Методы распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей

Размещено на http://www.allbest.ru/

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

Методы распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей

Специальность: 05.12.14 - Радиолокация и радионавигация

кандидата технических наук

Чинь Суан Шинь

Санкт-Петербург - 2007

Работа выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им. В.И. Ульянова (Ленина)

Научный руководитель - кандидат технических наук, доцент Веремьев В. И.

Официальные оппоненты: засл. деятель науки и техники, доктор технических наук, профессор Стогов Г. В.

кандидат технических наук Нилов М. А.

Ведущая организация - Санкт-Петербургский Государственный Университет Аэрокосмического Приборостроения

Защита состоится « 16___ » _мая____ 2007 г. в 15 часов 00 на заседании диссертационного совета Д 212.238.03 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина) по адресу: 197376, Санкт - Петербург, ул. Проф. Попова, 5.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан « __12___ » апреля 2007 г.

Ученый секретарь

диссертационного совета Баруздин С. А.

радиолокация распознавание нейросетевой алгоритм

Общая характеристика работы

Актуальность проблемы. Развитие радиолокации в последние десятилетия шло под знаком резкого повышения требований к основным характеристикам радиолокационных станций. Это и увеличение дальности действия и значительное увеличение точности, пропускной способности, эффективности защиты от разного рода помех и др. Одно из перспективных направлений - разработка методов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе (МДРК), состоящем из разнесенных в пространстве радиолокационных станций, совместно ведущих радиолокационное наблюдение целей. Основная идея МДРК состоит в том, чтобы более эффективно использовать информацию, заключенную в пространственных характеристиках электромагнитного поля. Развитие МДРК соответствует общей тенденции в технике - объединению отдельных технических средств в системы, в которых благодаря совместному функционированию и взаимодействию элементов значительно улучшаются новые возможности.

Разработка систем распознавания, и в частности радиолокационного распознавания (РЛР), сопряжена с решением целого ряда задач. Центральным является вопрос о словаре признаков, на языке которых производятся как априорные описания классов объектов, так и апостериорное описание распознаваемых объектов. Связано это с тем, что рабочий словарь признаков определяет состав и технические характеристики измерительных средств системы распознавания, в данном случае это радиолокационные станции (РЛС), которые являются наиболее ресурсоемкими элементами системы.

Диаграммы рассеяния (ДР) цели - типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств. При облучении цели электромагнитной волной часть приходящей энергии поглощается, превращаясь в тепло, а остальная переизлучается (рассеивается) в различных направлениях. Наибольший интерес для радиолокации представляет та часть переизлучаемой энергии, которая рассеивается или отражается в обратном направлении.

Нейронные сети (НС) - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Способность биологических систем к обучению, самоорганизации и адаптации обладает большим преимуществом по сравнению с современными вычислительными системами. Важнейшая особенность нейронной сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями и в возможности учета большого объема знаний, накопленных человечеством в этой области. Аппарат нейронных сетей, в частности, нейросетевой логический базис, нашел путь своего применения, прежде всего, благодаря тому, что появились мощные и сверхмощные пакеты математического моделирования (MATLAB, StatSoft и др.), которые позволили при проведении исследований сосредоточиться именно на вопросах применения НС, освободиться от необходимости построения собственно нейронных сетей доказательства их корректности, стабильности и работоспособности для всех условий решаемых проблем.

Необходимость совершенствования систем мониторинга окружающей среды и объектов и способов их применения, оптимизация требований к информационному обеспечению являются важной составной частью проблемы повышения эффективности систем освещения воздушной обстановки и комплексного управления прибрежной зоной Социалистической Республики Вьетнам. Решение проблемы включает ряд направлений, включающих научные и практические задачи разработки алгоритмов обработки сигналов в радиолокационных системах обнаружения, определения координат и распознавания воздушных целей. Всё вышеизложенное является основанием для проведения исследований, направленных на разработку способов повышения качества алгоритмов распознавания воздушных целей в радиолокационных системах.

Одним из которых определяется факт, что улучшение качества структур радиолокационного распознавания и используемых ими сигналов определяются всё более точными моделями сигнально-помеховой обстановки в информационном канале и характеристиками канала, влияющими на отношение сигнал/помеха в точке приёма отражённого от цели сигнала, а также более сложными алгоритмами, соотносящимися с интеллектуальными возможностями человека.

