RU2681252C1 - Hydro acoustic signals detection and their neural network classification system - Google Patents

Hydro acoustic signals detection and their neural network classification system Download PDF

Info

Publication number
RU2681252C1
RU2681252C1 RU2018113985A RU2018113985A RU2681252C1 RU 2681252 C1 RU2681252 C1 RU 2681252C1 RU 2018113985 A RU2018113985 A RU 2018113985A RU 2018113985 A RU2018113985 A RU 2018113985A RU 2681252 C1 RU2681252 C1 RU 2681252C1
Authority
RU
Russia
Prior art keywords
inputs
outputs
input
output
pairs
Prior art date
Application number
RU2018113985A
Other languages
Russian (ru)
Inventor
Валерий Александрович Пятакович
Анна Михайловна Василенко
Original Assignee
Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) filed Critical Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток)
Priority to RU2018113985A priority Critical patent/RU2681252C1/en
Application granted granted Critical
Publication of RU2681252C1 publication Critical patent/RU2681252C1/en

Links

Images

Classifications

    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/04—Systems determining presence of a target
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

FIELD: hydro acoustics.SUBSTANCE: invention relates to the field of hydro acoustics and can be used for the detected in the direction finding mode hydro acoustic signals sources recognition and classification expert intelligent systems development. Hydro acoustic signals detection and their neural network classification system, containing the analog-digital converter, to which input an input signal is supplied, and which output is connected to the recirculator input, which output is connected to the M narrowband filters inputs. M narrowband filters outputs are connected to the Μ multipliers pairs first inputs, which outputs are connected to the M integrators pairs inputs, which outputs are connected to the Μ quadrators pairs inputs. Μ quadrators pairs outputs are pairwise connected to the Μ adders inputs, which outputs are connected to the M square root calculators inputs, which outputs are connected to the M delay devices inputs, which outputs are connected to the adder M inputs, which output is connected to the threshold device input, permanent storage device 2M outputs are connected to the M multipliers pairs second inputs. Control device outputs are connected to the analog-digital converter, recirculator, read-only memory and threshold devices control inputs. Principal difference from the prototype is that the targets neural network recognition and classification circuit is additionally introduced, which contains a target class recognition unit by the amplitude-frequency characteristic, by the feedback covered with the learning unit. At that, the threshold device output is connected to the target class by the amplitude-frequency characteristic recognition unit input, which output generates a signal by the target type according to the studied spectral area to the classification object belonging degree.EFFECT: enabling of detected in the direction finding mode hydro acoustic signals surface and underwater sources automatic recognition and classification.1 cl, 5 dwg

Description

Изобретение относится к области гидроакустики и может быть использовано для построения экспертных интеллектуальных систем распознавания и классификации источников гидроакустических сигналов, обнаруженных в режиме шумопеленгования. Распознавание и классификация морских целей по признакам их полей с помощью вычислительных операций нейронных сетей позволяет ускорить процесс распознавания и повысить вероятность классификации как надводных, так и подводных целей.The invention relates to the field of hydroacoustics and can be used to build expert intelligent systems for recognizing and classifying sources of hydroacoustic signals detected in noise detection. Recognition and classification of marine targets by the signs of their fields using computational operations of neural networks allows you to speed up the recognition process and increase the likelihood of classification of both surface and underwater targets.

Известный способ обнаружения широкополосного шума с дискретными компонентами и реализующее его устройство, по сути, являются многоканальным энергетическим приемником (см. Бурдик B.C. Анализ гидроакустических систем. - Л.: Судостроение, 1988, С. 351–352). Данный способ представляет собой последовательное выполнение операций: многоканальной узкополосной полосовой фильтрации (для формирования отдельных частотных каналов), квадратичного детектирования, интегрирования и сравнения с порогом в каждом частотном канале. Помехоустойчивость приемника на основе квадратичного детектора является нижней границей всех оптимальных приемников. Поэтому в неблагоприятных условиях, которые определяются особенностями помехи и наличием интенсивных направленных источников помех, акустикой окружающей среды (профиль скорости звука, глубина и наклон дна и т.п.) эффективность приемника на основе квадратичного детектора может резко ухудшиться.The known method for detecting broadband noise with discrete components and the device that implements it, in fact, are a multi-channel energy receiver (see Burdik B.C. Analysis of hydroacoustic systems. - L .: Sudostroenie, 1988, S. 351–352). This method is a sequential execution of operations: multi-channel narrow-band bandpass filtering (for the formation of individual frequency channels), quadratic detection, integration and comparison with a threshold in each frequency channel. The noise immunity of a receiver based on a quadratic detector is the lower limit of all optimal receivers. Therefore, under adverse conditions, which are determined by the characteristics of the interference and the presence of intense directional sources of interference, environmental acoustics (profile of the speed of sound, depth and inclination of the bottom, etc.), the efficiency of the receiver based on the quadratic detector can deteriorate sharply.

В качестве априорных данных о свойствах шумового сигнала от объекта можно использовать данные об узкополосных дискретных компонентах сигнала (дискретных составляющих), которые фактически представляют собой набор элементарных непрерывных синусоидальных сигналов соответствующей частоты. В этом случае можно говорить о решении задачи обнаружения полигармонического сигнала на фоне помехи.As a priori data on the properties of the noise signal from the object, you can use data on narrow-band discrete signal components (discrete components), which in fact represent a set of elementary continuous sinusoidal signals of the corresponding frequency. In this case, we can talk about solving the problem of detecting a polyharmonic signal against a background of interference.

