Содержание к диссертации
Перечень сокращений и условных обозначений 4
Введение і 6
7. Постановка задачи и анализ алгоритмов распознавания радиолокацион- 16
ных целей
1.1. Постановка задачи проектирования систем распознавания целей 16
1.1.1. Основы проектирования систем распознавания цели в пространст- 16
венно-разнесенном многодиапазонном радиолокационном комплексе
(МДРК).
1.1.2 . Формирование алфавитов классов воздушных целей 17
Признаки распознавания целей в МДРК 19
Выбор признаков при распознавании целей в МДРК 30
1.2. Анализ алгоритмов распознавания радиолокационных воздушных це- 31
лей
1.2.1. Байесовские одноэтапные и близкие к ним алгоритмы распознава- 32
ния
Непараметрические алгоритмы распознавания 39
Многоэтапные алгоритмы распознавания 43
Нейросетевые алгоритмы 45
Выбор алгоритма распознавания 45
2. Характеристики распознавания целей по диаграммам рассеяния (ДР) 48
2.1. Основные особенности функционирования многодиапазонного радио- 48
локационного комплекса
Определенияи классификация 48
Преимущества многодиапазонного радиолокационного комплекса 49
2.2. Характеристики распознавания целей по ДР в МДРК 53
Многопозиционная эффективная площадь рассеяния 55
Статистические модели входных сигналов в МДРК 58
Распознавание целей по ДР вМДРК 62
3. Разработка алгоритма распознавания целей на основе нейросетевых 66
технологий при использовании в качестве признака диаграмм рассеяния
3.1. Разработка алгоритма распознавания целей на основе нейросетевых 66
технологий
Понятие, классификация и прикладные возможности нейронных сетей 66
Структуры и принципы функционирования нейронных сетей для рас- 70 познавания
Алгоритм распознавания воздушных целей на основе нейросетевых 74
технологий .'
3.1.4. Проектирование системы распознавания воздушных целей в МДРК 87
на базе нейронных сетей
3.2. Методы использования ДР при распознавании целей в МДРК 90
Моделирование исходных данных для проектирования 90
ДР как векторы признака при распознавании 93
Методы использования ДР при распознавании 96
4. Моделирование процесса распознавания и оценка результатов 103
Методы определения характеристик вторичного излучения 103
Варианты распознавания по ДР 109
Выбор программных средств 113
Условия моделирования 114
Процесс моделирования 115
Результаты моделирования распознавания 117
Анализ результатов моделирования 123
Заключение 127
Список литературы 130
Приложение 138
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
АВО Алгоритмы «вычисления оценок»
АРУ Автоматическая регулировка усиления
АЦП Аналого-цифровой преобразователь
БПЛА Беспилотный летательный аппарат
БПФ Быстрое преобразование Фурье
БЭПР Бистатическая эффективная площадь рассеяния
ВР Вероятность распознавания
ДН(А) Диаграмма направленности (антенны)
ДП Дальностный потрет
ДР Диаграмма рассеяния
ДРВР Диаграмма рассеяния с высоким разрешением
ЗРВ Закон распределения вероятностей
ИАП Источник активных помех
ИК Измерительный канал
ИН Искусственный нейрон
ИО Идеальный ограничитель
ЛА Летательный аппарат
ЛЧМ Линейная частотная модуляция
МДРК Многодиапазонный радиолокационный комплекс
МПЭПР Многопозиционная эффективная площадь рассеяния
МЭПР Моностатическая эффективная площадь рассеяния
ММП Метод максимального правдоподобия
МНС Многослойная нейронная сеть
МССВ Мало скоростная средня высотная
НКМРЦ Некооперативные методы распознавания цели
НС Нейронная сеть
ОДПФ Обратное дискретное преобразование Фурье
ОРЛСАО Обзорная РЛС с активным ответом
ОРО Обратное распространение ошибки
ОСШ Отношение «сигнал-шум»
ОСЧ Опознавание «свой - чужой»
ПВО Противовоздушная оборона
РБФ Радиально-базисная функция
РДН Результирующая диаграмма направленности
РДП Радиолокационный дальностный портрет
РЛР Радиолокационное распознавание
РЛС Радиолокационная станция
РЛЦ Радиолокационная цель
СВ Скоростная высотная
СКО Среднеквадратическая ошибка
СМВ Скоростная маловысотная
СРВ Социалистической Республики Вьетнам
ССВ Сверхскоростная высотная
ТЭПР Теневая эффективная площадь рассеяния
УАСР Условный апостериорный средний риск
ЦАП Цифро-аналоговый преобразователь
ЦПОИ Центральный пункт обработки информации
ЧПИ Частота повторения импульсов
ФУПВ Функция условной плотности вероятности
ХРЛР Характеристика радиолокационного рассеяния
ЭВМ Электронная вычислительная машина
ЭПР Эффективная поверхность рассеяния (radar cross section-RCS)
LMS Минимизации среднеквадратической ошибки (least-mean-square)
VLSI Очень широкомасштабная интеграция (Very large scale integrated)
Введение к работе
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 РЛС, которые являются наиболее ресурсоемкими элементами системы [14, 33, 39].