Основная цель диссертационного исследования. Основной целью диссертационного исследования является разработка методов распознавания целей по диаграммам рассеяния в пространственно-разнесённом многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей. Указанная цель достигается решением ряда задач:

1. Анализ, обобщение и уточнение модели распознавания, выбор признаков при распознавании радиолокационных целей (РРЦ).

2. Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработка алгоритмов распознавания целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе.

3. Разработка нейросетевых алгоритмов распознавания.

4. Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграмм рассеяния в качестве признака по одному, двум и трем радарам в МДРК.

5. Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков ДР и дальностных портретов (ДП) на основе моделирования.

6. Исследование зависимости вероятности правильного распознавания от величины сектора наблюдения и выборки угловой дискретизации сигнала, а также определение влияния числа нейронов в скрытом слое на качество распознавания.

Основные методы исследований. Основным инструментом решения указанных задач явилось применение общей теории радиолокации, теории рассеяния радиоволн воздушными объектами, теории распознавании радиолокационных целей, теории статистической радиотехники, теории обработки сигналов, теории искусственных нейронных сетей, объектно-ориентированное моделирование, имитационный машинный эксперимент и сопоставление его результатов с данными, соответствующими реальным условиям использования радиолокационной системы в прибрежной зоне Социалистической Республики Вьетнам.

Научной новизной обладают следующие результаты, полученные автором в процессе выполнения работы:

1. Модель распознавания радиолокационных целей по диаграммам рассеяния, основанная на использовании аппарата нейронных сетей.

2. Структура системы радиолокационного распознавания, синтезированная на основе совершенствования её технических характеристик и применяемых сигналов.

3. Методики использования диаграмм рассеяния при распознавании целей в МДРК на основе нейронных сетей; сравнение эффективности распознавания при использовании в качестве признака диаграмм рассеяния и дальностных портретов.

4. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК.

Научные положения, выносимые на защиту:

1. Разработана модель системы распознавания целей по диаграммам рассеяния в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе применения аппарата НС.

2. Разработан алгоритм распознавания воздушных целей на основе анализа диаграмм рассеяния в многопозиционных многодиапазонных радиолокационных системах с использованием сигмоидальной функции возбуждения нейронов. Разработана рекомендация к выводу числа нейронов в скрытом слое при распознавании по диаграммам рассеяния целей.

3. Исследовано влияние размера сектора наблюдения и влияние угловой дискретизации сигнала на вероятность распознавания целей по ДР в МДРК. Полученные в процессе исследования результаты подтверждают возможность обеспечения необходимых требований при решении задачи радиолокационного распознавания.

4. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования.

5. Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов распознавания.

6. Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, также предложена структурная схема предварительной диаграммы рассеяния с высоким разрешением.

К основным практическим результатам относятся:

1. Выработаны рекомендации по построению систем радиолокационного распознавания в многопозиционных многодиапазонных радиолокационных системах применительно к задачам, решаемым в системах воздушного наблюдения.

2. Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов.

3. Полученные теоретические результаты могут быть использованы в учебном процессе технических вузов России и Вьетнама.

Внедрение результатов работы. Полученные результаты могут быть использованы при разработке технических средств радиолокационного мониторинга воздушного пространства Социалистической Республики Вьетнам.

Апробация работы. Основные результаты работы докладывались на: ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЭТУ «ЛЭТИ» в 2005-2007гг; научно-технических конференциях НИИ “Прогноз” СПб ГЭТУ «ЛЭТИ».

Публикации. По теме диссертации опубликовано 5 научных работ, из них - 4 статьи (3 статьи из перечня изданий, рекомендованных ВАК), 1 работа - в трудах научно - практической конференции.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, двух приложений и списка литературы, включающего 90 наименований. Основная часть работы изложена на 125 страницах машинописного текста. Работа содержит 45 рисунков и 4 таблицы.

Содержание диссертационной работы

Во введении обосновывается актуальность темы, формулируется целевая установка, решаемые научно-практические задачи, являющиеся предметом исследований.

В первой главе на основе анализа существующих и разрабатываемых способов построения многопозиционных и многодиапазонных радиолокационных систем формулируется задача проектирования систем распознавания, формирования алфавитов классов воздушных целей и выбора признаков распознавания целей в МДРК. Формирование словаря признаков и алфавита классов при решении задачи мониторинга воздушного пространства является важным этапом построения алгоритмов распознавания при ограниченном ресурсе.

