RU221749U1 - Интегрированное устройство комплексного опознавания воздушных объектов - Google Patents
Интегрированное устройство комплексного опознавания воздушных объектов Download PDFInfo
- Publication number
- RU221749U1 RU221749U1 RU2023117554U RU2023117554U RU221749U1 RU 221749 U1 RU221749 U1 RU 221749U1 RU 2023117554 U RU2023117554 U RU 2023117554U RU 2023117554 U RU2023117554 U RU 2023117554U RU 221749 U1 RU221749 U1 RU 221749U1
- Authority
- RU
- Russia
- Prior art keywords
- block
- neural network
- output
- training
- input
- Prior art date
Links
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 101100148606 Caenorhabditis elegans pst-1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Abstract
Полезная модель относится к технике радиолокации, радиосвязи, радионавигации и радиоуправления и может быть использована в радиоэлектронных системах для выработки признака государственной принадлежности воздушных объектов (целей). Технический результат заключается в повышении вероятности правильного опознавания «своего» воздушного объекта при заданной вероятности неправильного опознавания «чужого» воздушного объекта (критерий Неймана-Пирсона). Заявленное устройство содержит N-канальные блоки радиальной базисной нейронной сети, обучение которой происходит быстрее и отсутствует проблема выбора структуры сети, блок расчета и формирования векторов обучения, введены также блок ввода данных – характеристик средств опознавания и блок порогового устройства. В результате обучения радиальной базисной нейронной сети с использованием векторов обучения достигается повышение скорости обработки информации, а также повышение вероятности правильного опознавания объекта с применением искусственной нейронной сети. 1 ил., 2 табл.
Description
Полезная модель относится к технике радиолокации, радиосвязи, радионавигации и радиоуправления и может быть использована в радиоэлектронных системах для выработки признака государственной принадлежности воздушных объектов (цели).
Известно интегрированное устройство (система) опознавания [Радиолокационные системы многофункциональных самолетов. Т1. 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 объектов (целей) [Котенко Ю.Н., Близнюк А.А. Интегрированное устройство опознавания воздушных объектов (целей). Патент RU 211322, опубл. 31.05.2022], которое и выбрано в качестве прототипа. Устройство содержит T-канальный блок информационных каналов, N-канальные блоки двухслойной нейронной сети, выход которой подключен к соответствующему входу одноканального блока принятия решения, выход которого является выходом устройства, блок памяти, блок генератора непрерывного шума, блок сумматора, блок генератора целевых векторов и блок генератора обучающих векторов.
Устройство работает следующим образом. В режиме обучения блок генератора обучающих векторов генерирует матрицы векторов которые означают частное решение о принадлежности объекта к определенному классу в виде частного решения («свой») или («чужой») и соответствующую этому частному решению апостериорную вероятность.
Значение корреляционного интеграла для «своего» объекта определяется по формуле:
Для «чужого» объекта:
где SNR - отношение сигнал/шум.
Значение Ppst1 апостериорной вероятности того, что объект «свой», определяется по формуле:
В соответствии с критерием идеального наблюдателя решение принимается, если апостериорная вероятность того, что объект «свой» больше 0,5.
Далее сгенерированные матрицы обучающих векторов поступают на вход блока сумматора.
Блок генератора непрерывного шума генерирует вектора шума таким образом, чтобы получить зашумленные обучающие векторы со средним значением 0,1 и 0,2.
Блок сумматора подключен через многоканальный выход на вход блока памяти.
Блок генератора целевых векторов подключен через многоканальный выход на вход блока памяти. Блок генератора целевых векторов генерирует вектора цели в виде многомерной матрицы вида . При этом количество целевых векторов соответствует количеству векторов в обучающих матрицах. Для обучающих векторов соответствующих «своему» объекту ставятся в соответствие целевые векторы вида, «чужому» объекту - .
Блок памяти подключен через многоканальный выход на вход блока 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 каждый из t информационных каналов блока 1 в рамках своего алфавита вырабатывает частное решение о принадлежности объекта к определенному классу в виде частного решения («свой») или («чужой») и соответствующую этому частному решению апостериорную вероятность . Сформированные парные значения группируются в виде двумерной матрицы в блоке информационных каналов.
