Распознавание радиолокационных целей по дальностному портрету с использованием аппарата нейронных сетей в целях мониторинга воздушного пространства

Радиолокационное распознавание (PJIP) целей представляет сегодня вполне самостоятельную и обширную научную проблему [15, 81, 88]. Оно имеет диалектическое единство с другими областями радиолокации и во многом опирается на их перспективные методы и алгоритмы. Поэтому неудивительно, что вопросы, связанные с решением задач PJ1P, находят яркое отражение в современных учебных пособиях по радиолокации и даже объединены в солидные монографии [3, 13, 29]. Информация распознавания воздушной цели предназначается как для военного, так и для гражданского использования.

Развитию теории и техники автоматического распознавания в радиолокации способствовали следующие предпосылки: возникновение и формирование в рамках кибернетики теории распознавания образов как самостоятельного научного направления, широкое внедрение в радиолокацию вычислительной техники и методов цифровой обработки сигналов.

Разработка систем распознавания, и в частности РЛР, сопряжена с решением целого ряда задач. Центральным является вопрос о составлении алфавита и словаря признаков распознавания. Алфавит содержит классы, к которым могут быть отнесены наблюдаемые объекты.

Для задач противовоздушной обороны существенно различать самолёты и вертолёты от ракет и других малых воздушных объектов (воздушных шаров, стай птиц, атмосферных неоднородностей). Важна зачастую дополнительная выход-^ ная информация: самолёт или вертолётсамолёт большего размера (стратегический бомбардировщик, транспортный самолёт) либо самолёт меньшего размера (тактический истребитель) — самолёт со снижением радиолокационной заметности или самолёт-помехопостановщик. В ряде случаев существенно различие крылатых и баллистических ракет, боеголовок, авиационных управляемых ракет и беспилотных летательных аппаратов, транспортных самолётов дальнего радиолокационного обнаружения, воздушных командных пунктов, а также ракет и ракет-ловушек с преднамеренно увеличенной эффективной площадью.

Способность к достоверному распознаванию самолета — важный аспект безопасности воздушного движения. Гражданские авиадиспетчеры должны постоянно отслеживать положение самолета, перемещающегося в воздушном пространстве. При военных действиях, необходимость к достоверному распознаванию самолета является еще более строгой, так как ошибочное распознавание может повлечь за собой уничтожение «своих» самолетов.

В системе управления воздушным движением для распознавания военных самолетов применяется классификация по схеме «свой — чужой» (ОСЧ). Принцип ОСЧ заключается в том, что радиолокационный запросчик передает запрос самолету. «Свои» самолеты обладают ответчиками, отвечающими на запрос, передавая идентифицирующий код запросчику. Для работы в нескольких режимах ОСЧ требуют больше информации, включая ответ на запрос о текущей высоте самолета.

Ещё другие методы распознавания используются в комбинации с ОСЧ. Например, «свой» самолет должен ограничивать свою траекторию полета определенными областями воздушного пространства, называемыми коридорами.

Гражданский самолет использует технику как ОСЧ, называемую обзорной PJ1C с активным ответом (ОРАО). Хотя ОРАО, как и ОСЧ, дает информацию о типе самолета, её основная цель — наблюдение местоположения самолета. В настоящее время все гражданские самолеты имеют ответчик ОРАО, что предполагает его безопасность.

Фундаментальный недостаток методов ОСЧ и ОРАО состоит в том, что они требуют активного сотрудничества от «своего» самолета. Однако события 11 сентября и многие другие случаи в недавней истории показывают, что сотрудничество «своего» самолета не гарантируется (путем блокировки ответчиков ОРАО террористы предотвратили обнаружение изменения траектории полета самолета авиадиспетчерами). «Свои» самолеты ошибались при выпуске достоверных ответов по ряду причин, включающих аппаратный отказ и ошибку оператора.

Некооперативные методы распознавания цели (НОМРЦ) не требуют активного участия «своего» самолета. Вместо этого они базируются на измерениях датчика, независимо получающего информацию о самолете. НОМРЦ предполагает исходный тип цели из этих измерений. Это — классический пример проблемы распознавания образов.

