Pages Navigation Menu

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ПИ № ФС 77 - 51217

DOI: https://doi.org/10.18454/IRJ.2016.46.001

Скачать PDF ( ) Страницы: 204-210 Выпуск: № 4 (46) Часть 2 () Искать в Google Scholar
Цитировать

Цитировать

Электронная ссылка | Печатная ссылка

Скопируйте отформатированную библиографическую ссылку через буфер обмена или перейдите по одной из ссылок для импорта в Менеджер библиографий.
Фам Ф. К. НЕЙРОСЕТЕВАЯ СХЕМА РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ ПО РАДИОЛОКАЦИОННЫМ ДАЛЬНОСТНЫМ ПОРТРЕТАМ / Ф. К. Фам // Международный научно-исследовательский журнал. — 2016. — № 4 (46) Часть 2. — С. 204—210. — URL: https://research-journal.org/technical/nejrosetevaya-sxema-raspoznavaniya-vozdushnyx-celej-po-radiolokacionnym-dalnostnym-portretam/ (дата обращения: 23.07.2017. ). doi: 10.18454/IRJ.2016.46.001
Фам Ф. К. НЕЙРОСЕТЕВАЯ СХЕМА РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ ПО РАДИОЛОКАЦИОННЫМ ДАЛЬНОСТНЫМ ПОРТРЕТАМ / Ф. К. Фам // Международный научно-исследовательский журнал. — 2016. — № 4 (46) Часть 2. — С. 204—210. doi: 10.18454/IRJ.2016.46.001

Импортировать


НЕЙРОСЕТЕВАЯ СХЕМА РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ ПО РАДИОЛОКАЦИОННЫМ ДАЛЬНОСТНЫМ ПОРТРЕТАМ

Фам Фыонг Кыонг

Стажер, Московский технологический университет (МИРЭА)

НЕЙРОСЕТЕВАЯ СХЕМА РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ЦЕЛЕЙ ПО РАДИОЛОКАЦИОННЫМ ДАЛЬНОСТНЫМ ПОРТРЕТАМ

Аннотация

Обсуждается проблема автоматического распознавания воздушных целей на основе анализа их радиолокационных дальностных портретов. Процедура радиолокационного распознавания включает последовательное решение двух задач. Первая задача состоит в формировании классификационных признаков воздушных целей по дальностным портретам, позволяющих отличать друг от друга. Вторая задача – нейросетевая идентификация дальностных портретов  по совокупности полученных признаков. Рассматривается метод классификации на основе радиальных базисных сетей.

Ключевые слова: радиолокация, распознавание воздушных целей, радиолокационные дальностные портреты, морфологические и геометрические информативные признаки, нейросетевые алгоритмы идентификации, радиальая базисная сеть.

Pham Phuong Cuong

Apprentice, Moscow Technological University

NEURAL NETWORK SCHEME FOR AERIAL TARGET RECOGNITION BY RADAR RANGE PROFILES

Abstract

This article discusses the problem of automatic aerial target recognition based on analysis of radar range profiles and questions of informative signature formation. The procedure of radar recognition includes sequential two tasks. The first task is to build classification signatures of aerial targets using range profiles, which allow to distinguish targets from each other. The second task – neural network identification of range profiles by gather of obtained signatures. Classification method based on radial basis neural networks are examined.

Keywords: radar, aerial taget recognition, radar range profiles, morphological, geometric informative signatures, neural network algorithm for indentify, radial basis neural network.

Радиолокация – это область радиоэлектроники, занимающаяся обнаружением объектов (целей), определением их пространственных координат, параметров движения и физических характеристик с помощью радиотехнических средств и методов [1]. Перечисленные задачи решаются в процессе радиолокационного наблюдения, а устройства, предназначенные для этого, называются радиолокационными станциями (РЛС).

Необходимую для распознавания протяженных воздушных целей (ВЦ) информацию могут давать радиолокационные дальностные портреты (ДП), называемых в англоязычной литературе «range profile» [2–4]. В настоящей статье исследуются вопросы построения систем автоматического распознавания ВЦ на основе анализа их ДП.

