Preview

Вестник кибернетики

Расширенный поиск

ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ РАДИОЛОКАЦИОННЫХ ОБЪЕКТОВ

https://doi.org/10.34822/1999-7604-2020-1-69-76

Полный текст:

Аннотация

Распознавание типов радиолокационных объектов по сигнальным признакам с целью отслеживания их перемещений в заданной области является важной задачей обеспечения безопасности воздушного движения. Один из эффективных инструментов решения этой задачи – применение искусственных нейронных сетей.
В данной работе предложен способ статистической оценки результатов нейросетевой классификации радиолокационно-отслеживаемых динамических объектов, основанный на статистической проверке гипотез. Оценка осуществляется посредством сравнения выборочной средней всего распределения выходных результатов нейронной сети, полученных по результатам серии наблюдений за объектами, с усредненным пороговым значением меры сходства ее выходных сигналов, принятой в качестве гипотетической генеральной средней. Проведенные экспериментальные исследования предложенных решений на примере классификации оди-
ночных объектов двух типов по их доплеровским портретам в условиях значительных помех подтверждают повышение достоверности нейросетевой классификации в среднем до 8 %. Рассмотренный подход может быть применим как в независимых нейросетевых системах классификации или селекции радиолокационно-обнаруживаемых объектов, так и в составе комплексных систем поддержки принятия решений существующих или перспективных радиолокационных станций.

Об авторе

Д. В. Маршаков
Донской государственный технический университет, Ростов-на-Дону, Россия
Россия
E-mail: daniil_marshakov@mail.ru


Список литературы

1. Бердышев В. П., Помазуев О. Н., Савельев А. Н., Смолкин М. А., Копылов В. А., Лой В. В. Распознавание классов и типов воздушных объектов по двумерным радиолокационным изображениям в обзорной РЛС // Журн. СФУ. Техника и технологии. 2019. Т. 12, № 1. С. 18–29.

2. Воробьев Е. Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС // Вест. Новгород. гос. ун-та. Технич. науки. 2019. № 4. С. 72–77.

3. Казачков Е. А., Матюгин С. Н., Попов И. В., Шаронов В. В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестн. Концерна ВКО «Алмаз-Антей». 2018. № 1. С. 93–99.

4. Molchanov P., Egiazarian K., Astola J., Harmanny R. I. A., Wit J. J. M. Classification of Small UAVs and Birds by Micro-Doppler Signatures // Proceedings of the 10th European Radar Conference, Nuremberg, Germany, 9-11 October 2013. IEEE, 2013. Р. 172–175.

5. Романенко А. В. Формирование доплеровских портретов воздушных объектов с использованием метода сверхразрешения // Журн. радиоэлектроники. 2015. № 3. С. 4.

6. Онищенко В. С., Шевченко В. Н. Корреляционный метод классификации подвижных объектов по их спектральным портретам в системах скрытной локации // Радиолокация и радиосвязь: сб. тр. XI Всероссийской науч.-технич. конф., Москва, 27–29 ноября 2017 г. М. : ИРЭ им. В. А. Котельникова РАН, 2017. C. 236–240.

7. Сафонов А. В., Митрофанов Д. Г., Прохоркин А. Г. Нейросетевое распознавание летательных аппаратов по экспериментально сформированным доплеровским спектрам // Нейрокомпьютеры: разработка, применение. 2009. № 10. С. 57–62.

8. Brooks D., Schwander O., Barbaresco F., Schneider J.-Y., Cord M. Temporal Deep Learning for Drone Micro-Doppler Classification // Proccedings of the 19th International Radar Symposium (IRS 2018), Bonn, Germany, 20–22 June 2018. IEEE, 2018. Р. 874–883.

9. Карабаев Б. С. Распознавание летательных аппаратов при помощи нейросетевых технологий // Новости науки Казахстана. 2017. № 1. С. 31-42.

10. Баронин А. М., Демин Д. А. Применение нейронных сетей в современных РЛС // DSPA: Вопросы применения цифровой обработки сигналов. 2017. Т. 7, № 4. С. 205–210.

11. Rajaguru H., Prabhakar S. K. An Approach to Classification of Oral Cancer Using Softmax Discriminant Classifier // Proceedings of the 2nd International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India, 19–20 October, 2017. IEEE, 2017. Р. 420–423.

12. Bayar V., Efe M. Ö. Detection of Smart Phone Position on User Using Artificial Neural Network Classifier // Proceedings of the 26th Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey, 2–5 May, 2018. IEEE, 2018. Р. 345–348.

13. Coşkun M., Uçar A., Yildirim Ö., Demir Y. Face Recognition Based on Convolutional Neural Network // Proceedings of the International Conference on Modern Electrical and Energy Systems (MEES), Kremenchuk, Ukraine, 15–17 November, 2017. IEEE, 2017. Р. 376–379.

14. Wu Y., Liy J., Kongy Y., Fu Y. Deep Convolutional Neural Network with Independent Softmax for Large Scale Face Recognition // Proceedings of the 24th ACM International Conference on Multimedia, Amsterdam, Netherlands, 15–19 October, 2016. Association for Computing Machinery, 2016. Р. 1063–1067.

15. Качайкин Е. И., Иванов А. И., Безяев А. В., Перфилов К. А. Оценка достоверности нейросетевой автоматизированной экспертизы авторства рукописного почерка // Вопр. кибербезопасности. 2015. № 2. С. 43–48.

16. Urgun D., Singh C. Multi Label RBF Classification Method for Composite System Reliability Evaluation // Proceedings of the International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), Boise, Idaho, USA, 24–28 June, 2018. IEEE. Р. 692–696.

17. Savchenko A. V. Statistical Recognition of a Set of Patterns Using Novel Probability Neural Network // International Workshop on Artificial Neural Networks and Pattern Recognition, Lecture Notes in Computer Science. 2012. Vol. 7477. Р. 93–103.

18. Marshakov D. V., Galushka V. V., Fathi V. A., Fathi D. V. Evaluation of Neural Network Output Results Reliability in Pattern Recognition // Proceedings of the Third International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’18). Р. 503–510.

19. Загинайло М. В., Маршаков Д. В. Статистическая оценка выходных результатов искусственной нейронной сети при задаче распознавания образов // ИНФОКОМ-2018 : тр. СКФ МТУСИ по результатам XI Междунар. науч.-практич. конф, Ростов-на-Дону, 19–20 апреля 2018. Ростов н/Д: ПЦ «Университет» СКФ МТУСИ, 2018. С. 137–140.

20. Иванов С. А., Маршаков Д. В. Методика представления входных векторов для нейросетевого классификатора радиолокационно-обнаруживаемых объектов // Системный анализ, управление и обработка информации : тр. VIII Междунар. науч. конф., с. Дивноморское, 8–13 октября 2017, Т. 1. Ростов н/Д : ДГТУ, 2017. С. 137–140.


Для цитирования:


Маршаков Д.В. ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ РАДИОЛОКАЦИОННЫХ ОБЪЕКТОВ. Вестник кибернетики. 2020;(1):69-76. https://doi.org/10.34822/1999-7604-2020-1-69-76

For citation:


Marshakov D.V. RELIABILITY IMPROVEMENT OF NEURAL NETWORK CLASSIFICATION FOR RADAR OBJECTS. Proceedings in Cybernetics. 2020;(1):69-76. https://doi.org/10.34822/1999-7604-2020-1-69-76

Просмотров: 80


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)