Термин «распознавание образов» описывает широкую область исследования, включая темы из областей обработки сигнала, вычислительной техники и статистики. Типичные проблемы распознавания образов располагаются от распознавания речи и классификации рукописных букв до локализации робота и обнаружения ошибки в индустриальных машинах. Примером проблемы классификации радиолокационных целей (РЛЦ) из измерений является задача, решающая вопрос о том, они получены от какого самолета.

К проблемам классификации относится также задача создания алгоритма (или классификатора), способного решить, что заданное измерение принадлежит множеству различных классов. В случае классификации самолетов, классы и типы самолетов не одинаковы, и задача классификатора состоит в определении типа и класса измеряемого самолета.

Классификаторы могут базироваться на ряде правил, выводимых из экспериментального знания предметной области, или на статистических свойствах обучающей выборки: множество измерений соответствует известному классу. В последнем случае статистический классификатор устанавливает новое измерение на класс, которому предназначает наиболее вероятное измерение.

Модельные классификаторы (классификаторы на основе модели) принимают некоторую явную функциональную форму истинного распределения измерений (например, гауссовое распределение), и выводят оптимальную модель по параметрам из обучающей выборки. Классификаторы, основанные на сравнении с эталоном, например, классификатор «ближайшего соседа», полностью принимают некоторое распределение, определяя степень сходства между неизвестным измерением и измерениями в обучающей выборке.

Наконец, статистические классификаторы могут быть построены с использованием дискриминантного анализа, при котором используется набор данных для построения оптимальных границ решения, отделяющих различные классы, которые присутствуют в наборе данных.

Для получения измерений может быть использовано много различных датчиков, строящих обучающую выборку. Радиолокация — удобный датчик для классификации самолетов, который по эффективности не уступает другим датчикам, например, видеоизображение или инфракрасные датчики.

Радиолокационный дальностный портрет (ДП) — типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств [48]. По существу радиолокационные ДП — одномерные «изображения» самолета, измеренные вдоль линии визирования (по дальности) между PJIC и самолетом. Пример ДП показан на рис. 1.

ДП имеют множество свойств, соответствующих классификации цели, могут быть измерены относительно быстро и в любой ориентации самолета. Кроме того, для получения ДП необходимы PJIC, обладающие определенными характеристиками.

Однако использование ДП для классификации самолета имеет недостатки, так как ДП сильно зависят от ориентации самолета, которая обычно выражается как ракурс цели.

Хотя ракурсы самолета могут оцениваться от данных сопровождения, оценки страдают и от систематических и от случайных ошибок порядка нескольких градусов. Поскольку ДП могут значительно отличаться даже при значении изменений.

Воль линии визирования л.

Рис. 1. Дальностный портрет Боинга 737−500. 10 ракурса цели в пределах одного градуса, увеличение точности оценок ракурса цели могло значительно увеличить использование классификации.

Главный недостаток использования радиолокационных ДП для классификации самолета — требование крупных обучающих выборок для построения надежных статистических классификаторов. Для этого имеются две причины.

Во-первых, дальностные портреты вообще представляют как высокомерные векторы, в которых содержатся несколько сотней элементов. Известно, что построение статистических классификаторов в высокомерных векторных пространствах требует огромных количеств обучающих данных.

Во вторых, сильная зависимость ДП от ракурса цели вызывает сильную изменчивость внутри класса, поэтому для точного изображения статистического распределения ДП требуется большая обучающая выборка.

Смоделированные ДП обеспечивают альтернативу построению обучающей выборки. Смоделированные ДП могут быть получены с использованием компьютерной программы электромагнитного моделирования вместе с моделями автоматизированного проектирования самолета, как показано на рис. 2.

Смоделированные ДП могут получаться быстро, дешево, и в любой ориентации самолета. Кроме того, модели автоматизированного проектирования могут выполняться для самолета, не существующего в реальности.

Рис. 2. Модель автоматизированного проектирования Fokker 100.