Далее с каждого t-го канала, сформированные парные значения через многоканальный выход поступают на вход первого слоя обученной двухслойной нейронной сети, содержащие признаки «своего» или «чужого» объекта. После обработки нейронной сетью входных векторов , сеть принимает решение о принадлежности воздушной цели к определенному признаку.
Далее из блока второго слоя нейронной сети сформированное дробное значение через одноканальный выход поступает на вход блока принятия решения.
Блок принятия решения принимает окончательное решение о принадлежности воздушного объекта по следующему правилу: если числитель больше знаменателя объект «свой» иначе «чужой». Одноканальный выход блока принятия решения является выходом устройства.
Недостатком этого технического решения является использование критерия «Идеального наблюдателя» в качестве решающего правила, который при расчете апостериорных вероятностей наличия (отсутствия) сигнала не учитывает характеристик средств опознавания (вероятности правильного опознавания «своего» объекта и вероятности неправильного опознавания «чужого» объекта). Наличие данного недостатка приводит к погрешностям и ошибкам при принятии решения о принадлежности воздушного объекта.
Задача предлагаемого технического решения заключается в повышении вероятности правильного опознавания «своего» объекта при заданной (фиксированной) вероятности неправильного опознавания «чужого» объекта за счет использования в качестве решающего правила критерия «Неймана-Пирсона». Кроме того, использование радиальной базисной нейронной сети, обученной с учетом характеристик потенциальных средств опознавания, значительно снизит погрешность в принятии решения о принадлежности воздушных объектов, а также сократит время обработки информации.
Цель технического решения достигается тем, что в известном устройстве, добавлены блок ввода данных (характеристик средств опознавания) и блок порогового устройства, блок генератора обучающих векторов заменен на блок расчета и формирования векторов обучения, N-канальные блоки двухслойной нейронной сети заменены на N-канальные блоки радиальной базисной нейронной сети, обучение которой происходит быстрее и отсутствует проблема выбора структуры сети.
Сопоставительный анализ с прототипом показывает, что заявленное устройство отличается тем, что содержит вновь введенные N-канальные блоки радиальной базисной нейронной сети, блок порогового устройства, блок ввода данных, блок расчета и блок формирования векторов обучения. Таким образом, заявляемое устройство соответствует критерию технического устройства новизна.
В заявленном техническом решении используются блоки с известной логикой работы [Радиолокационные системы многофункциональных самолетов. Т1. 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 радиальной базисной нейронной сети (скрытый слой), содержащий 52 (пятьдесят два) нейрона, каждый из которых содержит блок модуля разности вектора весов W11 и вектора входа p, блок смещения b1, блок умножения модуля разности вектора весов W11 и вектора входа Р на смещение b1, блок с радиальной функцией активации .
Многоканальный выход блока 2 подключен к блоку 3, который содержит второй (выходной) слой нейронной сети.
3 - блок второго слоя радиальной базисной нейронной сети (выходной слой), содержащий один нейрон, состоящий из блока матрицы весов W21, блок смещения b2, блока сумматора и блока с линейной функцией активации А2=Wa+b, где а - выходной вектор первого скрытого слоя нейронной сети.
Одноканальный выход блока 3 подключен к блоку порогового устройства 4.
4 - блок порогового устройства, выход которого подключен к блоку принятия решения 5.
5 - блок принятия решения, выход которого является выходом устройства.
Обучающий блок, который состоит из:
6 - блок памяти, многоканальный выход которого подключены к входу первого (скрытого) слоя нейронной сети.
7 - блок генератора непрерывного шума, который генерирует импульсы непрерывного шума, многоканальный выход которого подключены к блоку сумматора.
8 - блок сумматора, многоканальный выход которого подключены к блоку памяти 6.
9 - блок генератора целевых векторов, многоканальный выход которого подключены к блоку памяти 6.
10 - блок расчета и формирования обучающих векторов , многоканальный выход которого подключен к блоку сумматора 8.
11 - блок ввода данных (характеристик комплексируемых средств опознавания), многоканальный выход которого подключен к блоку расчета и формирования обучающих векторов 10.
В режиме обучения устройство работает следующим образом. В блок ввода данных 11 осуществляется ввод характеристик каждого средства опознавания - вероятности правильного опознавания «своего» объекта Dt и неправильного опознавания «чужого» объекта Ft.
