RU2763125C1 - Method for operational identification of marine targets by their information fields based on neuro-fuzzy models - Google Patents
Method for operational identification of marine targets by their information fields based on neuro-fuzzy models Download PDFInfo
- Publication number
- RU2763125C1 RU2763125C1 RU2021110350A RU2021110350A RU2763125C1 RU 2763125 C1 RU2763125 C1 RU 2763125C1 RU 2021110350 A RU2021110350 A RU 2021110350A RU 2021110350 A RU2021110350 A RU 2021110350A RU 2763125 C1 RU2763125 C1 RU 2763125C1
- Authority
- RU
- Russia
- Prior art keywords
- classification
- neural network
- rule
- recognition
- marine
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
- G01S13/12—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the pulse-recurrence frequency is varied to provide a desired time relationship between the transmission of a pulse and the receipt of the echo of a preceding pulse
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Image Analysis (AREA)
Abstract
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.The invention relates to hydroacoustics and can be used to implement operations of neural network recognition of target classes (surface or underwater object), detected by the signs of amplitude-phase modulation of low-frequency signals of pumping the marine environment by radiation and fields of objects.
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.The principle of operation of parametric antennas with both high-frequency (tens-hundreds of kHz) and low-frequency (tens-hundreds of Hz) pumping of the marine environment is based on the use of natural nonlinear properties of the marine environment.
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; 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.; Пятакович В.А., Василенко A.M., Филиппова А.В. Технология создания автоматизированной системы дальнего приема и нейросетевой классификации гидрофизических полей морских акватории. - Известия Тульского государственного университета. Технические науки. Вып. 7. Тула: Изд-во ТулГУ, 2017. - С. 247-258; Пятакович В.А., Василенко A.M., Рычкова В.Ф. Интеллектуальная система нейросетевой классификации морских целей. - Морские интеллектуальные технологии. - СПб.: 2018. №2 (40). том 2. - С. 115-120; Пятакович В.А., Рычкова В.Ф., Филиппов Е.Г. Нейронные сети как вариант вычислительной структуры системы классификации морских целей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 163-174; Пятакович В.А., Суров А.Б., Рычкова В.Ф. Расчет эффективности классификации целей интеллектуальной системой ВМФ, использующей комплекс вычислительных операций нейронных сетей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 175-185; Пятакович В.А., Николаев А.В., Костиков Е.А. Автоматизация обработки информации в интеллектуальной системе морского мониторинга. - Проблемы машиностроения и автоматизации. - М.: 2020. №4. - С. 72-79).Known methods and implementing them parametric antennas using high-frequency pumping of the marine environment (see Novikov B.K., Timoshenko V.I. Parametric antennas in sonar systems. - L .: Shipbuilding. - 1990. - S. 17-40, 203 -225; Mironenko M.V., Malashenko A.E., Karachun L.E., Vasilenko AM Low-frequency transmissive method of long-range sonar location of hydrophysical fields of the marine environment: monograph - Vladivostok: SKB SAMI FEB RAS, 2006. - 173 p .; Pyatakovich V.A., Vasilenko AM, Filippova A.V. The technology of creating an automated system for long-range reception and neural network classification of hydrophysical fields in the sea area. - Bulletin of the Tula State University. Technical sciences.
Известны способы приема упругой волны в морской среде, повышающие 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.; пат. №2452041 РФ. Способ параметрического приема волн различной физической природы в морской среде. Опубл. 27.05.2012. Бюл. №15.). Недостатками способов 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.Known methods for receiving an elastic wave in a marine environment, increasing the value of the parameter of nonlinearity of the medium in the signal receiving area. For this, an additional electromagnetic signal, subjected to time-frequency modulation, or modulated hydrodynamic fluid flow, is introduced into the parametric signal reception zone, in addition to the elastic wave. Modulation of the hydrodynamic fluid flow is carried out by changing the density due to controlled gas saturation, or changing the temperature, or changing its chemical composition, (Pat. No. 2158029 RF. Method for receiving an elastic wave in a marine environment (options); Publ. 20.10.2000. Bull. No. 29 .; pat. No. 2452041 RF. Method of parametric reception of waves of various physical nature in the marine environment. Publ. 05/27/2012. Bull. No. 15.). The disadvantages of the methods are low sensitivity and, as a result, limited range (units of kilometers) of parametric reception of information waves of various physical nature in infrasonic and fractional (units-fractions of hertz) frequency ranges.
Наиболее близким по технической сущности к заявляемому изобретению является «Способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями» (пат. №2682088 С1 (РФ, МПК G01S 15/02 (2006.01); Опубл. 14.03.2019. Бюл. №8), заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объектов, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, промодулированные с 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, которые подают в 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).The closest in technical essence to the claimed invention is "Method of detection and neural network recognition of the features of fields of different physical nature, generated by sea targets" (US Pat. No. 2682088 C1 (RF, IPC G01S 15/02 (2006.01); Publ. 03/14/2019. Bulletin) No. 8), which consists in the fact that first a zone of nonlinear interaction and parametric conversion of pump waves with object signals is formed in the marine environment, for which the emitter and the receiving antenna are placed on opposite boundaries of the monitored area of the marine environment, then the pump waves modulated with the object signals , are received and amplified in the parametric transformation band, their time-frequency scale is transferred to the high-frequency region, a narrow-band spectral analysis is carried out, the parametric components of the total or difference frequency are isolated, according to which, taking into account the temporal and parametric transformation of waves, the characteristics of the object signals are restored, which are fed to the tr an act of neural network recognition and classification, consisting of a target class recognition unit based on amplitude-frequency characteristics, which implements computational operations of an artificial neural network and is covered by feedback with a learning unit, in the memory of which data of mathematically processed images of spectrograms of sea targets are recorded, and to the first input of the recognition unit of the target class in terms of amplitude-frequency characteristics, data is received from the output of the spectrum analyzer of the signal receiving, processing and recording path, and its second input receives data from the training unit of the neural network recognition and classification path, after which the artificial neural network is tuned according to the classification features of the fields generated by marine targets , start computing operations, according to the results of which its weight coefficients are corrected and a conclusion is drawn about the degree of belonging of the investigated spectral region to the classification object (surface or underwater object).
Известно, что результатом параметрического преобразования взаимодействующих волн является их взаимная амплитудно-фазовая модуляция. Малое отличие частот (в пределах одного порядка) просветных волн и волн, генерируемых объектом, обеспечивает наиболее интенсивное их взаимодействие. Амплитуда взаимодействующих волн и индекс фазовой модуляции могут быть представлены в следующем видеIt is known that the result of parametric transformation of interacting waves is their mutual amplitude-phase modulation. A small difference in frequencies (within the same order of magnitude) of transmissive waves and waves generated by the object ensures their most intense interaction. The amplitude of the interacting waves and the phase modulation index can be represented in the following form
где γ - коэффициент нелинейности морской среды; ωn, ωc - частота волны накачки и полезного сигнала, соответственно; Pn, Pc - затухание волны накачки и полезного сигнала, 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.where γ is the coefficient of nonlinearity of the marine environment; ω n , ω c - frequency of the pump wave and the useful signal, respectively; P n , P c - damping of the pump wave and the useful signal, respectively; V is the volume of the medium of nonlinear interaction and parametric transformation of waves; R is the distance from the point of radiation to the point of location of the object; ρ 0 is the density, c 0 is the speed of sound in the marine environment.
Сформированные в результате преобразования просветных волн параметрические составляющие суммарной и разностной частоты при обработке широкополосных сигналов выделяются, как признаки амплитудно-фазовой модуляции, 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.; Пятакович В.А., Василенко A.M., Мироненко М.В.; Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: - монография. - Владивосток: Дальневост. федерал, ун-т, 2016 190 с. ISBN 978-5-7444-3790-9.; Мироненко М.В., Пятакович В.А., Василенко A.M. Результаты экспериментальных исследований способа определения профиля морского объекта и реализующей его системы. - Мониторинг. Наука и технологии. 2017. - №2 (31) - С. 64-69.).The parametric components of the total and difference frequencies formed as a result of the transformation of transmission waves during the processing of broadband signals are distinguished as signs of amplitude-phase modulation, which is substantiated by mathematical dependences and confirmed by the results of marine experiments (see Mironenko M.V., Malashenko A.E., Karachun L.E., Vasilenko AM Low-frequency transmissive method of long-range sonar location of hydrophysical fields of the marine environment: monograph .-- Vladivostok: SKB SAMI FEB RAS, 2006 .-- 173 p .; Pyatakovich V.A., Vasilenko AM, Mironenko M.V .; Technologies nonlinear transmissive hydroacoustics and neuro-fuzzy operations in problems of recognition of sea objects: - monograph. - Vladivostok: Far Eastern Federal University, 2016 190 p. ISBN 978-5-7444-3790-9 .; Mironenko M.V., Pyatakovich V.A., Vasilenko AM Results of experimental studies of the method for determining the profile of a marine object and the system that implements it. - Monitoring. Science and technology. 2017. - No. 2 (31) - P. 64-6 9.).
Спектр взаимодействующих волн состоит из бесконечного числа боковых составляющих, частоту и амплитуду которых можно найти из известного выраженияThe spectrum of interacting waves consists of an infinite number of lateral components, the frequency and amplitude of which can be found from the well-known expression
где P - 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. Как видно из выражения, значения частот боковых составляющих отличаются от удвоенной центральной частоты 2ωо (равной сумме частот взаимодействующих волн) на величину ±n⋅Ω, где n - любое целое число. Амплитуды боковых составляющих для соответствующих частот (2ω±n Ω) определяются величиной множителя where P - the resulting and instantaneous values of the pressure of the modulated wave, respectively; 2ω c - doubled frequency of the modulated wave; Ω - wave generated by the object; t is time; J n - Bessel functions of the n-th order; A n is the amplitude of the modulated wave; m p - modulation factor. As can be seen from the expression, the values of the frequencies of the side components differ from the doubled central frequency 2ωо (equal to the sum of the frequencies of the interacting waves) by ± n⋅Ω, where n is any integer. The amplitudes of the side components for the corresponding frequencies (2ω ± n Ω) are determined by the value of the factor
При малых значениях коэффициента модуляции mp спектр взаимодействующих волн приближенно состоит из удвоенной центральной частоты 2ω и ее боковых частот 2ω+Ω и 2ω-Ω.At low values of the modulation coefficient m p, the spectrum of interacting waves approximately consists of the doubled central frequency 2ω and its side frequencies 2ω + Ω and 2ω-Ω.