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. Возросли требования к так называемой "сигнальной" информации, используемой для распознавания целей. Несмотря на значительный прогресс в технике основных элементов и устройств РЛС, возросшие требования во многих случаях не удается удовлетворить в рамках традиционного построения РЛС. Необходимо совершенствовать принципы построения радиолокационных станций и систем. Одно из перспективных направлений - разработка и распознавание информации в многодиапазонном радиолокационном комплексе (МДРК), состоящем из разнесенных в пространстве радиолокационных позиций, совместно ведущих радиолокационное наблюдение целей.
Основная идея МДРК состоит в том, чтобы более эффективно использовать информацию, заключенную в пространственных характеристиках электромагнитного поля. Как известно, при облучении цели поле рассеяния создается во всем пространстве. Однопозиционная РЛС извлекает информацию только из одного малого участка поля, соответствующего апертуре приемной антенны [49, 55, 56]. В МДРК информация извлекается из нескольких разнесенных в пространстве участков поля рассеяния цели (или поля излучения источников сигналов), что позволяет существенно повысить информативность, помехозащищен-
7 ность и ряд других важных характеристик. 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.
Диаграммы рассеяния (ДР) цели - типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств [21, 27, 29]. 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. Однако в некоторых случаях важное значение имеет также энергия, рассеиваемая в других направлениях, как, например, для разнесенного, или интерференционного, радиолокатора с непрерывным излучением колебаний, в котором приемник расположен отдельно от передатчика.
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. 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. В качестве признака распознавания в диссертации исследуется диаграмма рассеяния цели, являющаяся интегральной характеристикой эффективной площади рассеяния (ЭПР) цели.
Нейронной сетью (НС) является громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для после-
8 дующей обработки. Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура выстраивает в определенном порядке синаптические веса НС для обеспечения необходимой структуры взаимосвязей нейронов. Использование перечисленных свойств на фоне развития устройств со сверхбольшой степенью интеграции (VLSI) и повсеместного применения вычислительной техники вызвало в последние годы огромный рост интереса к нейронным сетям и существенный прогресс в их исследовании. Создана база для выработки новых технологических решений, касающихся восприятия, искусственного распознавания и обобщения видеоинформации, управления сложными системами, обработки речевых сигналов и т.п. [13, 15, 26, 31, 54].
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 нейронных сетей, освободиться от необходимости построения собственно нейронных сетей доказательства их корректности, стабильности и работоспособности для всех условий решаемых проблем. При решении вех сформулированных задач главными стали выбор и обоснование нужного типа нейронной сети, ее обучение и правильная интерпретация результатов, так как возможность решения с помощью нейронной сети задач прогнозирования, оценки рисков, идентификации, которые относятся к классу "практически безнадежных", принципиально повышает ответственность за полученные результаты.
В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, нейросети сами формируют модель явления в процессе обучения, т.е. практически не требуют априорных данных о модели. После обучения такие системы могут достигать потенциальных пределов качества функционирования при решении задач обнаружения, разрешения - сверхразрешения, оценки параметров сигналов, распознавания образов. Таким образом, применение НС
9 является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания РЛЦ.
Современный этап развития информационных технологий проходит в условиях резкого изменения геополитической ситуации и критериев решения различных проблем в условиях ограничения ресурса. Прибрежная зона становится ареной сосредоточения ресурсных, экологических, оборонных усилий государств. В этой зоне сосредоточено 60% населения и 90% мегаполисов и стратегических объектов, причём тенденция роста этих данных продолжается. Необходимость решения важнейших задач в этой зоне сопряжена с резким снижением информативности существующих систем наблюдения в связи с резким усложнением информационной обстановки. Это связано со сложными условиями формирования информационных полей различной физической природы, обусловленными интенсивными возмущениями естественного и антропогенного происхождения.
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 [17,18, 32].
Всё вышеизложенное является основанием для проведения исследований, направленных на разработку способов повышения качества алгоритмов распознавания воздушных целей в радиолокационных системах.
Известно, что повышение качества информационных структур непосредственно связано с уточнением моделей сигнально-помеховой обстановки, которая над морской поверхностью имеет специфические особенности. Интенсивно развиваемое направление «Комплексное управление прибрежной зоной», где
10 сосредоточены основные противоречия не только прибрежных, но и других государств в условиях прогнозируемого развития систем мониторинга окружающей среды и объектов привело к интенсивной разработке многих вопросов в этой области.
Применительно к рассматриваемому направлению можно указать на работы исследователей ряда организаций: Аганина А.Г., Васильева О.В., Макаева В.Е. [2], Давыдова B.C. [18]; Гилого Л.А. [14]; Горелика А. Л., Барабаша Ю.Л., Кривошеева О.В. [17]; Черняка B.C. [55-57]; Небабина В.Г., Сергеева В.В. [33]; Фархата Н.Х. [51]; Ширмана Я.Д. и его школы [61-65]; Митрофанова Д.Г., Ермоленко В.П. [32]. Из зарубежных исследователей следует указать на работы: August W. Rihaczek, Stephen J. Hershkowitz [67]; Chamberlain N., Walton E., Gar-ber E. [70]; Ray Smith C, Paul M. Goggans [82].
