Устройство нейросетевого распознавания целей по совокупности признаков

Полезная модель относится к радиолокационной технике и может быть использована при распознавании воздушных целей с помощью радиолокационной станции, имеющей большое разнообразие зондирующих сигналов. Целью полезной модели является повышение достоверности распознавания воздушных целей за счет использования нейросетевого классификатора при обработке расширенного числа признаков. Поставленная цель достигается на основе введения в состав известного устройства N аналого-цифровых преобразователей и нейросетевого классификатора при соответствующем изменении межблочных связей. Это позволяет использовать при распознавании преимущества нейросетевого классификатора в процессе обработки значений различных признаков и тем самым повысить вероятность принятия правильного решения при распознавании класса (типа) цели. Достоинством устройства является возможность его адаптации для работы в различных радиолокационных станций с большим разнообразием зондирующих сигналов.

Полезная модель относится к радиолокационной технике и может быть использована при распознавании воздушных целей с помощью радиолокационных станций, имеющей большое разнообразие зондирующих сигналов.

Известно радиолокационное устройство распознавания воздушных целей [1], состоящее из радиолокационной станции (состоящей из антенны, антенного переключателя, передатчика и приемника), 1-го, 2-го и 3-го полосовых фильтров, 1-го и 2-го умножителей частоты, 1-го, 2-го и 3-го частотомеров, 1-го, 2-го и 3-го головных телефонов, электронно-вычислительной машины и индикатора. При этом выход радиолокационной станции соединен со входом 1-го, 2-го и 3-го полосовых фильтров и входом электронно-вычислительной машины, выход которой соединен со входом индикатора. Выход 1-го полосового фильтра соединен со входом 1-го умножителя частоты, выход которого подключен ко входу 1-го частотомера и 1-го головного телефона. Выход 2-го полосового фильтра соединен со входом 2-го умножителя частоты, выход которого подключен ко входу 2-го частотомера и входу 2-го головного телефона, а выход 3-го полосового фильтра соединен с входом 3-го частотомера и входом 3-го головного телефона. При этом радиолокационная станция включает антенну, связанную своим антенным вход-выходом с вход-выходом антенного переключателя, вход которого связан с выходом передатчика, а выход - со входом приемника, выход которого является выходом радиолокационной станции.

Данное устройство не обеспечивает высокой вероятности распознавания воздушных целей, поскольку она зависит от идентификационных возможностей оператора радиолокационной станции, который определяет класс или тип воздушной цели по окраске звука 1-го, 2-го и 3-го головных телефонов, а также по частотам, измеряемым 1-м, 2-м или 3-м частотомером, или с помощью электронно-вычислительной машины по одному признаку.

Следует учесть, что малое количество признаков не может обеспечить высокую достоверность принятия решения, если алфавит распознаваемых классов (типов) целей велик.

Известно также устройство радиолокационного распознавания воздушных целей по совокупности признаков [2], состоящее из антенны, антенного переключателя, передатчика, приемника, N полосовых фильтров, N блоков выделения признаков, счетно-решающего прибора, блока хранения эталонов, индикатора, причем вход-выход антенны соединен со вход-выходом антенного переключателя, вход которого подключен к выходу передатчика, а выход - ко входу приемника, выход которого соединен с входами N полосовых фильтров, выход каждого из которых соединен со входом соответствующего из N блоков выделения признаков, выход каждого из которых соединен с соответствующим первым из N входов счетно-решающего прибора, вторые N входов которого соединены с соответствующими из N выходов блока хранения эталонов, а выход счетно-решающего прибора соединен с входом индикатора.

Данное устройство не обеспечивает высокой вероятности распознавания воздушных целей при большом количестве распознаваемых классов (типов). Увеличение количества распознаваемых классов (типов) целей требует проведения большого количества экспериментов для составления эталонов признаков и значительно увеличивает материальные затраты при их составлении. Все это сильно усложняет подготовку блока хранения эталонов к работе в составе устройства распознавания. Также необходимо отметить, что использование правила обобщенного или взвешенного голосования требует введения коэффициентов значимости признаков. Определение коэффициентов значимости - труднореализуемый процесс, требующий больших временных затрат. А неверное определение коэффициентов значимости снижает эффективность распознавания целей при ограниченном количестве информативных признаков и широком диапазоне изменений этих признаков.