Смоделированные ДП отличаются от измеренных. Если моделируемая обучающая выборка используется для построения классификатора измеренных ДП, то решения классификатора только базируются на признаках, которые присутствуют и в смоделированных и в измеренных ДП.

Отличие смоделированных и измеренных ДП часто игнорируется в построении классификатора из моделируемой обучающей выборки, при допущении, что смоделированные и измеренные ДП могут сравниваться непосредственно.

Классификатор обучается только со смоделированными обученными данными, но способен классифицировать измеренные ДП. Он может классифицировать единственные ДП, так же как ряд последовательных ДП. В диссертации, для создания обучающих и тестирующих выборок при построении классификатора используется программа моделировано-радиолокационных сигналов «RADAR TARGET BACKSCATTERING SIMULATION», разработанная группой исследования профессора Ширмана Я. Д. [78, 79].

В настоящее время наблюдается повышенный интерес к нейросетевым методам и построенным на их базе нейрокомпьютерам [3,6, 7, 15,22,27,37,55]. Исследования по искусственным нейронным сетям (НС) связаны с тем, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер (систему обработки информации). Он обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры.

Нейронной сетью является громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура выстраивает в определенном порядке синапти-ческие веса НС для обеспечения необходимой структуры взаимосвязей нейронов.

Изменение синаптических весов представляет собой традиционный метод настройки НС. Этот подход очень близок к теории линейных адаптивных фильтров, которая уже давно заявила о себе и применяется в различных областях деятельности человека. Однако НС могут изменять собственную топологию. Это обусловлено тем фактом, что нейроны в человеческом мозге постоянно отмирают, а новые синаптические связи постоянно создаются.

Совершенно очевидно, что свои возможности НС приобретают, во-первых, благодаря распараллеливанию обработки информации и, во-вторых, способности самообучаться, т. е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют НС решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми.

Использование НС обеспечивает следующие полезные свойства систем [37]:

1. Нелинейность. Искусственные нейроны могут быть линейными и нелинейными. НС, построенные из соединений нелинейных нейронов, сами являются нелинейными. Более того, эта нелинейность особого сорта, так как она распределена по сети. Нелинейность является чрезвычайно важным свойством, особенно если сам физический механизм, отвечающий за формирование входного сигнала, тоже является нелинейным (например, человеческая речь).

2. Отображение входной информации в выходную. Одной из популярных парадигм обучения является обучение с учителем. Это подразумевает изменение си-наптических весов на основе набора маркированных учебных примеров. Каждый пример состоит из входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а НС модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Это обучение проводится до тех пор, пока изменения синаптических весов не станут незначительными. Таким образом, НС обучается на примерах, составляя таблицу соответствий вход-выход для конкретной задачи. Такой подход заставляет вспомнить непараметрическое статистическое обучение. Это направление статистики имеет дело с оценками, не связанными с какой-либо конкретной моделью, или, с биологической точки зрения, с обучением с нуля.

3. Адаптивность. НС обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. В частности НС, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде могут быть созданы НС, изменяющие синаптические веса в реальном времени. Естественная для классификации образов, обработки сигналов и задач управления архитектура НС может быть объединена с их способностью к адаптации, что приведет к созданию моделей адаптивной классификации образов, адаптивной обработки сигналов и адаптивного управления. Известно, что чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде.

4. Очевидность ответа. В контексте задачи классификации образов можно разработать НС, собирающую информацию не только для определения конкретного класса, но и для увеличения достоверности принимаемого решения. Впоследствии эта информация может использоваться для исключения сомнительных решений, что повысит продуктивность НС.

5. Отказоустойчивость. НС, облаченные в форму электроники, потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в НС, можно утверждать, что только серьезные повреждения структуры НС существенно повлияют на ее работоспособность. Поэтому снижение качества работы НС происходит медленно. Незначительное повреждение структуры никогда не вызывает катастрофических последствий. Это — очевидное преимущество ро-бастных вычислений, однако его часто не принимают в расчет. Чтобы гарантировать отказоустойчивость работы НС, в алгоритмы обучения нужно закладывать соответствующие поправки.

