Введение к работе
Актуальность темы. Задачи классификации объектов являются одними из наиболее распространенных в практических приложениях. Существует множество математических подходов к классификации объектов, описываемых вектором характеристик фиксированной размерности. Тем не менее, классификация динамического объекта (ДО), вектор характеристик которого меняется во времени, существенно усложняется и, как правило, требует разработки специализированного математического аппарата.
Подобная задача возникает в контуре управления зенитными ракетными комплексами (ЗРК) противовоздушной обороны (ПВО) при отражении массированного ракетно-авиационного налета. Создание программной системы распознавания типа летательного аппарата (ЛА), вошедшего в зону действия ЗРК, позволит существенно повысить эффективность работы зенитной системы ПВО, что подтверждает важность и актуальность темы исследования.
Перспективность данного направления подтверждается работами ведущих отечественных и иностранных разработчиков в области проектирования зенитных и авиационных комплексов. К ним относятся специалисты Военной академии противовоздушной обороны Сухопутных войск РФ во главе с Д.Г. Митрофановым и А.В. Сафоновым, специалисты ФГУП «ГосНИИ авиационных систем» во главе с В.В. Слатиным и В.Ф. Грибковым, специалисты американской корпорации Raytheon Company во главе с Leslie М. Novak и Gregory J. Owirka и др.
В последнее время для решения задач классификации активно применяется аппарат искусственных нейронных сетей. Основным достоинством нейросетей является их высокая способность к обобщению: обученная на ограниченном множестве выборочных данных сеть способна вырабатывать ожидаемую реакцию применительно к данным, не участвовавшим в процедуре обучения.
Другое важное свойство нейронных сетей, свидетельствующее об их огромном потенциале и широких прикладных возможностях, состоит в высокой степени распараллеливания вычислительного процесса. Благодаря этой способности при большом количестве межнейронных связей достигается значительное ускорение процесса обработки информации. Во многих ситуациях становится возможной обработка данных в реальном масштабе времени. Эти характерные свойства нейронных сетей позволяют им решать сложные практические задачи, которые на сегодняшний день считаются трудноразрешимыми.
Использование нейросетевого подхода не требует формального математического описания законов изменения состояния классифицируемого объекта, а предполагает наличие представительного набора образцов экспериментальных данных для обучения системы классификации. Нейросетевые системы классификации быстро адаптируются непосредственно к
свойствам имеющихся экспериментальных данных и могут оперативно корректироваться при предъявлении дополнительной информации.
Как правило, использование нейронных сетей обеспечивает следующие важные свойства и возможности вычислительных систем:
нелинейность;
адаптивность;
универсальность одного решения для целого класса подобных задач;
эффективность программной и аппаратной реализации.
Для решения практических задач с использованием нейросетевой технологии разработано множество универсальных и специализированных программных средств, позволяющих существенно упростить процедуру построения нейросетевых систем обработки данных.
Перспективность применения аппарата искусственных нейронных сетей для решения задач классификации ДО подтверждается работами ведущих исследователей в области нейросетевой обработки информации: В.Л. Дуниным-Барковским (НИИСИ РАН, г.Москва), А.Н. Горбанем (ИВМ СО РАН, г. Красноярск), А.И. Галушкиным (МФТИ, г. Москва), О.А. Мишулиной (МИФИ, г. Москва), С.А. Тереховым (ВНИИТФ, г. Снежинск) и др.
Цель и задачи исследования. Диссертация посвящена разработке нейросетевой системы определения типа ЛА, вошедшего в зону действия ЗРК, на основе ограниченного набора дискретных траекторных измерений, содержащих ошибки, адекватные шумам реальной радиолокационной станции (РЛС) обзора.
Достижение поставленной цели предполагает решение следующих задач.
Обзор предметной области и формальная математическая постановка задачи классификации ЛА по траекторным измерениям.
Разработка способа учета пространственно-временной динамики состояния ЛА.
Синтез структуры системы классификации ДО по ограниченному набору дискретных измерений и разработка алгоритма ее обучения.
Разработка методики оценки степени достоверности принятого системой классификации решения о типе ДО.
Разработка методики учета динамики ранее принятых решений о типе распознаваемого ДО.
Разработка способа улучшения системы классификации за счет более полного учета динамических свойств траектории движения ЛА.
Создание специализированного программного обеспечения для проведения экспериментальных исследований.
Проведение экспериментов с целью подтверждения состоятельности и эффективности синтезированной системы.
Методы исследования. При решении поставленных задач исследования в работе использовались методы системного анализа, теории динамических систем, теории искусственных нейронных сетей, теории оптимизации, теории управления, теории вероятностей, а также методы статистического анализа данных.
Научная новизна. Основные результаты работы являются новыми и заключаются в следующем.
Предложена, теоретически обоснована, реализована и проверена на модельных данных комплексная нейросетевая система классификации ДО по ограниченному набору дискретных наблюдений, полученных с ошибкой. Разработаны соответствующие процедуры обучения и эксплуатации.