Наиболее близким по технической сущности устройством является обнаружитель шумовых гидроакустических сигналов на основе квадратурного приемника содержащий аналого-цифровой преобразователь, на вход которого подается входной сигнал, а выход которого соединен с входом рециркулятора, выход которого соединен с входами М узкополосных фильтров, выходы которых соединены с первыми входами Μ пар перемножителей, выходы которых соединены с входами Μ пар интеграторов, выходы которых соединены с входами Μ пар квадраторов, выходы которых попарно соединены с входами Μ сумматоров, выходы которых соединены с входами М вычислителей квадратного корня, выходы которых соединены с входами Μ устройств задержки, выходы которых соединены с М входами сумматора, выход которого соединен с входом порогового устройства; 2М выходов постоянного запоминающего устройства соединены со вторыми входами М пар перемножителей; выходы управляющего устройства соединены с управляющими входами аналого-цифрового преобразователя, рециркулятора, постоянного запоминающего устройства и порогового устройства (см. Пат. 2549207 РФ, МПК G01S 15/04 (2006.01). Устройство обнаружения шумовых гидроакустических сигналов на основе квадратурного приемника; опубл. 20.04.2015, бюл. №11).The device closest in technical essence is a hydroacoustic noise detector based on a quadrature receiver containing an analog-to-digital converter, the input of which is supplied with an input signal, and the output of which is connected to the input of the recirculator, the output of which is connected to the inputs of M narrow-band filters, the outputs of which are connected to the first inputs Μ pairs of multipliers, the outputs of which are connected to inputs Μ pairs of integrators, the outputs of which are connected to inputs Μ pairs of quadrators, the outputs of which are pairwise oedineny Μ the inputs of adders, whose outputs are connected to inputs of M square root calculators whose outputs are connected to inputs Μ delay units whose outputs are connected to M inputs of the adder, whose output is connected to the input of a threshold device; 2M outputs of read-only memory connected to the second inputs of M pairs of multipliers; the outputs of the control device are connected to the control inputs of the analog-to-digital converter, recirculator, read-only memory and threshold device (see Pat. 2549207 RF, IPC G01S 15/04 (2006.01). Acoustic noise detection device based on a quadrature receiver; publ. 20.04 .2015, bull. No. 11).

Устройство-прототип обнаруживает шумовые гидроакустические сигналы в виде дискретных составляющих на фоне аддитивной помехи. Алгоритм работы устройства основан на квадратурном детектировании в каждом частотном канале. Использование большего объема априорной информации об обнаруживаемом полезном сигнале позволяет увеличивать помехоустойчивость обнаружителя широкополосных сигналов и, соответственно, дальность действия гидроакустической системы шумопеленгования.The prototype device detects noise hydroacoustic signals in the form of discrete components against the background of additive interference. The device operation algorithm is based on quadrature detection in each frequency channel. The use of a larger amount of a priori information about the detected useful signal makes it possible to increase the noise immunity of the broadband signal detector and, accordingly, the range of the hydroacoustic noise-finding system.

При практической реализации устройства обнаружения шумовых гидроакустических сигналов на основе квадратурного приемника необходимо определить частотные характеристики узкополосных фильтров, а именно полосы пропускания фильтров (Δfm) и их центральные частоты (fm). Определение вышеуказанных характеристик основано на необходимости обеспечения постоянной скважности фильтров (отношения ширины полосы фильтра к его центральной частоте) во всем диапазоне частот, а именноIn the practical implementation of the device for the detection of noise hydroacoustic signals based on a quadrature receiver, it is necessary to determine the frequency characteristics of narrow-band filters, namely the passband of the filters (Δf m ) and their center frequencies (f m ). The definition of the above characteristics is based on the need to ensure a constant filter duty cycle (the ratio of the filter bandwidth to its center frequency) in the entire frequency range, namely

Figure 00000001
Figure 00000001

После элементарных преобразований можно получить определяющие соотношенияAfter elementary transformations, we can obtain the defining relations

Figure 00000002
Figure 00000002

При этом количество узкополосных фильтров в гребенке для общей полосы частот ΔF составитThe number of narrow-band filters in the comb for the total frequency band ΔF will be

Figure 00000003
Figure 00000003

Время анализа (интегрирования) в полосе каждого фильтра будет определяться выражениемThe analysis (integration) time in the band of each filter will be determined by the expression

Figure 00000004
(1)
Figure 00000004
(one)

Очевидно, что в случае накопления откликов от нескольких каналов обнаружителя (суммирования выходных процессов) необходимо согласование по времени анализа, т.е. введение временных задержек на выходах каналов перед операцией суммирования. Для гребенки из М фильтров параметры задержки можно определить по формулеObviously, in the case of accumulation of responses from several detector channels (summing of the output processes), agreement on the analysis time is necessary, i.e. the introduction of time delays at the outputs of the channels before the operation of summation. For a comb of M filters, the delay parameters can be determined by the formula

Figure 00000005
(2)
Figure 00000005
(2)

Введение операции накопления откликов обусловлено необходимостью повышения эффективности обнаружения звукоряда полигармонического сигнала и учета возможного влияния эффекта Доплера при взаимном перемещении приемника и источника сигнала.The introduction of the response accumulation operation is due to the need to increase the efficiency of detecting the scale of a polyharmonic signal and taking into account the possible influence of the Doppler effect during the mutual movement of the receiver and the signal source.

Недостатком устройства-прототипа является отсутствие в структурной схеме специальных блоков и их связей с существующими блоками, которые должны обеспечивать классификацию (распознавание) обнаруживаемых объектов, как источников гидроакустических сигналов, на классы надводный объект или подводный объект в автоматическом режиме. Что ограничивает функциональные возможности устройства-прототипа.The disadvantage of the prototype device is the absence in the structural diagram of special blocks and their relationships with existing blocks, which should provide a classification (recognition) of detected objects as sources of hydroacoustic signals into classes of surface objects or underwater objects in automatic mode. Which limits the functionality of the prototype device.

