Автореферат (1090368), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

Основные положения диссертационной работыдокладывались и обсуждались на конференциях и семинарах в России идальнем зарубежье: Междунар молодежная науч. конф. «XXXIX Гагаринскиечтения», МАТИ (Москва, 2013); Междунар. науч.-тех. конф. «Современныетехнологии проектирования управляющих и мехатронных систем» (Севастополь, 2013); Междунар. науч.-тех. конф. «Интеллектуальные системы, управление и мехатроника» (Севастополь, 2015); IV Всерос.

конф. «Искусственный интеллект: философия, методология, инновации» (МИРЭА, 2015); Первая науч.-тех. конф. МТУ (2016), Всерос. научно-практ. конф. «Перспективные системы и задачи управления» (Симферополь, 2016).Публикации. По результатам диссертации опубликовано 10 научныхработ, из них 3 статьи в рецензируемых изданиях, рекомендованных ВАКМинистерства образования и науки РФ.Внедрение результатов исследования. Результаты и материалы диссертации приняты к использованию в научно-исследовательских и проектноконструкторских разработках Академии технологий Вьетнама и Центра информационной технологий службы шифрованной правительственной связиВьетнама.Личный вклад соискателя.

Результаты диссертации, вынесенные назащиту, получены соискателем лично.Достоверность полученных результатов. Достоверность положенийдиссертации обеспечивается корректным использованием математическихметодов и подтверждается результатами вычислительных экспериментов.Структура и объем работы. Диссертационная работа состоит из введения, пяти глав основного текста, заключения, списка литературы, содержащего 89 отечественных и зарубежных работ и трех приложений. Полныйтекст диссертации включает в себя 146 страницы, 62 рисунков и 5 таблицы.КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫВо введении обоснована актуальность выбранной темы, сформулированы цель работы, а также поставлены конкретные задачи для её достижения.В первой главе изложены принципы радиолокационного наблюдениявоздушных целей.

Излагается устройство современных РЛС. Рассматриваются принципы и методы радиолокационного распознавания ВЦ.6При распознавании летательных аппаратов (ЛА) в активной РЛС используются характеристики создаваемого целями поля вторичного излученияв дальней зоне РЛС. Эти характеристики, как правило, зависят от ориентацииЛА, параметров его движения, размеров, типов установленных двигателей ирежимов их работы, параметров вибраций корпуса, а также от характеристикзондирующих сигналов, способа обработки принимаемых сигналов и т.д.Дальностный портрет (дальностный профиль) является одномернойхарактеристикой радиолокационных целей. Это отклик ВЦ во временной области, полученный при ее облучении широкополосным импульсом.

Здесьзондирующими радиосигналами, излучаемыми антенной РЛС, являютсяЛЧМ-сигналы (chirp signal) - радиоимпульсы с линейной частотной модуляцией (ЛЧМ) и прямоугольной огибающей. Следует отметить, что под руководством проф. Я.Д.Ширмана в 1964 г. проводились натурные экспериментыпо локации самолетов с использованием ЛЧМ-импульсов с шириной спектра72 МГц и длительностью 2 мкс.

Теоретически такой сигнал обеспечиваетразрешающую способность по дальности около 2 м.В диссертации ДП ВЦ рассматривается как одномерная функция:A  π ( ) ,где  - дальность отсчета (м), 0    L ( L - ширина строба дальности зондирующих сигналов); A - амплитуда отклика (мВ).Структуру ДП ЛА поясняет рис. 1.Рис. 1. Механизм формирования ДП ЛАВ главе обсуждаются особенности рассеяния радиоволн воздушнымицелями, явление интерференции рассеянных излучений, эффект влияния курсового угла ЛА на формирование ДП.В диссертации необходимый для исследований эмпирический материалполучен посредством программного симулятора «Radar Target Back ScatteringSimulation» (BSS), разработанного под руководством проф. Я.Д.Ширмана.Программа позволяет строить ДП для следующих типов ЛА: бомбардировщики B-1B и B-52, истребитель F-15, вертолет AH-64, ракеты ALCM и7GLCM (Америка); самолет с изменяемой геометрией крыла TORNADO (Англия); истребитель МИГ-21, военно-транспортный самолет АН-26, многоцелевой самолет ТУ-16 (Россия).Во второй главе изложены системотехнические и алгоритмические аспекты распознавания ВЦ, освещается ретроспектива исследований в областирадиолокационного распознавания ВЦ на основе обработки их дальностныхпортретов.К задачам радиолокационного распознавания применимы методы теории распознавания образов, изложенные в классических работах Э.А.Патрика(1972), Р.Дуда и П.Харта (1976), В.И.Васильева (1983), К.Верхагена, Р.Дёйна,Ф.Груна, Й.Йостена, П.Вербека (1985), П.А.Фора (1989), А.А.Горелика иВ.А.Скрипкина (1989) и др.Задачи распознавания динамических образов возникают в случаях, когда объекты наблюдаются в процессе их движения.