Недостатком способа-прототипа является отсутствие операций, которые обеспечивают регулирование параметров формирования и редукции выборок блоком обучения, комплексное сокращение размерности данных при автоподстройке базы правил, исходя из выборки значений параметров объекта классификации, формирование сигнала с номером продукционного правила и типа функции принадлежности типу цели для оптимизации вычислительных процессов, выполняемых в тракте нейросетевого распознавания и классификации, обеспечивающем конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект), что ограничивает функциональные возможности системы-прототипа.The disadvantage of the prototype method is the lack of operations that ensure the regulation of the parameters of the formation and reduction of samples by the training unit, a comprehensive reduction in the dimension of the data during auto-tuning of the rule base, based on a sample of the values of the parameters of the classification object, the generation of a signal with the number of the production rule and the type of the membership function to the target type for optimization computational processes performed in the neural network recognition and classification path, which provides the final classification solution for the detected sea targets (surface or underwater object), which limits the functionality of the prototype system.
Задача, на решение которой направлено заявляемое изобретение, заключается в расширении функциональных возможностей способа-прототипа, т.е. его реализации как способа оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей. Конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект) принимается обученной нейронной сетью по степени принадлежности исследуемой области спектра объекту классификации.The problem to be solved by the claimed invention is to expand the functionality of the prototype method, i.e. its implementation as a method of operational identification of sea targets by their information fields based on neuro-fuzzy models. The final classification solution for the detected sea targets (surface or underwater object) is made by the trained neural network according to the degree of belonging of the studied spectral region to the classification object.
Техническим результатом предлагаемого изобретения является автоматизация процесса распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов, комплексное сокращение размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов математических моделей морских целей, осуществляемой при помощи тракта регулирования параметров формирования и редукции выборок, необходимых для реализации конечного процесса классификации в тракте нейросетевого распознавания и классификации, что обеспечивает повышение вероятности достоверной оперативной классификации морской цели на 7-9% большую, чем при использовании прототипа.The technical result of the proposed invention is the automation of the process of recognizing the classes of sea targets (surface or underwater object), detected by the signs of amplitude-phase modulation of low-frequency pumping signals of the marine environment by radiation and fields of objects, complex reduction of the data dimension during automatic adjustment of the rule base due to the formation and reduction of a sample of reference samples of mathematical models of sea targets, carried out using a path for regulating the parameters of the formation and reduction of samples necessary for the implementation of the final classification process in the path of neural network recognition and classification, which provides an increase in the probability of a reliable operational classification of a sea target by 7-9% more than when using a prototype ...
Указанный технический результат достигается путем формирования и редукции выборки эталонных образцов математических моделей морских целей трактом регулирования параметров формирования и редукции выборок, самостоятельно производящим автоподстройку своей базы правил и ее нейро-нечеткую коррекцию, с применением вычислительных операций модифицированной комбинированной распознающей сети, состоящей из сетей Кохонена - Гросберга и адаптивной нейро-нечеткой сети ANFIS, использующей гибридный алгоритм обучения с генетической настройкой параметров, для оперативно обновляемой библиотеки спектрограмм морских целей блока обучения тракта нейросетевого распознавания и классификации, обеспечивающего конечное классификационное решение по обнаруженным морским целям.The specified technical result is achieved by forming and reducing a sample of reference samples of mathematical models of sea targets by a path for regulating the parameters of the formation and reduction of samples, independently performing auto-tuning of its rule base and its neuro-fuzzy correction, using computational operations of a modified combined recognition network consisting of Kohonen networks - Grosberg and the adaptive neuro-fuzzy network ANFIS, which uses a hybrid learning algorithm with genetic tuning of parameters, for an operatively updated library of spectrograms of maritime targets of the training unit of the neural network recognition and classification path, which provides the final classification solution for the detected maritime targets.
Для решения поставленной задачи разработан способ оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, 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, промоделированные 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, которые подают в 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.To solve this problem, a method has been developed for the operational identification of sea targets by their information fields on the basis of neuro-fuzzy models, which consists in the fact that, first, a zone of nonlinear interaction and parametric conversion of pump waves with object signals is formed in the marine environment, for which the emitter and the receiving antenna are placed at the opposite boundaries of the controlled area of the marine environment, then the pump waves, modeled by the signals of the object, are received and amplified in the parametric conversion band, their time-frequency scale is transferred to the high-frequency region, a narrow-band spectral analysis is carried out, the parametric components of the total or difference frequency are isolated, according to which with taking into account the temporal and parametric transformation of waves, the characteristics of the object signals are restored, which are fed to the neural network recognition and classification path, which consists of a target class recognition unit by amplitude-frequency characteristics, which implements computational operations of an artificial neural network and is covered by feedback with a learning unit, the memory of which contains data of mathematically processed images of spectrograms of sea targets, and the first input of the target class recognition unit by amplitude-frequency characteristics receives data from the output of the spectrum analyzer of the receiving, processing and registration path signals, and its second input receives data from the training unit of the neural network recognition and classification path.
Принципиальным отличим от прототипа является то, что данные подают в дополнительно введенный тракт регулирования параметров формирования и редукции выборок на вход, охваченного обратной связью с блоком фаззификации, блока нечетких правил, где формируют сигнал номера нового продукционного правила и нового типа функции принадлежности типу цели и далее подают на вход логического устройства формирования и редукции выборок, функцию которого выполняет модифицированная комбинированная распознающая сеть, состоящей из сетей Кохонена - Гросберга и адаптивной нейро-нечеткой сети ANFIS, использующей гибридный алгоритм обучения с генетической настройкой параметров, в котором осуществляют компенсацию функций принадлежности нового вида правил, определяют номер правила, необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила, и далее на блок фаззификации, выход которого соединен с входом блока дефаззификации и автоматического регулирования базы правил, в котором производят автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей для блока обучения тракта нейросетевого распознавания и классификации, после чего искусственную нейронную сеть настраивают и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).What is fundamentally different from the prototype is that the data is fed into an additionally introduced path for regulating the formation and reduction parameters of samples to the input, covered by feedback with the fuzzification block, the fuzzy rule block, where the signal of the number of the new production rule and the new type of function of membership in the target type are generated, and so on. is fed to the input of a logical device for the formation and reduction of samples, the function of which is performed by a modified combined recognition network consisting of Kohonen-Grosberg networks and an adaptive neuro-fuzzy network ANFIS using a hybrid learning algorithm with genetic tuning of parameters, in which the membership functions of a new type of rules are compensated , determine the number of the rule required for replacement in the main rule base, as well as a new type of membership function for this rule, and then to the fuzzification block, the output of which is connected to the input of the defuzzification and automatic regulation of the rights base sludge, in which auto-tuning of their rule base is carried out, based on a sample of mathematical models of sea targets, the formation and reduction of a sample of reference samples of mathematical models of sea targets and data correction of the online library of mathematically processed images of spectrograms of sea targets for the training unit of the neural network recognition and classification path, after which the artificial neural network is tuned and a conclusion is drawn about the degree of belonging of the investigated spectrum region to the classification object (surface or underwater object).
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.; Пятакович В.А., Василенко A.M., Пашкеев С.В. Автоматизированная система мониторинга морской среды для решения задач обнаружения технического объекта. - Двойные технологии. - М: 2018. №4 (85). - С. 85-88; Пятакович В.А., Рычкова В.Ф. Параметрическая оптимизация нейросетевой системы классификации морских целей по критерию надежности. - Морские интеллектуальные технологии. - СПб.: 2018. №4 (42) Том 5. - С. 153-162; Пятакович В.А. Опытная модель разработанного образца распознающего модуля системы классификации морских целей на базе нейросетевых технологий. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2018. - Вып. 98. - С. 176-181; Пятакович В.А. Решение задачи классификации морской цели с использованием нейронных нечетких сетей на основе модели вывода Мамдани-Заде. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2019. - Вып. 101. - С. 275-284; Пятакович В.А., Филиппов Е.Г. Метод формирования и редукции выборок для решения задач классификации морских целей нейроклассификатором. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2019. - Вып. 101. - С. 312-320; Пятакович В.А. Обучение глубоких нейронных сетей системы оперативной идентификации морских целей ВМФ РФ. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2020. - Вып. 104. - С. 177-186; Пятакович В.А., Рычкова В.Ф., Филиппов Е.Г. Нейронные сети как вариант вычислительной структуры системы классификации морских целей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 163-174; Пятакович В.А., Суров А.Б., Рычкова В.Ф. Расчет эффективности классификации целей интеллектуальной системой ВМФ, использующей комплекс вычислительных операций нейронных сетей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 175-185; Пятакович В.А., Николаев А.В., Костиков Е.А. Автоматизация обработки информации в интеллектуальной системе морского мониторинга. - Проблемы машиностроения и автоматизации. - М: 2020. №4. - С. 72-79).As you know, the extraction of useful information from hydroacoustic signals determines the fundamentals of data processing algorithms in the method of detecting and neural network recognition of the features of fields of different physical nature generated by sea targets. To form the feature vector, which is the input information array of the recognition network, the method of masks is used. The process of forming information arrays is necessary to solve two problems, the first of which is the process of forming reference samples necessary for the implementation of the learning process of the recognition 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 V.A., Vasilenko AM, Khotinsky O.V., Recognition and classification of sources of formation of fields of various physical nature in the marine environment: monograph. - Vladivostok: Mor.Gos.University, 2017. - 255 p .; Pyatakovich V.A., Vasilenko AM, Khotinsky O. V. Neural network technologies in intelligent systems for the detection and operational identification of sea targets: monograph .-- Vladivostok: Marine State University, 2018 .-- 263 p .; V.A. Pyatakovich, AM Vasilenko, S.V. Pashkeev. An automated system for monitoring the marine environment for solving problems of detecting a technical object. - Dual technologies. - M: 2018. No. 4 (85). - S. 85-88; Pyatakovich V.A., Rychkova V.F. Parametric optimization of a neural network system for the classification of sea targets by the criterion of reliability. - Marine Intelligent Technologies. - SPb .: 2018. No. 4 (42)
Идея 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 формулеThe idea is that for each mask the maximum amplitude value is sought, which is the unit vector of the classification feature vector. To automate the process of searching for an extremum in the zone of one mask, the MAXNET maximum search network was used. The network iterations are completed after the output neurons of the network stop changing. The type of elements of the input signals - integers or real numbers, the type of elements of the output signals - 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 equal to N (N-1). The formation of synaptic weights occurs according to the formula
где Wij - i-й синаптический вес j-го нейрона; N - число элементов входного сигнала (количество нейронов в сети). Функционирование сети задается выражением yj(0)=xj, i=1, …, N; j=1, …, N.where W ij is the i-th synaptic weight of the j-th neuron; N is the number of elements of the input signal (the number of neurons in the network). The functioning of the network is given by the expression y j (0) = x j , i = 1, ..., N; j = 1, ..., N.