Задача, на решение которой направлено заявляемое изобретение, заключается в дальнейшей разработке структурной схемы устройства-прототипа для его реализации как системы обнаружения гидроакустических сигналов и их нейросетевой классификации. Система должна обеспечивать обнаружение источников гидроакустических сигналов в режиме шумопеленгования, их автоматическое распознавание и классификацию по амплитудно-частотным характеристикам на основе нейросетевых технологий и оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей.The problem to which the invention is directed, is to further develop a structural diagram of a prototype device for its implementation as a system for detecting hydroacoustic signals and their neural network classification. The system should provide detection of sources of hydroacoustic signals in the noise-detecting mode, their automatic recognition and classification according to amplitude-frequency characteristics based on neural network technologies and an operatively updated library of mathematically processed images of spectrograms of marine targets.

Техническим результатом предлагаемого изобретения является обеспечение автоматического распознавания и классификации надводных и подводных источников гидроакустических сигналов, обнаруженных в режиме шумопеленгования.The technical result of the invention is the provision of automatic recognition and classification of surface and underwater sources of hydroacoustic signals detected in noise detection.

Указанный технический результат достигается тем, что разработана система обнаружения гидроакустических сигналов и их нейросетевой классификации, содержащая аналого-цифровой преобразователь, на вход которого подается входной сигнал, а выход которого соединен с входом рециркулятора, выход которого соединен с входами М узкополосных фильтров. Выходы М узкополосных фильтров соединены с первыми входами Μ пар перемножителей, выходы которых соединены с входами Μ пар интеграторов, выходы которых соединены с входами Μ пар квадраторов. Выходы Μ пар квадраторов попарно соединены с входами Μ сумматоров, выходы которых соединены с входами М вычислителей квадратного корня, выходы которых соединены с входами Μ устройств задержки, выходы которых соединены с М входами сумматора, выход которого соединен с входом порогового устройства. 2М выходов постоянного запоминающего устройства соединены со вторыми входами М пар перемножителей. Выходы управляющего устройства соединены с управляющими входами аналого-цифрового преобразователя, рециркулятора, постоянного запоминающего устройства и порогового устройства. Принципиальным отличием от прототипа является то, что дополнительно введен тракт нейросетевого распознавания и классификации целей, содержащий блок распознавания класса цели по амплитудно-частотной характеристике, охваченный обратной связью с блоком обучения. При этом выход порогового устройства соединен с входом блока распознавания класса цели по амплитудно-частотной характеристике, на выходе которого формируется сигнал по типу цели согласно степени принадлежности исследуемой области спектра объекту классификации.The indicated technical result is achieved by the fact that a system for detecting hydroacoustic signals and their neural network classification is developed, containing an analog-to-digital converter, the input of which is supplied with an input signal, and the output of which is connected to the input of the recirculator, the output of which is connected to the inputs of M narrow-band filters. The outputs M of narrow-band filters are connected to the first inputs Μ pairs of multipliers, the outputs of which are connected to the inputs Μ pairs of integrators, the outputs of which are connected to the inputs Μ pairs of quadrators. The outputs Μ of the pairs of quadrators are connected in pairs with the inputs мат of the adders, the outputs of which are connected to the inputs of the M square root calculators, the outputs of which are connected to the inputs of the delay devices,, the outputs of which are connected to the M inputs of the adder, the output of which is connected to the input of the threshold device. The 2M outputs of read-only memory are connected to the second inputs of M pairs of multipliers. The outputs of the control device are connected to the control inputs of the analog-to-digital converter, recirculator, read-only memory and threshold device. The fundamental difference from the prototype is that it additionally introduced a neural network recognition and target classification path, which contains a target class recognition unit by the amplitude-frequency characteristic, covered by feedback from the training unit. In this case, the output of the threshold device is connected to the input of the target class recognition unit by the amplitude-frequency characteristic, the output of which is generated by the type of target according to the degree of belonging of the studied region of the spectrum to the classification object.

Как известно, обнаружение гидроакустических сигналов и извлечение из них полезной информации определяет основы алгоритмизации обработки данных в экспертной интеллектуальной системе классификации морских целей. Для формирования вектора признаков, являющегося входным информационным массивом распознающей сети, используется метод масок. Процесс формирования информационных массивов необходим для решения двух задач, первая из которых представляет собой процесс формирования эталонных образцов, необходимых для реализации процесса обучения распознающей сети, и вторая для распознавания целей (см. Пятакович В.А., Богданов В.И., Назаренко П.К. Принцип автоматического распознавания образа цели: материалы Международной конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов». - Ульяновск: УГУ, 2003. - С. 31, 32; Пятакович В.А., Василенко А.М., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Морской гос. ун-т им. Г.И. Невельского, 2017. - 255 с.; Пятакович В.А., Василенко А.М., Мироненко М.В. Нейросетевые архитектуры для решения задач классификации информационных полей морских объектов, методика их обучения. Интернет-журнал «Науковедение», 2017, Том 9, №2 [Электронный ресурс] - Режим доступа: http: //naukovedenie.ru/PDF/ 54TVN217.pdf); Пятакович В.А., Василенко А.М., Хотинский О.В. Нейросетевые технологии в интеллектуальных системах обнаружения и оперативной идентификации морских целей: монография. –Владивосток: Морской гос. ун-т им. Г.И. Невельского, 2018. - 263 с.)As is known, the detection of hydroacoustic signals and the extraction of useful information from them determines the basis for the algorithms of data processing in an expert intelligent system for classifying marine targets. To generate a feature vector, which is the input information array of the recognition network, the mask method is used. The process of generating information arrays is necessary to solve two problems, the first of which is the process of generating reference samples necessary for the implementation of the learning process of a recognizing network, and the second for target recognition (see Pyatakovich V.A., Bogdanov V.I., Nazarenko P. .K. The principle of automatic recognition of the target image: materials of the International Conference “Mathematical Modeling of Physical, Economic, Technical, Social Systems and Processes.” - Ulyanovsk: USU, 2003. - P. 31, 32; Pyatakovich VA, You Lenko A.M., Khotinsky O.V. Recognition and classification of sources of formation of fields of various physical nature in the marine environment: monograph.- Vladivostok: Maritime State University named after G.I. Nevelsky, 2017. - 255 p .; Pyatakovich V.A., Vasilenko A.M., Mironenko M.V. Neural network architectures for solving the problems of classifying information fields of marine objects, the methodology for their training.Naukovedenie Internet Journal, 2017, Volume 9, No. 2 [Electronic resource] - Access mode: http: //naukovedenie.ru/PDF/ 54TVN217.pdf); Pyatakovich V.A., Vasilenko A.M., Khotinsky O.V. Neural network technologies in intelligent systems for the detection and operational identification of marine targets: a monograph. –Vladivostok: Marine state. un-t them. G.I. Nevelsky, 2018 .-- 263 p.)

