RU2682088C1 - Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями - Google Patents
Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями Download PDFInfo
- Publication number
- RU2682088C1 RU2682088C1 RU2018120829A RU2018120829A RU2682088C1 RU 2682088 C1 RU2682088 C1 RU 2682088C1 RU 2018120829 A RU2018120829 A RU 2018120829A RU 2018120829 A RU2018120829 A RU 2018120829A RU 2682088 C1 RU2682088 C1 RU 2682088C1
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- frequency
- marine
- signals
- classification
- Prior art date
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
Abstract
Изобретение относится к гидроакустике и может быть использовано для реализации операций нейросетевого распознавания классов целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов. Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями, заключающийся в том, что в морской среде формируют зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объекта, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды. Волны накачки, промодулированные сигналами объекта, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта. Принципиальным отличием от прототипа является то, что амплитудно-частотные характеристики сигналов объекта, полученные с помощью узкополосного спектрального анализа в тракте приема, обработки и регистрации сигналов, подают в дополнительно введенный тракт нейросетевого распознавания и классификации. Тракт нейросетевого распознавания и классификации состоит из блока распознавания класса цели по амплитудно-частотным характеристикам, реализующего вычислительные операции искусственной нейронной сети и охваченного обратной связью с блоком обучения, в память которого записаны данные математически обработанных образов спектрограмм морских целей. На первый вход блока распознавания класса цели по амплитудно-частотным характеристикам поступают данные с выхода спектроанализатора тракта приема, обработки и регистрации сигналов, а на второй его вход поступают данные с блока обучения тракта нейросетевого распознавания и классификации. Искусственную нейронную сеть настраивают по классификационным признакам полей, генерируемых морскими целями, запускают вычислительные операции, по результатам которых корректируют ее весовые коэффициенты и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект). Техническим результатом предлагаемого изобретения является обеспечение нейросетевого распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями, генерируемыми объектами. Указанный технический результат достигается путем применения вычислительных операций искусственной нейронной сети с использованием оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей. 5 ил.
Description
Изобретение относится к гидроакустике и может быть использовано для реализации операций нейросетевого распознавания классов целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов.
Принцип работы параметрических антенн как с высокочастотной (десятки-сотни кГц), так и с низкочастотной (десятки-сотни Гц) накачкой морской среды, основан на использовании естественных нелинейных свойств морской среды.
Известны способы и реализующие их параметрические антенны, использующие высокочастотную накачку морской среды (см. Новиков Б.К., Тимошенко В.И. Параметрические антенны в системах гидролокации. - Л.: Судостроение. - 1990. - С. 17-40, 203-225), недостатками которых являются малая дальность параметрического приема волн (сотни метров и только в отдельных случаях 1-2 километра) и ограниченная возможность измерения пространственно-временных характеристик сигналов, что особенно проявляется при приеме волн различной физической природы низкого, инфразвукового и дробного диапазонов частот.
Известны способы и реализующие их параметрические антенны, работа которых основана на низкочастотной подсветке (накачке) среды слабозатухающими сигналами с частотой десятки-сотни герц, которые формируют в морской среде протяженные объемные зоны нелинейного взаимодействия и параметрического преобразования сигналов. Что приводит к увеличению дальности параметрического приема нелинейно преобразованных сигналов (информационных волн) в десятки-сотни раз, относительно высокочастотных параметрических антенн. Диапазон частот принимаемых информационных волн составляет десятки-единицы килогерц, сотни-десятки-единицы-доли герц, включая сверхнизкочастотные колебания движущихся объектов (см. Мироненко М.В., Малашенко А.Е., Василенко A.M. и др. Нелинейная просветная гидроакустика и средства морского приборостроения в создании Дальневосточной радиогидроакустической системы освещения атмосферы, океана и земной коры, мониторинга их полей различной физической природы: монография. - Владивосток: Изд-во Дальневост. ун-та, 2014; Малашенко А.Е., Мироненко М.В., Чудаков М.В., Пятакович В.А. Дальний параметрический прием электромагнитных волн, формируемых техническими источниками в морской среде. Датчики и системы - М.: 2016. - №8-9 (206). - С. 14-18.).
