Лысенко Л.Н. Наведение и навигация баллистических ракет (2007) (1242426), страница 108
Текст из файла (страница 108)
При этом привлекают экспертов для оценки адекватности используемых изображений поступающим на вход системы. На данном этапе происходит отработка алгоритмов в псевдореальном времени. Второй этап отличается от первого тем, что используют аналоговые входные сигналы — те же фрагменты видеофильмов или телепередач, но хранящиеся на магнитной ленте. Оцифровка происходит непосредственно во время работы. Кадры поступают с заданной периодичностью, обработка производится в реальном времени.
587 Третий этап — окончательная проверка и дообучение системы — проводят на основе реальных съемок фоноцелевой обстановки в условиях, максимально приближенных к боевым. 15.7. Аппаратная реалнзапня Как уже отмечалось, необходимость реализации алгоритмов управления полетом БР, в том числе обнаружения (распознавания целей), в реальном времени— один из главных ограничивающих факторов при создании СУИИ. Оставляя в стороне вопросы надлежащей сертификации и надежности аппаратуры в жестких условиях полета БР либо их ГЧ, остановимся на взаимном влиянии аппаратуры и программного обеспечения (ПО].
Для обеспечения нормального функционирования СУ в реальном времени при минимуме затрат (финансовых и технических) необходимо добиться адекватности программ и аппаратуры, т.е. максимально возможного соответствия между архитектурой вычислителя и структурой прикладного ПО. Существуют два пути достижения этой цели: выбирать аппаратуру в зависимости от ПО (в конечном счете— от решаемых задач) или адаптировать алгоритмы под архитектуру, в наибольшей степени используя особенности аппаратуры. Более рациональным считается компромиссный итерационный подход, включающий следующие этапы: ° построение прототипов алгоритмов; ° реализацию и испытание их на ПК; ° анализ и оценку вычислительно трудных блоков и других узких мест; ° поиск подходящей аппаратуры и модификацию алгоритмов под аппаратуру; ° моделирование н повторение предшествующих пунктов.
Рассмотрим кратко различные варианты аппаратной реализации интеллектуализированной системы наведения БР. Элементной базой подобных систем являются заказные кристаллы, встраиваемые микроконтроллеры, процессоры общего назначения, программируемая логика (РРОА — ПЛИС), транспьютеры, цифровые сигнальные процессоры (ОБР) и нейрочипы. Наибольшее распространение получили ПЛИС, 0БР и нейрочипы.
Различные расширения наборов команд: ММХ, ББŠ— Бггеаш(пй ЯМ0 (Уппй!е (пыпкцоп Мц(цр)е Оага) Ехгепмопз и БЯЕ2, 30Нозг! и Епйапсеб 30Нозч( — позволяют разработчикам оптимизировать выполнение специфических задач, не жертвуя обшей совместимостью (процессоры, не поддерживающие упомянутые разрешения, также могут выполнять аналогичные инструкции, но менее эффективно). В результате Репбцш 4 и Агп(оп позиционируются даже не как универсальные, а как мощнейшие процессоры именно для современных задач с минимальным количеством ветвлений — обработки изображений, распознавания объектов в реальном времени, физического 30-моделирования и шифрования.
Цифровые сигнальные процессоры (ЦСП), обладая мощной вычислительной структурой, позволяют реализовать различные алгоритмы обработки информации. Главным преимуществом систем на ЦСП является гибкость, возможность реализации адаптивных и обучающих алгоритмов. Выбор того или иного процессора — многокритериальная задача, однако следует отметить предпочтительность процессоров Апа1ой 0ещсея для приложений, 588 требующих выполнения больших объемов математических вычислений (таких как цифровая фильтрация сигналов, вычисление корреляционных функций и т.
п.). Вместе с тем ЦСП имеют ряд недостатков, которые следует учитывать при оценке возможностей их применения в СУИИ БР. Во-первых, каждое семейство ЦСП имеет собственные коды команд, что делает практически невозможным перенос реализованного алгоритма на ЦСП других семейств или создания универсальных библиотек алгоритмов. Существующие же компиляторы с языков высокого уровня, например с Си, также ориентированы на конкретные ЦСП и не решают данной проблемы. Во-вторых, при реализации сложных параллельных структур приходится увеличивать число процессоров и обеспечивать их нормальную работу в мультипроцессорном режиме.