В выполненных исследованиях использовалась программа моделирования ДП воздушных целей «Radar Target Back Scattering Simulation» (BSS), разработанная Я.Д.Ширманом и его коллегами [5].

09-03-2016 12-19-53

Рис.1 –  Дальностный портрет ЛА

Радиолокационные дальностные портреты

Дальностный портрет (дальностный профиль) является одномерной характеристикой радиолокационных целей. Это отклик объекта наблюдения при облучении широкополосным импульсом во временной области. Рис. 1 иллюстрирует принцип формирования радиолокационного дальностного портрета летательных аппаратов (ЛА) [2].

На каждом дальностном отсчете амплитуда полученного сигнала дает силу отраженного сигнала. На рис. 1 показаны основные части самолета, которые создают ДП.

Отметим, что видимая длина объектов на ДП может отличаться от его физической длины из-за двух эффектов. Сигнал, отражающийся в строну РЛС, может далее подвергаться отражению от других рассеивателей цели, вследствие чего повышается временная задержка, которая и появляется в структуре ДП. Второй эффект обусловлен сокрытием одних частей самолета другими: некоторая часть самолета может быть скрыта его большой частью, которая находится между первой и РЛС. В итоге уменьшается энергия радиоволн, которые дойдут до цели и будут отражены обратно к РЛС. Например, фюзеляж или крылья самолета могут скрывать его хвост.

На рис. 2 в качестве примера приведен ДП бомбардировщика B-52.

09-03-2016 12-20-13

Рис. 2 – Дальностный портрет бомбардировщика B-52

Эффект отражения радиоволн от ВЦ в сторону РЛС зависит от курсового угла (КУ) – угла между продольной осью ЛА и направлением на наблюдателя в плоскости истинного горизонта последнего, отсчитываемый по ходу часовой стрелки. Отметим, что ДП на рис. 2 отвечает КУ=20°.

Далее дальностные портреты рассматриваются как одномерные функции:

A=π(ξ).

где ξ  – дальность отсчета (м), A – амплитуда отклика (дБ).

Процедура распознавания ВЦ на основе анализа их дальностных портретов предполагает решение двух подзадач:

  • формирование комплекса информативных признаков ВЦ по ее ДП;
  • классификацию ВЦ на основе полученных информативных признаков.

Схема распознавания воздушных целей

Введем обозначения:

  • Ω – множество наблюдаемых ВЦ;
  • ω∈Ω – объекты наблюдения;
  • AC – алфавит классов ВЦ:

09-03-2016 12-31-34;

  • 09-03-2016 12-31-45 – классы;
  • Θ – алфавит меток (имен) классов ВЦ:

09-03-2016 12-32-12;

  • 09-03-2016 12-32-21– метки классов;
  • П – множество дальностных портретов ВЦ;
  • π∈П – дальностные портреты.
  • X – признаковое пространство ВЦ.

Пространство  определяется выбором информативных признаков 09-03-2016 12-44-58. При этом объекты наблюдения представляются кортежем

09-03-2016 12-45-06.                                                  (1)

Каждая ВЦ относится к некоторому классу и, следовательно, ей априори соответствует определенная метка класса:

ω → θ.

Алгоритм классификации осуществляет функциональное преобразование

x → y,

т.е. для каждого входного образа x∈X вычисляет соответствующую метку класса y∈Θ, которая и присваивается наблюдаемой ВЦ.

В случае правильной классификации

y=θ.

Надежность процедуры распознавания в значительной мере зависит от выбора системы информативных признаков. В настоящей работе для идентификации ДП ВЦ предлагается применять следующие группы признаков:

  • морфологические;
  • геометрические.

Морфологические информативные признаки

Самым простым морфологическим признаком ДП является число пиков  в его структуре. Следует учитывать лишь доминирующие пики, которые значительно превышают по амплитуде шумы и помехи.

