Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков

Полезная модель относится к радиолокационной технике и рекомендуется к использованию при распознавании сопровождаемых воздушных объектов с помощью радиолокационных станций, имеющих большое разнообразие зондирующих сигналов.

Задачей полезной модели является повышение достоверности идентификации воздушных объектов за счет использования при распознавании совокупности признаков и двухуровневого построения схемы, принимающей решение.

Выполнение задачи достигается на основе введения в состав известного устройства цифрового коммутатора, S нейросетевых идентификаторов и оперативного запоминающего устройства при соответствующем изменении межблочных связей. Это позволяет использовать при распознавании преимущества двухуровневого нейросетевого распознавания в процессе обработки значений различных признаков и тем самым повысить вероятность принятия правильного решения при идентификации сопровождаемого воздушного объекта.

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

Известно устройство радиолокационного распознавания воздушных объектов по совокупности признаков [1], 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 идентификации (установления типа) воздушных объектов при большом количестве их типов в пределах классов. Увеличение количества распознаваемых типов целей требует проведения большого количества экспериментов для получения 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 взвешенного голосования требует введения коэффициентов значимости признаков. Определение коэффициентов значимости - труднореализуемый процесс, требующий больших временных затрат. А неверное определение коэффициентов значимости снижает эффективность идентификации объектов при ограниченном количестве информативных признаков и широком диапазоне изменений этих признаков.

Известно также устройство нейросетевого распознавания объектов по совокупности признаков [2], состоящее из антенны, антенного переключателя, передатчика, приемника, N полосовых фильтров, N блоков выделения признаков, N аналого-цифровых преобразователей, нейросетевого классификатора и индикатора, причем вход-выход антенны соединен со вход-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, выход каждого из которых соединен с входом соответствующего из N аналого-цифровых преобразователей, выход каждого из которых соединен с соответствующим из N входов нейросетевого классификатора, а каждый s-й вход индикатора подключен к соответствующему s-му из S выходов нейросетевого классификатора, где S - число распознаваемых типов целей.

Данное устройство не обеспечивает высокой вероятности распознавания воздушных объектов при увеличении числа распознаваемых типов. Увеличение количества распознаваемых типов требует усложнения структуры используемой нейросети, усложнения процесса ее обучения и увеличения времени обучения используемой нейросети.

Задачей полезной модели является повышение достоверности идентификации воздушных объектов за счет использования при распознавания совокупности признаков различного характера (природы), а также двухуровневого построения схемы.

Для выполнения поставленной задачи известное устройство [2] дополняют оперативным запоминающим устройством, цифровым коммутатором и S нейросетевыми идентификаторами. При этом выходы N аналого-цифровых преобразователей дополнительно подключают к соответствующим N входам оперативного запоминающего устройства, N выходов которого подключают к соответствующим N вторым входам цифрового коммутатора, к первым S входам которого подключают соответствующие S выходов нейросетевого классификатора, n-й вход каждого s-го нейросетевого идентификатора подключают к соответствующему [(s-1)N+n]-му выходу цифрового коммутатора, каждый j-й выход s-го нейросетевого идентификатора подключают к соответствующему [(s-1)J+j]-му входу индикатора, где S - число распознаваемых классов объектов, a J - число идентифицируемых объектов в пределах каждого класса.

Предложенное построение схемы обеспечивает повышение вероятности правильной идентификации воздушных объектов за счет распознавания объектов в два этапа: сначала определяется класс, а затем идентифицируется тип в пределах установленного класса.

Достоинствами двухуровневого построения нейросетевой схемы распознавания является:

менее жесткие требования к структуре используемых нейронных сетей;

сокращение цикла идентификации объектов, связанное с уменьшением количества слоев в нейронных сетях, используемых в качестве идентификаторов;

предполагаемое повышение вероятности идентификации объектов;

возможность использования специализированной структуры нейронной сети для каждого класса;

возможность оперативной доработки схемы при появлении необходимости распознавания объектов нового, впервые вводимого класса.

Новые элементы предлагаемого устройства широко известны в технике, в том числе и в устройствах радиолокационного распознавания.

На чертеже представлена структурная схема предлагаемого устройства двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков. Устройство содержит антенну 1, антенный переключатель 2, передатчик 3, приемник 4, N полосовых фильтров 5, N блоков выделения признаков 6, N аналого-цифровых преобразователей 7, нейросетевой классификатор первого уровня 8, оперативное запоминающее устройство 9, цифровой коммутатор 10, S нейросетевых идентификаторов 11 по числу распознаваемых классов воздушных объектов, индикатор 12. 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 7, выходы которых подключены к соответствующим N входам нейросетевого классификатора 8, а также к соответствующим N входам оперативного запоминающего устройства, N выходов которого подключены к соответствующим N вторым входам цифрового коммутатора, к первым S входам которого подключены соответствующие S выходов нейросетевого классификатора, n-й вход каждого s-го нейросетевого идентификатора подключен к соответствующему [(s-1)N+n]-му выходу цифрового коммутатора, каждый j-й выход s-го нейросетевого идентификатора подключают к соответствующему [(s-1)J+j]-му входу индикатора, где J - число идентифицируемых объектов в пределах класса.