В качестве признака распознавания в диссертации исследуется диаграмма рассеяния цели, являющаяся интегральной характеристикой эффективной площади рассеяния (ЭПР) цели. ДР имеют множество свойств, соответствующих классификации цели, и могут быть измерены относительно быстро в любой ориентации самолета. Кроме того, для получения ДР необходимы РЛС, обладающие определенными характеристиками. В настоящее время известны три характеристики, описывающие отражающие свойства объекта: моностатическая (), бистатическая () и теневая (), диаграммы рассеяния (МДР, БДР, ТДР). Они соответствуют случаю, когда имеется одна передающая и одна приемная станции, но расположенные различным образом: МДР - приемная и передающая станции пространственно совмещены, БДР - приемная и передающая станции пространственно разнесены, ТДР - приемная и передающая станции пространственно разнесены так, что угол между направлениями визирования на объект с обеих станций близок к 180⁰. В данной работе рассматривается распознавание радиолокационных целей по ДР только в случае МДР.

Использование ДР для классификации самолета имеет недостатки, так как ДР сильно зависят от курса, частоты и поляризации. Однако, в МДРК используются радиолокационные системы, которые работают на разных частотах, в разных поляризациях и расположены в разных местах. Каждая РЛС в МДРК получает значение ДР, потом данные поступают на электронную вычислительную машину (ЭВМ). ЭВМ сравнивает и оценивает полученные данные. На рис. 1 показаны диаграммы рассеяния цели, где - секторы обнаружения при распознавании.

Анализируются алгоритмы распознавания воздушных целей, включая алгоритмы с использованием аппарата нейронных сетей и делается вывод об их потенциальных возможностях. Анализ различных методов обработки сигналов показывает, что байесовский алгоритм позволяет получить оптимальное статистическое решение в задачах распознавания, однако он практически неприменим при решении большинства практических задач. Анализ возможностей нейрокомпьютерных алгоритмов показывает их применимость к решению задач распознавания, а возрастание вычислительных затрат может быть скомпенсировано ростом производительности вычислительных средств.

Во второй главе произведен анализ преимущества многодиапазонного радиолокационного комплекса в областях обработки радиолокационной информации и распознавания целей. Исследуются характеристики распознавания целей по диаграммам рассеяния в МДРК на основе разработанной модели, учитывающей технические факторы и влияние особенностей функционирования МДРК. Исследование предложенного метода распознавания целей в МДРК позволяет определять основные зависимости диаграммы рассеяния от частоты, азимута и поляризации. Теоретический анализ возможностей радиолокационного распознавания по ДР тестовых целей и предложенного метода формирования вектор распознавания выявил ряд признаков, которые могут использоваться для распознавания одиночной и групповой цели, а также распознавания типа самолета.

Одним из перспективных направлений дальнейшего совершенствования радиолокационной техники является создание многодиапазонных - многопозиционных радиолокационных систем, позволяющих значительно повысить дальность действия, пропускную способность, скрытность, помехоустойчивость и живучесть радиолокационной аппаратуры. Однако, современная теория многопозиционной радиолокации находится еще на стадии становления. Поэтому работы, проводимые в интересах дальнейшего ее развития, очень актуальны.

Под МДРК принято понимать совокупность разнесенных в пространстве передающих, приемных или приемопередающих станций, реализующих совместное радиолокационное наблюдение объектов и обработку добываемой информации. На рис. 2 приведена упрощенная структурная схема варианта построения МДРК для того, чтобы распознавать цели. МДРК состоит из трех однопозиционных радиолокационных станций, каждая из которых может выполнять роль приемно-передающей позиции .В диссертации мы рассматриваем только активную радиолокацию. Информация с выхода приемных систем поступает в центральный пункт обработки информации (ЦПОИ), где осуществляется ее идентификация, совместная обработка и формирование управляющих команд для согласованной работы МДРК в целом. Модель системы предназначена для того, чтобы определять параметры радиолокационной радиолокационной системы, которые обеспечивают получение наиболее информативных признаков конкретных целей. Некоординатные признаки объектов невозможно определить непосредственно на основе радиолокационных наблюдений. Их можно получить лишь путем обработки информации об их радиолокационных характеристиках. Определение этих характеристик и исследование возможности использования содержащейся в них информации об объектах и составляет цели и задачи локационного моделирования.