6. Масштабируемость. Параллельная структура НС потенциально ускоряет решение некоторых задач и обеспечивает масштабируемость НС в рамках технологии VLSI (very large scale integrated — очень широкомасштабная интеграция). Одним из преимуществ технологий VLSI является возможность представить достаточно сложное поведение с помощью иерархической структуры. 7. Единообразие анализа и проектирования. НС являются универсальным механизмом обработки информации. Это означает, что одно и то же проектное решение НС может использоваться во многих предметных областях. Это свойство проявляется несколькими способами.

— Нейроны в той или иной форме являются стандартными составными частями любой НС.

— Эта общность позволяет использовать одни и те же теории и алгоритмы обучения в различных нейросетевых приложениях.

— Модульные сети могут быть построены на основе интеграции целых модулей.

В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, нейросети сами формируют модель явления в процессе обучения, т. е. практически не требуют априорных данных о модели.

После обучения такие системы могут достигать потенциальных пределов качества функционирования при решении задач обнаружения, разрешениясверхразрешения, оценки параметров сигналов, распознавания образов.

Таким образом, применение НС является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания РЛЦ.

Основной целью диссертационного исследования являлась разработка алгоритмов распознавания РЛЦ с использованием нейрокомпьютерных сетей для повышения эффективности мониторинга воздушного пространства. Для достижения этой цели поставлены задачи:

1. Сравнительный анализ и выбор различных радиолокационных признаков, использующихся при более эффективном распознавании РЛЦ.

2. Сравнительный анализ и оценка показателей качества существующих алгоритмов распознавания. Выбор метода распознавания, основанный на использовании дальностного портрета РЛЦ. ь 15.

3. Разработка новых алгоритмов распознавания — нейрокомпыотерных. Сравнительный анализ НС с сигмоидальной (СИГ) и радиально-базисной функцией (РБФ) активаций формальных нейронов и оценка выигрыша по показателям вероятности правильного распознавания.

4. Сравнительный анализ эффективности обучения НС в присутствии шума и исследование влияния числа нейронов на качество распознавания, основанное на моделировании.

5. Оценка эффективности некогерентного накопления при распознавании РЛЦ.

Научная задача состояла в разработке модели РЛР воздушных целей, чувствительной к изменению их характеристик и применяемых сигналов в системах мониторинга.

Практическая ценность работы состоит в том, что в ней:

1. Предложен алгоритм нейрокомпьютерного распознавания, повышающий эффективность распознавания и снижающий сложность распознаваемой системы.

2. Разработано программное обеспечение, позволяющее использовать предположенные алгоритмы решения задачи распознавания РЛЦ, которые могут быть реализованы на серийных нейропроцессорах [98]).

3. Получены теоретические результаты, которые могут быть эффективно использованы в учебном процессе технических вузов России и Вьетнама.

Диссертация состоит из введения, 5-х глав, заключения, списка литературы, включающего 97 наименований. Основная часть работы изложена на 110 стра-, ницах машинописного текста. Работа содержит 39 рисунков и 3 таблицы.

ВЫВОДЫ К ГЛАВЕ.

1. Нейронная сеть с обучением в присутствии шума распознает лучше, чем НС, которая не обучается в присутствии шума (8 дБ для радиальной сети, 4 дБ для сигмоидальной сети).

2. Анализ сравнения предложенного алгоритма, в основе которого для распознавания радиолокационных целей выбрана радиальная сеть, показал, что этот алгоритм позволяет повысить эффективность распознавания при локации целей на 3 дБ.

3. Способ некогерентного накопления позволяет улучшить вероятность распознавания по ОСШ на 6 -г 10 дБ при числе накопленных импульсов от 10 до 30;

4. Следует выбирать число нейронов 200 — 700 при решении задачи радиолокационного распознавания.

ЗАКЛЮЧЕНИЕ

.

