, В.Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002, С.201-205]. Многоканальный выход блока 6 подключен на вход блока сумматора 7.
Блок сумматора 7 подключен через многоканальный выход на вход блока памяти 5.
Блок 8 генератора целевых векторов подключен через многоканальный выход на вход блока памяти 5. Блок 8 генерирует вектора цели в виде многомерной матрицы вида
Figure 00000037
. При этом количество целевых векторов соответствует количеству векторов в обучающих матрицах. Для обучающих векторов соответствующих объекту «свой» ставятся в соответствие целевые вектора вида
Figure 00000038
, а для объекта «чужой» соответствуют целевые вектора -
Figure 00000039
.
Блок памяти 5 подключен через многоканальный выход на вход блока 2 первого (скрытого) слоя двухслойной нейронной сети.
Обучение нейронной сети происходит на двух идеальных и двух зашумленных копиях обучающих матриц, каждая из которых состоит из 100 векторов обучающей последовательности. Зашумленные вектора имеют шум со средним значением 0,1 и 0,2. Количество обучающих циклов равно 5000, допустимая погрешность составляет 0,1. При обучении нейронной сети используется метод обратного распространения ошибки с возмущением и адаптацией параметра скорости настройки.
В режиме работы устройство работает следующим образом. Каждый из t информационных каналов блока 1 в рамках своего алфавита вырабатывает частное решение о принадлежности объекта к определенному классу в виде частного решения
Figure 00000040
(«свой») или
Figure 00000041
(«чужой») и соответствующую этому частному решению апостериорную вероятность
Figure 00000042
. Сформированные парные значения
Figure 00000043
группируются в виде двумерной матрицы в блоке информационных каналов 1.
Например:
Figure 00000044
Далее с каждого t-го канала, сформированные парные значения
Figure 00000045
через многоканальный выход поступают на вход первого слоя обученной двухслойной нейронной сети, содержащие признаки «своего» или «чужого» объекта. После обработки нейронной сетью входных векторов
Figure 00000046
, сеть принимает решение о принадлежности воздушной цели к определенному признаку.
Примеры выхода нейронной сети:
Figure 00000047
Далее из блока 3 второго слоя нейронной сети сформированное дробное значение через одноканальный выход поступает на вход блока 4.
Блок 4 принятия решения принимает окончательное решение о принадлежности воздушного объекта по следующему правилу: если числитель больше знаменателя объект «свой» иначе «чужой». Одноканальный выход блока 4 является выходом устройства.
Предлагаемое техническое решение промышленно применимо, так как основано на известных достижениях радиоэлектронной техники и предназначено для определения государственной принадлежности воздушных объектов (целей).

Claims (1)

  1. Интегрированное устройство опознавания для выработки признака государственной принадлежности воздушных объектов (цели), содержащее Т-канальный блок информационных каналов, отличающееся тем, что в устройство введены обучающий блок, состоящий из: блока памяти 5, многоканальный выход которого подключен к первому слою нейронной сети, блока генератора непрерывного шума, многоканальный выход которого подключен к блоку сумматора 7, блока сумматора, многоканальный выход которого подключен к блоку памяти 5, блока генератора целевых векторов, многоканальный выход которого подключен к блоку памяти 5, блока генератора обучающих векторов
    Figure 00000048
    многоканальный выход которого подключен к блоку сумматора 7, и введен блок двухслойной нейронной сети, состоящий из блока первого слоя нейронной сети, содержащего десять нейронов, каждый из которых содержит блок матрицы весов IW11, блок смещения b1, блок сумматора и блок с функцией активации гиперболический тангенс
    Figure 00000049
    многоканальный выход которого подключен ко второму слою нейронной сети, содержащий два нейрона, каждый из которых содержит блок матрицы весов IW21, блок смещения b2, блок сумматора и блок с линейной функцией активации A2=Wp+b, одноканальный выход которого подключен к блоку принятия решения о принадлежности воздушного объекта к классу «свой» или «чужой», выход которого является выходом устройства, при этом блок принятия решения о принадлежности воздушного объекта к классу «свой» или «чужой» использует значение выхода внешнего слоя нейронной сети.
RU2022106656U 2022-03-14 Интегрированное устройство опознавания воздушных объектов (целей) RU211322U1 (ru)

Publications (1)

Publication Number Publication Date
RU211322U1 true RU211322U1 (ru) 2022-05-31

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU221749U1 (ru) * 2023-07-03 2023-11-21 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Интегрированное устройство комплексного опознавания воздушных объектов