В третьей главе приводятся данные о разработке алгоритма распознавания целей на основе нейросетевых технологий при использовании в качестве признака диаграмм рассеяния в МДРК. Производятся оценочные расчёты применения предложенного алгоритма к реальным ситуациям, подтверждающим более высокую вероятность распознавания при использовании предложенного алгоритма. Исследуются возможность и целесообразность использования разработанных методов на основе сравнения результатов предыдущих и проведенных исследований в ходе работы.

В главе осуществляется выбор структуры нейронных сетей для распознавания по ДР. При использовании НС для реализации процедуры распознавания РЛЦ необходимо решить задачу выбора вектора входов НС и определить внутреннюю структуру НС. Определение внутренней структуры НС является более сложной и неоднозначной задачей. Выбор подходящей НС в основном определен: форма данных входа; способность используемой вычислительной системы; задачи, которые могут выполняться НС. «Внешняя» структура НС полностью определяется вектором входов НС и набором параметров, значение которых необходимо прогнозировать, т.е. число входов определяется количеством элементов входов, число выходов определяется количеством прогнозируемых величин. Мы выбераем логарифмическую сигмоидальную функцию в выходном слое, такая функция активации выбрана потому, что диапазон выходных сигналов для этой функции определен от 0 до 1, и этого достаточно, чтобы сформировать значения выходного слоя. Для скрытого слоя мы выберем функцию активации сигмоидальной. Потому, что многослойные НС с сигмоидальной функцией активации в заключительном анализе были выбраны для распознавания РЛЦ, основанного на радиолокационных сигналах. Главные преимущества этой сети - простота архитектуры и достаточная эффективность распознавания сигнала. Сигмоидальная сеть, в которой ненулевое значение сигмоидальной функции распространяется от некоторой точки в пространстве до бесконечности, решает задачу глобальной аппроксимации заданной функции. Поэтому необходимо понимать, что обобщающие способности радиальных сетей несколько хуже, чем у сигмоидальных сетей, особенно на границах области обучающих данных. Структура сети для распознавания целей по ДР представлена на рис. 3.

В качестве функции активации при обучении сети выбрана сигмоидальная функция. Веса нейронов скрытого слоя пометим верхним индексом (1), а выходного слоя - верхним индексом (2). Примем, что функция активации нейронов задана в сигмоидальной униполярной или биполярной форме. Для упрощения описания будем использовать расширенное обозначение входного вектора сети в виде , где соответствует единичному сигналу. С вектором связаны два входных вектора сети: вектор фактических выходных сигналов и вектор ожидаемых выходных сигналов . Если рассматривать единичный поляризационный сигнал как один из компонентов входного вектора то веса поляризации можно добавить в векторы весов соответствующих нейронов обоих слоев. При таком подходе выходной сигнал нейрона скрытого слоя удается описать функцией:

(1)

в которой индекс 0 соответствует сигналу и весам поляризации, причем , . В выходном слое нейрон вырабатывает выходной сигнал, определяемый как:

(2)

Из формулы (2) следует, что на значение выходного сигнала влияют веса обоих слоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весов выходного слоя.

Методы использования диаграммы рассеяния при распознавании

a. модель распознавания радиолокационных целей по ДР на основе аппарата НС .

Основная цель математического моделирования системы распознавания состоит в том, чтобы оценить ее эффективность при найденном или заданном алфавите классов и предлагаемом в качестве рабочего словаря сигнальных признаков. Наиболее значимый критерий оценки эффективности системы распознавания - вероятность получения правильных решений при распознавании объектов, относящихся ко всем классам алфавита классов. Чтобы оценить эффективность системы распознавания, можно использовать методы математического моделирования функционирования системы и методы физико-математического моделирования, основанные на проведении лабораторных и натурных экспериментов.

Для математического моделирования системы распознавания необходимо построить специальную статистическую модель, на которой реализуется многократное повторение процесса распознавания объектов каждого класса. Модель должна позволять оценивать значение критерия эффективности системы в зависимости от состава алфавита классов при данном словаре признаков и, наоборот, при данном алфавите классов - в зависимости от объема апостериорной информации, т. е. конкретного словаря признаков. Модель должна обеспечивать возможность оценки влияния на значение критерия эффективности системы того или другого сокращения рабочего словаря признаков по сравнению с априорным, погрешностей измерения признаков, ошибок априорного описания классов на языке признаков предполагаемого рабочего словаря.

