Содержание к диссертации
Введение
ГЛАВА 1. Анализ достоверности и точности измерения угловых координат моноимпульсным методом 11
1.1. Основные принципы моноимпульсной пеленгации 11
1.2. Причины снижения точности измерения угловых координат 18
1.2.1. Флюктуационные ошибки, обусловленные внутренними шумами приёмных каналов 18
1.2.2. Ошибки, обусловленные перекрёстными связями приёмных каналов 21
1.2.3. Аномальные ошибки, обусловленные неоднозначностью пеленгационных характеристик 24
1.3. Обзор методов устранения аномальных ошибок (повышения достоверности измерения) 25
1.3.1. Метод компенсации с использованием дополнительного приёмного канала 25
1.3.2. Метод сравнения сигналов суммарного и разностного каналов моноимпульсного пеленгатора 30
1.3.3. Алгоритмы углового стробирования с использованием заранее выявленных информационных признаков 31
ГЛАВА 2. Повышение достоверности измерения угловых координат моноимпульсным пеленгатором в режиме слежения 42
2.1. Постановка задачи 42
2.2. Алгоритмы повышения достоверности угловых измерений с использованием нейронных сетей 46
2.2.1. Обоснование выбора структуры нейронной сети для решения задачи повышения достоверности угловых измерений 47
2.2.2. Создание, обучение и тестирование многослойных сетей для повышения достоверности измерения угловых координат 49
2.2.3. Анализ работы нейронной сети, предназначенной для снижения угловой неоднозначности 56
2.3. Алгоритмы повышения достоверности угловых измерений для двухдиапазонных РЛС 59
ГЛАВА 3. Повышение достоверности измерения угловых координат моноимпульсным пеленгатором в режиме сопровождения на проходе 64
3.1. Постановка задачи 64
3.2. Алгоритмы повышения достоверности угловых измерений с использованием заранее выявленных информационных признаков 67
3.3. Алгоритмы повышения достоверности угловых измерений с использованием НС 79
ГЛАВА 4. Измерение угловых координат моноимпульсным пеленгатором с использованием нейронных сетей 88
4.1. Постановка задачи 88
4.2. Измерение угловых координат моноимпульсным пеленгатором с помощью нейронных сетей в режиме непрерывного слежения 92
4.3. Измерение угловых координат моноимпульсным пеленгатором с помощью нейронных сетей в режиме сопровождения на проходе 96
Заключение 101
Список сокращений и обозначений 106
Литература 109
Приложения 114
- Причины снижения точности измерения угловых координат
- Алгоритмы повышения достоверности угловых измерений с использованием нейронных сетей
- Алгоритмы повышения достоверности угловых измерений с использованием заранее выявленных информационных признаков
- Измерение угловых координат моноимпульсным пеленгатором с помощью нейронных сетей в режиме непрерывного слежения
Введение к работе
Актуальность работы
Достоверность и точность измерения угловых координат (УК) целей являются одними из важнейших требований, предъявляемых к бортовым радиолокационным системам (БРЛС) различного назначения. При этом под достоверностью измерений УК моноимпульсным пеленгатором (МП) будем понимать вероятность обеспечения измерений с заданной точностью. Повышение точности и достоверности измерений позволяет снизить размер строба, формируемого вокруг первичной отметки цели.
Целесообразность повышения достоверности и точности измерения УК определяется взаимосвязью между показателями качества результатов первичных измерений и вторичной обработки. В режиме слежения или сопровождения цели выбор размера строба, по которому определяется принадлежность отметки к той или иной траектории, определяет вероятность срыва сопровождения и вероятность перепутывания целей.
Актуальность повышения точности измерения УК обусловлена практически прямопропорциональной зависимостью между значением среднеквадратической ошибки (СКО) измерения УК цели и размером строба вторичной обработки. Уменьшение размеров стробов при вторичной обработке приводит к сокращению времени захвата воздушной цели, что весьма актуально для БРЛС переднебокового обзора. Повышение достоверности измерения УК приводит к уменьшению вероятности ложного захвата цели по боковому лепестку и, следовательно, к уменьшению вероятности перепутывания траекторий близко расположенных целей и срыва слежения.