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07318645A (ja) * 1994-05-23 1995-12-08 Mitsubishi Electric Corp 目標情報判定装置
US5812083A (en) * 1996-02-23 1998-09-22 Raytheon Ti Systems, Inc. Non-cooperative target identification using antenna pattern shape
RU82045U1 (ru) * 2008-12-02 2009-04-10 Государственное образовательное учреждение высшего профессионального образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации" Устройство нейросетевого распознавания целей по совокупности признаков
RU2550083C1 (ru) * 2014-02-12 2015-05-10 Открытое акционерное общество "Научно-исследовательский институт "Субмикрон" Устройство для декодирования запросных сигналов
RU2553074C1 (ru) * 2014-01-17 2015-06-10 Закрытое акционерное общество "СПИИРАН-Научно-техническое бюро высоких технологий" Способ интеллектуальной обработки информации в нейронной сети
RU2570700C1 (ru) * 2014-07-08 2015-12-10 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Северо-Кавказский федеральный университет" Способ построения системы опознавания "свой-чужой" на основе протокола с нулевым разглашением
CN111610517A (zh) * 2020-06-09 2020-09-01 电子科技大学 基于深度四通道网络的二次雷达信号处理方法
RU203063U1 (ru) * 2019-12-30 2021-03-22 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Интегрированное устройство опознования воздушной цели

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07318645A (ja) * 1994-05-23 1995-12-08 Mitsubishi Electric Corp 目標情報判定装置
US5812083A (en) * 1996-02-23 1998-09-22 Raytheon Ti Systems, Inc. Non-cooperative target identification using antenna pattern shape
RU82045U1 (ru) * 2008-12-02 2009-04-10 Государственное образовательное учреждение высшего профессионального образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации" Устройство нейросетевого распознавания целей по совокупности признаков
RU2553074C1 (ru) * 2014-01-17 2015-06-10 Закрытое акционерное общество "СПИИРАН-Научно-техническое бюро высоких технологий" Способ интеллектуальной обработки информации в нейронной сети
RU2550083C1 (ru) * 2014-02-12 2015-05-10 Открытое акционерное общество "Научно-исследовательский институт "Субмикрон" Устройство для декодирования запросных сигналов
RU2570700C1 (ru) * 2014-07-08 2015-12-10 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Северо-Кавказский федеральный университет" Способ построения системы опознавания "свой-чужой" на основе протокола с нулевым разглашением
RU203063U1 (ru) * 2019-12-30 2021-03-22 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Интегрированное устройство опознования воздушной цели
CN111610517A (zh) * 2020-06-09 2020-09-01 电子科技大学 基于深度四通道网络的二次雷达信号处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
БЫСТРОВ А.В. Разработка интеллектуальных систем государственной идентификации объектов военного и специального назначения как альтернативное направление в развитии систем радиолокационного опознавания // Вестник Академии военных наук, N 3, 2003 г., сс.118-121. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU221749U1 (ru) * 2023-07-03 2023-11-21 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия воздушно-космической обороны имени Маршала Советского Союза Г.К. Жукова" Министерства обороны Российской Федерации Интегрированное устройство комплексного опознавания воздушных объектов

Similar Documents

Publication Publication Date Title
Denoeux A neural network classifier based on Dempster-Shafer theory
Baser et al. Fantrack: 3d multi-object tracking with feature association network
Yoon et al. Online multiple pedestrians tracking using deep temporal appearance matching association
Bartlett For valid generalization the size of the weights is more important than the size of the network
Zuev et al. The voting as a way to increase the decision reliability
US20200193225A1 (en) System and method for detecting objects in a digital image, and system and method for rescoring object detections
US11816841B2 (en) Method and system for graph-based panoptic segmentation
Lainiotis A class of upper bounds on probability of error for multihypotheses pattern recognition (corresp.)
Parvin et al. A heuristic scalable classifier ensemble of binary classifier ensembles
Parvin et al. A classifier ensemble of binary classifier ensembles
WO2020086176A1 (en) Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis
Perlovsky Fuzzy dynamic logic
Amma et al. Vcdeepfl: Vector convolutional deep feature learning approach for identification of known and unknown denial of service attacks
RU211322U1 (ru) Интегрированное устройство опознавания воздушных объектов (целей)
Mantyla Discrete hidden Markov models with application to isolated user-dependent hand gesture recognition
RU221749U1 (ru) Интегрированное устройство комплексного опознавания воздушных объектов
RU204861U1 (ru) Интегрированное устройство опознования воздушной цели
RU203063U1 (ru) Интегрированное устройство опознования воздушной цели
US11593621B2 (en) Information processing apparatus, information processing method, and computer program product
Telfer et al. Implementing the minimum-misclassification-error energy function for target recognition
JPH08115387A (ja) パターン認識装置
JP2001147264A (ja) レーダパルス分類装置及びレーダパルス分類方法
Inoue Expressive numbers of two or more hidden layer relu neural networks
EP1418539A2 (en) Physics based neural network
Menéndez Measuring Machine Learning Robustness in front of Static and Dynamic Adversaries