В данном разделе было рассмотрено представление данных с использованием ДР как векторов признака. Также были выбраны и обоснованы критерии определения шага приращения ракурса для формирования базы данных. Этот подход при распознавании целей особенно подходит для распознавания воздушных целей, поскольку их дальность, скорость и ракурс обычно могут оцениваться с определенной степенью точности. Это позволяет значительно сократить время поиска соответствующих векторов признака, сохраненных в базе данных. Таким образом, ДР с высоким разрешением могут повысить эффективность распознавания, но требуют большего объема памяти и времени вычисления. Современная радиолокация должна использовать различные схемы при различных ситуациях. На рис. 4 показана структура системы обработки данных для распознавания целей в МДРК.

б. Нормирование отметок от цели. На рис. 5 показана структурная схема предварительной обработки диаграммы рассеяния с высоким разрешением (ДРВР). Предварительная обработка с использованием ДР должна обязательно учитывать оба рассмотренных выше соображения. Применяемые для распознавания сложных целей признаки часто нуждаются в нормировании для исключения влияния на них мешающих, без информационных и неизвестных параметров сигнала. Нормирование осуществляется по формуле:

(3)



Нормирование может применяться не только к выявляемым в форме сигнала признакам, но и к самим сигналам. Это нормирование исключает нежелательную зависимость результатов измерения от амплитуд входных сигналов и может быт выполнено одним из известных методов: автоматической регулировкой усиления (АРУ); применением усиления с логарифмической амплитудной характеристикой; применением идеального ограничителя (ИО). Современные радиолокации обычно оснащены системой автоматической регулировки усиления (АРУ), при этом амплитуда полученных сигналов ниже уровня ограничения, но выше уровня шума приемника. Это означает, что отношение абсолютной аплитуды сигнала к шумовому порогу не является постоянным.

в. Некогерентное накопление. В настоящее время нет точных данных об оптимальной величине отношения «сигнал-шум» (ОСШ) при распознавании целей с помощью ДР. Большое ОСШ означает, что рассеиватели более видимы, однако остается нерешенным вопрос о том, насколько большой динамический диапазон цели необходим для распознавания. На практике использование ДР для распознавания основано на относительных расстояниях между главными рассеивателями цели. Отношение сигнал/шум может быть повышено при использовании обычного некогерентного усреднения по последовательности первичных ДР. Если усредняется N ДР, то увеличение ОСШ будет. Перед тем, как осуществлять последовательное усреднение, необходимо осуществить выравнивание ДР, чтобы компенсировать изменение положения цели между последовательными ДР. Это выравнивание может быть выполнено с помощью взаимной корреляции. Выбирается эталонная ДР, с которой все другие ДР коррелируются. Корреляционный с эталонным пик каждой ДР указывает, насколько должна быть перемещена эта ДР для выравнивания. Когда все ДР выровнены, осуществляем их усреднение.

г. Алгоритм объединения решения о классе объекта на основе НС

Рис. 6. Алгоритм объединения решения о классе объекта на основе НС

В четвёртой главе проводится экспериментальная проверка предложенных технических решений путем имитационного моделирования.

а. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания. К числу определяемых характеристик вторичного излучения относят значения эффективных площадей рассеяния целей и элементов их поляризационных матриц на отдельных фиксированных частотах, отклики целей на широкополосные импульсы на различных несущих частотах или на очень короткие видеоимпульсы, модуляционные, флуктуационные и другие статические характеристики целей, характеристики обратного вторичного излучения и его направленности при многопозиционном приеме. Расчет электромагнитного поля, рассеянного некоторыми простейшими телами, проводится на основе точных решений, полученных из уравнений Максвелла. Для объектов более сложной формы используют метод интегральных уравнений, реализуемый численно на ЭВМ.

б. Варианты распознавания. В диссертации рассматривается задача нейрокомпьютерного распознавания классов воздушных объектов на основе характеристики рассеяния сигналов. Рассмотрены два случаи:

- Распознавание по трем группам объектов: объект большого размера включают Ту-16, B-52, В1-В; объект среднего размера включают Миг-21, F-15, Tornado и объект малого размера включают GLCM, ALCM, Decoy.