Целью полезной модели является повышение достоверности распознавания воздушных целей за счет использования при распознавании нейросетево-го классификатора.

Для достижения указанной цели известное устройство [2] дополняют N аналого-цифровыми преобразователями и нейросетевым классификатором, исключая блок хранения эталонов. При этом выходы N блоков выделения признаков подключают ко входам N соответствующих аналого-цифровых преобразователей, выход каждого n-го из которых подключают к соответствующему n-му входу нейросетевого классификатора, а каждый s-й вход индикатора подключают к соответствующему s-му из S выходов нейросетевого классификатора, где S - число распознаваемых классов (типов) целей.

Предложенное построение схемы обеспечивает повышение вероятности правильного распознавания воздушных целей, поскольку оно использует в качестве вычислительного устройства нейросетевой классификатор. Достоинством нейросетевого классификатора является то, что он имеет возможность самостоятельно подбирать веса признаков, влияющих на правильное распознавание воздушной цели и предполагает оперативное программное переобучение при изменении условий функционирования (введение нового класса воздушных целей, изменение летно-технических характеристик летательных аппаратов).

Новые элементы устройства широко известны в технике, в том числе и в устройствах радиолокационного распознавания [3, 4].

На чертеже представлена структурная схема предлагаемого устройства нейросетевого распознавания целей по совокупности признаков. Устройство содержит антенну 1, антенный переключатель 2, передатчик 3, приемник 4, N полосовых фильтров 5, N блоков выделения признаков 6, нейросетевой классификатор 7, индикатор 8, N аналого-цифровых преобразователей 9. При этом антенна 1 связана вход-выходом с вход-выходом антенного переключателя 2, вход которого соединен с выходом передатчика 3, а выход - со входом приемника 4, который своим выходом подключен одновременно ко входу каждого

из N полосовых фильтров 5, выходы которых подключены ко входам соответствующих из N блоков выделения признаков 6, выходы которых подключены ко входам N соответствующих аналого-цифровых преобразователей 9, выходы которых подключены к соответствующим из N входов нейросетевого классификатора 7, S выходов которого подключены к соответствующим S входам индикатора 8.

Устройство нейросетевого распознавания целей по совокупности признаков работает следующим образом. Передатчик 3 формирует сверхвысокочастотные электромагнитные колебания в широком диапазоне частот, которые через антенный переключатель 2 поступают в антенну 1 и излучаются ею в направлении воздушной цели, выбранной для распознавания. Результирующий зондирующий сигнал представляет собой совокупность зондирующих сигналов, отличающихся периодом, модуляцией несущей частоты, видом поляризации, сложным (закодированным) законом повторения импульсов и т.п. При этом разнос по несущей частоте обеспечивает возможность их разделения при приеме, а совместно с законом повторения импульсов и видом поляризации отсутствие вредного взаимодействия сигналов между собой, приводящего к их частичному подавлению. Отраженные от цели сигналы принимаются антенной 1 и через антенный переключатель 2 поступают в приемник 4, где усиливаются и переводятся в область промежуточной частоты, после чего подаются на входы N полосовых фильтров 5. Полосовые фильтры 5 настроены на различные полосы частот. Средняя частота и ширина полосы рабочих частот полосового фильтра определяется частотным диапазоном сигнала, из которого определенным образом выделяется n-й признак распознавания. С выходов полосовых фильтров 5 сигналы поступают на входы соответствующих из N блоков выделения признаков 6, в которых выделяются признаки распознавания воздушных целей. К числу возможных признаков распознавания следует отнести, например, дальностный портрет цели [1, 5], амплитудно-частотную характеристику цели в резонансной и релеевской областях [1], поперечный доплеровский портрет цели [6, 7], вибрационную характеристику цели [8], спектральные гармоники