Идея метода состоит в том, что для каждой маски ищется максимальное амплитудное значение, которое и является ортом вектора классификационных признаков. Для автоматизации процесса поиска экстремума в зоне одной маски использовалась сеть поиска максимума MAXNET (сеть циклического функционирования). Итерации сети завершаются после того, как выходные нейроны сети перестают меняться. Типы входных сигналов - целые или действительные числа, типы выходных - действительные числа. Размерности входных и выходных сигналов совпадают. Тип активационной функции - линейная с насыщением (используется линейный участок). Число синапсов в сети равно N (N - 1). Формирование синаптических весов происходит согласно формулеThe idea of the method is that for each mask the maximum amplitude value is sought, which is the unit vector of the classification features. To automate the process of searching for an extremum in the area of one mask, the maximum search network MAXNET (a network of cyclic functioning) was used. Iterations of the network end after the output neurons of the network stop changing. Types of input signals are integers or real numbers, types of output signals are real numbers. The dimensions of the input and output signals are the same. The type of activation function is linear with saturation (a linear section is used). The number of synapses in the network is N (N - 1). The formation of synaptic scales occurs according to the formula

Figure 00000006
Figure 00000006

где Wij - i-й синаптический вес j-го нейрона; N - число элементов входного сигнала (количество нейронов в сети).where W ij is the i-th synaptic weight of the j-th neuron; N is the number of input signal elements (the number of neurons in the network).

Функционирование сети задается выражениемThe functioning of the network is given by

Figure 00000007
Figure 00000007

где хj - элемент (орт) входного сигнала сети; уi - выход j-го нейрона.where x j - element (orth) of the input network signal; i is the output of the jth neuron.

Нормализация входного вектора признаков, полученного после анализа масок сетью MAXNET, производится согласно выраженияNormalization of the input feature vector obtained after analysis of the masks by the MAXNET network is performed according to the expression

Figure 00000008
Figure 00000008

Границы диапазона значений

Figure 00000009
известны и определяются моделью входного гидроакустического сигнала.Value Range Boundaries
Figure 00000009
 known and determined by the model of the input sonar signal.

Обучение распознающей сети производится на основе алгоритма обратного распространения ошибки (см. Пятакович В.А., Василенко А.М., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Морской гос. ун-т им. Г.И. Невельского, 2017. - 255 с.; Пятакович В.А., Василенко А.М. Предварительная обработка информации нейроноподобным категоризатором при распознавании образов морских объектов. Подводное морское оружие. - СПб: 2017. - Вып. 1 (32). - С. 31-34; Пятакович В.А., Василенко А.М. Перспективы и ограничения использования геометрических методов распознавания акустических образов морских объектов применительно к задаче управления нейросетевой экспертной системой. Фундаментальные исследования. - М: 2017. - №7. - С. 65-70; Пятакович В.А., Василенко А.М., Хотинский О.В. Нейросетевые технологии в интеллектуальных системах обнаружения и оперативной идентификации морских целей: монография. - Владивосток: Морской гос. ун-т им. Г.И. Невельского, 2018. - 263 с.), реализующего градиентный метод оптимизации функционала вида:

Figure 00000010
где Т - вектор синаптических весов сети; (Х*,Y*) - обучающие пары;
Figure 00000011
 - норма вектора.The recognition network is trained based on the back propagation algorithm of the error (see Pyatakovich V.A., Vasilenko A.M., Khotinsky O.V. Recognition and classification of sources of formation of fields of various physical nature in the marine environment: monograph. - Vladivostok: Marine State University named after G.I. Nevelsky, 2017. - 255 p .; Pyatakovich V.A., Vasilenko A.M. Pre-processing of information by a neuron-like categorizer for recognizing images of marine objects. Underwater marine weapons. - SPb: 2017. - Issue 1 (32) .- P. 31-34; Pyatakovich V.A., Vasilen o AM Prospects and limitations of the use of geometric methods for recognizing acoustic images of marine objects as applied to the task of controlling a neural network expert system. Fundamental research. - M: 2017. - No. 7. - P. 65-70; Pyatakovich VA, Vasilenko AM, Khotinsky OV Neural network technologies in intelligent systems for the detection and operational identification of marine targets: monograph. - Vladivostok: Marine State. un-t them. G.I. Nevelsky, 2018 .-- 263 p.), Which implements the gradient method of optimization of a functional of the form:
Figure 00000010
 where T is the vector of synaptic network weights; (X * , Y * ) - training pairs;
Figure 00000011
 is the norm of the vector.