- Распознавание по отдельному типу цели: Ту-16, В-52, В1-В, Миг-21, F-15, Tornado, GLCM, ALCM, Decoy. На рис. 7 представлен алфавит воздушных целей при распознавании.

в. Выбор программных средств. В качестве основного программного средства разработки нейросетевого приложения был выбран Matlab 6.5, преимуществами которого являются простота создания и обучения нейронных сетей; возможность использования наиболее популярных алгоритмов обучения НС.

г. Условия моделирования. Расчёт диаграмм рассеяния (ДР) 9-ти типов воздушных целей проводился с использованием методики математического моделирования для всех секторов, наблюденных радаров в МДРК. Все обучающие и проверенные ДР получаются с помощью программы «RADAR TARGET BACKSСATTERING SIMULATION», разработанной группой исследования профессора Ширмана Я.Д. На рис. 8 представлена схема структуры при создании данных для обучения и проверки НС. Входной слой содержит N входов, на которые подаются отсчеты портретов ДР в секторе наблюдения (5-30 градусов). Для сокращения числа входов и устранения неопределенности положения в диаграммах рассеяния центрируются по медианному отсчету в меньшем секторе (15 градусов). Число отсчетов зависит от интервала дискретизации сигнала по одному секторе. Промежуточный (скрытый) слой содержит K элементов, конкретное число промежуточных элементов варьировалось в разных опытах от 100 до 700. Выходной слой содержит M = 9 элементов при распознавании типов всех 9-ти целей, M = 3 элемента при распознавании по трем группам целей.

Предъявление портретов ДР целей разных типов чередовалось сначала по группам целей или по одной цели в следующем порядке: ДР первой группы (Ту-16, Б1Б, Б52), ДР второй группы (Миг-21, F15, Tornado), ДР третьи группы (GLCM, ALCM, Decoy) или по отдельным ДР девяти целей: Ту-16, Б1Б, Б52, Миг-21, F15, Tornado, GLCM, ALCM, Decoy. Обучение НС и проверка качества её функционирования проводилось на фоне аддитивного белого шума. ОСШ при обучении составляло в 18 - 30 дБ.

В данной схеме после программы “ФОРМИРОВАНИЯ БАЗЫ ДАННЫХ ПО ЦЕЛЯМ” по каналам K1, K2, K3, соответствующим 3-м отдельным РЛС, чистые (без шума) сигналы поступают в блок 3, где происходит измерение энергии сигнала и вычисление соответствующего шума для требуемого отношения сигнал/шум (ОСШ), затем шум, полученный от генератора «белого» шума (блок 2), добавляется к сигналу для получения смеси сигнал-шум. При моделировании мы должны добавлять шум для получения смеси с ожидаемым ОСШ. Изменяется ОСШ для получения зависимости вероятности правильного распознавания от ОСШ.

д. Процесс моделирования

Эффективность обучения с разными ОСШ. Для оценки эффективности функционирования системы рассмотрим структуры нейронной сети, которые обучаются с разными ОСШ. Проверку функционирования проведём на 450 векторах входа при разных ОСШ. В процессе обучения НС обучается сначала на ОСШ 30 дБ, затем с 24, 20 и 18дБ. Для каждого ОСШ мы выполняем проверку 10 раз на каждом ДР из 450 зашумлённых последовательностей, и каждый раз мы сохраняем результаты на выходе НС. На рис. 9 показано сравнение эффективности распознавания НС, обучающихся при разных ОСШ.

е. Результаты моделирования распознавания

1. Результаты распознавания целей в МДРК без некогерентного накопления

Для этого путём натурного эксперимента или методом моделирования предварительно должны быть определёны и записаны в блок памяти эталонов средние значения ДР для основных типов усредненных типов целей: большая, средняя и малая цель и также производить распознавание по одной цели. Для обучения трехслойной нейронной сети, содержащей 500 промежуточных элементов, непосредственному распознаванию 9-ти типов целей использовалось по 100 портретов ДР каждого типа целей. Само обучение потребовало около трех часов машинного времени (Pentium IV, 3 ГГц, 1 ГБ ОЗУ). Результаты проверки качества распознавания по 450 портретам ДР каждого типа на каждом ОСШ выполнено 10 раз. Чтобы спроектировать нейронную сеть, не чувствительную к воздействию шума, обучение ее производилось с применением идеальных и зашумленных векторов с ОСШ в интервале 18 дБ 30 дБ.