где xj - элемент (орт) входного сигнала сети; yi - выход j-го нейрона.where x j - element (ort) of the input signal of the network; y i - output of the j-th neuron.
Нормализация входного вектора признаков, полученного после анализа масок сетью MAXNET, производится согласно выражения Normalization of the input feature vector obtained after analyzing the masks by the MAXNET network is performed according to the expression
Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.Value range boundaries are known and determined by the model of the input hydroacoustic signal.
Обучение распознающей сети производится на основе алгоритма обратного распространения ошибки, реализующего градиентный метод оптимизации функционала вида: , где Т - вектор синаптических весов сети; (X*, Y*) - обучающие пары; - норма вектора (см. Пятакович В.А., Василенко A.M., 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 A.M. 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 A.M. Мироненко М.В. Обучение нейронной сети как этап разработки экспертной системы для классификации источников физических полей при мониторинге акваторий. - Вестник Инженерной школы Дальневосточного федерального университета. - Владивосток: Дальневост. федерал, ун-т, 2017. №3 (32). - С. 138-149. DOI.org/10.5281/zenodo.897021; Пятакович В.А. Система классификации морских целей на базе нейросетевых технологий. - Морские интеллектуальные технологии. - СПб.: 2018. №4 (42) Том 5. - С. 169-176).The recognition network is trained on the basis of an error backpropagation algorithm that implements a gradient method for optimizing a functional of the form: , where T is the vector of synaptic weights of the network; (X * , Y * ) - training pairs; - vector norm (see Pyatakovich V.A., Vasilenko AM, Khotinsky O.V. Recognition and classification of sources of formation of fields of different physical nature in the marine environment: monograph. - Vladivostok: Marine State University named after G.I. Nevelskoy, 2017. - 255 p .; Pyatakovich V.A., Vasilenko AM Prospects and limitations of the use of geometric methods for recognizing acoustic images of sea objects in relation to the problem of controlling a neural network expert system. - Fundamental research. - М: 2017. - No. 7. - Pp. 65-70; Pyatakovich V.A., Vasilenko AM Mironenko M.V. Training of a neural network as a stage in the development of an expert system for the classification of sources of physical fields when monitoring water areas. - Bulletin of the Engineering School of the Far Eastern Federal University. - Vladivostok: Far Eastern Federal , un-t, 2017. No. 3 (32). - P. 138-149. DOI.org/10.5281/zenodo.897021; Pyatakovich V.A. Classification system of marine targets based on neural network technologies. - Marine intelligent technologist ui. - SPb .: 2018. No. 4 (42)
Для автокоррекции и регулирования алгоритма обратного распространения ошибки при обучении распознающей сети используется тракт регулирования параметров формирования и редукции выборок, сочетающий в себе адаптивные подходы самообучения и опыт эксперта, что при наличии неопределенных параметрических возмущений, позволяет оперативно осуществлять коррекцию значений, соответствующих новым условиям классификации морской цели.For autocorrection and regulation of the algorithm of back propagation of the error during training of the recognition network, a path for regulating the parameters of the formation and reduction of samples is used, which combines adaptive approaches of self-learning and the experience of an expert, which, in the presence of undefined parametric disturbances, makes it possible to promptly correct the values corresponding to the new conditions for the classification of a sea target ...
Изобретение поясняется чертежами, где на фиг. 1 показана функциональная схема системы оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, содержащая следующие элементы:The invention is illustrated by drawings, where Fig. 1 shows a functional diagram of a system for operational identification of sea targets by their information fields based on neuro-fuzzy models, containing the following elements:
1. Излучающий преобразователь (подводный звуковой маяк марки ПЗМ-400 излучающий сигналы на частоте около 400 Гц).1. Emitting transducer (underwater sound beacon of the PZM-400 brand, emitting signals at a frequency of about 400 Hz).
2. Приемный преобразователь.2. Receiving transducer.
3. Морская среда.3. Marine environment.
4. Рабочая зона нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн.4. Working area of nonlinear interaction and parametric conversion of pump waves and information waves.
5. Объекты (морские цели, генерирующие акустические, электромагнитные и гидродинамические излучения).5. Objects (marine targets generating acoustic, electromagnetic and hydrodynamic radiation).
6. Тракт излучения сигналов накачки.6. Path of emission of pump signals.
6.1. Генератор сигналов накачки стабилизированной частоты.6.1. Stabilized frequency pump signal generator.
6.2. Усилитель мощности.6.2. Amplifier.
6.3. Блок согласования.6.3. Matching block.
7. Тракт приема, обработки и регистрации информационных сигналов.7. The path for receiving, processing and registering information signals.
7.1. Широкополосный усилитель.7.1. Broadband amplifier.
7.2. Преобразователь частотно-временного масштаба.7.2. Time-frequency converter.
7.3. Спектроанализатор.7.3. Spectrum analyzer.
7.4. Регистратор.7.4. Registrar.
8. Тракт нейросетевого распознавания и классификации.8. Path of neural network recognition and classification.
8.1. Блок распознавания класса цели по амплитудно-частотным характеристикам.8.1. Target class recognition unit by amplitude-frequency characteristics.
8.2. Блок обучения.8.2. Learning block.
9. Тракт регулирования параметров формирования и редукции выборок.9. The path for regulating the parameters of the formation and reduction of samples.
9.1. Блок нечетких правил и функций.9.1. Block of fuzzy rules and functions.
9.2. Блок фаззификации.9.2. Fuzzification block.
9.3. Логическое устройство формирования и редукции выборок.9.3. Logic device for the formation and reduction of samples.
9.4. Блок дефаззификации и автоматического регулирования базы правил.9.4. Defuzzification and automatic regulation of the rule base.
Общая структура модифицированной комбинированной распознающей сети, состоящей из сетей Кохонена и Гросберга представлена на фиг. 2.The general structure of the modified combined recognition network consisting of Kohonen and Grosberg networks is shown in Fig. 2.
Модификация сети состоит в добавлении к сети Кохонена и Гросберга сети MAXNET, что весьма важно для решаемой задачи.The network modification consists in adding the MAXNET network to the Kohonen and Grosberg network, which is very important for the problem being solved.
На каждый нейрон первого слоя через синапсы с весами {Tij (1)}, i=1, 2, 3; j=1, 2, 3, подаются все компоненты входного вектора Число нейронов во втором (скрытом) слое определяется взаимным расположением и формой разделяемых множеств.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 supplied The number of neurons in the second (hidden) layer is determined by the relative position and shape of the shared sets.
На каждый нейрон второго слоя через синапсы с весами {Tij (2)}, i=1, 2, 3; j=1, 2, 3, подаются выходные сигналы первого слоя. Число нейронов третьего (выходного) слоя определяется числом рассматриваемых классов, подлежащих распознаванию.For each neuron of the second layer through synapses with weights {T ij (2) }, i = 1, 2, 3; j = 1, 2, 3, the outputs of the first layer are supplied. The number of neurons in the third (output) layer is determined by the number of considered classes to be recognized.
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. 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.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 supplied. The values of the output signals of the third layer form a vector solutions. The neurons that make up the network are the same and have a known type of activation function where x 2n (i) , y n (i) and I n (i) are the values of the r-th input signal, the output signal and the external displacement of the n-th neuron of the i-th layer; N i - the number of neurons in the i-th layer; i = 1, 2, 3.
Предварительная обработка входных векторов производится нормализацией входного вектора признаков, полученного после анализа масок сетью MAXNET или после получения статистических оценок согласно выражения Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.Pre-processing of the input vectors is performed by normalizing the input feature vector obtained after analyzing the masks by the MAXNET network or after obtaining statistical estimates according to the expression Value range boundaries are known and determined by the model of the input hydroacoustic signal.
Предварительная обработка данных, один из самых трудозатратых шагов, необходима, чтобы последующие алгоритмы обучения смогли извлечь из выборки максимум знаний.Data preprocessing, one of the most labor-intensive steps, is necessary so that subsequent learning algorithms can extract the maximum knowledge from the sample.
Процедура архитектурной самонастройки и настройки весовых коэффициентов (синапсов) сети Кохонена включает в себя следующие этапы.The procedure for architectural self-tuning and tuning of the weights (synapses) of the Kohonen network includes the following steps.
1. Вводится произвольное число нейронов L=L0 со случайным образом нормализованными векторами синапсов, равномерно распределенными на интервале [-1, 1].1. An arbitrary number of neurons L = L0 is introduced with randomly normalized synapse vectors uniformly distributed over the interval [-1, 1].
2. На слой подается один из обучающих векторов входных сигналов (очевидно, что предварительно обработанный), определяются потенциалы на выходах всех нейронов и номер L*-нейрона «победителя».2. One of the training vectors of input signals (obviously pre-processed) is fed to the layer, the potentials at the outputs of all neurons and the number of the L * -neuron of the "winner" are determined.
3. Определяется угол β* между обучающим вектором признаков и вектором синапсов (весовых коэффициентов) нейрона "победителя".3. The angle β * between the training vector of features and the vector of synapses (weight coefficients) of the "winner" neuron is determined.
4. Если выполнено условие β*<β, то осуществляется настройка синапсов нейрона "победителя" путем усреднения по всем шагам обучения, на которых он оказался нейроном "победителем" и последующей нормализации.4. If the condition β * <β is satisfied, then the synapses of the "winner" neuron are tuned by averaging over all learning steps at which it turned out to be the "winner" neuron and subsequent normalization.
Если β*>β, то в слой директивным порядком вводится L+1 нейрон, синапсом которого (весам связей) присваиваются значения компонентов соответствующего обучающего вектора.If β *> β, then L + 1 neuron is introduced into the layer by directive order, the synapse of which (connection weights) assigns the values of the components of the corresponding training vector.
5. Выбирается очередной входной вектор обучающей выборки и повторяются процедуры 2, 3, 4.5. The next input vector of the training sample is selected and
Обучение слоя Гросберга является традиционным обучением с учителем и может производиться как одновременно с архитектурной самоорганизацией и настройкой слоя Кохонена по каждому входному вектору выборки, так и автоматно (после обучения слоя Кохонена). Во всех случаях правило обучения можно представить следующим алгоритмом: l=1, 2. где - l-й компонент желаемого выходного вектора классификатора; - выходной сигнал j-го нейрона слоя Кохонена, при обучении S-му входному вектору признаков.Learning the Grosberg layer is a traditional supervised learning and can be performed both simultaneously with the architectural self-organization and tuning the Kohonen layer for each input sample vector, or automatically (after training the Kohonen layer). In all cases, the learning rule can be represented by the following algorithm: l = 1, 2.where - l-th component of the desired output vector of the classifier; - the output signal of the j-th neuron of the Kohonen layer, when teaching the S-th input vector of features.