Известен способ приема упругой волны в морской среде, повышающий величину параметра нелинейности среды в зоне приема сигналов. Для чего в зону параметрического приема сигналов кроме упругой волны вводят дополнительный электромагнитный сигнал, подвергнутый частотно-временной модуляции, или модулированный гидродинамический поток жидкости. Модуляцию гидродинамического потока жидкости осуществляют путем изменения плотности за счет управляемого насыщения газом, или изменения температуры, или изменения ее химического состава. (пат. №2158029 РФ. Способ приема упругой волны в морской среде (варианты); опубл. 20.10.2000, бюл. №29). Недостатками способа являются низкая чувствительность и, как следствие, ограниченная дальность (единицы километров) параметрического приема информационных волн различной физической природы в инфразвуковом и дробном (единицы-доли герц) диапазонах частот.
Наиболее близкой по технической сущности к заявляемому изобретению является способ параметрического приема волн различной физической природы в морской среде (пат. №2453930 РФ, МПК G10К 11/00 (2006.01), G01S 15/02 (2006.01); опубл. 20.06.2012, бюл. №17), заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объекта, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, промодулированные сигналами объекта, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта
Известно, что результатом параметрического преобразования взаимодействующих волн является их взаимная амплитудно-фазовая модуляция. Малое отличие частот (в пределах одного порядка) просветных волн (сигналов накачки морской среды стабилизированной частоты в диапазоне десятки-сотни герц) и волн, генерируемых объектом, обеспечивает наиболее интенсивное их взаимодействие. Амплитуда взаимодействующих волн и индекс фазовой модуляции могут быть представлены в следующем виде
где γ - коэффициент нелинейности морской среды; ωn, ωc - частота волны накачки и сигнала объекта, соответственно; Pn, Pc - затухание волны накачки и сигнала объекта, соответственно; V - объем среды нелинейного взаимодействия и параметрического преобразования волн; R - расстояние от точки излучения до точки расположения объекта; ρ0 - плотность, c0 - скорость звука в морской среде.
Параметрические составляющие суммарной и разностной частоты, сформированные в результате нелинейного преобразования взаимодействующих волн, при обработке широкополосных сигналов выделяются как признаки модуляции амплитуды и фазы низкочастотной волны накачки излучениями и полями объекта, что обосновано математическими зависимостями и подтверждено результатами морских экспериментов (см. Мироненко М.В., Малашенко А.Е., Карачун Л.Э., Василенко A.M. Низкочастотный просветный метод дальней гидролокации гидрофизических полей морской среды: монография. - Владивосток: СКБ САМИ ДВО РАН, 2006. - 173 с.).
Спектр взаимодействующих волн состоит из бесконечного числа боковых составляющих, частоту и амплитуду которых можно найти из известного выражения
где P*(t), Р, - результирующее и мгновенное значения давления модулированной волны, соответственно; 2ωc - удвоенная частота модулированной волны; Ω - волна, генерируемая объектом; t - время; Jn - функции Бесселя n-го порядка; An - амплитуда модулированной волны; mp - коэффициент модуляции.
Значения частот боковых составляющих отличаются от удвоенной центральной частоты 2ω (равной сумме частот взаимодействующих волн) на величину ± n⋅Ω, где n - любое целое число.
Как видно из выражения, значения частот боковых составляющих отличаются от удвоенной центральной частоты 2ω (равной сумме частот взаимодействующих волн) на величину ± n⋅Ω, где n - любое целое число. Амплитуды боковых составляющих для соответствующих частот (2ω±nΩ) определяются величиной множителя 
Недостатком способа-прототипа является отсутствие операций, которые обеспечивают нейросетевое распознавание классов обнаруженных морских целей (надводный или подводный объект), что ограничивает функциональные возможности способа-прототипа.