Устройство двухуровневого нейросетевого распознавания воздушных объектов 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 воздушного объекта, выбранного для распознавания. Результирующий зондирующий сигнал представляет собой совокупность зондирующих сигналов, отличающихся периодом, модуляцией несущей частоты, видом поляризации, сложным 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 искажению. Отраженные от воздушного объекта 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 в последующим определенным образом выделяется n-й признак распознавания. С выходов полосовых фильтров 5 сигналы поступают на входы соответствующих блоков выделения признаков 6, в которых выделяются признаки распознавания воздушных объектов. К числу возможных признаков распознавания следует отнести, например, дальностный портрет [3, 4], амплитудно-частотную характеристику объекта в резонансной и релеевской областях [5, 6], поперечный доплеровский портрет [7, 8], вибрационную характеристику объекта [9, 10], спектральные гармоники турбинного и турбовинтового эффектов [5, 11], скороподъемность объекта, радиальную скорость объекта, поляризационную матрицу рассеяния [5, 6], обобщенный параметр рассеяния, сформированный на основе двухчастотного зондирования [12], частотную индикатрису [13], эффективную площадь рассеяния [5, 6], радиальный или продольный размеры объектов, двумерное радиолокационное изображение [7, 8], курсовой параметр, корреляционную характеристику объекта и т.д.

Сформированные в блоках выделения признаков 6 признаки поступают с их выходов на входы соответствующих N аналого-цифровых преобразователей 7, где происходит преобразование аналоговых сигналов в цифровой вид. При преобразовании в цифровой вид осуществляется нормировка величин сигналов каждого отдельного признака относительно его максимального значения. Это необходимо 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 [14]. В зависимости от вида обрабатываемого признака (например, дальностного портрета) сигналы на выходе аналого-цифровых преобразователей могут иметь векторную форму, и последовательно (поэлементно) передаваться в нейросетевой классификатор, что упрощает схему построения предлагаемого устройства. С выходов N аналого-цифровых преобразователей сигналы, описывающие признаки, поступают в нейросетевой классификатор 8, где производится классификация объектов. Для распознавания классов нейросетевым классификатором 8 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 объекта для каждого распознаваемого класса. Число значений признаков в обучающем массиве для каждого объекта 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. Одновременно с обучающим массивом векторов на этапе обучения нейросетевому классификатору 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 распознаваемых классов. 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 ИНС начинается формирование матрицы весовых коэффициентов таким образом, чтобы при подаче на ее вход значений (векторов) признаков одного из классов 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 первого уровня, который соответствует распознанному классу цели. Например, при принадлежности цели к третьему классу будет получен сигнал вида «00100». В результате нейросетевой классификатор 8 с одного из S выходов подает единичный сигнал на один из S входов цифрового коммутатора 10, где S - число распознаваемых классов. Также с выходов N аналого-цифровых преобразователей 7 сигналы подаются в оперативное запоминающее устройство 9, где происходит запоминание значений используемых при классификации N признаков (на интервал времени, необходимый для принятия решения о классе объекта нейросетевому классификатору). Далее запомненные цифровые значения N используемых признаков распознавания с выхода блока 9 подаются на вторые N входов цифрового коммутатора 10.

Цифровой коммутатор 10 передает поступившие цифровые значения N используемых признаков на тот s-й из S нейросетевых идентификаторов 11, который обучен идентификации типов в пределах установленного на первом этапе распознавания класса. Для проведения распознавания нейросетевым идеентификатором 11 необходимо заранее провести его обучение. Обучение и подготовка к работе нейросетевых идентификаторов 11 происходит аналогично обучению и подготовке нейросетевого классификатора 8, за исключением того, что на вход обучаемого идентификатора подают обучающую выборку предварительно сформированного массива значений признаков каждого распознаваемого типа внутри заданного класса. В результате каждый из нейросетевых классификаторов второго уровня 11 отвечает за распознавание целей на типы внутри определенного класса. Получивший входную информацию s-й из S нейросетевых идентификаторов 11 производит распознавание цели на J типов в том классе объектов, за который он отвечает и формирует, а затем и подает сигнал логической единицы с одного из своих выходов на соответствующий вход индикатора 12. На выходах остальных нейросетевых идентификаторов 11, а также на остальных выходах используемого идентификатора будут нулевые значения сигнала.