Другая характеристика ДП основана на ранжировании составляющих его пиков по амплитуде. Набор применяемых информативных признаков должен быть инвариантным по отношению к действию данных факторов. Поэтому для анализа ДП неприемлемо прямое применение амплитудных значений пиков в силу их зависимости от ряда не учитываемых возмущающих и искажающих факторов в принимаемом эхо-сигнале. Предлагается вместо амплитудных значений пиков применять их ранги. Таким образом, речь идет о структурной идентификации ДП посредством использования ранговых шкал.

Ранги пиков определяются следующим образом. Положим, в ДП выделены m пиков с амплитудами 09-03-2016 12-50-23. Из этих величин составляется вариационный ряд в порядке убывания. Далее элементы ряда нумеруются от 1 до m. Наконец, порядковый номер каждого элемента в вариационном ряду определяет его ранг:

09-03-2016 12-50-57.

В итоге получаем наборы рангов пиков

09-03-2016 12-51-05.

Так для ДП, представленного на рис. 4, 09-03-2016 12-51-16

Геометрические информативные признаки

Геометрические признаки представляют глубину D и моментные характеристики ДП.

Определим глубину ДП D как расстояние между крайними отчетами в отраженном радиосигнале. Данные отсчеты необходимо выделять на фоне помех.

Другие геометрические характеристики ДП:

а) начальный момент нулевого порядка:

09-03-2016 12-52-29

б) начальный момент первого порядка:

09-03-2016 12-52-42

в) положение центра тяжести ДП:

09-03-2016 12-52-54

г) центральный момент p-го порядка 09-03-2016 12-53-03:

09-03-2016 12-53-12

Определенные выгоды при анализе ДП могут давать безразмерные величины, построенные по данным показателям. В частности, сюда относятся

д) относительное положение центра тяжести ДП:

09-03-2016 14-53-30

е) центральные нормированные моменты:

09-03-2016 14-53-46

Данные показатели инвариантны к мощности принимаемого сигнала.

К примеру, для ДП самолета В-52, представленного на рис. 2, 09-03-2016 14-54-0209-03-2016 14-54-12.

Исследования показывают, что морфологических и геометрических характеристик ДП достаточно для эффективного распознавания ВЦ.

Динамический аспект радиолокационного наблюдения

Форма и метрические характеристики ДП зависят от курсового угла движения ВЦ. В связи с этим далее будем его рассматривать как двумерную функцию:

09-03-2016 14-54-23

где γ – курсовой угол (°), ξ – дальность отсчета, A – амплитуда отклика.

Совокупность всех информативных признаков ВЦ представим кортежем:

09-03-2016 14-54-42                                                       (2)

где 09-03-2016 14-54-49  – соответственно кортежи морфологических и геометрических признаков:

09-03-2016 14-54-58                             (3)

Надежность и качество распознавания в значительной мере зависят от выбора системы информативных признаков для рассматриваемых классов объектов наблюдения. Поскольку необходимая для обработки радиолокационная информация получается в процессе радиолокационного слежения за движущейся ВЦ, то последняя порождает динамический образ в рассматриваемом классе задач распознавания. С учетом этого для решения задачи динамического распознавания ВЦ предлагается применять механизм агрегирования радиолокационной информации, полученной в различные последовательные моменты времени наблюдения.

Пусть в процессе радиолокационного наблюдения фиксируется состояние ВЦ в моменты времени

09-03-2016 14-55-08

причем им отвечают курсовые углы

09-03-2016 14-55-27

Тогда на выходе приемника РЛС мы получаем семейство ДП:

09-03-2016 14-55-33                                              (4)

Далее T  – множество моментов времени съема радиолокационной информации:

09-03-2016 14-55-42

Блок-схема системы динамического распознавания ВЦ

Предлагаемую концепцию динамического распознавания ВЦ представляет блок-схема на рис. 3.