Изобретение поясняется чертежами, где на фиг. 1 показана функциональная схема системы обнаружения гидроакустических сигналов и их нейросетевой классификации, содержащая следующие элементы:The invention is illustrated by drawings, where in FIG. 1 shows a functional diagram of a system for detecting hydroacoustic signals and their neural network classification, containing the following elements:

1. Аналого-цифровой преобразователь (АЦП).1. An analog-to-digital converter (ADC).

2. Рециркулятор.2. The recirculator.

3.1-3.М. Набор цифровых узкополосных полосовых фильтров (УПФ), перекрывающих ожидаемый частотный диапазон, с различной шириной полосы пропускания и различными центральными частотами, но с постоянной скважностью фильтров (отношением полосы фильтра к его центральной частоте) во всем диапазоне частот.3.1-3.M. A set of digital narrow-band bandpass filters (UPF) that cover the expected frequency range, with different bandwidths and different center frequencies, but with a constant filter duty cycle (the ratio of the filter band to its center frequency) in the entire frequency range.

4.1.1, 4.2.1-4.1.М, 4.2.М. Квадраторы.4.1.1, 4.2.1-4.1.M, 4.2.M. Squares.

5.1.1, 5.2.1-5.1.М, 5.2.М. Интеграторы.5.1.1, 5.2.1-5.1.M, 5.2.M. Integrators

6. Пороговое устройство.6. Threshold device.

7.1.1, 7.2.1-7.1.М, 7.2.М. Перемножители.7.1.1, 7.2.1-7.1.M, 7.2.M. Multipliers.

8. Постоянное запоминающее устройство (ПЗУ).8. Permanent storage device (ROM).

9.1-9.М. Сумматоры.9.1-9. M. Adders.

9. Сумматор.9. The adder.

10.1-10.М. Вычислители квадратного корня.10.1-10.M. Square root calculators.

11.1-11.М. Устройства задержки.11.1-11.M. Delay devices.

12. Управляющее устройство.12. The control device.

13. Тракт нейросетевого распознавания и классификации целей.13. The path of neural network recognition and classification of goals.

14.1. Блок распознавания класса цели по амплитудно-частотной характеристике.14.1. The recognition unit of the target class according to the amplitude-frequency characteristic.

14.2. Блок обучения.14.2. Training block.

Общая структура распознающей сети представлена на фиг. 2. Нейроны, составляющие сеть, одинаковы и имеют функцию активации известного типаThe general structure of the recognition network is shown in FIG. 2. The neurons that make up the network are the same and have a function of activation of a known type

Figure 00000012
Figure 00000012

где х2n (i), yn (i) и In (i) - значения r - го входного сигнала, выходного сигнала и внешнего смещения n - го нейрона i - го слоя; Ni - число нейронов в i - м слое; i=1, 2, 3.where x 2n (i) , y n (i) and I n (i) are the values of the rth input signal, the output signal and the external displacement of the nth neuron of the ith layer; N i is the number of neurons in the i-th layer; i = 1, 2, 3.

На фиг. 3 и фиг. 4 представлены результаты вычислительного эксперимента по определению коэффициента распознавания (классификации), определяемого как отношение числа распознанных объектов к общему числу испытаний в процентах, для надводных и подводных объектов в условиях зашумления сигнала в диапазоне от -10 до 20° дБ. Как видно из рисунков, распознавание и классификация морских целей с помощью вычислительных операций сети персептрон позволяет повысить вероятность классификации как надводных, так и подводных целей на 5-7%. На фиг. 5 приведена таблица интерпретации элиментов выходного вектора распознавания гидроакустических сигналов по амплитудно-частотной характеристике.In FIG. 3 and FIG. Figure 4 presents the results of a computational experiment to determine the recognition coefficient (classification), defined as the ratio of the number of recognized objects to the total number of tests in percent, for surface and underwater objects in the presence of signal noise in the range from -10 to 20 ° dB. As can be seen from the figures, the recognition and classification of sea targets using the computational operations of the perceptron network can increase the probability of classifying both surface and underwater targets by 5-7%. In FIG. Figure 5 shows the table of interpretation of the elements of the output recognition vector of hydroacoustic signals by the amplitude-frequency characteristic.

Система обнаружения гидроакустических сигналов и их нейросетевой классификации работает следующим образом.System for the detection of hydroacoustic signals and their neural network classification works as follows.

На вход АЦП 1 поступает входной процесс x(t) с частотой дискретизации, удовлетворяющей требованиям теоремы КотельниковаThe input process x (t) with a sampling frequency satisfying the requirements of the Kotelnikov theorem is fed to the input of ADC 1

Figure 00000013
Figure 00000013

С выхода АЦП 1 дискретные отсчеты поступают на вход рециркулятора 2, где формируется и с каждым новым отсчетом обновляется текущая дискретная выборка x(n) длиной N отсчетов.From the output of the ADC 1, discrete samples are fed to the input of the recirculator 2, where the current discrete sample x (n) of length N samples is generated and updated with each new sample.

Сформированная текущая дискретная выборка входного процесса x(n) поступает одновременно на входы М узкополосных фильтров 3.1-3.М.The generated current discrete sample of the input process x (n) is supplied simultaneously to the inputs of M narrow-band filters 3.1-3.M.