Функционирование рассматриваемого распознающего устройства. Предварительно обработанный вектор входных признаков наблюдаемого объекта {xi} подается на вход сети и распределяется через весовые коэффициенты связей (синапсы) на нейроны слоя Кохонена. Входные потенциалы нейронов i=1, …, L.Functioning of the considered recognition device. The preprocessed vector of input features of the observed object {xi} is fed to the input of the network and is distributed through the weighting coefficients of the connections (synapses) on the neurons of the Kohonen layer. Input potentials of neurons i = 1, ..., L.
После этого слой Кохонена начинает функционировать как конкурирующая сеть с латеральными связями. В результате на выходе слоя формируется вектор с одним единичным компонентом, соответствующим нейрону «победителю» и с нулевыми остальными коэффициентами. Через синапсы вектор входа поступает на нейроны выходного слоя Гросберга, которые функционируют согласно следующего алгоритма: l=1, 2, где 10 ( ) - функция единичного скачка.After this, the Kohonen layer begins to function as a competing network with lateral connections. As a result, a vector is formed at the output of the layer with one unit component corresponding to the “winner” neuron and with zero other coefficients. Through synapses the input vector enters the neurons of the Grosberg output layer, which function according to the following algorithm: l = 1, 2, where 10 () is the unit jump function.
На фиг. 3 представлена нейросетевая интерпретация алгоритма многомерной классификации.FIG. 3 presents a neural network interpretation of the multivariate classification algorithm.
На фиг. 4 приведена таблица интерпретации трехмерного выходного вектора распознавания гидроакустических сигналов по амплитудно-частотной характеристике.FIG. 4 shows a table of interpretation of the three-dimensional output vector of recognition of hydroacoustic signals by the amplitude-frequency characteristic.
На фиг. 5 представлен метод масок, используемый для распознавания по амплитудно-частотной характеристике.FIG. 5 shows the mask method used for frequency response recognition.
В каждой маске по реальной характеристике определяется максимальное амплитудное значение сигнала A1, А2, …, Aj …, Ak. Выбор величины Δ, а, следовательно, и числа масок определяется возможностями распознающей сети (реально 10÷100). Увеличение числа масок приводит к повышению достоверности входной информации и к повышению сложности (увеличению числа нейронов входного слоя) распознающего устройства, то есть имеет место классический конфликт между качеством и сложностью. Возможен вариант исследования шумового портрета по частям, то есть низкочастотной, среднечастотной и высокочастотной составляющих отдельно.In each mask, according to the real characteristic, the maximum amplitude value of the signal A 1 , A 2 , ..., A j ..., A k is determined. The choice of the value of Δ, and, consequently, of the number of masks is determined by the capabilities of the recognition network (actually 10 ÷ 100). An increase in the number of masks leads to an increase in the reliability of the input information and to an increase in the complexity (an increase in the number of neurons in the input layer) of the recognition device, that is, there is a classic conflict between quality and complexity. It is possible to study the noise portrait in parts, that is, the low-frequency, mid-frequency and high-frequency components separately.
На фиг. 6 представлена сравнительная характеристика методов классификации морской цели по времени обучения и классификации.FIG. 6 presents a comparative characteristic of the methods for classifying a sea target in terms of training and classification time.
Наиболее скоростным методом по качеству классификации является модифицированный метод потенциальных функций на основе НС (фиг. 6. Табл 2). НС обладают более сильными аппроксимационными способностями, чем другие методы классификации целей, а алгоритм многомерной классификации, в отличие от методов потенциальных функций, учитывает значимость признаков посредством учета частных значимостей двупризнаковых классификаций.The fastest method in terms of the quality of classification is the modified method of potential functions based on NN (Fig. 6. Table 2). Neural networks have stronger approximating abilities than other methods of target classification, and the multidimensional classification algorithm, in contrast to the methods of potential functions, takes into account the significance of features by taking into account the particular values of two-feature classifications.
На фиг. 7 и фиг. 8 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 модифицированной комбинированной распознающей сети, состоящей из сетей Кохонена (конкурирующая сеть) и Гросберга и адаптивной нейро-нечеткой сети ANFTS, использующей гибридный алгоритм обучения позволяет повысить вероятность достоверной оперативной классификации как надводных, так и подводных целей на 7-9%.FIG. 7 and FIG. 8 shows the results of a computational experiment to determine the recognition (classification) coefficient, defined as the ratio of the number of recognized objects to the total number of tests in percent, for surface and underwater objects in conditions 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 computational operations of a modified combined recognition network consisting of Kohonen (competing network) and Grosberg networks and an adaptive neuro-fuzzy network ANFTS, using a hybrid learning algorithm, makes it possible to increase the likelihood of a reliable operational classification as surface. and underwater targets by 7-9%.
Способ оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделейMethod for operational identification of sea targets by their information fields based on neuro-fuzzy models
Излучающий преобразователь 1 и приемный преобразователь 2 размещают в морской среде 3 с учетом закономерностей многолучевого распространения волн в протяженном гидроакустическом канале, что обеспечивает формирование и эффективное использование пространственно-развитой рабочей зоны 4 нелинейного взаимодействия и параметрического преобразования просветных волн и волн различной физической природы, генерируемых объектами 5 (см. Свидетельство о государственной регистрации программы для ЭВМ «Расчет лучевой картины» №2016616822. 21.06.2016; Свидетельство о государственной регистрации программы для ЭВМ «Программа имитационного моделирования процесса распространения гидроакустических сигналов» №2017664296. 20.12.2017; Свидетельство о государственной регистрации программы для ЭВМ «Программно-вычислительный комплекс имитационного моделирования морской информационной ситуации при идентификации целей» №2018612944 01.03.2018. Бюл. №3; Свидетельство о государственной регистрации программы для ЭВМ «Специализированный нейросетевой комплекс классификации зашумленных сигналов морских целей» №2018619739 РФ. 10.08.2018. Бюл. №8; Свидетельство о государственной регистрации программы для ЭВМ «Программа проектирования и обучения искусственных нейронных сетей персептронного типа» №2019611559 РФ. 29.01.2019. Бюл. №2).The emitting
Сформированный генератором 6.1 сигнал накачки стабилизированной частоты поступает на вход усилителя мощности 6.2, тракта излучения сигналов накачки 6, затем на вход блока согласования 6.3, выход которого соединен с подводным кабелем, соединяющим выход тракта излучения сигналов накачки 6 и вход излучающего преобразователя 1. 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.The pump signal of the stabilized frequency generated by the generator 6.1 is fed to the input of the power amplifier 6.2, the pump
На различных режимах движения объекты 5 генерируют 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 объектов 5. Являясь неразрывно связанной компонентой просветной волны модуляционные составляющие переносятся на большие расстояния и обнаруживаются в блоках тракта приема, обработки и регистрации информационных сигналов 7.In various modes of movement, objects 5 generate radiation, leading to a change in the value of the characteristics of the conducting liquid (density and (or) temperature and (or) heat capacity, etc.), which, depending on their physical nature, modulate low-frequency pumping signals of the marine environment. Low-frequency and high-frequency components appear in the spectrum of nonlinearly converted waves (information waves) as a result of modulation of the amplitude and phase of the low-frequency pumping wave by radiation and fields of objects.5 and registration of information signals 7.
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 объектами.Information waves are received by
Операция преобразования частотно-временного масштаба сигнала в блоке 7.2 тракта приема, обработки и регистрации сигналов, обеспечивает увеличение концентрации энергии нелинейно преобразованных сигналов и эффективность выделения из них признаков полей, генерируемых морскими целями.The operation of transforming the time-frequency scale of the signal in block 7.2 of the signal receiving, processing and recording path provides an increase in the energy concentration of nonlinearly converted signals and the efficiency of separating from them the features of the fields generated by sea targets.
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 объектов 5.Spectral analysis operations in block 7.3 allow to select discrete components of the total or difference frequency in the narrow-band spectra of nonlinearly transformed signals, which are used to restore the characteristics of the waves of
Амплитудно-частотные характеристики сигналов объекта (надводный или подводный объект), 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.The amplitude-frequency characteristics of the signals of the object (surface or underwater object) obtained by means of narrow-band spectral analysis in the signal receiving, processing and
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.The second input of the block 8.1 for recognizing the target class by the amplitude-frequency characteristics receives data from the training block 8.2 of the path of neural network recognition and
Далее по амплитудно-частотным характеристикам распознают класс (надводный или подводный объект) обнаруженной морской цели в тракте нейросетевого распознавания и классификации 8. 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.Further, according to the amplitude-frequency characteristics, the class (surface or underwater object) of the detected sea target is recognized in the neural network recognition and
Процесс обучения многослойной нейронной сети (МНС) является итерационным и, в общем случае, достаточно длительным, поскольку заранее нельзя определить количество итераций, необходимых для обучения НС.The process of training a multilayer neural network (MLN) is iterative and, in the general case, rather lengthy, since it is impossible to determine in advance the number of iterations required to train a neural network.
Для нейросетевой реализации сравнения расстояний и определения значения Kij используется следующее выражение:For the neural network implementation of distance comparison and determination of the K ij value, the following expression is used:
где ψ(x) - логистическая функция.where ψ (x) is the logistic function.
Если функция ψ(х) будет дискретной, например, пороговой:If the function ψ (x) is discrete, for example, the threshold:
то Kij будет принимать значение 0 или 1. then K ij will take on the
Если функция ψ(x) будет вещественной, например, сигмоидной:If the function ψ (x) is real, for example, sigmoid:
то Kij будет принимать значения на интервале [0, 1], чем ближе значение этой функции будет к 0, тем ближе экземпляр будет к классу, которому сопоставлено значение 0, и, соответственно, наоборот, чем ближе значение этой функции будет к 1, тем ближе экземпляр будет к классу, которому сопоставлено значение 1. then K ij will take values on the interval [0, 1], the closer the value of this function will be to 0, the closer the instance will be to the class to which the
Использование сигмоидной функции может быть более предпочтительным на практике, поскольку она позволяет не только определить к какому классу ближе экземпляр, но и на сколько ближе.Using a sigmoid function may be preferable in practice, since it allows you not only to determine which class the instance is closer to, but also how much closer.