Задача, на решение которой направлено заявляемое изобретение, заключается в расширении функциональных возможностей способа-прототипа, т.е. его реализации как способа обнаружения и нейросетевого распознавания класса морской цели по ее амплитудно-частотным характеристикам. Решение о классификации обнаруженной цели (надводный или подводный объект) принимается обученной искусственной нейронной сетью по степени принадлежности исследуемой области спектра объекту классификации.
Техническим результатом предлагаемого изобретения является обеспечение нейросетевого распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями, генерируемыми объектами.
Указанный технический результат достигается путем применения вычислительных операций искусственной нейронной сети с использованием оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей.
Для решения поставленной задачи способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями, заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объекта, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, промодулированные сигналами объекта, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта. Принципиально отличается от прототипа тем, что амплитудно-частотные характеристики сигналов объекта, полученные с помощью узкополосного спектрального анализа в тракте приема, обработки и регистрации сигналов, подают в дополнительно введенный тракт нейросетевого распознавания и классификации, состоящий из блока распознавания класса цели по амплитудно-частотным характеристикам, реализующего вычислительные операции искусственной нейронной сети, и охваченного обратной связью с блоком обучения, в память которого записаны данные математически обработанных образов спектрограмм морских целей, причем на первый вход блока распознавания класса цели по амплитудно-частотным характеристикам поступают данные с выхода спектроанализатора тракта приема, обработки и регистрации сигналов, а на второй его вход поступают данные с блока обучения тракта нейросетевого распознавания и классификации, после чего искусственную нейронную сеть настраивают по классификационным признакам полей, генерируемых морскими целями, запускают вычислительные операции, по результатам которых корректируют ее весовые коэффициенты и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).
Как известно, извлечение полезной информации из гидроакустических сигналов определяет основы алгоритмизации обработки данных в способе обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями. 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 A.M., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Мор. гос. ун-т, 2017. - 255 с.; Пятакович В.А., Василенко A.M., Хотинский О.В. Нейросетевые технологии в интеллектуальных системах обнаружения и оперативной идентификации морских целей: монография. - Владивосток: Мор. гос. ун-т, 2018. - 263 с.).
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. Итерации сети завершаются после того, как выходные нейроны сети перестают меняться. Тип элементов входных сигналов - целые или действительные числа, тип элементов выходных сигналов - 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 формуле
где Wij - i-й синаптический вес j-го нейрона; N - число элементов входного сигнала (количество нейронов в сети).
Функционирование сети задается выражением
где xj - элемент (орт) входного сигнала сети; yi - выход j-го нейрона.
Нормализация входного вектора признаков, полученного после анализа масок сетью MAXNET, производится согласно выражению
Границы диапазона значений 
известны и определяются моделью входного гидроакустического сигнала.
Изобретение поясняется чертежами, где на фиг. 1 показана структурная схема интеллектуальной системы обнаружения и классификации морских целей, реализующая способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями, содержащая следующие элементы:
1. Излучатель (подводный звуковой маяк марки ПЗМ-400 излучающий сигналы на частоте около 400 Гц).
2. Приемная антенна.
3. Морская среда.
4. Рабочая зона нелинейного взаимодействия и параметрического преобразования волн накачки и волн, генерируемых объектами.
5. Объекты (морские цели, генерирующие поля различной физической природы).
6. Тракт формирования и усиления акустических сигналов.
6.1. Генератор сигналов накачки стабилизированной частоты или иных сложных сигналов.
6.2. Тиристорный инвертор.
6.3. Блок согласования.
7. Тракт приема, обработки и регистрации сигналов.
7.1. Широкополосный усилитель.
7.2. Преобразователь частотно-временного масштаба.
7.3. Спектроанализатор.
7.4. Рекордер.
8. Тракт нейросетевого распознавания и классификации.
8.1. Блок распознавания класса цели по амплитудно-частотным характеристикам (реализующий вычислительные операции искусственной нейронной сети).