Радиолокационное распознавание целей представляет сегодня вполне самостоятельную и обширную научную проблему. К проблемам классификации относится также задача создания алгоритма (или классификатора), способного решить, что заданное измерение принадлежит множеству различных классов. Задача классификатора состоит в определении типа и класса измеряемого самолета. Информация распознавания предназначается для использования в различных системах мониторинга воздушного пространства.

В настоящее время наблюдается повышенный интерес к нейросетевым методам и построенным на их базе нейрокомпьютерам. Совершенно очевидно, что свои возможности НС приобретают, благодаря распараллеливанию обработки информации и, способности самообучаться, т. е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют НС решать сложные задачи, которые на сегодняшний день считаются трудноразрешимыми.

В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, НС формируют модель явления в процессе обучения, т. е. практически не требуют априорных данных о модели. После обучения такие системы могут достигать потенциальных пределов качества функционирования при решении задач оценки параметров сигналов, обнаружения и распознавания цели.

Способность к достоверному распознаванию самолета — важный аспект безопасности воздушного движения, и таким образом, применение НС является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания РЛЦ.

Основной целью диссертационной работы является разработка алгоритмов распознавания РЛЦ с использованием нейрокомпьютерных сетей для повышения эффективности мониторинга воздушного пространства.

Проводимые исследования базируются на теории вероятности, теории рассеяния радиоволн воздушными объектами, теории обработки сигналов и теории искусственных нейронных сетей. При создании обучающих и тестирующих данных использовалась программа моделирования радиолокационных сигналов «RADAR TARGET BACKSCATTERING SIMULATION», разработанная группой исследования профессора Ширмана Я. Д. В процессе моделировании использовались разработанные компьютерные программы Matlab 6.5.

В процессе проведенных исследований получены следующие основные результаты:

1. Разработана модель радиолокационного распознавания, основанная на использовании аппарата НС с применением радиально-базисных функций, позволяющая получить выигрыш ОСШ 3 дБ по сравнению с сигмоидальной сетью;

2. Структура НС, обучающихся в присутствии шума, позволяет получить выигрыш ОСШ на 8 дБ для радиальной сети, на 3 дБ для сигмоидальной сети;

3. Способ некогерентного накопления позволяет улучшить вероятность распознавания по ОСШ на 6 -f- 10 дБ при числе накопленных импульсов от 10 до 30;

4. Даны рекомендации по выбору числа нейронов в скрытом слое при распознавании РЛЦ (200 — 700).

5. Проведен выбор элементной базы, позволяющей реализовать разработанные алгоритмы в реальном времени, наиболее предпочтительным был принят нейропроцессор NM6403, разработанный в России.

Научная новизна работы состоит в следующем:

1. Предложена модель радиолокационного распознавания, основанная на использовании аппарата НС с применением радиально-базисных функций.

2. Приведены рекомендации по обучению НС, обучающихся в присутствии шума с разными ОСШ.

3. Построение зависимости эффективности некогерентного накопления от числа импульсов при распознавании РЛЦ.

4. Приведены рекомендации по выбору числа нейронов в скрытом слое при распознавании с использованием радиальных сетей.

Практическая ценность работы состоит в том, что в ней:

1. Предложен алгоритм нейрокомпьютерного распознавания, повышающий эффективность распознавания и снижающий сложность системы распознавания РЛЦ.

2. Разработано программное обеспечение, позволяющее использовать предложенные алгоритмы решения задачи распознавания РЛЦ, которые могут быть реализованы на серийных нейропроцессорах.

3. Получены теоретические результаты, которые могут быть эффективно использованы в учебном процессе технических вузов России и Вьетнама.

Целесообразно продолжить работу по дальнейшему уточнению модели РЛР в условиях конкретных регионов мониторинга и разработке реализующих их структур с требуемыми техническими параметрами.

Общий вывод. Полученные в диссертационной работе результаты исследования позволяют рассмотреть и оценить возможность распознавания НС с использованием широкополосных сигналов, обосновать целесообразность и полезность применения НС при распознавании РЛЦ, и решить задачи выбора параметров и схемных реализаций при проектировании системы распознавания РЛЦ.