Синтез нейросетевой системы классификации динамических объектов

Актуальность темы

Задачи распознавания образов являются одними из наиболее распространённых в современных практических приложениях. Существует множество математических подходов к распознаванию объектов, описываемых вектором характеристик фиксированной размерности [4, 11, 34, 40, 57, 83, 84, 89, 105]. Однако, задача классификации динамического объекта (ДО), вектор характеристик которого меняется во времени, существенно усложняется и в большинстве случаев требует разработки специализированного математического аппарата [38, 29, 41, 44, 45].

В последнее время для решения задач классификации активно применяется аппарат искусственных нейронных сетей [28, 29, 40, 51, 63, 68, 84]. Основным достоинством нейронных сетей является их универсальная способность к обобщению: обученная на ограниченном множестве выборочных данных нейронная сеть способна вырабатывать ожидаемую реакцию применительно к данным, не участвовавшим в процедуре обучения. Другое важное свойство нейронных сетей, свидетельствующее об их огромном потенциале и широких прикладных возможностях, состоит в высокой степени распараллеливания вычислительного процесса. Благодаря этой способности при большом количестве межнейронных связей достигается значительное ускорение процесса обработки информации. Во многих ситуациях становится возможной обработка данных в реальном масштабе времени [63]. Эти характерные свойства нейронных сетей позволяют им решать сложные практические задачи, которые на сегодняшний день считаются трудноразрешимыми.

Использование нейросетевого подхода не требует формального математического описания законов изменения состояния классифицируемого ДО, а предполагает наличие представительного набора образцов экспериментальных данных для обучения системы классификации. Нейросетевая система классификации адаптируется непосредственно к свойствам имеющихся экспериментальных данных и может оперативно корректироваться при предъявлении дополнительной информации.

Как правило, использование нейронных сетей обеспечивает следующие важные свойства и возможности вычислительных систем:

— нелинейность;

— адаптивность;

— универсальность одного решения для целого класса подобных задач;

— эффективность программной и аппаратной реализации.

Для решения практических задач с использованием нейросетевой технологии разработано множество универсальных и специализированных программных средств, позволяющих существенно упростить процедуру построения нейросетевых систем обработки данных. Среди них можно выделить среду инженерных расчётов MATLAB фирмы MathWorks, пакет STATISTICA Neural Networks фирмы StatSoft, более специализированные пакеты и библиотеки: Neuro Modeler, NeuroPro, Neuro Office, FANN и др.

Актуальность применения аппарата искусственных нейронных сетей для решения задач классификации ДО подтверждается работами B.JI. Дунина-Барковского, А. Н. Горбаня, А. И. Галушкина, O.A. Мишулиной, С. А. Терехова и других отечественных и зарубежных исследователей.

Определение типа летательного аппарата (JIA) по ограниченному числу дискретных измерений также относится к задачам классификации ДО. Подобная задача возникает в системе управления зенитными ракетными комплексами (ЗРК) противовоздушной обороны при отражении массированного ракетно-авиационного налёта [9, 34, 40, 57].

Разработка системы распознавания типа JIA в зоне действия ЗРК позволит существенно повысить эффективность работы зенитных систем, что подтверждает важность и актуальность темы исследования.

Объектом исследования являются нелинейные динамические системы, состояние которых описывается вектором характеристик фиксированной размерности, меняющимся во времени. Информация о состоянии динамической системы поступает в дискретные моменты времени и содержит ошибки.

Предметом исследования являются методы классификации ДО по ограниченному набору дискретных наблюдений с помощью аппарата искусственных нейронных сетей (ИНС).

Цель и задачи исследования

Диссертация посвящена разработке нейросетевой системы определения типа (классификации) ДО на основе ограниченного набора дискретных наблюдений, содержащих ошибки измерения параметров ДО, и выработке методических рекомендаций по её практическому применению при решении прикладной задачи распознавания типа ЛА в зоне действия ЗРК по его внешним траекторным измерениям.

Достижение поставленной цели исследования предполагает решение следующих основных задач исследования.

1. Формальное описание класса ДО, для которых решается задача классификации.

2. Синтез структуры системы классификации ДО по ограниченному набору дискретных измерений и разработка соответствующих алгоритмов обучения.

3. Разработка методики оценки степени достоверности принятого системой классификации решения о типе ДО.

4. Разработка методики учёта динамики ранее принятых решений о типе ДО.

5. Применение системы классификации предложенной структуры для решения прикладной задачи распознавания типа ЛА в зоне действия ЗРК.

6. Создание специализированного программного обеспечения для проведения исследований системы классификации и разработанных алгоритмов её обучения.

7. Проведение экспериментальных исследований системы классификации ДО.

Методы исследования. При решении поставленных задач исследования в работе использовались методы системного анализа, теории динамических систем, теории искусственных нейронных сетей, теории оптимизации, теории управления, теории вероятностей, а также методы статистического анализа данных.