Для вычисления разности расстояний подставляются соответствующие выражения:To calculate the distance difference the corresponding expressions are substituted:
После математических преобразований получаем:After mathematical transformations, we get:
Выражения для и вычисляются на основе формального нейрона, имеющего один вход, на который подается значение xi или xj, вес которого равен или соответственно.Expressions for and are calculated on the basis of a formal neuron with one input, to which the value x i or x j is supplied, the weight of which is or respectively.
Порог нейрона (нулевой вес) в этом случае будет равен или соответственно.The neuron threshold (zero weight) in this case will be equal to or respectively.
Правила вычисления параметров алгоритма многомерной классификации в этом случае останутся неизменными, а параметры и функции активации нейронной сети (НС) необходимо определить на их основе по следующим правилам. Функция активации ψ(μ, k) k-го нейрона μ-го слоя:In this case, the rules for calculating the parameters of the multidimensional classification algorithm will remain unchanged, and the parameters and activation functions of the neural network (NN) must be determined on their basis according to the following rules. Activation function ψ (μ, k) of the kth neuron of the μth layer:
Весовой коэффициент p-го входа k-го нейрона μ-го слоя:Weight coefficient p-th input of the k-th neuron of the μ-th layer:
Значения выходных сигналов третьего слоя образуют вектор решений элементы которого представлены в табл. 1. на фиг. 4.The values of the output signals of the third layer form a decision vector whose elements are presented in table. 1. in FIG. 4.
Распознающую сеть блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации 8, настраивают по классификационным признакам полей, генерируемых морскими целями, с помощью блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, в который входят априори полученные шумовые портреты вероятных объектов распознавания и устройство подготовки данных.The recognizing network of the block 8.1 target class recognition by the amplitude-frequency characteristics of the neural network recognition and
Корректируют весовые коэффициенты распознающей сети блока 8.1, распознавания класса цели по амплитудно-частотным характеристикам с помощью блока обучения 8.2, тракта нейросетевого распознавания и классификации 8. Далее данные подают в дополнительно введенный тракт регулирования параметров формирования и редукции выборок 9 на вход блока нечетких правил и функций 9.1, где формируют сигнал номера нового продукционного правила и нового типа функции принадлежности типу цели и далее подают на вход логического устройства формирования и редукции выборок 9.3, тракта регулирования параметров формирования и редукции выборок, функцию которого выполняет модифицированная комбинированная распознающая сеть, состоящая из сетей Кохонена - Гросберга и адаптивная нейро-нечеткая сеть ANFIS, использующая гибридный алгоритм обучения, в котором осуществляют компенсацию функций принадлежности нового вида правил, определяют номер правила, необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила, и далее на блок фаззификации 9.2, выход которого соединен с входом блока дефаззификации и автоматического регулирования базы правил 9.4, в котором производят автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей для блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, после чего искусственную нейронную сеть настраивают и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).The weight coefficients of the recognition network of block 8.1, target class recognition by amplitude-frequency characteristics are corrected using the training unit 8.2, the neural network recognition and
Функцию логического устройства формирования и редукции выборок 9.3 в системе нечеткого управления тракта регулирования параметров формирования и редукции выборок 9 выполняет модифицированная комбинированная распознающая сеть, состоящая из сетей Кохонена - Гросберга и адаптивная нейро-нечеткая сеть ANFIS, использующая гибридный алгоритм обучения. Исходная выборка, для работы логического устройства формирования и редукции выборок, будучи отображенной в одномерное пространство, позволит выделить на одномерной оси интервалы ее значений, соответствующие кластерам разных классов в исходном N-мерном пространстве. Определив границы интервалов на одномерной оси, можно найти ближайшие к ним экземпляры, которые и составят формируемую подвыборку.The function of the logical device for the formation and reduction of samples 9.3 in the fuzzy control system of the path for regulating the parameters of the formation and reduction of
Алгоритм работы логического устройства формирования и редукции выборок.Algorithm of the logic device for the formation and reduction of samples.
Этап инициализации. Задать исходную выборку данных X=<x, y>.Initialization phase. Set the original data sample X = <x, y>.
Этап анализа характеристик выборки. Определить и - соответственно, минимальное и максимальное значения j-го признака, j=1, 2, …, N. Определить число интервалов для каждого признака: k=K 1n S, а также длины интервалов: The stage of analyzing the characteristics of the sample. Define and - respectively, the minimum and maximum values of the j-th feature, j = 1, 2, ..., N. Determine the number of intervals for each feature: k = K 1n S, as well as the length of the intervals:
Этап расчета обобщенных признаков. Для каждого s-го экземпляра, s=1, 2,…, S: определить kj - номер интервала значений по каждому j-му признаку, j=1, 2, …, N, в который попадает s-й экземпляр The stage of calculating generalized characteristics. For each s-th instance, s = 1, 2, ..., S: determine k j - the number of the interval of values for each j-th feature, j = 1, 2, ..., N, into which the s-th instance falls
рассчитать координату s-го экземпляра по обобщенной осиcalculate the coordinate of the s-th instance along the generalized axis
Это позволяет отобразить исходную выборку на одномерную обобщенную ось I (заметим, что при этом произойдет потеря части информации вследствие неявного квантования пространства признаков при преобразовании).This allows you to map the original sample on the one-dimensional generalized axis I (note that this will result in the loss of some information due to the implicit quantization of the feature space during transformation).
Этап анализа обобщенной оси. Сформировать набор кортежей I={<Is, ys, s>}. Упорядочить набор I в порядке неубывания значений Is. Просматривая обобщенную ось в порядке увеличения ее значений, определить граничные значения ее интервалов <lq, rq>, в которых номер класса ys остается неизменным, где lq, rq - соответственно левое и правое граничные значения q-го интервала обобщенной оси. Обозначим: Kq - номер класса, соответствующий q-му интервалу обобщенной оси; kI - число интервалов обобщенной оси.Generalized axis analysis stage. Form a set of tuples I = {<Is, ys, s>}. Order the set I in non-decreasing order of the values of Is... Looking at the generalized axis in order of increasing its values, determine the boundary values of its intervals <lq, rq>, in which the class number ys remains unchanged, where lq, rq - respectively, the left and right boundary values of the q-th interval of the generalized axis. We denote: Kq - class number corresponding to the q-th interval of the generalized axis; kI - the number of intervals of the generalized axis.
Этап анализа характеристик интервалов. Для каждого q-го интервала обобщенной оси, kq=1, 2, …, kI, определить Sq - число попавших в него экземпляров, а также номера этих экземпляров.The stage of analyzing the characteristics of the intervals. For each q-th interval of the generalized axis, k q = 1, 2,…, k I , determine S q - the number of instances that fell into it, as well as the numbers of these instances.
Этап формирования обучающей выборки. Среди экземпляров q-го интервала включить в обучающую выборку X* все экземпляры: его класса, находящиеся на одной из границ интервалаThe stage of forming a training sample. Among the instances of the q-th interval, include in the training set X * all instances of: its class that are on one of the boundaries of the interval
его класса, ближайшие к одной из границ интервала:its class closest to one of the boundaries of the interval:
где α - пороговый коэффициент, регулирующий близость экземпляров к границам интервала (например, можно задать: α=0,l(rq-lq));where α is a threshold coefficient that regulates the proximity of specimens to the boundaries of the interval (for example, you can set: α = 0, l (r q -l q ));
интервалов с малым числом экземпляров:intervals with a small number of instances:
s=1, 2, …, S, q=1, 2, …, ki, s = 1, 2,…, S, q = 1, 2,…, k i ,
где β - некоторый пороговый коэффициент, 0<β<1 (например, можно задать: β=0,1); - среднее число экземпляров в интервале обобщенной оси.where β is some threshold coefficient, 0 <β <1 (for example, you can set: β = 0.1); is the average number of specimens in the interval of the generalized axis.
Этап устранения избыточности обучающей выборки. Определить расстояния между всеми экземплярами, вошедшими в сформированную обучающую выборку, сформировав матрицу расстояний R (для упрощения и ускорения вычислений будем оперировать квадратами расстояний):The stage of eliminating the redundancy of the training sample. Determine the distances between all instances included in the formed training sample by forming a distance matrix R (to simplify and speed up the calculations, we will operate with the squares of the distances):
Заметим, что R(s, р)=R(p, s), a R(s, s)=0.Note that R (s, p) = R (p, s) and R (s, s) = 0.
До тех пор, пока , g≠р, выполнять в цикле действия: найти в матрице расстояний два экземпляра с наименьшим расстоянием между собой:Until , g ≠ р, perform the actions in a cycle: find in the distance matrix two instances with the smallest distance between themselves:
если два ближайших экземпляра принадлежат к одному и тому же классу, то оставить в обучающей выборке только тот из них, который находится ближе к экземплярам других классов, а другой исключить из нее:if two closest instances belong to the same class, then leave in the training set only the one that is closer to instances of other classes, and exclude the other from it:
Скорректировать соответствующим образом элементы матрицы R, установив: R(s, q)=R(q, s)=-1; если два ближайших экземпляра принадлежат к разным классам, то перейти к выполнению этапа дополнения (уточнения) обучающей выборки. Этап дополнения (уточнения) обучающей выборки. Определить разность исходной и сформированной выборок X'=Х/Х*.Correct the elements of the matrix R accordingly, setting: R (s, q) = R (q, s) = - 1; if the two closest instances belong to different classes, then proceed to the execution of the stage of supplementing (refining) the training sample. The stage of supplementing (refining) the training sample. Determine the difference between the original and formed samples X '= X / X * .
Последовательно для каждого s'-го экземпляра <xs', ys'> выборки X', s'=1, 2, …, S' относительно экземпляров сформированной выборки X* найти расстояние (квадрат расстояния) от него до каждого экземпляра выборки X*:Sequentially for each s'th instance <x s' , y s' > of the sample X ', s' = 1, 2, ..., S' relative to the instances of the formed sample X * find the distance (square of the distance) from it to each instance of the sample X * :
если ближайший к s'-му экземпляру экземпляр сформированной выборки принадлежит к другому классу, то включить его в выборку X*:if the closest to the s'th instance of the generated selection belongs to another class, then include it in the selection X * :
В результате выполнения данного метода для исходной выборки X получаем сформированную обучающую выборку X', которая будет обладать основными топологическими свойствами исходной выборки. При этом также из исходной выборки можно получить также тестовую выборку как разность исходной и сформированной обучающей выборок. Разбиение признакового пространства для выборки эмпирических наблюдений необходимо для определения нечетких термов признаков как проекций соответствующих блоков на координатные оси. Формирование разбиения предлагается осуществлять путем их выполнения в приведенной ниже последовательности.As a result of executing this method for the initial sample X, we obtain the formed training sample X ', which will have the basic topological properties of the original sample. At the same time, from the initial sample, it is also possible to obtain a test sample as the difference between the initial and formed training samples. Partitioning the feature space for a sample of empirical observations is necessary to determine fuzzy terms of features as projections of the corresponding blocks on the coordinate axes. It is proposed to form partitions by performing them in the sequence given below.