Количество входов индикатора 12 равно SJ. По номеру входа индикатор определяет, к какому классу и к какому типу принадлежит распознанный объект. Каждый j-й выход s-го нейросетевого идентификатора 11 подключен к соответствующему [(s-1)J+j]-му входу индикатора 12, где J - число идентифицируемых объектов в пределах класса. Число J выбирают таким, чтобы при наибольшем количестве типов в пределах какого-либо класса обеспечивалась работоспособность устройства. В других идентификаторах 11, где необходимое число распознаваемых типов меньше, останутся незадействованными некоторые выходы, но это не мешает нормальной работе устройства. Такие выходы всегда будут оставаться обнуленными.

При получении единичного сигнала на один из своих входов, индикатор 12 отображает распознанный тип воздушного объекта, а при необходимости и класс объекта. Таким образом, информация о типе объекта доводится до потребителя (до оператора радиолокационной станции).

Положительный технический эффект предлагаемого радиолокационного устройства нейросетевого распознавания воздушных объектов заключается в повышении вероятности их правильной идентификации путем использования двухуровневого способа распознавания с использованием нейросетевых технологий. Это, в свою очередь, позволяет реализовать преимущества автоматического подбора весовых коэффициентов идентификационных признаков, которые могут иметь как числовую, так и векторную форму представления.

Источники информации

1. Свидетельство на полезную модель 6916. МПК⁶ 6 01 S 13/02. Устройство распознавания целей по совокупности признаков. Митрофанов Д.Г. Заявка 97103907 от 14.03.1997. Опубликовано 16.06.1998 (аналог).

2. Свидетельство на полезную модель 82045 МПК⁷ G01S 13/90. Устройство нейросетевого распознавания целей по совокупности признаков. Перехожев В.А., Митрофанов Д.Г., Сафонов А.В., Васильченко О.В., Гаврилов А.Д. Заявка 2008147237 от 2.12.2008. Опубликовано 10.04.2009 (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. Опубликовано 10.11.2008. Бюл. 31.

4. 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.

5. Радиоэлектронные системы. Справочник. Основы построения и теория / Под редакцией Я.Д.Ширмана. - М., Радиотехника, 2007. 510 с.

6. Теоретические основы радиолокации/ Под ред. Я.Д.Ширмана. - М., Сов. радио, 1970. 560 с.

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

8. 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.

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

10. Патент РФ 96100426 МПК⁶ G01S 13/90. Радиолокационное распознающее устройство. Митрофанов Д.Г., Максаков И.М., Печенев А.А. Заявка 2095824 от 10.11.97. Опубл. 9.01.96. Бюл. 31.

11. Макаев В.Е., Васильев О.В. Метод радиолокационного распознавания воздушной цели по «турбинному эффекту» // Радиотехника, 2000 11 с.30-33.

12. Патент РФ 2114443 МПК⁶ G01S 13/02. Устройство распознавания воздушных целей двухчастотным способом. Митрофанов Д.Г., Жигунов П.А., Бондарев Л.А. Заявка 96117136. Приоритет 26.08.1996. Опубл. 26.08.1998. Бюл. 11. с.418.

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

14. Головко В.А. Нейронные сети: обучение, организация и применение / Под ред. А.И. Галушкина. - М.: ИПРЖР, 2001 - 256 с.

Устройство двухуровневого нейросетевого распознавания воздушных объектов по совокупности признаков, содержащее антенну, антенный переключатель, передатчик, приемник, N полосовых фильтров, N блоков выделения признаков, N аналого-цифровых преобразователей, нейросетевой классификатор и индикатор, причем вход-выход антенны соединен со вход-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 n-го из которых соединен с входом соответствующего n-го из N блоков выделения признаков, выход каждого из которых соединен с входом соответствующего n-го из N аналого-цифровых преобразователей, выход каждого из которых соединен с соответствующим n-м из N входов нейросетевого классификатора, отличающееся тем, что в его состав дополнительно вводят цифровой коммутатор, S нейросетевых идентификаторов и оперативное запоминающее устройство, причем выход каждого n-го из N аналого-цифровых преобразователей дополнительно соединяют с соответствующим n-м входом оперативного запоминающего устройства, каждый n-й выход которого подключают к соответствующему n-му второму входу цифрового коммутатора, каждый s-й из S первых входов которого связывают с соответствующим s-м из S выходов нейросетевого классификатора, где S - число распознаваемых классов воздушных объектов, n-й вход каждого s-го нейросетевого идентификатора подключают к соответствующему [(s-1)N+n]-му выходу цифрового коммутатора, а каждый j-й выход s-го нейросетевого идентификатора подключают к соответствующему [(s-1)J+j]-му входу индикатора, где J - число идентифицируемых объектов в пределах класса.