С выходов М узкополосных фильтров 3.1-3.М М соответствующих узкополосных процессов одновременно поступают на первые входы М пар перемножителей 7.1.1, 7.2.1-7.1.М, 7.2.М, с выходов которых результаты перемножения поступают на входы М пар интеграторов 5.1.1, 5.2.1-5.1.М, 5.2.М. Время интегрирования в полосе каждого фильтра определяется выражением (1).From the outputs of M narrow-band filters 3.1-3.M M of the corresponding narrow-band processes simultaneously go to the first inputs of M pairs of multipliers 7.1.1, 7.2.1-7.1.M, 7.2.M, from the outputs of which the results of multiplication go to the inputs of M pairs of integrators 5.1 .1, 5.2.1-5.1.M, 5.2.M. The integration time in the band of each filter is determined by the expression (1).

Из ПЗУ 8 на вторые входы М пар перемножителей 7.1.1, 7.2.1-7.1.М, 7.2.М поступают М пар синусных и косинусных составляющих (монохроматических) цифровых сигналов с частотами, соответствующими центральным частотам УПФ fm.From ROM 8, the second inputs of M pairs of multipliers 7.1.1, 7.2.1-7.1.M, 7.2.M receive M pairs of sine and cosine components (monochromatic) digital signals with frequencies corresponding to the central frequencies of the UPF f m .

С выходов М пар интеграторов 5.1.1, 5.2.1-5.1.М, 5.2.М результаты интегрирования поступают на входы М пар квадраторов 4.1.1, 4.2.1-4.1.М, 4.2.М, с выходов которых квадраты откликов попарно поступают на входы М сумматоров 9.1-9.М, с выходов которых результаты суммирования поступают на входы М вычислителей квадратного корня 10.1-10.М, с выходов которых результаты вычислений поступают на входы М устройств задержки 11.1-11.М. Параметры задержки в каждом частотном канале определяются соотношением (2).From the outputs of M pairs of integrators 5.1.1, 5.2.1-5.1.M, 5.2.M, the results of integration go to the inputs of M pairs of quadrators 4.1.1, 4.2.1-4.1.M, 4.2.M, from the outputs of which the squares of the responses are pairwise arrive at the inputs of M adders 9.1-9.M, from the outputs of which the summation results go to the inputs of M square root calculators 10.1-10.M, from the outputs of which the calculation results go to the inputs of M delay devices 11.1-11.M. The delay parameters in each frequency channel are determined by relation (2).

С выходов М устройств задержки 11.1-11.М отклики поступают на входы сумматора 9, с выхода которого результат суммирования поступает на вход порогового устройства 6, где принимается решение о наличии или отсутствии сигнала.From the outputs of the M delay devices 11.1-11.M the responses are received at the inputs of the adder 9, from the output of which the summation result is fed to the input of the threshold device 6, where a decision is made on the presence or absence of a signal.

Далее сигнал с выхода порогового устройства 6 передается на вход блока распознавания класса цели по амплитудно-частотной характеристике 14.1 тракта нейросетевого распознавания и классификации целей 13. Задача распознавания и классификации надводных и подводных источников гидроакустических сигналов решается с помощью трехслойной нейронной сети, которая распознает семь объектов и позволяет выделить один неизвестный класс, что в перспективе позволит значительно расширить круг распознаваемых морских технических объектовNext, the signal from the output of the threshold device 6 is transmitted to the input of the target class recognition unit by the amplitude-frequency characteristic 14.1 of the neural network recognition and target classification path 13. The recognition and classification of surface and underwater sources of hydroacoustic signals is solved using a three-layer neural network that recognizes seven objects and allows you to highlight one unknown class, which in the future will significantly expand the range of recognized marine technical objects

Анализ низкочастотной, среднечастотной и высокочастотной составляющих амплитудно-частотной характеристики производится раздельно, так как генеральные признаки для различных типов объектов могут находиться в различных частотных диапазонах. Как показано на фиг. 2, на каждый нейрон первого слоя через синапсы с весами {Tij (1)}, i=1, 2, 3; j=1, 2, 3 подаются все компоненты входного вектора

Figure 00000014
На каждый нейрон второго слоя через синапсы с весами {Tij (2)}, i=1, 2, 3; j=1, 2, 3 подаются выходные сигналы первого слоя. На каждый нейрон третьего слоя через синапсы с весами {Tij (3)}, i=1, 2, 3; j=1, 2, 3 подаются выходные сигналы второго слоя. Значения выходных сигналов третьего слоя образуют вектор решений
Figure 00000015
 элементы которого представлены в табл. 1. на фиг. 5.The analysis of the low-frequency, mid-frequency and high-frequency components of the amplitude-frequency characteristics is carried out separately, since the general features for different types of objects can be in different frequency ranges. As shown in FIG. 2, for each neuron of the first layer through synapses with weights {T ij (1) }, i = 1, 2, 3; j = 1, 2, 3 all components of the input vector are fed
Figure 00000014
 For each neuron of the second layer through synapses with weights {T ij (2) }, i = 1, 2, 3; j = 1, 2, 3, the output signals of the first layer are applied. For each neuron of the third layer through synapses with weights {T ij (3) }, i = 1, 2, 3; j = 1, 2, 3, the output signals of the second layer are applied. The values of the output signals of the third layer form a solution vector
Figure 00000015
 elements of which are presented in table. 1. in FIG. 5.