09-03-2016 12-20-40

Рис. 3 – Схема распознавания ВЦ

Здесь для каждого ДП в (4) в соответствии с (1)–(3) формируется вектор признаков 09-03-2016 14-55-57 которые далее объединяются в один супервектор (посредством конкатенации векторов):

09-03-2016 14-56-06                                       (5)

Теперь мы имеем дело с расширенным пространством признаков 09-03-2016 14-56-15 – декартовой степенью исходного пространства признаков:

09-03-2016 14-56-21

где

09-03-2016 14-56-34

Именно вектор (5) и является динамическим образом ВЦ.

Классификация ВЦ на основе радиальных базисных сетей

Решения задачи классификации динамических образов можно основывать на технологиях искусственных нейронных сетей (НС). В работе исследовались функциональные возможности радиально-базисных (RBF – Radial Basis Functions) НС.

RBF-сети относится к классу сетей прямого распространения. Архитектура сети представляется двумя слоями нейронов (рис. 4), без учёта входного слоя, выполняющего роль распределителя входных сигналов. Скрытые нейроны реализуют радиальные базисные функции активации.

09-03-2016 12-20-53

Рис. 4 – Архитектура сети RBF

Радиально-базисные функции имеют вид

09-03-2016 14-56-49

где c – центр функции, причем двойные прямые скобки 09-03-2016 14-56-58 обозначают норму вектора. Предполагается, что функция монотонно убывает с удалением от центра c. Ее можно интерпретировать как потенциал.

Наиболее распространённым видом радиальных функций активации является функция Гаусса [6]:

09-03-2016 14-57-10

где σ – параметр, определяющий размер активной области функции.

В сети функция активации j-го нейрона 09-03-2016 14-57-20 определяется его центром 09-03-2016 14-57-28. Выход сети формируется выходным слоем линейных нейронов:

09-03-2016 14-57-40

Таким образом, он определяется матрицей весовых коэффициентов 09-03-2016 14-57-50.

Роль скрытых нейронов заключается в группировке входных векторов на K классов, причем каждый класс отграничен в пространстве входных векторов некоторой изопотенциальной поверхностью

09-03-2016 14-57-58

охватывающей центр класса 09-03-2016 14-58-07.

В процессе обучения происходит кластеризация обучающей выборки (ОВ) с выделением K классов, область локализации которых определяется соответствующей радиальной функцией 09-03-2016 14-58-14. Процесс кластеризации на каждой итерации предполагает выделение радиального нейрона, вектор весов которого в наименьшей степени отличается от входного вектора x, и смещение вектора весов данного нейрона в сторону этого вектора. При этом применяются различные меры близости векторов, из которых наиболее часто встречается эвклидова.

По завершению разделения входного пространства происходит настройка весовой матрицы W выходного слоя. Задача его обучения сводится к минимизации расхождения фактической реакции сети и желаемой.

Раздельное обучение предполагает вначале разделение входного пространства на кластеры в радиальном слое, а затем обучение с учителем выходного линейного слоя.

Процесс обучения сети RBF сводится:

  • к подбору центров 09-03-2016 14-58-07 и параметров σj  формы базисных функций;
  • к подбору весов нейронов выходного слоя.

Частным случаем RBF-сетей являются вероятностные нейронные сети (PNN – Probabilistic Neuron Networks) [7]. В структуре сетей PNN второй слой в отличие от сетей RBF представлен нейронами конкурирующего типа, которые подсчитывают условную вероятность принадлежности входного вектора к одному из выходных классов. При этом активируется только нейрон, суммарное значение входных сигналов которого наибольшее. Поэтому в качестве функции активации выходных нейронов применяется пороговая.

Характерной чертой PNN является то, что количество нейронов скрытого слоя берётся равным числу элементов обучающей выборки. Таким образом, учитывается влияние каждого примера из ОВ, а роль второго слоя сводится к объединению в заданные классы групп входных векторов из ОВ.

Результаты вычислительных экспериментов

В вычислительных экспериментах использовалась программа BSS, позволяющая генерировать эталонные ДП воздушных целей 10-и типов.