8.2. Блок обучения.
Структура искусственной нейронной сети представлена на фиг. 2. Нейроны, составляющие сеть, одинаковы и имеют функцию активации известного типа
где x2n (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.
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 
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 
, элементы которого представлены в табл. 1, на фиг. 3.
На фиг. 4 и фиг. 5 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 морских целей с помощью вычислительных операций сети персептрон позволяет повысить вероятность классификации как надводных, так и подводных целей на 5-7%.
Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями, реализуется следующим образом.
Излучатель 1 и приемную антенну 2 размещают в морской среде 3. С учетом закономерностей многолучевого распространения волн в протяженном гидроакустическом канале, формируют параметрическую антенну, представляющую собой пространственно-развитую рабочую зону 4 нелинейного взаимодействия и параметрического преобразования волн накачки и волн, генерируемых объектами 5 (см. Свидетельство о государственной регистрации программы для ЭВМ «Расчет лучевой картины» №2016616822 от 21.06.2016; Свидетельство о государственной регистрации программы для ЭВМ «Программа имитационного моделирования процесса распространения гидроакустических сигналов» №2017664296 от 20.12.2017; Свидетельство о государственной регистрации программы для ЭВМ «Программно-вычислительный комплекс имитационного моделирования морской информационной ситуации при идентификации целей» №2018612944 от 01.03.2018).
В тракте формирования и усиления акустических сигналов 6 генерируют сигналы накачки морской среды. Излучатель 1 озвучивает среду сигналами накачки стабилизированной частоты в диапазоне десятки-сотни герц. Накачка контролируемой морской среды сложными частотно- или фазово-модулированными сигналами обеспечивает повышение эффективности параметрического приема волн акустически слабозаметных объектов.
На различных режимах движения объект 5 генерирует излучения, приводящие к изменению величины характеристик проводящей жидкости (плотности и (или) температуры и (или) теплоемкости и т.д.), которые в зависимости от их физической сущности модулируют низкочастотные сигналы накачки морской среды. В спектре нелинейно преобразованных волн (информационных волн) появляются низкочастотные и высокочастотные составляющие, как результат модуляции амплитуды и фазы низкочастотной волны накачки излучениями и полями объекта 5. Являясь неразрывно связанной компонентой волны накачки, модуляционные составляющие переносятся на большие расстояния.
Информационные волны принимают антенной 2, усиливают в полосе параметрического преобразования (блок 7.1), переносят частотно-временной масштаб сигналов в высокочастотную область (блок 7.2), проводят узкополосный спектральный анализ (блок 7.3) и выделяют из них параметрические составляющие суммарной и разностной частоты, по которым восстанавливают признаки проявления полей, генерируемых объектом.
Операция преобразования частотно-временного масштаба сигнала в блоке 7.2 обеспечивает увеличение концентрации энергии нелинейно преобразованных сигналов и эффективность выделения из них признаков полей, генерируемых морскими целями.
Операции спектрального анализа в блоке 7.3 позволяют выделять дискретные составляющие суммарной или разностной частоты в узкополосных спектрах нелинейно преобразованных сигналов, по которым восстанавливают характеристики волн объекта 5.
Амплитудно-частотные характеристики сигналов объекта (обнаруженной морской цели), полученные с помощью узкополосного спектрального анализа в тракте приема, обработки и регистрации сигналов 7, подают на первый вход блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации 8.
На второй вход блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам поступают данные с блока обучения 8.2 тракта нейросетевого распознавания и классификации 8. Искусственную нейронную сеть, реализованную в блоке 8.1, настраивают по классификационным признакам полей, генерируемых морскими целями, с помощью блока обучения 8.2, в память которого записаны данные математически обработанных образов спектрограмм морских целей (априори полученные шумовые портреты вероятных объектов распознавания).