Набор выходных сигналов блока распознавания класса цели по амплитудно-частотной характеристике 14.1 поступает в память блока обучения 14.2, где происходит сравнение результатов с математическими образами спектрограмм морских объектов для формирования вывода о степени принадлежности исследуемой области спектра объекту классификации, а настройка весовых коэффициентов распознающей сети определяется алгоритмом обратного распространения ошибки. Основная идея которого состоит в распространении сигналов ошибки от выходов сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Для возможности применения метода обратного распространения ошибки необходимо, чтобы передаточная функция нейронов была дифференцируема. Сформированный третьим слоем распознающей нейронной сети сигнал по типу цели, согласно степени принадлежности исследуемой области спектра объекту классификации, поступает на выход блока 14.1, который является выходом системы.The set of output signals of the target class recognition unit by the amplitude-frequency characteristic 14.1 goes to the memory of the training unit 14.2, where the results are compared with the mathematical images of the spectrograms of marine objects to form a conclusion about the degree of belonging of the studied region of the spectrum to the classification object, and the weighting coefficients of the recognition network are determined by the algorithm back propagation errors. The main idea of which is the propagation of error signals from the network outputs to its inputs, in the direction opposite to the direct propagation of signals in normal operation. To be able to use the back propagation method, it is necessary that the neuron transfer function is differentiable. The signal generated by the third layer of the recognizing neural network according to the type of target, according to the degree of belonging of the studied region of the spectrum to the classification object, is sent to the output of block 14.1, which is the output of the system.

Таким образом, используя оперативно обновляемую библиотеку математически обработанных образов спектрограмм морских целей и разработанную архитектуру распознающей нейронной сети в виде трехслойного персептрона, можно в автоматическом режиме распознавать класс цели по амплитудно-частотной характеристике и делать вывод о степени принадлежности исследуемой области спектра объекту классификации.Thus, using an operatively updated library of mathematically processed images of spectrograms of marine targets and the developed architecture of a recognizing neural network in the form of a three-layer perceptron, it is possible to automatically recognize the target class by the amplitude-frequency characteristic and draw a conclusion about the degree of belonging of the studied region of the spectrum to the classification object.

Предлагаемая система обнаружения гидроакустических сигналов и их нейросетевой классификации промышленно применима, так как для ее создания используются распространенные компоненты и изделия радиотехнической промышленности и вычислительной техники.The proposed system for detecting hydroacoustic signals and their neural network classification is industrially applicable, since it is used for the creation of common components and products of the radio industry and computer technology.

Claims (1)

Система обнаружения гидроакустических сигналов и их нейросетевой классификации, содержащая аналого-цифровой преобразователь, на вход которого подается входной сигнал, а выход которого соединен с входом рециркулятора, выход которого соединен с входами М узкополосных фильтров, выходы которых соединены с первыми входами Μ пар перемножителей, выходы которых соединены с входами Μ пар интеграторов, выходы которых соединены с входами Μ пар квадраторов, выходы которых попарно соединены с входами Μ сумматоров, выходы которых соединены с входами М вычислителей квадратного корня, выходы которых соединены с входами Μ устройств задержки, выходы которых соединены с М входами сумматора, выход которого соединен с входом порогового устройства; 2М выходов постоянного запоминающего устройства соединены со вторыми входами М пар перемножителей; выходы управляющего устройства соединены с управляющими входами аналого-цифрового преобразователя, рециркулятора, постоянного запоминающего устройства и порогового устройства, отличающаяся тем, что дополнительно введен тракт нейросетевого распознавания и классификации целей, содержащий блок распознавания класса цели по амплитудно-частотной характеристике, охваченный обратной связью с блоком обучения; при этом выход порогового устройства соединен с входом блока распознавания класса цели по амплитудно-частотной характеристике, на выходе которого формируется сигнал по типу цели согласно степени принадлежности исследуемой области спектра объекту классификации.A system for detecting hydroacoustic signals and their neural network classification, containing an analog-to-digital converter, the input of which is supplied with an input signal, and the output of which is connected to the input of the recirculator, the output of which is connected to the inputs M of narrow-band filters, the outputs of which are connected to the first inputs Μ pairs of multipliers, outputs which are connected to the inputs of Μ pairs of integrators, the outputs of which are connected to the inputs of Μ pairs of quadrators, the outputs of which are paired with the inputs of Μ adders, the outputs of which are connected to the input and M square root calculators whose outputs are connected to inputs Μ delay units whose outputs are connected to M inputs of the adder, whose output is connected to the input of a threshold device; 2M outputs of read-only memory connected to the second inputs of M pairs of multipliers; the outputs of the control device are connected to the control inputs of the analog-to-digital converter, recirculator, read-only memory, and threshold device, characterized in that a neural network recognition and target classification path is added, comprising a target class recognition block by the amplitude-frequency characteristic, covered by feedback from the block learning; wherein the output of the threshold device is connected to the input of the target class recognition unit by the amplitude-frequency characteristic, the output of which is generated by the type of target according to the degree of belonging of the studied region of the spectrum to the classification object.
RU2018113985A 2018-04-16 2018-04-16 Hydro acoustic signals detection and their neural network classification system RU2681252C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018113985A RU2681252C1 (en) 2018-04-16 2018-04-16 Hydro acoustic signals detection and their neural network classification system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018113985A RU2681252C1 (en) 2018-04-16 2018-04-16 Hydro acoustic signals detection and their neural network classification system

Publications (1)

Publication Number Publication Date
RU2681252C1 true RU2681252C1 (en) 2019-03-05

Family

ID=65632721

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018113985A RU2681252C1 (en) 2018-04-16 2018-04-16 Hydro acoustic signals detection and their neural network classification system

Country Status (1)