В блоке 10, в зависимости от характеристик средств опознавания осуществляется расчет отношения сигнал/шум на выходах эквивалентных им когерентных обнаружителей:
где - номер средства опознавания, Ф-1() - функция обратная интегралу вероятности
Значения корреляционных интегралов для «своего» q1 и «чужого» q0 объекта определяются по формулам:
Значение порога каждого средства опознавания определяются по формуле:
Далее осуществляется сравнение корреляционного интеграла qt с порогом ht, по результату которого, выносятся частные решения о государственной принадлежности опознаваемого воздушного объекта для каждого средства опознавания: - «свой», либо - «чужой».
Сгенерированные матрицы обучающих векторов поступают через многоканальный выход блока 9 на вход блока сумматора 7.
Оценка достоверности принятого частного решения каждого средства опознавания производится в виде апостериорных вероятностей правильного опознавания «своего» объекта Dpst и неправильного опознавания «чужого» объекта Fpst, расчет которых осуществляется по формулам:
Сгенерированные матрицы векторов обучения поступают через многоканальный выход блока 10 на вход блока сумматора 8.
Блок 7 генератора непрерывного шума генерирует векторы шума таким образом, чтобы получить зашумленные обучающие векторы со средним значением 0,1 и 0,2 [Нейронные сети. Matlab/ Под ред. B.C. Медведева, В.Г Потемкина. - М.: ДИАЛОГ-МИФИ, 2002, с. 201-205]. Многоканальный выход блока 7 подключен на вход блока сумматора 8.
Блок сумматора 8 подключен через многоканальный выход на вход блока памяти 6.
Блок 9 генератора целевых векторов подключен через многоканальный выход на вход блока памяти 6. Блок 9 генерирует вектора цели в виде матрицы {1…0}. При этом количество целевых векторов соответствует количеству векторов в обучающих матрицах. Для обучающих векторов соответствующих объекту «свой» ставятся в соответствие целевые векторы вида {1}, а для объекта «чужой» соответствуют целевые векторы - {0}.
Блок памяти 6 через многоканальный выход подключен на вход блока 2 первого (скрытого) слоя радиальной базисной нейронной сети.
Обучение нейронной сети проводится на обучающих матрицах, каждая из которых состоит из 2000 векторов обучающей последовательности (таблица №1). Количество обучающих циклов зависит от допустимой среднеквадратической погрешности, которая в данном случае составляет 0,001.
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 - «свой», либо - «чужой» и соответствующие этому частному решению апостериорные вероятности Dpst и Fpst.
Сформированные значения группируются в виде трехмерной матрицы в блоке информационных каналов 1 (таблица №2).
Далее с каждого t-го канала, сформированные значения , содержащие признаки «своего» или «чужого» объекта, через многоканальный выход поступают на вход обученной радиальной базисной нейронной сети. После обработки нейронной сетью входных векторов , сеть формирует решение , которое поступает на вход блока порогового устройства 4. В блоке порогового устройства 4 осуществляется сравнение сформированного решения с пороговым уровнем h, результат которого поступает на вход блока принятия решения 5. Согласно критерию Неймана - Пирсона пороговый уровень h определяется из условия, чтобы при заданной вероятности неправильного опознавания «чужого» объекта Fзад вероятность правильного опознавания «своего» объекта D была максимальной [Статистическая радиотехника. / Под ред. В.И. Тихонова. - М.: Советское радио, 1966, с. 448-449].
В блоке 5 принимается окончательное решение о принадлежности воздушного объекта по следующему правилу:
Одноканальный выход блока 5 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)
- Интегрированное устройство комплексного опознавания для выработки признака государственной принадлежности воздушных объектов (целей), содержащее T-канальный блок информационных каналов, отличающееся тем, что в обучающем блоке устройства введены блок расчета и формирования векторов обучения (10) , многоканальный выход которого подключен к блоку сумматора, блок ввода данных (11) (характеристик средств опознавания), многоканальный выход которого подключен к блоку расчета и формирования векторов обучения (10), блок радиальной базисной нейронной сети, состоящий из блока первого слоя нейронной сети, содержащего 52 (пятьдесят два) нейрона, каждый из которых содержит блок модуля разности вектора весов W11 и вектора входа p, блок смещения b1, блок умножения модуля разности вектора весов W11 и вектора входа p на смещение b1, блок с радиальной функцией активации , многоканальный выход которого подключен к блоку второго слоя нейронной сети, содержащего 1 (один) нейрон, состоящий из блока матрицы весов W21, блока смещения b, блока сумматора и блока линейной функцией активации А2 = Wa+b, где а - выходной вектор первого скрытого слоя нейронной сети, одноканальный выход блока второго слоя нейронной сети является входом в блок порогового устройства (4), выход которого является входом в блок принятия решения (5) о принадлежности воздушного объекта к классу «свой» или «чужой», который, в свою очередь, является выходом устройства.