Шаг 1. Инициализация. Задать обучающую выборку <x, y>.
Шаг 2. По оси каждого признака j=1, 2, …, N определить одномерные расстояния между экземплярами: .
Среди полученных расстояний найти минимальное расстояние, большее нуля:Among the obtained distances, find the minimum distance greater than zero:
Шаг 3. Для каждого признака определить количество интервалов разбиения диапазона его значений:
а также определить длину интервала наблюдаемых значений каждого признака: rj=max(xj)-min(xj), j=1, 2, …, N.and also determine the length of the interval of observed values of each feature: r j = max (x j ) -min (x j ), j = 1, 2, ..., N.
Шаг 4. Разбить ось j-го признака на nj интервалов. Определить координаты левых и правых границ для каждого p-го интервала j-го признака по формулам:
Шаг 5. Сформировать блоки-кластеры и задать номера их классов путем выполнения шагов 5.1-5.8.
Шаг 5.1. Сформировать прямоугольные блоки в N-мерном пространстве признаков на пересечении соответствующих интервалов значений признаков. Занести в Bq, j номер интервала j-го признака, который соответствует q-му блоку.Step 5.1. Form rectangular blocks in the N-dimensional space of features at the intersection of the corresponding intervals of feature values. Enter in B q, j the number of the interval of the j-th feature, which corresponds to the q-th block.
Шаг 5.2. Определить номера классов для прямоугольных блоков в N-мерном пространстве признаков:Step 5.2. Determine the class numbers for rectangular blocks in the N-dimensional feature space:
Установить коэффициент уверенности классификации для блоков:Set the classification confidence factor for blocks:
Шаг 5.3. Для тех блоков, у которых Kq=-1, q=G+1, G+2, …,Step 5.3. For those blocks for which K q = -1, q = G + 1, G + 2, ...,
G+Q, установить: G + Q, install:
где - количество экземпляров k-го класса, попавших в q-й блок-кластер.where - the number of instances of the k-th class that got into the q-th block-cluster.
Шаг 5.4. Для тех блоков, у которых номер класса Kq=0, q=G+1, G+2, …, G+Q, определить расчетный номер класса, для чего предлагается использовать модифицированный нерекуррентный метод потенциальных функций.Step 5.4. For those blocks for which the class number K q = 0, q = G + 1, G + 2,…, G + Q, determine the calculated class number, for which it is proposed to use a modified non-recurrent method of potential functions.
Шаг 5.5. Вычислить расстояние между q-м и р-м блоками, q=G+1, G+2, …, G+Q, p=q+1, …, G+Q, как: Step 5.5. Calculate the distance between q-th and p-th blocks, q = G + 1, G + 2,…, G + Q, p = q + 1,…, G + Q, as:
Или где При этом R(Bq, Bp)=R(Bp, Bq).Or where Moreover, R (B q , B p ) = R (B p , B q ).
Шаг 5.6. Определить потенциал, наводимый совокупностью блоков, принадлежащих к k-му классу, на р-й блок с неизвестной классификацией:Step 5.6. Determine the potential induced by a set of blocks belonging to the kth class to the pth block with an unknown classification:
q=G+1, G+2,..., G+Q, р=q+1.....G+Q.q = G + 1, G + 2, ..., G + Q, p = q + 1 ..... G + Q.
где Lk - количество блоков, принадлежащих к к-му классу, Sq - количество экземпляров обучающей выборки, попавших в q-й блок.where L k is the number of blocks belonging to the k-th class, S q is the number of instances of the training sample that fell into the q-th block.
Шаг 5.7. Установить номер класса для р-го блока с неизвестной классификацией (Кр=0) по формуле: р=G+1, G+2, …, G+Q.Step 5.7. Set the class number for the p-th block with an unknown classification (K p = 0) according to the formula: p = G + 1, G + 2, ..., G + Q.
Шаг 5.8. Модифицировать значения коэффициентов уверенности для блоков: q =G+1, G+2, …, G+Q.Step 5.8. Modify the values of the confidence coefficients for the blocks: q = G + 1, G + 2,…, G + Q.
Шаг 6. Выполнить объединение смежных блоков-кластеров.
Выполнить объединение смежных блоков, принадлежащих к одному и тому же классу: для ∀q, р=G+1, G+2, …, G+Q; q≠р: если Kq>0, Kq=Kp и ∀i≠j:Bq, i=Bp, i, i=1, 2, …, N, j=1, 2, …, N; тогда объединить блоки q и p по j-му признаку:Perform the union of adjacent blocks belonging to the same class: for ∀q, p = G + 1, G + 2,…, G + Q; q ≠ р: if K q > 0, K q = K p and ∀i ≠ j: B q, i = B p, i , i = 1, 2,…, N, j = 1, 2,…, N; then combine blocks q and p according to the j-th feature:
- установить:- install:
- удалить р-й блок: Kp=0, αp=0, Bp, i=0, i=1, 2, …, N.- delete the p-th block: K p = 0, α p = 0, B p, i = 0, i = 1, 2, ..., N.
Шаг 7. Из объединенного множества (ОМ) выделить подмножество экземпляров, относящихся к блокам-кластерам, номера классов которых не совпадают с номерами классов экземпляров. Применить для полученного разбиения и выделенного подмножества процедуру уточнения разбиения и дообучения модели. Шаг 8. Остановить. Уточнение разбиения и дообучение модели. Если имеется разбиение признакового пространства, которое нужно уточнить (дообучить) на основе новых наблюдений <х*, y*>, j=1, 2, …, N; s*=1, 2, …, S*; то необходимо из набора новых наблюдений исключить те наблюдения, которые попадают в блоки имеющегося разбиения и соответствуют им по номеру класса, скорректировав соответствующим образом S*. Для тех наблюдений, которые не совпадают с классами блоков, целесообразно сформировать отдельные точечные кластеры.
Для каждого нового наблюдения сформировать интервалы по признакам и занести в номера интервалов для каждого j-го признака, соответствующие новому кластеру, а также определить:For each new observation, form intervals by signs and enter into interval numbers for each j-th feature, corresponding to the new cluster, and also determine:
где γ - некоторая константа, γ∈.where γ is some constant, γ∈.
Для определения целесообразности применения предложенного метода для конкретной задачи на практике используем нотацию Ландау в так называемом «мягком виде» и оценим сложность этапов предложенного метода. Для этапа инициализации вычислительной сложностью можно пренебречь, а пространственная сложность может быть оценена как O(NS).To determine the feasibility of using the proposed method for a specific problem in practice, we use the Landau notation in the so-called "soft form" and estimate the complexity of the stages of the proposed method. For the initialization step, the computational complexity can be neglected, and the spatial complexity can be estimated as O (NS).
Для этапа анализа характеристик выборки вычислительная сложность составит O(2NS), а пространственная - O(4N). Для этапа расчета обобщенных признаков вычислительная сложность может быть оценена как O(9NS), а пространственная - O(N+S). Для этапа анализа обобщенной оси вычислительная сложность может быть оценена как O(2S2+2S), а пространственная - O(3S+3K1nS). Для этапа анализа характеристик интервалов вычислительная сложность может быть оценена как O(3KS1nS), а пространственная - O(K1nS). Для этапа формирования обучающей выборки вычислительная сложность может быть оценена как O(20KS1nS), а пространственная в виде O(0,2K1nS+0,2S). Для этапа устранения избыточности ОВ вычислительная и пространственная сложность могут быть оценены соответственно как O(0,0016S4+(0,44+0,08N)S2) и O(0,04S2).For the stage of analyzing the characteristics of the sample, the computational complexity will be O (2NS), and the spatial complexity will be O (4N). For the stage of calculating generalized features, the computational complexity can be estimated as O (9NS), and the spatial complexity - O (N + S). For the generalized axis analysis stage, the computational complexity can be estimated as O (2S 2 + 2S), and the spatial complexity - O (3S + 3K1nS). For the stage of analyzing the characteristics of intervals, the computational complexity can be estimated as O (3KS1nS), and the spatial complexity - O (K1nS). For the stage of forming a training sample, the computational complexity can be estimated as O (20KS1nS), and the spatial complexity as O (0.2K1nS + 0.2S). For the stage of eliminating the redundancy of the OB, the computational and spatial complexity can be estimated, respectively, as O (0.0016S 4 + (0.44 + 0.08N) S 2 ) and O (0.04S 2 ).
Для этапа дополнения (уточнения) обучающей выборки вычислительная и пространственная сложность оцениваются соответственно как O((0,48N+0,32)S2) и O(0,8S). Таким образом, общая сложность метода может быть оценена как: вычислительная - O(0,0016S4+0,56NS2+2.76S2+11NS+2S++23KS1nS); пространственная - O(0,04S2+NS+5N+5S+4,2K1nS).For the stage of supplementing (refining) the training sample, the computational and spatial complexity are estimated as O ((0.48N + 0.32) S 2 ) and O (0.8S), respectively. Thus, the overall complexity of the method can be estimated as: computational - O (0.0016S 4 + 0.56NS 2 + 2.76S 2 + 11NS + 2S ++ 23KS1nS); spatial - O (0.04S 2 + NS + 5N + 5S + 4.2K1nS).
Алгоритм коррекции значений настроек регулятора тракта регулирования параметров формирования и редукции выборок, реализован для нахождения номера нечеткого правила вида: (ЕСЛИ Tpi Условиеi И Gj Условиеj ТО Nk «Заключение»)The algorithm for correcting the values of the settings of the regulator of the path for regulating the parameters of the formation and reduction of samples is implemented to find the number of a fuzzy rule of the form: (IF Tpi Condition i AND G j Condition j TO N k "Conclusion")
k=1, 2, …, N, k = 1, 2, ..., N,
при наличии обучающего множества ((D1, N1), …, (DN, NN)), ((D1, ФП1), …, (DN, ФПN)).in the presence of a training set ((D 1 , N 1 ),…, (D N , N N )), ((D 1 , FP 1 ),…, (D N , FP N )).