Анализ низкочастотной, среднечастотной и высокочастотной составляющих амплитудно-частотной характеристики производят раздельно, так как генеральные признаки для различных типов объектов могут находиться в различных частотных диапазонах.
В блоке 8.1 запускают вычислительные операции искусственной нейронной сети, по результатам которых корректируют ее весовые коэффициенты и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект). Искусственная нейронная сеть блока 8.1 выполняет операцию распознавания для семи объектов и выделяет один неизвестный класс, что в перспективе значительно расширит круг распознаваемых морских технических объектов.
Таким образом, обнаружив цель по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объекта и, используя вычислительные операции искусственной нейронной сети, а также оперативно обновляемую библиотеку математически обработанных образов спектрограмм морских целей можно распознавать класс цели (надводный или подводный объект) по амплитудно-частотным характеристикам и делать вывод о степени принадлежности исследуемой области спектра объекту классификации.
Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями промышленно применим, так как для его создания используются широко распространенные компоненты и изделия радиотехнической промышленности и вычислительной техники.
Claims (1)
- Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями, заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объекта, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, промодулированные сигналами объекта, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта, отличающийся тем, что амплитудно-частотные характеристики сигналов объекта, полученные с помощью узкополосного спектрального анализа в тракте приема, обработки и регистрации сигналов, подают в дополнительно введенный тракт нейросетевого распознавания и классификации, состоящий из блока распознавания класса цели по амплитудно-частотным характеристикам, реализующего вычислительные операции искусственной нейронной сети и охваченного обратной связью с блоком обучения, в память которого записаны данные математически обработанных образов спектрограмм морских целей, причем на первый вход блока распознавания класса цели по амплитудно-частотным характеристикам поступают данные с выхода спектроанализатора тракта приема, обработки и регистрации сигналов, а на второй его вход поступают данные с блока обучения тракта нейросетевого распознавания и классификации, после чего искусственную нейронную сеть настраивают по классификационным признакам полей, генерируемых морскими целями, запускают вычислительные операции, по результатам которых корректируют ее весовые коэффициенты и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018120829A RU2682088C1 (ru) | 2018-06-05 | 2018-06-05 | Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018120829A RU2682088C1 (ru) | 2018-06-05 | 2018-06-05 | Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2682088C1 true RU2682088C1 (ru) | 2019-03-14 |
Family
ID=65805679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018120829A RU2682088C1 (ru) | 2018-06-05 | 2018-06-05 | Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2682088C1 (ru) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2724990C1 (ru) * | 2020-01-09 | 2020-06-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели |
| RU2726992C1 (ru) * | 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) | Система обнаружения и классификации морских целей с использованием математической модели определения типа цели |
| RU2730048C1 (ru) * | 2019-12-06 | 2020-08-14 | Акционерное Общество "Концерн "Океанприбор" | Способ адаптивной дихотомической классификации морских объектов |
| RU2780607C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Система обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08201500A (ja) * | 1995-01-31 | 1996-08-09 | Nec Corp | 水中音響信号検出装置 |
| RU2472116C1 (ru) * | 2011-06-15 | 2013-01-10 | Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) | Гидроакустическая система параметрического приема волн различной физической природы в морской среде |
| RU2474793C1 (ru) * | 2011-06-15 | 2013-02-10 | Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) | Способ параметрического приема волн различной физической природы в морской среде |
| RU2536836C1 (ru) * | 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) | Система параметрического приема гидрофизических и геофизических волн в морской среде |
| RU2593673C2 (ru) * | 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) | Радиогидроакустическая система параметрического приема волн источников и явлений атмосферы, океана и земной коры в морской среде |
| RU2593625C2 (ru) * | 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) | Способ передачи информационных волн из морской среды в атмосферу и обратно |