Данный тип задач обсуждается в книге В.И.Васильева (1983). Распознаванию динамических образовпосвящена также работа С.В.Алешина (1996).Проблематика радиолокационного распознавания ВЦ отражена в известных монографиях В.Г.Небабина (1984), А.Л.Горелика (1990), Ю.Г.Сосулина (1992), В.П.Бердышева (2011).В диссертации исследуются вопросы распознавания ВЦ на основе методологии машинного обучения. Этапы решения задачи распознавания представляет схема на рис. 2.Рис. 2. Общая схема алгоритмизации задачи распознаванияАнализируются работы, внесшие существенный вклад в становление иразвитие методов распознавания ВЦ на основе анализа ДП: Я.Д.Ширмана(2000), H.J.Li и S.H.Yang (1993), S.Hudson и D.Psaltis (1993), I.Jouny,F.D.Garber, R.L.Moses (1995), J.P.Zwart (2003), P.Tait (2005), С.П.Лешенко(2009), А.В.Тоцкого (2010) и др.8Выполненный библиографический анализ известных работ по темедиссертации позволяет сделать следующие выводы:1.

Проблема радиолокационного распознавания протяженных воздушных целей на основе обработки и анализа их ДП актуальна и ее решение открывает новые возможности для теории и практики радиолокационного распознавания ВЦ с применением широкополосных зондирующих сигналов.2. Важным этапом алгоритмизации задач распознавания является выбор комплекса информативных признаков. Существуют различные подходык формированию классификационных признаков на основе обработки и анализа ДП.

Однако, в настоящее время отсутствует сравнительный анализ данных подходов и вопрос о рациональном выборе комплекса признаков дляэффективного распознавания ВЦ остается открытым.3. В работах В.М.Орленко, Я.Д.Ширмана и Д.Ф.Ле рассматриваютсявопросы применения аппарата НС в задачах радиолокационного распознавания ВЦ, причем в качестве входных данных для НС применяются массивыотсчетов ДП, что неприемлемо с позиций теории распознавания образов:входными паттернами должны быть информативные признаки, обеспечивающие робастность и помехоустойчивость алгоритмов распознавания.4.

В настоящее время в области машинного распознавания образов активно развивается научное направление, основанное на методах и технологиях вычислительного интеллекта. Однако данное направление слабо представлено в известных исследованиях по теории и технике радиолокационногораспознавания. Фактически можно указать лишь на отмеченные выше работы В.М.Орленко, Я.Д.Ширмана и Д.Ф.Ле, посвященные нейросетевым алгоритмам распознавания.5. Во многих работах отмечается высокая чувствительность формы ДПк малым изменениям ракурса наблюдения ЛА. Но в таком случае неизбежныограничения на возможности инженерных применений статических схемраспознавания, основанных на обработке единственного ДП, полученногодля текущих условий наблюдения.Формальные аспекты задачи распознавания образовВведем обозначения:  - объекты наблюдения (ОН),  - множество ОН; AС {1, 2 ,...,m} - алфавит выделенных классов ОН; x1, x2,...,xn - информативные признаки, служащие мерой количественныхили качественных характеристик ОН.Каждый входной образ описывается кортежемx  ( x1, x2 ,...,xn )  X ,где X - пространства признаков.

Таким образом, образы xX представляютнекоторые реальные ОН  , так что имеет место некоторое соответствиеQ: X .9Полагаем, что множеству классов AС отвечает разбиение признакового пространства X на области локализации классов X1, X 2 , ..., X m :X k  { x  Q () :  k }, k  1 : m ,причем справедлива гипотеза компактности классов, так чтоm Xii 1 X и Xi  X j  , i  j .Введем алфавит меток (имен) классов ОН:{1, 2 ,...,m},так что метка k однозначно идентифицирует класс  k .Информация о классах содержится в обучающей выборкеОВ  {( x ( j ) , ( j ) ), j  1 : N } ,где ( j )   - метка класса, отвечающая образу x( j) X .Задача распознавания состоит в отнесении входного образа x некоторому классу k  AC, т.е. в построении решающей функции g : X   , такойчтоx  X k  g (x )  k .Алгоритм распознавания можно представить как абстрактную функциональную систему  , состоящую из трех компонент:   , X , , g  .Решающая функция алгоритмически реализуется посредством некоторой совокупности правил принятия решения {1, 2,..., h}.Опишем особенности решаемой задачи распознавания ВЦ.Обозначим через  множество ДП ВЦ, π .Каждая ВЦ относится к некоторому классу и, следовательно, ей соответствует определенная метка:   .

Результатом радиолокационногонаблюдения является ДП ВЦ: π .Базовая схема распознавания ВЦБазовая схема распознавания ВЦ, положенная в основу диссертационных исследований, представлена на рис. 3. Здесь y  Y - выход классификатора, причем Y   .Выходом классификатора является метка класса, присваиваемаянаблюдаемой ВЦ: y  ˆ . В случае правильной работы классификатора он выдает истинное значение метки ВЦ:y .10xπyРис. 3. Базовая схема распознавания ВЦВ диссертации рассматриваются вопросы построения классификаторовна основе машинных методов обучения: с применением аппарата деревьеврешений (глава 3) и технологии искусственных нейронных сетей (глава 4).Надежность и эффективность распознавания в значительной мере зависят от выбора комплекса информативных признаков объектов наблюдения.

Характеристики

Список файлов диссертации