Для моделирования неизвестного отображения f используется алгоритм нечеткого вывода, применяются предикатные правила: Пi: ЕСЛИ е1 есть Ai1 И Тр1 есть Ai2 И G1 есть Ain, ТО N=Si, i=1, 2, …, m, где Aij - нечеткие множества описывающие высказывания: «отрицательная», «нулевая», «положительная», «малое», «среднее», «большое» и т.д. Si - вещественные числа (номер правила). Степень истинности μ правила i - определяется с помощью операции умножения Ларсена (Larsen):To simulate an unknown mapping f, a fuzzy inference algorithm is used, predicate rules are applied: P i: IF e 1 is A i1 AND T p1 is A i2 AND G 1 is A in , THEN N = S i, i = 1, 2, ..., m, where A ij - fuzzy sets describing statements: "negative", "zero", "positive", "small", "average", "large", etc. S i - real numbers (rule number). The degree of truth μ of rule i is determined using the Larsen multiplication operation:
для моделирования логического оператора «И», выход нечеткой системы Uk определяется методом центра тяжести: Функция ошибки для i-го предъявленного значения вида: Ek=0.5(Uk-Nk) позволяет использовать градиентный метод для подстройки параметров заданных предикатных правил, а величина Si корректируется по соотношению:to simulate the logical operator "AND", the output of the fuzzy system U k is determined by the center of gravity method: The error function for the i-th presented value of the form: E k = 0.5 (U k -N k ) allows you to use the gradient method to adjust the parameters of the given predicate rules, and the S i value is corrected according to the ratio:
i=1, 2, …, m, i = 1, 2, ..., m,
где η - константа, характеризующая скорость обучения сети. Аналогичным образом определяются параметры функции принадлежности.where η is a constant characterizing the network learning rate. The parameters of the membership function are determined in a similar way.
В ситуации неопределенности, т.е. влияния случайных внешних и параметрических возмущений, блок дефаззификации и автоматического регулирования базы правил 9.4 осуществляет их компенсацию в базе правил, а также компенсацию функций принадлежности нового вида (с другими универсумом Е и E'.In a situation of uncertainty, i.e. the influence of random external and parametric disturbances, the block of defuzzification and automatic regulation of the rule base 9.4 performs their compensation in the rule base, as well as compensation of membership functions of a new kind (with other universe E and E '.
Таким образом, тракт регулирования параметров формирования и редукции выборок определяет номер правила (N), необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила. Блок дефаззификации и автоматического регулирования базы правил 9.4 тракта регулирования параметров формирования и редукции выборок самостоятельно производит автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, осуществляя формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей тракта нейросетевого распознавания и классификации 8, обеспечивающего конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект).Thus, the path for regulating the parameters of the formation and reduction of samples determines the number of the rule (N) required for replacement in the main base of rules, as well as a new type of membership function for this rule. The block for defuzzification and automatic regulation of the rule base 9.4 of the path for regulating the parameters of the formation and reduction of samples independently performs the automatic adjustment of its rule base, based on a sample of mathematical models of sea targets, carrying out the formation and reduction of a sample of reference samples of mathematical models of sea targets and correction of the data of the operatively updated library of mathematically processed images of spectrograms of sea targets of the neural network recognition and
Поскольку базы нечетких правил часто характеризуются большим объемом, то наиболее актуальной является задача объединения и преобразования нечетких правил, суть которой заключается в том, чтобы на основе начального набора нечетких правил сформировать новую базу правил меньшего объема, которая в достаточной мере представляла бы начальную базу и была бы менее избыточной.Since the bases of fuzzy rules are often characterized by a large volume, the most urgent task is to combine and transform fuzzy rules, the essence of which is to form a new base of rules of a smaller volume on the basis of an initial set of fuzzy rules, which would sufficiently represent the initial base and be would be less redundant.
Для решения задачи формирования и редукции нечетких правил необходимо привести этапы метода, в соответствие с особенностями решаемой задачи, который представлен в виде последовательности шагов 1-17.To solve the problem of the formation and reduction of fuzzy rules, it is necessary to bring the stages of the method in accordance with the peculiarities of the problem being solved, which is presented in the form of a sequence of steps 1-17.
Шаг 1. Инициализация. Задаются статические параметры работы метода: коэффициенты α, β, p. Для каждого из возможных классов выходных значений создается свое пространство поиска, и, соответственно, свое отдельное множество агентов, отдельный граф поиска, представляющий собой лингвистические термы, которые могут быть включены в правила, а также для каждого пространства поиска рассчитываются эвристические значения значимости отдельного терма.
где - значение эвристической значимости лингвистического терма p для описания класса q; о - экземпляр входной выборки, содержащей N экземпляров; μp(o), μq(o) - значение функции принадлежности объекта о терму р и классу q, соответственно; Т - количество лингвистических термов; K - количество классов. В каждом пространстве поиска каждому узлу графа поиска ставится в соответствие начальное значение количества дискретных составляющих (ДС) τinit где - значение количества ДС для р-го терма в пространстве поиска для q-го класса на первой итерации поиска.where - the value of the heuristic significance of the linguistic term p for describing the class q; o - an instance of the input sample containing N instances; μp(o), μq(o) is the value of the object's membership function about the term p and class q, respectively; T is the number of linguistic terms; K is the number of classes. In each search space, each node of the search graph is associated with the initial value of the number of discrete components (DS) τinit where - the value of the number of DSs for the p-th term in the search space for the q-th class at the first iteration of the search.
Шаг 2. Установить: t=1. Шаг 3. Установить: i=1. Шаг 4. Установить: j=1. Шаг 5. Установить: k=1.
Шаг 6. Выбор терма для добавления в правило j-го агента в пространстве поиска i-го класса.
Шаг 6.1. Для j-го агента на основе правила случайного выбора рассчитывается вероятность включения k-го лингвистического терма в правило, описывающего i-й класс выходного значения где - вероятность добавления k-то терма в правило j-го агента в пространстве поиска для i-го класса; Rj - множество термов, которые могут быть добавлены в правило j-го агента. Формирование данного множества определяет вид правил, которые могут составляться в процессе поиска, то есть предполагается, что правило может включать выражения типа ИЛИ. После добавления терма из данного множества исключается только данный терм, если же предполагается, что правило не может включать выражения типа ИЛИ, то кроме выбранного терма, исключаются и все термы, описывающие данный атрибут.Step 6.1. For the j-th agent, based on the random selection rule, the probability of including the k-th linguistic term in the rule describing the i-th class of the output value is calculated where - the probability of adding the k-th term to the rule of the j-th agent in the search space for the i-th class; R j is the set of terms that can be added to the rule of the j-th agent. The formation of this set determines the type of rules that can be formed during the search, that is, it is assumed that the rule can include expressions of the OR type. After adding a term, only this term is excluded from this set, but if it is assumed that the rule cannot include expressions of the OR type, then in addition to the selected term, all terms describing this attribute are excluded.
Шаг 6.2. Проверить условие где rand (1) - случайное число из интервала [0; 1]. Если условие выполняется, тогда лингвистический терм k добавляется в правило j-го агента, удаляется из множества возможных термов для данного агента и выполняется переход к шагу 7. В противном случае - переход к шагу 6.3.Step 6.2. Check condition where rand (1) is a random number from the interval [0; one]. If the condition is met, then the linguistic term k is added to the rule of the j-th agent, removed from the set of possible terms for this agent, and the transition to step 7 is performed. Otherwise, the transition to step 6.3.
Шаг 6.3. Установить k=k+1.Step 6.3. Set k = k + 1.
Шаг 6.4. Если были рассмотрены все термы, то установить: k=1. Переход к шагу 6.1.Step 6.4. If all terms were considered, then set: k = 1. Go to step 6.1.
Шаг 7. Проверка завершения перемещения j-го агента.
Шаг 7.1. Если множество термов, которые j-й агент может добавить в формируемое правило, пусто, то выполняется переход к шагу 8.Step 7.1. If the set of terms that the j-th agent can add to the rule being formed is empty, then go to
Шаг 7.2. Определяется, сколько экземпляров i-го класса покрывает правило j-го агента.Step 7.2. It is determined how many instances of the i-th class are covered by the rule of the j-th agent.
Шаг 7.2.1. Для экземпляра о, относящегося к классу i, рассчитывается степень соответствия сформированного правила Rj и экземпляра о где match(Rj, o) - степень соответствия между правилом j-го агента Rj и экземпляромо; - мера соответствия между р-м атрибутом в правиле Rj и соответствующим атрибутом экземпляра о. Данная мера рассчитывается следующим образом:Step 7.2.1. For an instance of o belonging to class i, the degree of compliance of the generated rule R j and an instance of o where match (R j , o) is the degree of correspondence between the rule of the j-th agent R j and the instance; - the measure of correspondence between the p-th attribute in the rule R j and the corresponding attribute of the instance o. This measure is calculated as follows:
где q - отдельный терм, относящийся к области описания атрибута р; Qp - количество термов, относящихся к области описания атрибута р.where q is a separate term related to the description area of the p attribute; Q p - the number of terms related to the description area of the attribute p.
Шаг 7.2.2. Проверить условие: match(Rj, о)≥inMatchMin, где inMatchMin - заданный параметр, который определяет, какое минимальное значения соответствия является достаточным, чтобы считать, что правило Rj в достаточной степени описывает объект о. Если условие выполняется, то считается, что данный объект о покрывается правилом Rj.Step 7.2.2. Check the condition: match (R j , о) ≥inMatchMin, where inMatchMin is a given parameter that determines what minimum match value is sufficient to consider that the rule R j sufficiently describes the object о. If the condition is met, then it is considered that this object is covered by the rule R j .
Шаги 7.2.1 и 7.2.2 выполняются для всех экземпляров, относящихся к классу i, и на основании получаемых данных увеличивается счетчик cntMatch, в котором хранится количество экземпляров, покрываемых правилом Rj.Steps 7.2.1 and 7.2.2 are performed for all instances of class i, and based on the received data, the counter cntMatch is incremented, which stores the number of instances covered by the rule R j .
Шаг 7.3. Проверить условие: cntMatch≥nCntMatchMini, где inCntMatchMini - предельное минимальное количество экземпляров i-го класса, которое должно покрываться правилом. Если указанное условие выполняется, то считается, что правило покрывает необходимое количество экземпляров, и j-й агент завершил свое перемещение, выполняется переход к шагу 8. В противном случае - выполняется переход к шагу 5.Step 7.3. Check the condition: cntMatch≥nCntMatchMini, where inCntMatchMini is the limiting minimum number of instances of the i-th class that should be covered by the rule. If the specified condition is met, then the rule is considered to cover the required number of instances, and the j-th agent has completed its movement, go to
Шаг 8. Если j<cntAgents, то установить: j=j+1 и выполнить переход к шагу 5. В противном случае - переход к шагу 9.