Моноимпульсный датчик, использующий для вычисления УК нормированные сигналы угловых ошибок (СУО), является оптимальным по критерию максимального правдоподобия при условии линейной связи между СУО и значениями УК. Однако пеленгационные характеристики (ПХ) являются линейными только в пределах рабочей зоны (РЗ), соответствующей половине ширины главного лепестка суммарной диаграммы направленности антенны (ДНА). Также неотъемлемым свойством ПХ, обусловленным многолепестковостью ДНА, является неоднозначность, приводящая к аномальным ошибкам измерения УК.
В то же время между данными различных приёмных каналов моноимпульсного пеленгатора существует корреляция, т.к. суммарная, азимутальная, угломестная и квадрупольная ДНА являются линейными комбинациями парциальных диаграмм, соответствующие ПХ – функциями как азимута, так и угла места. Использование не учитываемых ранее взаимосвязей между тремя СУО позволяет существенно повысить потенциальные возможности МП, т.е. повысить достоверность и точность угловых измерений.
Цель и задачи исследований
Целью работы является синтез и анализ алгоритмов повышения достоверности и точности измерения УК на основе совместного использования многоканальных данных моноимпульсных измерений, т.е. сигналов угловых ошибок.
Постановка научной проблемы
МП, ввиду относительной сложности, обусловленной его многоканальностью (наличием трех приемно-усилительных каналов при аддитивной обработке сигналов и четырех каналов при мультипликативной обработке) и трёхмерностью сигналов каждого из каналов, содержащих информацию о дальности, азимуте и угле места, можно рассматривать в качестве объекта радиолокационной системотехники. Согласно её теории, в результате функционального взаимодействия угломерных каналов и наличия взаимосвязи между ними, система приобретает ряд новых свойств, использование которых при решении различных радиолокационных задач позволяет наиболее полно раскрыть потенциальные возможности моноимпульсного метода. Определение и использование таких связей для повышения достоверности и точности измерения УК составляет суть научной проблемы диссертации. При этом следует учитывать, что ввиду многолепестковости и существенной нелинейности ПХ в большей части углов, установление аналитической зависимости между значениями СУО и достоверностью наблюдений труднодостижимо. В связи с этим в работе для аппроксимации такой зависимости широко применялись методы теории информации, распознавания образов и статистического моделирования на ПК.
Методы исследований
В диссертационной работе при разработке новых алгоритмов использовались методы теории вероятностей и математической статистики, статистической теории оценивания, теории информации, теории распознавания образов и статистического моделирования. Для оценки значений информационных признаков (параметров ПХ) использовался метод максимального правдоподобия, а для определения взаимосвязи между СУО различных каналов – методы теории нейронных сетей.
Достоверность результатов исследований подтверждается корректным применением математического аппарата при решении поставленных задач и широким применением метода статистического моделирования на ПК.
Научная новизна работы
-
Установлены новые признаки наличия цели в РЗ, вычисляемые по наблюдаемым данным МП на скользящем временном интервале в режиме сопровождения на проходе (СНП), позволяющие повысить достоверность измерения УК.
-
Установлены новые признаки наличия цели в РЗ для двухдиапазонного МП, вычисляемые по одиночным отсчётам СУО в режиме слежения за целью.
-
Для определения факта наличия цели в рабочей зоне ПХ при многоканальных измерениях впервые предложено использование обученной НС, функционирующей в качестве нелинейного фильтра. Обучение НС должно проводиться по данным измерений МП внутри и за пределами РЗ.
-
Для измерения УК МП в режиме СНП внутри РЗ впервые предложено использовать обученную динамическую НС с набором многоотводных линий задержки в качестве элементов краткосрочной памяти.
-
Проведён анализ эффективности разработанных алгоритмов повышения достоверности и точности измерения УК МП и получены результаты их сравнения с известными методами.
Научная новизна работы подтверждена шестью патентами, теоретические и прикладные результаты исследований изложены в статьях и научно-исследовательских отчётах.
Практическая значимость работы
На основании предложенных в работе технических решений разработаны алгоритмы, позволяющие повысить достоверность и точность измерений УК целей моноимпульсным пеленгатором в различных режимах.
Показана возможность применения нейронных сетей для решения этих задач, найдены структура и параметры нейронных сетей, позволяющие наиболее эффективно решать их.
Техническая реализация и внедрение
Результаты диссертационных исследований использованы в четырёх НИР, проводившихся в ОАО «Корпорация «Фазотрон-НИИР».
Апробация работы
Результаты диссертационной работы докладывались на 1-й Всероссийской научно-технической конференции по проблемам создания перспективной авионики, проходившей в ОАО «Фазотрон-НИИР» в 2002 г., а также на ХVII научно-технической конференции в НИИПриборостроения им. Тихомирова В.В. (г.Жуковский) в 2001 г.