-
2018
- 2018-06-05 RU RU2018120829A patent/RU2682088C1/ru not_active IP Right Cessation
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08201500A (ja) * | 1995-01-31 | 1996-08-09 | Nec Corp | 水中音響信号検出装置 |
| RU2472116C1 (ru) * | 2011-06-15 | 2013-01-10 | Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) | Гидроакустическая система параметрического приема волн различной физической природы в морской среде |
| RU2474793C1 (ru) * | 2011-06-15 | 2013-02-10 | Учреждение Российской академии наук Специальное конструкторское бюро средств автоматизации морских исследований Дальневосточного отделения РАН (СКБ САМИ ДВО РАН) | Способ параметрического приема волн различной физической природы в морской среде |
| RU2536836C1 (ru) * | 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) | Система параметрического приема гидрофизических и геофизических волн в морской среде |
| RU2593673C2 (ru) * | 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) | Радиогидроакустическая система параметрического приема волн источников и явлений атмосферы, океана и земной коры в морской среде |
| RU2593625C2 (ru) * | 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) | Способ передачи информационных волн из морской среды в атмосферу и обратно |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2730048C1 (ru) * | 2019-12-06 | 2020-08-14 | Акционерное Общество "Концерн "Океанприбор" | Способ адаптивной дихотомической классификации морских объектов |
| RU2724990C1 (ru) * | 2020-01-09 | 2020-06-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели |
| RU2726992C1 (ru) * | 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) | Система обнаружения и классификации морских целей с использованием математической модели определения типа цели |
| RU2780607C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Система обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
| RU2780606C1 (ru) * | 2021-12-14 | 2022-09-28 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2681242C1 (ru) | Интеллектуальная система обнаружения и классификации морских целей | |
| RU2694846C1 (ru) | Способ формирования системы морского мониторинга с программируемым нейросетевым комплексом управления | |
| Baumgartner et al. | A generalized baleen whale call detection and classification system | |
| RU2682088C1 (ru) | Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями | |
| RU2681252C1 (ru) | Система обнаружения гидроакустических сигналов и их нейросетевой классификации | |
| Ozkaya et al. | Deep dictionary learning application in GPR B-scan images | |
| Duan et al. | Particle filter for multipath time delay tracking from correlation functions in deep water | |
| Vishwakarma et al. | Mitigation of through-wall interference in radar images using denoising autoencoders | |
| RU2695527C1 (ru) | Масштабируемая система обнаружения и классификации морских целей с элементами искусственного интеллекта | |
| RU2694848C1 (ru) | Способ формирования масштабируемой системы обнаружения и классификации морских целей с элементами искусственного интеллекта | |
| CN113126050B (zh) | 一种基于神经网络的生命探测方法 | |
| Yurt et al. | Buried object characterization using ground penetrating radar assisted by data-driven surrogate-models | |
| Fang et al. | Acoustic detection of unmanned aerial vehicles using biologically inspired vision processing | |
| RU2724990C1 (ru) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели | |
| Mohankumar et al. | Implementation of an underwater target classifier using higher order spectral features | |
| RU2697719C1 (ru) | Система морского мониторинга с программируемым нейросетевым комплексом управления | |
| Ribeiro et al. | Multiobjective optimization design procedures for data-driven unmanned aerial vehicles automatic target recognition systems | |
| RU2726992C1 (ru) | Система обнаружения и классификации морских целей с использованием математической модели определения типа цели | |
| RU2282209C1 (ru) | Способ и устройство обнаружения сложных широкополосных частотно-модулированных сигналов с фильтрацией в масштабно-временной области | |
| Haiyang et al. | Narrow band time–frequency space matched passive detector for underwater signal | |
| Li et al. | A rapid approach to speckle noise reduction in ultrasonic non-destructive evaluation using matched filters | |
| Bhole et al. | Machine learning enabled sense-through-foliage target detection using UWB radar sensor network | |
| Faisal et al. | Human Activity Recognition From FMCW Radar Signals Utilizing Cross-Terms Free WVD | |
| Menze et al. | Estimating the spatial distribution of vocalizing animals from ambient sound spectra using widely spaced recorder arrays and inverse modelling | |
| Roberts et al. | Multiple angle acoustic classification of zooplankton |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20200606 |