На рисунках 10 - 11 приведены графики эффективности распознавания цели по ДР, полученные при распознавании 9 целей по трем группам и по одной цели в одинаковых условиях обучения для комплексов, состоящих из двух и трех РЛС, в зависимости от двух и трех факторов:

изменения частоты, азимутального угла и изменения частоты, азимутального угла, поляризации сигналов, при распознавании радиолокационных целей по трем группам цели и по одной цели, обучающихся при разных ОСШ в интервале 18 дБ 30 дБ. Число нейронов в скрытом слое - 500, функция активации - сигмоидальная. На рис. 12 приведены графики сравнения эффективности распознавания целей по ДР, при распознавании радиолокационных целей по трем группам цели и по одной цели для разного числа радаров в МДРК.

2. Сравнение результатов распознавания по признакам ДР и ДП

Радиолокационные дальностные портреты (ДП) - один из сигнальных признаков радиолокационных измерений, которые часто используются для классификации самолетов. По существу радиолокационные ДП - одномерные «изображения» самолета, измеренные вдоль линии визирования (по дальности) между радаром и самолетом. В данной работе рассматривается распознавание целей по ДП только во временной области. Как ДР, исследовался также вариант распознавания по ДП, принимается решение о принадлежности ДП по одному из 3-х классов (группа 1 -цель большого, 2 - среднего, 3 - малого размера), и а затем по одной цели в одинаковом условии обучения и в одном условии проверки качества распознавания целей.

На рис. 13 представлено сравнение результатов распознавания по признакам ДР и ДП по трем группам целей и одной цели с использованием сигмоидальной сети. Видно, что эффективность правильного распознавания по ДР в МДРК выше, чем эффективность правильного распознавания по ДП.

3. Результаты распознавания с накоплением сигналов

В главе 3 было показано, что некогерентное накопление позволяет повысить ОСШ, и соответственно, увеличить эффективность распознавания целей. На рис. 14 представлено сравнение результатов распознавания целей в МДРК при некогерентном накоплении 9, 12, 15 импульсов. Видно, что при повышении числа импульсов накопления повышается эффективность распознавания по ОСШ. Таким образом, при распознавании необходимо выполнять накопление сигналов, поскольку накопление является важным способом повышения качества распознавания.

4. Анализ результатов моделирования и выработка требований к построению радиолокационной системы, решающей задачи распознавания с использованием аппарата НС

Рассмотрен общий подход к синтезу алгоритма определения ДР портретов, обеспечивающего требуемое качество решений, и выбраны требования к качеству радиолокационного распознавания. При этом разработаны алгоритмы нейронных сетей на основе трех следующих критериев качества: критерий 1- сравнение эффективности распознавания комплекса, состоящий из 13 РЛС; критерий 2-сравнительный анализ между алгоритмами, использующими в качестве признаков классификации ДР и дальностные портреты (ДП); критерий 3- анализ повышения эффективности радиолокационного распознавания в зависимости от количества импульсов при некогерентном накоплении.

В полученных алгоритмах нейронных сетей требования к качеству выполняются за счет затягивания процедуры распознавания или снижения подробности классификации. Во многих практических задачах РЛР ошибочные распознавания могут вызывать серьезные последствия. Использование алгоритмов нейронных сетей решающих правил позволяет повышать эффективность РЛР за счет исключения ошибочных решений и более оперативного управления процедурой распознавания. Рассмотрен также способ некогерентного накопления импульсов при распознавании на основе нейронных сетей. Особенности при распознавании по ДР в МДРК следующие:

а. Влияние размера сектора наблюдения на вероятность распознавания



Величина сектора наблюдения выбирается исходя из следующих соображений. Если эта величина слишком большая, то при выбранном шаге приращения она приводит к требованию большого объема памяти для хранения информации. Если величина сектора наблюдения слишком маленькая, то будет недостаточно информации для распознавания. В качестве критерия выбора примем следующий: при приращении ракурса цели на один шаг диапазон пространственно-временного изменения основных отражающих элементов цели не должен быть больше разрешающей способности. На рис. 15.а видно, что при решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5 30 градусов.