Публикации
Основные результаты диссертационной работы изложены в трёх научных статьях и в тезисах докладов двух научно-технических конференций. Предложенные технические решения подтверждены шестью патентами РФ на изобретения.
Положения, выносимые на защиту
-
Использование последовательных временных отсчётов СУО позволяет существенно (более чем в 10 раз) повысить достоверность измерения УК моноимпульсным пеленгатором в режиме СНП.
-
В качестве эффективного аппроксиматора решающей функции для задачи повышения достоверности измерений моноимпульсным пеленгатором могут быть использованы НС, на вход которых подаются азимутальный, угломестный и квадрупольный СУО.
-
Повышение точности (в 2,5…4 раза в зависимости от значения отношения сигнал-шум) измерения УК моноимпульсным пеленгатором в режиме СНП может быть достигнуто путём использования последовательных временных отсчётов СУО, в частности, путём их обработки с помощью динамической НС.
-
Наличие в БРЛС второго диапазона частот позволяет сформировать дополнительные информационные признаки для двухдиапазонных моноимпульсных пеленгаторов, позволяющие повысить достоверность измерения УК, по сравнению с однодиапазонным моноимпульсным пеленгатором.
Структура и объём работы
Диссертационная работа изложена на 114 машинописных страницах и состоит из введения, четырёх глав, заключения и списка литературы, включающего 51 наименования. Иллюстративный материал представлен в виде 77 рисунков. В Приложениях приведены тексты компьютерных программ.
Причины снижения точности измерения угловых координат
Флюктуационные ошибки измерения УК моноимпульсным методом обусловлены воздействием внутренних шумов приёмно-усилительных каналов на принимаемые сигналы.
Внутренние шумы являются неустранимым фактором, затрудняющим обработку принимаемых сигналов и определяют потенциальные точности и дальности действия моноимпульсного радиолокатора. Вид флюктуационной характеристики (ФХ) а(а,/5) -зависимости среднеквадратического отклонения (СКО) при измерении угловой координаты от угловых координат при отсутствии инструментальной ошибки зависит от отношения сигнал-шум (ОСШ), углового рассогласования цели относительно РСН и крутизны ПХ.
В [2] показано, что при значениях угловых отклонений 8а, S/3 близких к нулю (цель находится вблизи РСН) дисперсия ошибки измерения УК, обратно пропорциональна квадрату крутизны ПХ и отношению сигнал-шум по мощности в суммарном канале:
В отечественной и зарубежной научно-технической литературе рассматриваются только главные сечения ФХ МП. Однако применительно к внеосевой пеленгации также возникает потребность в их оценке и при произвольном угле смещения относительно РСН. Исходными данными для расчёта ФХ являются выборки значений СУ О, измеряемых при наличии внутренних шумов. На рис. 1.3 представлена ФХ МП при ОСШ 15 дБ, полученная путём моделирования сигналов МП на ПК на основании модели, использованной для получения графиков на рис. 1.2. При проведении моделирования внутренние шумы были приведены по входам приёмно-усилительных каналов для суммарного и разностных сигналов и их значений, задаваемых в виде независимой последовательности случайных чисел с нормальным законом распределения с одинаковым СКО, о=\ с нулевым математическим ожиданием. Отношение сигнал-шум q в канале суммарного сигнала устанавливает коэффициент C=10 005q.
Как видно из рис. 1.3, ФХ по угловой координате в пределах основного луча суммарной ДНА представляет собой криволинейную поверхность, обладающую свойством чётной симметрии относительно оси измеряемой координаты. Абсолютный минимум СКО соответствует главному РСН, а максимум достигается на границе основного луча суммарной ДН.
ФХ пеленгационных каналов в пределах основного луча суммарной ДНА представляют собой криволинейные поверхности с чётной симметрией относительно соответствующих координатных осей. СКО каждого из каналов является функцией угловой координаты и в соответствующей, и в ортогональной плоскости пеленгации. Причём, максимальных значений СКО каждого из каналов достигают в главных сечениях соответствующей плоскости пеленгации, а минимальных значений в ортогональной плоскости. Абсолютный минимум СКО соответствует главному РСН, а максимум на границе основного луча суммарной ДНА. Вышеизложенное иллюстрируется рис. 1.4, на котором представлены главные сечения ФХ при значениях ОСШ, равных 15, 20, 25 и 30 дБ.