Country Link
RU (1) RU2681252C1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045356A (en) * 2019-03-14 2019-07-23 哈尔滨工程大学 A kind of two-way length Memory Neural Networks waterborne target recognition methods in short-term
RU2726992C1 (en) * 2020-01-09 2020-07-17 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) System for detection and classification of sea targets using mathematical model of target type determination
CN112257521A (en) * 2020-09-30 2021-01-22 中国人民解放军军事科学院国防科技创新研究院 CNN underwater acoustic signal target identification method based on data enhancement and time-frequency separation
CN117614467A (en) * 2024-01-17 2024-02-27 青岛科技大学 Underwater sound signal intelligent receiving method based on noise reduction neural network

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08201500A (en) * 1995-01-31 1996-08-09 Nec Corp Underwater acoustic signal detector
RU2472116C1 (en) * 2011-06-15 2013-01-10 Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) Hydro acoustic system of parametric reception of different-origin waves in sea water
RU2474793C1 (en) * 2011-06-15 2013-02-10 Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) Method for parametric reception of waves of different physical nature in marine environment
RU2536836C1 (en) * 2013-07-01 2014-12-27 Федеральное государственное бюджетное учреждение науки Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения Российской академии наук (СКБ САМИ ДВО РАН) System for parametric reception of hydrophysical and geophysical waves in marine environment
RU2593673C2 (en) * 2015-04-22 2016-08-10 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) Radio-hydroacoustic system for parametric reception of waves of sources and phenomena of atmosphere, ocean and earth's crust in marine environment
RU2593625C2 (en) * 2015-04-22 2016-08-10 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) Method of transmitting information waves from sea medium into atmosphere and back

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08201500A (en) * 1995-01-31 1996-08-09 Nec Corp Underwater acoustic signal detector
RU2472116C1 (en) * 2011-06-15 2013-01-10 Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) Hydro acoustic system of parametric reception of different-origin waves in sea water
RU2474793C1 (en) * 2011-06-15 2013-02-10 Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) Method for parametric reception of waves of different physical nature in marine environment
RU2536836C1 (en) * 2013-07-01 2014-12-27 Федеральное государственное бюджетное учреждение науки Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения Российской академии наук (СКБ САМИ ДВО РАН) System for parametric reception of hydrophysical and geophysical waves in marine environment
RU2593673C2 (en) * 2015-04-22 2016-08-10 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) Radio-hydroacoustic system for parametric reception of waves of sources and phenomena of atmosphere, ocean and earth's crust in marine environment
RU2593625C2 (en) * 2015-04-22 2016-08-10 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) Method of transmitting information waves from sea medium into atmosphere and back

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045356A (en) * 2019-03-14 2019-07-23 哈尔滨工程大学 A kind of two-way length Memory Neural Networks waterborne target recognition methods in short-term
CN110045356B (en) * 2019-03-14 2022-07-15 哈尔滨工程大学 Bidirectional long-and-short-term memory neural network water surface target identification method
RU2726992C1 (en) * 2020-01-09 2020-07-17 Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) System for detection and classification of sea targets using mathematical model of target type determination
CN112257521A (en) * 2020-09-30 2021-01-22 中国人民解放军军事科学院国防科技创新研究院 CNN underwater acoustic signal target identification method based on data enhancement and time-frequency separation
CN112257521B (en) * 2020-09-30 2023-04-07 中国人民解放军军事科学院国防科技创新研究院 CNN underwater acoustic signal target identification method based on data enhancement and time-frequency separation
CN117614467A (en) * 2024-01-17 2024-02-27 青岛科技大学 Underwater sound signal intelligent receiving method based on noise reduction neural network
CN117614467B (en) * 2024-01-17 2024-05-07 青岛科技大学 Underwater sound signal intelligent receiving method based on noise reduction neural network

Similar Documents

Publication Publication Date Title
RU2681252C1 (en) Hydro acoustic signals detection and their neural network classification system
Khishe et al. Passive sonar target classification using multi-layer perceptron trained by salp swarm algorithm
Khishe et al. Improved whale trainer for sonar datasets classification using neural network
Kaveh et al. Design and implementation of a neighborhood search biogeography-based optimization trainer for classifying sonar dataset using multi-layer perceptron neural network
RU2681242C1 (en) Intellectual system for detection and classification of marine targets
CN110967665A (en) DOA estimation method of moving target echoes under multiple external radiation sources
RU2694846C1 (en) Method for formation of marine monitoring system with programmable neuron network control system
Matuszewski et al. Neural network application for emitter identification
Izacard et al. A learning-based framework for line-spectra super-resolution
Jia et al. Deep cepstrum-wavelet autoencoder: A novel intelligent sonar classifier
RU2695985C1 (en) Neuron network system for detection and rapid identification of sea targets
Kim et al. A method for underwater acoustic signal classification using convolutional neural network combined with discrete wavelet transform
CN110647788A (en) Human daily behavior classification method based on micro-Doppler characteristics
Jiang et al. Detection of underwater acoustic target using beamforming and neural network in shallow water
RU2682088C1 (en) Method of detection and neural network recognition of the signs of the fields of different physical nature generated by marine purposes
Durofchalk et al. Data driven source localization using a library of nearby shipping sources of opportunity
CN112415467B (en) Single-vector subsurface buoy target positioning implementation method based on neural network
Henderson et al. Spiking Neural Networks for LPI Radar Waveform Recognition with Neuromorphic Computing
RU2695527C1 (en) Scalable system for detection and classification of marine targets with elements of artificial intelligence
CN115952840A (en) Beam forming method, arrival direction identification method, device and chip thereof
RU2726992C1 (en) System for detection and classification of sea targets using mathematical model of target type determination
CN113109795B (en) Deep sea direct sound zone target depth estimation method based on deep neural network
Gantayat et al. An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network
RU2724990C1 (en) Method of detecting and classifying sea targets using a mathematical model of determining the type of target
RU2697719C1 (en) Marine monitoring system with programmable neuron network control system

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20200417