Publications (1)
Publication Number | Publication Date |
---|---|
RU221749U1 true RU221749U1 (ru) | 2023-11-21 |
Family
ID=
Citations (6)
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 |
US6366236B1 (en) * | 1999-08-12 | 2002-04-02 | Automotive Systems Laboratory, Inc. | Neural network radar processor |
RU91185U1 (ru) * | 2009-07-02 | 2010-01-27 | Дмитрий Геннадьевич Митрофанов | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков |
RU2695985C1 (ru) * | 2018-10-22 | 2019-07-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Нейросетевая система обнаружения и оперативной идентификации морских целей |
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 |
RU211322U1 (ru) * | 2022-03-14 | 2022-05-31 | 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 опознавания воздушных объектов (целей) |
Patent Citations (6)
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 |
US6366236B1 (en) * | 1999-08-12 | 2002-04-02 | Automotive Systems Laboratory, Inc. | Neural network radar processor |
RU91185U1 (ru) * | 2009-07-02 | 2010-01-27 | Дмитрий Геннадьевич Митрофанов | Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков |
RU2695985C1 (ru) * | 2018-10-22 | 2019-07-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Нейросетевая система обнаружения и оперативной идентификации морских целей |
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 |
RU211322U1 (ru) * | 2022-03-14 | 2022-05-31 | 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 опознавания воздушных объектов (целей) |
Non-Patent Citations (1)
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. 2003. N 3. Сс.118-121. МАРШАКОВ Д.В. Повышение достоверности нейросетевой классификации радиолокационных объектов // Вестник кибернетики. 2020. N 1 (37). Cc. 69-76. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Denoeux | A neural network classifier based on Dempster-Shafer theory | |
Oh | Improving the error backpropagation algorithm with a modified error function | |
EP0596412A1 (en) | Image clustering apparatus | |
US5384895A (en) | Self-organizing neural network for classifying pattern signatures with `a posteriori` conditional class probability | |
CN111767848A (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
US5790758A (en) | Neural network architecture for gaussian components of a mixture density function | |
Ganguly et al. | An introduction to variational inference | |
Parvin et al. | A heuristic scalable classifier ensemble of binary classifier ensembles | |
Pinto et al. | Next generation multitarget trackers: Random finite set methods vs transformer-based deep learning | |
Sahlol et al. | Bio-inspired BAT optimization algorithm for handwritten Arabic characters recognition | |
Shafronenko et al. | Fuzzy clustering of distorted observations based on optimal expansion using partial distances | |
RU221749U1 (ru) | Интегрированное устройство комплексного опознавания воздушных объектов | |
Ruck | Characterization of multilayer perceptrons and their application to multisensor automatic target detection | |
RU211322U1 (ru) | Интегрированное устройство опознавания воздушных объектов (целей) | |
Shaaban et al. | Evaluation of spiking neural networks for time domain-based radar hand gesture recognition | |
Patsei et al. | Multi-class object classification model based on error-correcting output codes | |
Rahman et al. | Denclust: A density based seed selection approach for k-means | |
CN114861936A (zh) | 一种基于特征原型的联邦增量学习方法 | |
BUZ et al. | A novel approach and application of time series to image transformation methods on classification of underwater objects | |
CN112966544A (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
US5712959A (en) | Neural network architecture for non-Gaussian components of a mixture density function | |
EP1418539A2 (en) | Physics based neural network | |
Bylander | Learning noisy linear threshold functions | |
Saranlı et al. | On output independence and complementariness in rank-based multiple classifier decision systems | |
Zheng et al. | An reconstruction bidirectional recurrent neural network‐based deinterleaving method for known radar signals in open‐set scenarios |