В моноимпульсных системах результаты измерений пространственных угловых координат цели существенно зависят от перекрёстных связей между каналами пеленгации. При этом сигнал ошибки в каждой плоскости является функцией угловых отклонений цели от РСН как в данной, так и в ортогональной плоскости.
Нулевые сечения азимутальной, угломестной и квадрупольной ПХ для МП с зеркальной антенной приведены на рис. 1.5, 1.6, 1.7 соответственно. На координатной плоскости чёрным цветом выделены направления, при приходе с которых сигнала от цели соответствующий СУО принимает положительное значение.
Алгоритмы повышения достоверности угловых измерений с использованием нейронных сетей
Решение рассмотренной в предыдущем пункте задачи требует определения функции 5(U), подлежащей оптимизации согласно выбранному критерию. В то же время зависимость бинарного выходного признака наличия цели в РЗ или за её пределами от вектора значений СУО носит существенно нелинейный характер, поскольку все ПХ являются существенно нелинейными функциями углового отклонения вне РЗ. Поэтому задача повышения достоверности угловых измерений, и тем более, оптимизация решающей функции 8(U) для этой задачи, могут быть отнесены к классу трудноформализуемых (неформализуемых). Такие задачи имеют следующие особенности:
1. Невозможность описания задачи только в числовой форме и представления целей в терминах точно определённой целевой функции.,
2. Отсутствие алгоритма решения задачи в условиях реальной сложности.
3. Ограничение вычислительных ресурсов делает невозможным применение традиционных алгоритмов. Это особенно актуально для БРЛС с АФАР, в которых использование оптимальных алгоритмов формирования ДНА затруднено из-за ограничения аппаратурных и вычислительных ресурсов [20].
Для решения трудноформализуемых задач широко применяются методы искусственного интеллекта, в том числе нейронные сети. С помощью НС может быть получена аппроксимация оптимальной функции 8(11). Возможности использования НС в качестве аппроксиматора многомерных функций векторного аргумента подробно описаны в [21, 22]. Важнейшим достоинством такого подхода является то, что при этом не требуется знания какой-либо априорной информации об аппроксимируемой функции. Качество работы нейросетевого аппроксиматора зависит от оптимального выбора вида и параметров НС, обучающих образов и процедуры обучения НС. Таким образом, для решения задачи уменьшения угловой неоднозначности с использованием НС необходимо, прежде всего, определить структуру сети, подходящую для решения данной задачи. Вид НС определяется типом модели нейрона, структурой сети и методом обучения [22].
Все НС делятся на две категории по способу обучения: обучающиеся с учителем и самообучающиеся. Очевидно, что в задаче повышения достоверности измерения УК НС, обучающиеся с учителем, оказываются предпочтительней. Это связано с тем, что, во-первых, множество обучающих классифицированных образов (т.е. значения СУО для различных углов отклонения цели от РСН) может быть получено путём моделирования на ПК, а во-вторых, при одном и том же качестве аппроксимации обучение с учителем требует существенно меньшего количества обучающих образов и использует гораздо более простые алгоритмы обучения.
Среди НС, обучаемых с учителем, наибольшее распространение на практике получили многослойные НС (МНС) и РБФ-сети (НС, использующие радиально-базисные функции). Анализ применения РБФ-сетей в задаче повышения достоверности измерения УК подтверждает известные особенности их использования:
1. При большом числе обучающих образов задача определения весовых коэффициентов становится некорректной и для её решения требуется использование методов регуляризации.
2. Использование регуляризации приводит к снижению качества классификации в РБФ-сетях, причём с ростом параметра регуляризации качество резко снижается.
В данном случае число обучающих образов зависит, во-первых, от ; размеров области угловых координат а и Д на которой обучается НС, а во-вторых, от шага дискретизации УК. Так при выделении РЗ двумерной ПХ t в рассматриваемой области ±4,5 по азимуту и по углу места при дискретизации отсчётов СУО 0,1 имеем 8100 отсчётов ПХ, для каждого из которых необходимо задать обучающие образы. Обучение РБФ-сети в этом случае возможно только с использованием методов регуляризации [21]. Проведённый анализ различных видов НС показал, что для рассматриваемой задачи наиболее целесообразным является использование МНС с обучением, согласно алгоритму обратного распространения ошибки (АОРО).