Шаг 9. Если i<k, то установить: i=i+1 и выполнить переход к шагу 4. В противном случае - переход к шагу 10.
Шаг 10. Случайным образом формируются базы правил. Создастся nBases баз правил, при этом для описания каждого класса выходного значения выбирается одно правило из соответствующего пространства поиска.
Шаг 11. Оценка качества сформированных баз правил. Для оценки качества баз правил используется входная обучающая выборка, для каждого экземпляра которой выбирается правило с самой высокой степенью совпадения, на основании которого определяется расчетный класс, к которому относится данный экземпляр, основываясь на соответствующей базе правил. Основываясь на данных, полученных при помощи базы знаний, исходя из заданной обучающей выборки, рассчитываем оценку качества базы правил: где cntNotMatch - количество экземпляров, для которых класс был определен неверно с помощью заданной базы правил; Q - качество прогнозирования класса экземпляров на основе соответствующей базы правил.
Шаг 12. Проверить условие: Qhigh≥Qthreshold, где Qhigh - качество прогнозирования базы знаний, которая характеризуется наилучшей точностью прогнозирования; Qthreshold - приемлемое качество прогнозирования. Если указанное условие выполняется, то производится переход к шагу 17, в противном случае - переход к шагу 13.
Шаг 13. Добавление ДС. Добавление ДС выполняется с целью повышения приоритетности тех термов, включение которых в правила способствует повышению качеству прогнозирования результирующих баз правил. В связи с этим количество добавляемого коэффициента приоритетности прямо пропорционально качеству прогнозирования базы правила, в которое входит заданное нечеткое правило. При этом добавление ДС предлагается выполнять только для тех термов, входящих в правила баз нечетких правил, для которых выполняется условие: QΩ≥δ⋅Qhigh, где δ _ коэффициент, определяющий, насколько близко качество прогнозирования базы правил QΩ должно приближаться к лучшему качеству прогнозирования Qhigh, чтобы можно было применять процедуру добавления ДС для правил, входящих в данную базу правил Ω. Таким образом, добавление ДС выполняется для каждого терма, входящего в правило, которое, в свою очередь, входит в базу правил Ω. ∀p∈R, ∀R⊂Ω, где - количество ДС для терма р в пространстве поиска для класса q, который определяется с помощью соответствующего правила.
Шаг 14. Исключение ДС. Для исключения худших термов, то есть таких, которые при включении их в правила, понижают качество прогнозирования с помощью соответствующего правила, применяют процедуру исключения ДС, которая выполняется в конце каждой итерации и применяется для всех узлов во всех графах поиска. Исключение ДС морской цели (МЦ) выполняется в соответствии с формулой: ,, где ρ - коэффициент исключения, который задается при инициализации.
Шаг 15. Если t<tmax, тогда установить: t=t+1 и выполнить переход к шагу 16, в противном случае - считается, что выполнено максимально допустимое количество итераций, и выполняется переход к шагу 17.Step 15. If t <t max , then set: t = t + 1 and go to step 16, otherwise, it is considered that the maximum number of iterations has been completed, and go to step 17.
Шаг 16. Перезапуск агентов. Все данные обновляются, агенты размещаются в случайные точки пространств поиска. Переход к шагу 3. Шаг 17. Останов.
На основе проведенных экспериментов были получены базы нечетких правил, которые характеризовались точностью классификации МЦ данным методом в 85,6%. Следовательно, предложенный метод обеспечивает формирование редуцированной базы нечетких правил, которая характеризуется достаточно точными результатами, сокращая при этом временные затраты на расчет. Существенным достоинством данного метода, является то, что поиск производится одновременно на нескольких графах, что позволяет контролировать влияние термов на качество прогнозирования распознавания разных классов МЦ.On the basis of the experiments carried out, the bases of fuzzy rules were obtained, which were characterized by the accuracy of classification of the MC by this method in 85.6%. Consequently, the proposed method provides the formation of a reduced base of fuzzy rules, which is characterized by sufficiently accurate results, while reducing the time spent on the calculation. An essential advantage of this method is that the search is performed simultaneously on several graphs, which allows you to control the influence of terms on the quality of predicting the recognition of different classes of MC.
В процессе работы способа постоянно происходит коррекция данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей, статистики классификационной характеристики, уточняется описание классов морских целей для текущих гидролого-акустических и помехосигнальных условий, на основании чего формируется актуальный порог для классификации.During the operation of the method, the data of the operatively updated library of mathematically processed images of spectrograms of sea targets, statistics of the classification characteristics are constantly being corrected, the description of the classes of sea targets for the current hydrological-acoustic and noise-signaling conditions is refined, on the basis of which the actual threshold for classification is formed.
Таким образом, обнаружив цель по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объекта, и используя для регулирования параметров формирования и редукции выборок адаптивную нейро-нечеткую коррекцию с комплексным сокращением размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей, а также архитектуру распознающей нейронной сети в виде модифицированной комбинированной распознающей сети, состоящей из сетей Кохонена (конкурирующая сеть) и Гросберга и адаптивной нейро-нечеткой сети ANFIS, использующей гибридный алгоритм обучения, можно в автоматизированном режиме распознавать класс цели по амплитудно-частотным характеристикам и делать вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект). По результатам экспериментальных данных, эффективность классификации морских целей в заявленном способе увеличивается на 7-9% относительно прототипа и других способов классификации, использующих модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов.Thus, having detected a target based on the signs of amplitude-phase modulation of low-frequency pumping signals of the marine environment by radiation and fields of the object, and using adaptive neuro-fuzzy correction with a complex reduction of the data dimension to adjust the parameters of the formation and reduction of samples during automatic adjustment of the rule base due to the formation and reduction of the sample reference samples of the operatively updated library of mathematically processed images of spectrograms of sea targets, as well as the architecture of a recognition neural network in the form of a modified combined recognition network consisting of Kohonen (competing network) and Grosberg networks and an adaptive neural fuzzy network ANFIS, using a hybrid learning algorithm, can be in an automated mode, recognize the target class by the amplitude-frequency characteristics and draw a conclusion about the degree of belonging of the investigated spectral region to the classification object (surface or underwater object). According to the results of experimental data, the efficiency of the classification of sea targets in the claimed method increases by 7-9% relative to the prototype and other classification methods using modulation of low-frequency signals for pumping the marine environment by radiation and fields of objects.
Способ промышленно применим, так как для его реализации используются распространенные компоненты и изделия радиотехнической промышленности и вычислительной техники.The method is industrially applicable, since common components and products of the radio engineering industry and computers are used for its implementation.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021110350A RU2763125C1 (en) | 2021-04-13 | 2021-04-13 | Method for operational identification of marine targets by their information fields based on neuro-fuzzy models |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021110350A RU2763125C1 (en) | 2021-04-13 | 2021-04-13 | Method for operational identification of marine targets by their information fields based on neuro-fuzzy models |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2763125C1 true RU2763125C1 (en) | 2021-12-27 |
Family
ID=80039173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2021110350A RU2763125C1 (en) | 2021-04-13 | 2021-04-13 | Method for operational identification of marine targets by their information fields based on neuro-fuzzy models |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2763125C1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2713206B2 (en) * | 1995-01-31 | 1998-02-16 | 日本電気株式会社 | Underwater acoustic signal detection device |
RU2011124277A (en) * | 2011-06-15 | 2012-12-20 | 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 THE MARINE ENVIRONMENT |
RU2015115231A (en) * | 2015-04-22 | 2016-05-20 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | The method of transmitting information waves from the marine environment to the atmosphere and back |
RU2681242C1 (en) * | 2018-05-21 | 2019-03-05 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Intellectual system for detection and classification of marine targets |
-
2021
- 2021-04-13 RU RU2021110350A patent/RU2763125C1/en active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2713206B2 (en) * | 1995-01-31 | 1998-02-16 | 日本電気株式会社 | Underwater acoustic signal detection device |
RU2011124277A (en) * | 2011-06-15 | 2012-12-20 | 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 THE MARINE ENVIRONMENT |
RU2015115231A (en) * | 2015-04-22 | 2016-05-20 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | The method of transmitting information waves from the marine environment to the atmosphere and back |
RU2681242C1 (en) * | 2018-05-21 | 2019-03-05 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Intellectual system for detection and classification of marine targets |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haykin et al. | Cognitive radar: Step toward bridging the gap between neuroscience and engineering | |
US5884294A (en) | System and method for functional recognition of emitters | |
RU2694846C1 (en) | Method for formation of marine monitoring system with programmable neuron network control system | |
RU2681242C1 (en) | Intellectual system for detection and classification of marine targets | |
Theocharis | A high-order recurrent neuro-fuzzy system with internal dynamics: Application to the adaptive noise cancellation | |
Matuszewski et al. | Neural network application for emitter identification | |
Sova et al. | Development of an algorithm to train artificial neural networks for intelligent decision support systems | |
Nishanth et al. | A computational intelligence based online data imputation method: An application for banking | |
Amari | Mathematical theory of neural learning | |
Abu-Abed et al. | Classification of pre-emergency situations in the process of industrial drilling of oilfield well systems | |
Abu-Abed et al. | Drilling rig operation mode recognition by an artificial neuronet | |
Hong et al. | A cooperative method for supervised learning in spiking neural networks | |
Hosseini Nejad Takhti et al. | Classification of marine mammals using the trained multilayer perceptron neural network with the whale algorithm developed with the fuzzy system | |
RU2763125C1 (en) | Method for operational identification of marine targets by their information fields based on neuro-fuzzy models | |
RU2726992C1 (en) | System for detection and classification of sea targets using mathematical model of target type determination | |
RU2763384C1 (en) | System for operational identification of marine targets by their information fields based on neuro-fuzzy models | |
de Campos Souza et al. | Online active learning for an evolving fuzzy neural classifier based on data density and specificity | |
RU2780606C1 (en) | Method for detecting and classifying naval targets based on neural network technologies and artificial intelligence elements | |
RU2780607C1 (en) | System for detecting and classifying naval targets based on neural network technologies and artificial intelligence elements | |
RU2724990C1 (en) | Method of detecting and classifying sea targets using a mathematical model of determining the type of target | |
Abusnaina et al. | Enhanced MWO training algorithm to improve classification accuracy of artificial neural networks | |
Ruotsalainen et al. | Learning of a tracker model from multi-radar data for performance prediction of air surveillance system | |
WO2022077345A1 (en) | Method and apparatus for neural network based on energy-based latent variable models | |
RU2697719C1 (en) | Marine monitoring system with programmable neuron network control system | |
Sakshi et al. | A Computationally Efficient Weight pruning algorithm for artificial Neural Network classifiers |