Наконец, в-третьих, ЦСП, как правило, требуют внешних навесных элементов для реализации интерфейса с источниками и приемниками данных. Низкая тактовая частота ЦСП пока ограничивает максимальную частоту обрабатываемого аналогового сигнала уровнем в ) Π— 20 МГц, но программное управление позволяет достаточно легко изменять не только режимы обработки, но и функции, выполняемые ЦСП. Помимо обработки и фильтрации данных ЦСП могут осуществлять маршрутизацию цифровых потоков, выработку управляющих сигналов и даже формирование сигналов системных шин!БА, РС( и др.
Стоит рассмотреть возможность создания параллельных вычислителей (в том числе и нейро) на базе ПЛИС (программируемых логических интегральных схем). В последнее время получили широкое распространение гибридные нейровычислители, когда блок обработки данных реализуется на ЦСП, а логика управления — на ПЛИС. Программируемая логика способна работать на более высоких частотах, чем ЦСП, но поскольку управление реализовано аппаратно, то изменение алгоритмов работы требует перепрограммирования ИС, при этом существенно малы возможности создании многовариантных алгоритмов, самостоятельно выбирающих ту или иную стратегию решении в зависимости от ситуации (определяемой входными данными). Область применения нейропроцессоров не огранивается только поддержкой нейроалгоритмов.
На них достаточно эффективно можно реализовать и другие операции, представимые в нейросетевом базисе, например цифровую фильтрацию сигналов, спектральные преобразования, векторно-матричные операции и др. Это сближает нейропроцессоры с ЦСП. Соответственно и недостатки — общие, особенно в части специфики системного ПО и совместимости прикладных программ. Таким образом, определение оптимальной структуры и параметров системы информационного обеспечения современных СУ БР является сложной,многокритериальной задачей, тем не менее вполне решаемой на достигнутом уровне создания систем, обладающих свойствами искусственного интеллекта. 15.8. Возможности применения обучаемых сетей Второй подход, получивший широкое распространение в последнее десятилетие, основывается на применении обучаемых искусственных нейросетей (ИСНС) и позволяет совместить в едином алгоритме обучении выделение значимых при- 589 знаков и синтез оператора распознавания без участия человека.
В процессе обучения ИСНС сама создает модель явления и выделяет значимые признаки образа, исключая незначимые и мешающие параметры без ведома исследователя. Это существенно упрощает получение оптимального алгоритма распознавания по сравнению с подходом, основанном на статистической теории распознавания, требующей, как правило, знания законов распределения. Обучающиеся системы с помощью вычислительных машин создают алгоритмы обучения и распознавания в виде соответствующих программ.
Иелью обучения ИСНС в общей форме является достижение состояния, в котором она наилучшим образом решает поставленную задачу, по крайней мере, на элементах обучающей выборки. При этом получаемая нейросетью информация фиксируется в виде структуры и значений элементов матрицы синаптических связей между нейронами. Процесс обучения ИСНС заключается в том, что на входной слой нейронов подается множество наборов образов, по каждому из которых известен желаемый результат обработки. Это позволяет корректировать по определенному правилу вес синаптических связей по мере предъявления образов обучающей последовательности до достижения сходимости.
Для достижения сходимости веса связей зачастую требуется большое число итераций, поэтому процесс обучения нейросети (НС) может занимать длительное время: от нескольких секунд до десятков часов в зависимости от архитектуры сети, сходимости задачи и производительности ЭВМ.
Существенно, что после обучения при работе в режиме распознавания ИСНС решает задачи практически мгновенно. Особый интерес представляет использование НС в задачах, связанных с распознаванием радиолокационных сигналов или сформированных из параметров этих сигналов пространств признаков при наличии неполной или зашумленной информации о них. Обучаемые алгоритмы подразумевают два возможных варианта обучения— кс учителем» и «без учителя». Для варианта с учителем имеется обучающая выборка портретов, для которых известна принадлежность к распознаваемым классам. При этом обучение производится, как правило, на реальных либо на смоделированных выборках портретов.
Обучение с учителем полностью адекватно задаче распознавания в радиолокации, поскольку при радиолокационном наблюдении отсутствует возможность обучения в процессе работы. Обучение без учителя (кластеризация портретов), имеет большое значение при решении некоторых задач радиотехнического наблюдения, когда при приеме сигналов необходимо определить индивидуальные особенности излучающего средства и провести их разбиение на подмножества по тем или иным признакам.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