Существенным аргументом в пользу выбора МНС с обучением АОРО является наличие достаточно мощных программных средств для создания, обучения и использования МНС в среде MATLAB.
Согласно сформулированной в п.2.1 постановке задачи, МНС должна выполнять роль аппроксиматора скалярной функции S(U) векторного аргумента U=(UajU$,U4). МНС, на вход которой подаются 3 СУ О, а на выходе формируется признак РЗ /в схеме на рис.2.1 выполняетроль блока формирования признака РЗ. Значение признака РЗ при безошибочной работе МНС определяется следующим образом
Алгоритмы повышения достоверности угловых измерений с использованием заранее выявленных информационных признаков
В результате исследования форм двумерных ПХ МП были выявлены динамические информационные признаки наличия цели в РЗ и за её пределами, которые использованы для синтеза алгоритмов повышения достоверности измерения УК в режиме СНП [7].
Так, отличительными особенностями ПХ в пределах РЗ являются ее нечетная симметрия и постоянство крутизны. В диссертации использованы эти свойства ПХ в качестве информационных признаков для алгоритмов повышения достоверности измерения в режиме СНП.
В работе использована угловая протяжённость единичного отрезка информационного признака по одиночным отсчётам СУО в качестве третьего информационного признака наличия цели в пределах РЗ в режиме СНП.
Предложенные признаки основаны на том факте, что главный лепесток ДН имеет, в отличие от боковых, детерминированную форму, т.е. существуют априорно известные свойства ПХ в рабочем диапазоне углов.
При построчном сканировании ДНА импульсной РЛС в зоне обзора амплитуда сигнала угловой ошибки азимутального канала может быть представлена в виде последовательности отсчетов уп =Ua(an,j3), где а,„ /? - значения угловых рассогласований РСН и УК цели в последовательные моменты времени tm соответствующие моментам появления зондирующих импульсов. Признаком нечетной симметрии ПХ является условие близости к нулю значения статистики
представляющей собой сумму (N+\) отсчетов, выбранных во временном окне \tn.N/2, і„+ш]- Число отсчетов (iV+1) зависит от времени прохода ДНА рабочей зоны и определяется длительностью периода повторения импульсов и скоростью сканирования ДНА. Следует отметить, что строгое равенство нулю статистики (3.2) может быть достигнуто лишь в РСН рабочей зоны при к=0 (у0 = Ua (0, /?) - отсчет, полученный в момент времени to при совпадении азимута цели с РСН) без учета помех и шумов. Поэтому при разработке алгоритма для решения задачи выделения РЗ, при появлении единичного значения признака %, единичное значение присваивается N12 предшествующим и N12 последующим значениям признака, что будет соответствовать настоящему размеру РЗ.
На рис. 3.3 представлены реализации статистики S hifn) при J3=0 для ОСШ 10 дБ (сплошная линия) и 20 дБ (пунктирная линия). Учитывая, что в условиях помех и шумов величина SN+](n) может существенно отличаться от нуля, определим алгоритм формирования признака у4 как где 5o - пороговое значение оценки SN+J(n).
Очевидно, что с помощью подбора параметров S0n N можно менять вероятности ошибок первого и второго рода при применении данного алгоритма.
Реализация при ОСШ 15 дБ алгоритма повышения достоверности измерения УК для СНП, использующего в качестве информационного признака нахождения цели в РЗ нечётную симметрию ПХ, представлена на рис. 3.4. Чёрным цветом на плоскости угловых координат выделены направления, при приходе с которых полезного сигнала, принимается решение об измерении УК, т.е. решение о наличии цели в РЗ. Концентрическими кривыми на рисунке обозначены границы следующих зон: в центре - рабочая зона, соответствующая уровню 0,5 главного лепестка ДНА, вторая концентрическая кривая ограничивает главный лепесток, между второй и третьей концентрическими кривыми находится зона первого бокового лепестка. Из рисунка видно, что уже при ОСШ 15 дБ РЗ распознаётся хорошо. Отметки от ошибок второго рода (чёрные участи за пределами РЗ) имеют протяжённую форму по углу обзора, поскольку, как было сказано, алгоритм построен так, что в случае принятия признаком у4 единичного значения, единичные значения присваиваются также N12 предшествующим и N12 последующим значениям признака
На рис. 3.5. и 3.6. представлены зависимости вероятностей ошибок первого и второго рода, соответственно, от ОСШ. Вид кривой, характеризующей зависимость вероятности ошибки второго рода от ОСШ, представленной на рис. 3.6 объясняется тем, что признак в отсутствие шумов принимает единичные значения за пределами РЗ в 8% угловых направлений прихода сигнала, расположенных компактными зонами, однако при наличии шумов их количество может снизиться из-за неверной оценки статистики (3.2).