турбинного и турбовинтового эффектов [9], скороподъемность цели, радиальную скорость цели, поляризационную матрицу рассеяния [1], обобщенный параметр рассеяния, сформированный на основе двухчастотного зондирования, частотную индикатрису цели [10], амплитудно-частотную сигнатуру цели, эффективную площадь рассеяния [9], радиальный или продольный размеры целей, двумерное радиолокационное изображение цели [6, 7], курсовой параметр цели, корреляционную характеристику цели и т.д. Сформированные в блоках выделения признаков 6 признаки поступают с их выходов на входы соответствующих N аналого-цифровых преобразователей 9, где происходит преобразование аналоговых сигналов в цифровой вид. При преобразовании в цифровой вид осуществляется нормировка амплитуд сигналов каждого отдельного признака относительно его максимальной амплитуды. Это необходимо для исключения влияния амплитуды сигнала на результат распознавания, а также для приведения значений сигналов с выходов различных N блоков выделения признаков к одинаковому виду, адаптированному для обработки нейросетевым классификатором. Известно, что искусственная нейронная сеть принимает решение с наименьшей погрешностью, если на ее входы подается вектор со значениями, лежащими в интервале от 0 до 1 [3, 4]. В зависимости от вида обрабатываемого признака (например, дальностного портрета цели) сигналы на выходе аналого-цифровых преобразователей могут иметь векторную форму, и последовательно (поэлементно) передаваться в нейросетевой классификатор, что существенно упрощает схему построения предлагаемого устройства. С выходов N аналого-цифровых преобразователей сигналы, описывающие признаки, поступают в нейросетевой классификатор 7. Нейросетевой классификатор может содержать накопительный буфер и искусственную нейронную сеть. Накопительный буфер наполняется информацией о величинах признаков распознавания последовательно. Поскольку длины векторов различных признаков различаются, то заполнение накопительного буфера данными разных признаков занимает различное время. Поэтому накопительный буфер задерживает в своей оперативной памяти значения поступивших сигналов и передает их одновременно

на входы искусственной нейронной сети только после поступления последнего сигнала (после заполнения всех ячеек памяти буфера). Для проведения распознавания нейросетевым классификатором необходимо заранее провести обучение используемой нейронной сети. Обучение осуществляется на этапе подготовки устройства. Для обучения на вход нейронной сети подают обучающую выборку предварительно сформированного массива значений (векторов) различных признаков цели для каждого распознаваемого класса (типа). Число значений признаков в обучающем массиве для каждой цели выбирается с учетом необходимости эффективного обучения нейросетевого классификатора и зависит от возможностей конкретного нейрочипа. В настоящее время существуют различные алгоритмы обучения нейронных сетей (обратного распространения ошибки, Флетчера-Гальбердта, метод секущей и т.д.), которые применяются в зависимости от выполняемой задачи и выбранного нейрочипа. Вместе с обучающим массивом векторов на этапе подготовки к работе используемой нейронной сети предъявляются целевые вектора. Число целевых векторов всегда совпадает с числом обучающих векторов. Целевые вектора являются двоичными, т.е. состоят из единиц и нулей. Число элементов каждого из целевых векторов совпадает с числом выходов нейросетевого классификатора и соответствует числу S распознаваемых классов (типов) целей. Причем структура целевых векторов для каждого из классов одинакова. Например, при распознавании пяти классов целей и наличии для каждого класса 1000 обучающих векторов общее число векторов обучения и целевых векторов составит по 5000. Для первого класса целевые вектора будут иметь структуру вида «10000», для второго класса - «01000» и т.д. При предъявлении сети обучающих и целевых векторов в нейронной сети начинается формирование матрицы весовых коэффициентов таким образом, чтобы при подаче на ее вход значений (векторов) признаков одного из классов (типов) на ее выходе сформировался двоичный вектор, максимально близкий к целевому вектору именно этого класса. Таким образом, в процессе реального распознавания сигнал логической единицы появляется только на том выходе нейросетевого классификатора, который

соответствует распознанному классу цели. Например, при принадлежности цели к 3-му классу будет получен сигнал логической единицы только на 3-м выходе [3]. В результате нейросетевой классификатор 7 с s-го из S выходов подает единичный сигнал на соответствующий s-й вход из S входов индикатора 8, где S - число распознаваемых классов (типов) целей, as - номер распознанного класса.