б. Влияние угловой дискретизации сигнала на вероятность распознавания

При использовании ДР в качестве вектора признака распознавания возникает следующий вопрос: как определить оптимальную величину угловой дискретизации сигнала в каждом угловом секторе наблюдения. Если шаг углового приращения слишком большой, то ДР тестируемой цели может быть слабо коррелированна с ДР при малых угловых значениях ракурса распознаваемой цели. Если шаг углового приращения слишком маленький, то полученные данные потребуют большого объема памяти для хранения используемой информации. Поэтому для формирования базы данных должен быть выбран оптимальный шаг. На рис. 15.б представлены результаты моделирования. Для получения представленных результатов была произведена оценка вероятности правильного распознавания НС с различными значениями угловой дискретизации сигнала. Видно, что при решении задачи радиолокационного распознавания предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 700.

в. Влияние числа нейронов в скрытом слое на вероятность распознавания

Метод моделирования, рассматриваемый в диссертации, позволяет получить зависимость вероятности распознавания от числа нейронов в скрытом слое, из анализа которой можно выбирать соответственно число нейронов при решении задачи распознавания радиолокационных целей. На рис. 16 представлены результаты моделирования. Для получения подобных результатов производилась оценка вероятности распознавания НС с различными числами нейронов при различных отношениях сигнал/шум. Видно, что при решении задачи радиолокационного распознавания целесообразно выбирать число нейронов в пределах 100 700.

Заключение

В результате исследований в работе получены следующие научные результаты:

1. Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе аппарата НС.

2. Сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов обработки. Результаты показывают, что использование в качестве признака распознавания ДР в МДРК является боле эффективным, чем по ДП (1 дБ для распознавания по группе целей и 3 дБ - по одной цели).

3. Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, который показывает возможность повышения вероятности распознавания по ОСШ на 3 5 дБ (для распознавания по группе целей) и на 2 4 дБ (для распознавания по одной цели) при числе накопленных импульсов от 9 до 15.

4. Выполнен анализ необходимого числа нейронов в скрытом слое при распознавании по ДР целей. Показано, что число нейронов должно быть в пределах от 100 700.

5. Исследовано влияние размера сектора наблюдения на вероятность правильного распознавания. Полученные результаты подтверждают возможность обеспечить требования к качеству распознавания. При решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5 30 градусов.

6. Методом цифрового статистического моделирования исследовано влияние угловой дискретизации сигнала на вероятность распознавания в МДРК. Полученные результаты исследования подтверждают возможность обеспечить необходимые требования при решении задачи радиолокационного распознавания. Показано, что предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 700.

Публикации по теме диссертации

1. Чинь Суан Шинь. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания / Чинь Суан Шинь, В.И. Веремьев // Изв. СПб ГЭТУ “ЛЭТИ” (Известия Государственного электротехнического университета). Сер. Радиотехника и телекоммуникации.- 2006.- Вып. 1.- С. 56-60.

2. Веремьев, В.И. Использование диаграммы рассеяния цели в задачах радиолокационного распознавания / В.И. Веремьев, Чинь Суан Шинь // Изв. Вузов России. Радиоэлектроника.- 2006.- Вып. 5.- С. 62-68.

3. Веремьев, В.И. Моделирование алгоритмов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей / В.И. Веремьев, Чинь Суан Шинь // Изв. СПб ГЭТУ “ЛЭТИ” (Известия Государственного электротехнического университета). Сер. Радиотехника и телекоммуникации.- 2006.- Вып. 2.- С. 3-11.

4. Чинь Суан Шинь. Сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и дальностным портретам при использовании нейросетевых алгоритмов / Чинь Суан Шинь, В.И. Веремьев // Естественные и технические науки.- 2006.- .- С. 219-222.

5. Белокуров И.Ю. Пути решения задачи распознавания техногенных метеообразований радиолокационными средствами / И.Ю. Белокуров, В.И. Веремьев, Чинь Суан Шинь // Проблемы прогнозирования и предотвращения чрезвычайных ситуаций и их последствий: тр. науч.- практ. конф. НИИ «Прогноз» СПб ГЭТУ «ЛЭТИ».- Санкт - Петербург 29 ноября 2006.- С. 33 - 35.

Размещено на Allbest.ru

...