В принятой схеме распознавания (рис. 3) осуществлялось агрегирование входных данных для трех последовательных моментов времени, т.е. d=3. Поскольку размерность вектора признаков равна n=14, то используемая в классификаторе сеть PNN имеют N=42 входа. Число выходов равно m=10.

Обучающая выборка состояла из 2000 примеров, причем для каждого из 10 типов ВЦ использовалось 200 образцов ДП. Выборка была поделена на две части: большая часть (1700 примеров) предназначалась для настройки НС, а меньшая часть (300 примеров) – для тестирования НС. Вследствие этого в радиальный базисный слой сети включал K=1700 нейронов.

Моделирование НС осуществлялось в среде системы MATLAB – использовался пакет Neural Network Toolbox [8]. Архитектуру моделируемой НС демонстрирует рис. 5.

09-03-2016 12-21-16

Рис. 5 – Архитектура сети PNN

Отметим, что, несмотря на большое количество нейронов, сеть PNN очень быстро обучается. Результаты тестирования НС подтверждают ее безошибочную работу.

Литература

  1. Бакулев П.А. Радиолокационные системы. – М. : Радиотехника, 2007. – 376 с.
  2. Tait P. Introduction to radar target recognition. – London: Institution of Electrical Engineers, 2005. IET radar series no. 18. – 396 p.
  3. Лещенко С.П. Развитие теории и техники радиолокационного распознавания воздушных целей // Прикладная радиоэлектроника. 2009. Т. 8, № 4. – C. 490-496.
  4. Тоцкий А.В., Молчанов П.А., Поспелов Б.Б. Распознавание летательных аппаратов по радиолокационным дальностным профилям // Авиационно-космическая техника и технология. 2010. № 5 (72). – С. 77–82.
  5. Ширман Я.Д., Горшков С.А., Лещенко С.П., Братченко Г.Д., Орленко В.М. Методы радиолокационного распознавания и их моделирование // Зарубежная радиоэлектроника. 1996. № 11. – C. 3–63.
  6. Хайкин С. Нейронные сети: полный курс. – М.: Изд. дом «Вильямс». 2006. – 1104 c.
  7. Wasserman P.D. Advanced methods in neural computing. – New York: Van Nostrand Reinhold, 1993. – P. 35–55.
  8. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. 2010. – 496 с.

References

  1. Bakulev P.A. Radiolokacionnye sistemy (Radar systems). M. : Radiotekhnika, 2007. – 376 s.
  2. Tait P. Introduction to radar target recognition. London: Institution of Electrical Engineers, 2005. IET radar series no. 18. – 396 p.
  3. Leshchenko S.P. Razvitie teorii i tekhniki radiolokacionnogo raspoznavaniya vozdushnyh celej (Development of the theory and technology of aerial taget radar recognition) // Prikladnaya radioehlektronika. 2009. T. 8, № 4. – C. 490-496.
  4. Tockij A.V., Molchanov P.A., Pospelov B.B. Raspoznavanie letatel’nyh apparatov po radiolokacionnym dal’nostnym profilyam (Aircraft recognition using radar range profiles) // Aviacionno-kosmicheskaya tekhnika i tekhnologiya. 2010. № 5 (72). – S. 77-82.
  5. D. Shirman, S.A. Gorshkov, S.P. Leshchenko, G.D. Bratchenko, V.M. Orlenko Metody radiolokacionnogo raspoznavaniya i ih modelirovanie (Methods of radar recognition and simulation) // Zarubezhnaya radioehlektronika. 1996. № 11. – C. 3-63.
  6. Hajkin S. Nejronnye seti: polnyj kurs (Neural networks: complete course) – M.: Izd. dom «Vil’jams». – 1104 c.
  7. Wasserman P.D. Advanced methods in neural computing. – New York: Van Nostrand Reinhold, 1993. – P. 35–55.
  8. Medvedev B.C., Potemkin V.G. Nejronnye seti. MATLAB 6 (Neural networks. MATLAB 6) – M.: DIALOG-MIFI. 2010. – 496 s.

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.