Предложено, реализовано и исследовано уникальное нейросетевое решение задачи оценки достоверности результатов классификации путем аппроксимации функции достоверности в локальной окрестности наблюдаемых характеристик ДО, а не интегрально на всем пространстве характеристик.
Синтезированная нейросетевая система классификации ДО и соответствующие алгоритмы обучения апробированы для решения прикладной задачи распознавания типа ЛА в зоне действия ЗРК по ограниченному набору внешних траекторных измерений, выполненных с ошибками. Предложенный подход является новым и не применялся ранее в задачах распознавания ЛА в зоне действия ЗРК.
Проведено множество экспериментов, подтверждающих состоятельность и адекватность разработанных нейросетевых структур и алгоритмов их обучения.
Практическая значимость работы заключается в следующем.
Предложенная в работе нейросетевая система классификации ДО по ограниченному набору зашумленных наблюдений может быть использована для решения прикладной задачи распознавания типа ЛА по внешним траекторным измерениям в системе управления ЗРК, что повысит эффективность работы последних.
Разработанное в ходе исследования методическое, алгоритмическое и программное обеспечение может быть использовано в учебных курсах по программированию, математическим методам классификации и современным применениям теории искусственных нейронных сетей, что позволит повысить уровень подготовки специалистов.
Предложенная система классификации ДО может применяться для решения прикладных задач в других предметных областях, например, в задаче идентификации характера неисправности и ее локализации в сложной технической системе, при диагностике заболеваний и т.п.
Реализация результатов работы. Разработанная в ходе выполнения диссертационной работы нейросетевая система классификации ДО использовалась для решения прикладной задачи, связанной с распознаванием типа ЛА, вошедшего в зону действия ЗРК, во ФГУП «ГосНИИ авиационных систем» (Москва).
Полученные в диссертации результаты использованы в учебном процессе на кафедре «Математическое обеспечение систем обработки информации и управления» МИЭМ (Москва) в рамках дисциплин «Алгоритмические языки и программирование» и «Архитектура ЭВМ».
Использование результатов диссертационной работы и достигнутый при этом эффект подтверждены соответствующими актами внедрения.
Апробация работы. Основные положения диссертации докладывались на следующих конференциях и семинарах:
- VI Международная научно-практическая конференция «Исследование,
разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2008 г.);
Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ (г. Москва, 2008 г.);
Международная конференция молодых ученых и специалистов Московского отделения Международной общественной организации «Академия навигации и управления движением», 1 место за лучший доклад, представленный на секции «Обработка информации в навигационных, спутниковых и интегрированных системах» (г. Москва, 2009 г.);
Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ (г. Москва, 2009 г.);
IX Международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.);
XIX Международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (г. Алушта, 2010 г.);
Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ (г. Москва, 2010 г.).
Научно-техническая конференция студентов, аспирантов и молодых
специалистов МИЭМ (г. Москва, 2011 г.).
Также основные положения диссертации обсуждались на научном семинаре «Управление и устойчивость» под руководством д.т.н., проф. В.Н. Афанасьева.
Результаты научной работы по диссертации вошли в отчеты о НИР:
- «Исследование бинарных моделей знаний для семантических WEB-
технологий, мультиагентного и нейромоделирования». - М.: МИЭМ, 2005. - инв. № 02200903329;
«Разработка методов концептуальной спецификации информационно-технологических и нейросетевых систем». - М.: МИЭМ, 2006. -инв. № 02200805602;
«Разработка методов и языков концептуальной спецификации для Семантического Веба». - М.: МИЭМ, 2007. - инв. № 02200805562;
«Разработка бинарных моделей знаний с нечеткой логикой для Семантического Веба». - М.: МИЭМ, 2008. - инв. № 02200902792;
Отчет на спецтему по СЧ НИР «Известняк-КМ». М.: ГосНИИАС, 2009. - инв. № 0-45869.
Основные положения, выносимые на защиту, заключаются в следующем.
Система классификации ДО по ограниченному набору зашумленных дискретных наблюдений, которая представляет собой сложный комплекс взаимодействующих многослойных нейронных сетей прямого распространения, где каждая сеть характеризуется простой функциональной задачей, а также соответствующие алгоритмы обучения и эксплуатации синтезированной нейросетевой системы.
Методика оценки степени достоверности принятого классификатором решения о типе ДО путем нейросетевой аппроксимации функции достоверности в локальной окрестности текущего наблюдения.
Способ учета пространственно-временной динамики траектории движения ЛА в лаговом пространстве.
Результаты экспериментов, демонстрирующих состоятельность и высокую обобщающую способность синтезированной нейросетевой системы при распознавании типа ЛА в зоне действия ЗРК.
Публикации результатов. Основные результаты диссертационной работы опубликованы в 15 научных работах, среди которых 2 статьи - в периодических научных изданиях, рекомендованных ВАК России, 8 работ - в материалах научных конференций и семинаров.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, библиографического списка и трех приложений. Основная часть работы содержит 130 страниц машинописного текста, включая 28 таблиц, 35 рисунков и перечень использованной литературы из 106 наименований.