В соответствии со значениями кодов у входных сигналов на индикаторе 8 загорается табло, соответствующее распознанной цели. Таким образом, информация о классе (типе) цели доводится до оператора радиолокационной станции.

Положительный эффект предлагаемого радиолокационного устройства распознавания воздушных целей заключается в повышении вероятности правильного распознавания воздушных целей путем использования преимуществ нейросетевых технологий по автоматическому подбору весовых коэффициентов признаков распознавания, которые могут иметь как числовую так и векторную форму представления.

9 Источники информации

1. Небабин В.Г., Сергеев В.Н. Методы и техника радиолокационного распознавания. М., Радио и связь, 1982. с.133, рис.4.22 (аналог).

2. Свидетельство на полезную модель 6916. МПК⁶ G01S 13/02. Устройство распознавания целей по совокупности признаков. Митрофанов Д.Г. Заявка 97103907 от 14.03.1997. Опубл. 16.06.1998 г. (прототип).

3. Патент на полезную модель 77980. МПК⁷ G01S 13/90. Радиолокационная станция с инверсным синтезированием апертуры и двухуровневым нейросетевым распознаванием целей. Митрофанов Д.Г., Сафонов А.В., Гаврилов А.Д., Бортовик В.В., Прохоркин А.Г. Заявка 2008126417 от 1.07.2008. Опубл. 10.11.2008. Бюл. 31.

4. Галушкин А.И. Нейрокомпьютеры: разработка и применение, 2000. 1. с.12-56.

5. Митрофанов Д.Г., Сафонов А.В. Применение вейвлет-анализа для сохранения информативности дальностных портретов воздушных целей при повышении уровня шумов // Электромагнитные волны и электронные системы, 2005. 9. Т.10. с.19-24.

6. Митрофанов Д. Г. Метод построения радиолокационных изображений аэродинамических летательных аппаратов // Полет, 2006. 11. с.52-60.

7. Митрофанов Д.Г. Комплексный адаптивный метод построения радиолокационных изображений в системах управления двойного назначения. // Теория и системы управления. Известия РАН, 2006. 1. с 101-118.

8. Гладкий В.Ф. Прочность, вибрация и надежность конструкции летательного аппарата. М., Наука, 1975. 456 с.

9. Радиоэлектронные системы. Справочник. Основы построения и теория. // Под ред. Я.Д.Ширмана. М., Радиотехника, 2007. 510 с.

10. Трубицын Е.Г., Ермоленко В.П. Алгоритмы распознавания сложных воздушных целей. // Зарубежная радиоэлектроника, 1992. 10. с.82-84.

Устройство нейросетевого распознавания целей по совокупности признаков, содержащее антенну, антенный переключатель, передатчик, приемник, N полосовых фильтров, N блоков выделения признаков и индикатор, причем вход-выход антенны соединен со входом-выходом антенного переключателя, вход которого подключен к выходу передатчика, а выход - к входу приемника, выход которого соединен одновременно с входом каждого из N полосовых фильтров, выход каждого из которых соединен с входом соответствующего из N блоков выделения признаков, отличающееся тем, что в его состав дополнительно вводят нейросетевой классификатор и N аналого-цифровых преобразователей, вход каждого из которых соединяют с выходом соответствующего из N блоков выделения признаков, каждый из N входов нейросетевого классификатора соединяют с выходом соответствующего из N аналого-цифровых преобразователей, а каждый s-й из S входов индикатора подключают к соответствующему s-му из S выходов нейросетевого классификатора, где S соответствует числу распознаваемых классов или типов целей.