Однако существуют резервы, одним из которых определяется факт, чтсЛ
улучшение качества структур радиолокационного распознавания и используе-\
мых 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 интеллекту
альными возможностями человека. В такой постановке, по мнению автора, за
дача решается впервые. \
Основная цель диссертационного исследования:
Основной целью диссертационного исследования является разработка методов распознавания радиолокационных 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).
Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработку алгоритмов распознавания целей по диаграммам рассеяния в многодиапазонном радиолокационном комплексе.
Разработка нейросетевых алгоритмов распознавания.
Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК.
Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков диаграмм рассеяния и дальностных портретов (ДП) на основе моделирования.
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.
Объект и предмет исследования. Объектом исследования является система радиолокационного распознавания целей в МДРК по диаграммам рассеяния на основе аппарата нейронных сетей. Предметом исследования являются нейросетевые алгоритмы, методы использования ДР при распознавании, обеспечивающие структурно-параметрическое обучение и повышающие вероятность правильного распознавания.
Основные методы исследований. Основными методами исследований являлись анализ и обобщение данных, аналитический расчёт, алгоритмизация и программирование, имитационное моделирование и статистический анализ.
Основным инструментом реализации указанных методов явилось применение общей теории радиолокации, теории рассеяния радиоволн воздушными объектами, теории распознавании радиолокационных целей, теории обработки сигналов, теории искусственных нейронных сетей, объектно-ориентированное моделирование, имитационный машинный эксперимент и сопоставление его результатов с данными, соответствующими реальным условиям использования
12 радиолокационной системы в прибрежной зоне Социалистической Республики
Вьетнам.
Научной новизной обладают следующие результаты, полученные автором в процессе выполнения работы:
Модель распознавания радиолокационных целей по диаграмме рассеяния основанная на использовании аппарата нейронных сетей.
Структура системы радиолокационного распознавания, синтезированная на основе совершенствования её технических характеристик и применяемых сигналов.
Методики использования диаграммы рассеяния при распознавании целей в МДРК на основе нейронных сетей; сравнение эффективности распознавания при использовании в качестве признака диаграмм рассеяния и дальностных портретов.
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:
Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе применения аппарата НС.
Разработан алгоритм распознавания воздушных целей на основе анализа диаграмм рассеяния в многопозиционных многодиапазонных радиолокационных системах с использованием сигмоидальной функции возбуждения нейронов. Выработана рекомендация к выводу числа нейронов в скрытом слое при распознавании по ДР целей.
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.
Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования.
Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов распознавания.
Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, также предложена структурная схема предварительной диаграммы рассеяния с высоким разрешением.
К основным практическим результатам относятся:
Выработаны рекомендации по построению систем радиолокационного распознавания в многопозиционных многодиапазонных радиолокационных системах применительно к задачам, решаемым в системах воздушного наблюдения.
Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов.
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.
Научная новизна заключается в разработке объектно-ориентированной модели информационного канала и использования как инструмента оценки качества и обоснования предложений по улучшению качества систем распознавания при наличии нескольких типов помех. Теоретическая значимость состоит в дальнейшем развитии методов объектно-ориентированного моделирования информационных систем.
Практическая значимость состоит в разработке объектно-ориентированной модели применительно к конкретным реальным условиям. Автор участвовал в
14 ряде работ в Социалистической Республике Вьетнам применительно к теме
диссертационного исследования.
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» [25, 44, 58].
Публикации. По теме диссертации опубликовано 5 научных работ, из них - 4 статьи [9, 10, 59, 60], 1 работа - в трудах научно-практической конференции [8].
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.
Во введении обосновывается актуальность темы, формулируется целевая установка, определяются 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. Анализируются алгоритмы распознавания воздушных целей, включая алгоритмы с использованием аппарата нейронных сетей и делается вывод об их потенциальных возможностях.
Во второй главе 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 рас-
15 познавания по ДР тестовых целей и предложенного метода формирования вектора распознавания выявил ряд признаков, которые могут использоваться для распознавания одиночной и групповой цели, а также распознавания типа самолета.
В третьей главе приводятся данные о разработке алгоритма распознавания целей на основе нейросетевых технологий при использовании в качестве признаков диаграмм рассеяния в МДРК. Производятся оценочные расчёты применения предложенного алгоритма к реальным ситуациям, подтверждающие 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 четвёртой главе проводится экспериментальная проверка предложенных технических решений путем имитационного моделирования.
В заключении приведены итоговые обобщения по выполненному исследованию и предложения по целесообразным направлениям дальнейших исследований. В приложении приведены графические материалы по распознаванию радиолокационных целей в МДРК, полученные в ходе выполненного исследования.