Измерение угловых координат моноимпульсным пеленгатором с помощью нейронных сетей в режиме непрерывного слежения
НС при решении с её помощью задачи измерения УК должна выполнять роль аппроксиматора некоторой оптимальной скалярной функции векторного аргумента U=(Ua,Up,U . При этом в режиме непрерывного слежения для измерения УК могут быть использованы только одиночные отсчёты СУО. МНС, на вход которой подаются 3 СУО, а на выходе формируются оценки азимута и угла места, в схеме, представленной на рис.4.4 выполняет роль блока вычисления углового отклонения.
В работе при создании МНС в среде MATLAB была использована функция newff. Для создания МНС необходимо указать число L слоев МНС и количество т нейронов в каждом слое. Число нейронов входного слоя соответствует числу входных параметров и равно трём, выходной слой содержит два нейрона, на выходе которых будут формироваться оценки УК.
Окончательный выбор числа промежуточных слоев и числа нейронов в них определяется в процессе оптимизации параметров МНС.
Для обучения МНС в среде MATLAB необходимо создать два массива, XR и YR (см. тексты программ в Приложении) - массив обучающих образов и массив соответствующих откликов (выходных значений) МНС. Массив XR, размером nix щ, содержит набор обучающих образов, записанных по столбцам. Обучающий образ с номером і представляет собой вектор-столбец, содержащий три значения - по одному отсчёту азимутального, угломестного и квадрупольного СУО, т.к. в режиме слежения для решения задачи повышения достоверности угловых измерений могут быть использованы только одиночные отсчёты СУО, П\=Ъ.
Массив YR, размером 2х п2 содержит набор желаемых откликов МНС (значения истинных значений азимута и угла места), соответствующих обучающим образам XR(:, і). Обучающие образы, т.е. значения элементов массива XR, формируются путём моделирования на ПК значений СУО, согласно схеме обработки сигналов на рис.4.4. При моделировании учитывалась форма парциальных ДНА (см. главу 1) и наличие внутренних шумов в приёмном тракте МП. Число обучающих образов п2 зависит от размеров рассматриваемой зоны угловых рассогласований. В работе для оценки эффективности методов измерения УК рассматривалась только РЗ. При использовании модели сигналов, подробно рассмотренной в главе 1, размер рассматриваемой зоны составляет 22x22 отсчётов. Для каждого углового отклонения должно быть задано несколько зашумлённых обучающих значений СУО.
При проведении моделирования оказалось, что достаточно К=\0 таких значений для эффективного обучения сети. Следовательно, общее число обучающих образов п2=22х22хК = 4840.
Цель тестирования НС для задачи измерения УК МП заключается в подборе архитектуры и параметров сети, которые обеспечат минимальные СКО оценок двух УК в пределах РЗ (минимальные погрешности распознавания комбинаций СУО, соответствующих определённым УК) по зашумлённым выборкам СУО, которые не принимали участия в обучении.
В процессе тестирования НС было выбрано оптимальное число слоев МНС и число нейронов в промежуточных слоях, а также определён качественный (ОСШ) и количественный (К) состав множества обучающих образов.
Для решения задачи измерения УК были рассмотрены различные сети, с помощью компьютерного моделирования проведены исследования их эффективности для решения данной задачи и была выбрана сеть типа многослойный персептрон. Был произведён подбор параметров, в результате чего наиболее эффективным для решения задачи был признан трёхслойный персептрон, внутренний слой которого содержит сто нейронов. Схема такой НС представлена на рис. 4.5.
На рис.4.6 представлен график зависимости СКО измерения азимута с помощью НС от угловых координат в пределах РЗ при q=\5дБ, полученный в результате компьютерного моделирования.
На рис.4.7 представлен график зависимости усреднённой по РЗ СКО измерения азимута с помощью НС в режиме непрерывного слежения от отношения сигнал-шум, также полученный в результате компьютерного моделирования. Этот график следует сравнить с аналогичной зависимостью СКО от значения ОСШ, полученной при традиционной моноимпульсной обработке, приведённой на рис. 4.7.