Научная новизна. Основные результаты работы являются новыми и заключаются в следующем.

1. Предложена, теоретически обоснована, реализована и проверена на модельных данных структура комплексной нейросетевой системы классификации ДО по ограниченному набору дискретных наблюдений, полученных с ошибкой. Разработана соответствующая процедура обучения и применения системы.

2. Предложено, реализовано и исследовано уникальное нейросетевое решение задачи оценки достоверности результатов классификации путём аппроксимации функции достоверности в локальной окрестности наблюдаемых характеристик ДО, а не интегрально на всём пространстве характеристик.

3. Синтезированная структура нейросетевой системы классификации ДО и соответствующий алгоритм обучения применён для решения прикладной задачи распознавания типа ЛА в зоне действия ЗРК по ограниченному набору внешних траекторных измерений, выполненных с ошибками. Предложенный подход является новым и при решении подобных задач ранее не применялся.

4. Проведено множество экспериментов, подтверждающих состоятельность и адекватность разработанной нейросетевой системы и алгоритма её обучения.

5. Исследованы и проанализированы перспективы расширения предложенной системы за счёт введения нейросетевых блоков с сосредоточенной задержкой сигнала по времени и динамической сети нелинейной авторегрессии с внешними входами.

Практическая значимость работы заключается в следующем.

1. Предложенная в работе нейросетевая система классификации ДО по ограниченному набору зашумлённых наблюдений может быть использована для решения прикладной задачи распознавания типа ЛА по внешним траекторным измерениям в системе управления ЗРК, что повысит эффективность их работы.

2. Разработанное в ходе исследования методическое, алгоритмическое и программное обеспечение может быть использовано в учебных курсах по программированию, математическим методам классификации, нейроинформатике и современным технологическим аспектам теории искусственных нейронных сетей, что позволит повысить уровень подготовки специалистов.

3. Предложенная система классификации ДО может применяться для решения прикладных задач в других предметных областях, например, в задаче идентификации характера неисправности и её локализации в сложной технической системе и т. п.

Реализация результатов работы. Синтезированная в ходе выполнения диссертационной работы нейросетевая система классификации ДО, использовалась для решения прикладных задач, связанных с распознаванием типа ЛА в зоне действия ЗРК во ФГУП «ГосНИИ авиационных систем» (Москва).

Полученные в диссертации результаты используются в учебном процессе кафедры МОСОИиУ МИЭМ (Москва).

Использование результатов диссертационной работы и достигнутый при этом эффект подтверждены соответствующими актами внедрения (см. прил. 1 и 2).

Апробация работы. Основные положения диссертации докладывались на следующих международных конференциях и семинарах:

— VI Международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2008 г.);

— Международная конференция молодых учёных и специалистов Московского отделения Международной общественной организации «Академия навигации и управления движением», 1 место (прил. 3) за лучший доклад, представленный на секции «Обработка информации в навигационных, спутниковых и интегрированных системах» (г. Москва, 2009 г.);

— IX Международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.);

— XIX Международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (г. Алушта, 2010 г.).

Также основные положения диссертации обсуждались на конференциях студентов, аспирантов и молодых специалистов МИЭМ в 2008;2011 гг. и на научном семинаре «Управление и устойчивость» под руководством д.т.н., проф. В. Н. Афанасьева.

Результаты исследований по диссертации вошли в отчёты по НИР:

— «Исследование бинарных моделей знаний для семантических УЕВ-технологий, мультиагентного и нейромоделирования». — М.: МИЭМ, 2005. -№ гос.рег. 1 200 502 482, инв. № 2 200 903 329;

— «Разработка методов концептуальной спецификации информационно-технологических и нейросетевых систем». — М.: МИЭМ, 2006. — № гос.рег. 1 200 602 101, инв. № 2 200 805 602;

— «Разработка методов и языков концептуальной спецификации для Семантического Веба». — М.: МИЭМ, 2007. — № гос.рег. 1 200 701 846, инв. № 2 200 805 562;

— «Разработка бинарных моделей знаний с нечёткой логикой для Семантического Веба». — М.: МИЭМ, 2008. — № гос.рег. 1 200 801 976, инв. № 2 200 902 792;

— Отчет на спецтему по СЧ НИР «Известняк-КМ». -М.: ГосНИИАС, 2009. -инв.№ 0−45 869.

Публикации результатов. Основные результаты диссертационной работы опубликованы в 15 печатных научных работах, среди которых 2 статьи — в периодических научных изданиях, рекомендованных ВАК России, 8 работ — в материалах научных конференций и семинаров.

Основные положения, выносимые на защиту.

1. Структура системы классификации ДО по ограниченному набору зашумлённых дискретных наблюдений, которая представляет собой комплекс взаимодействующих многослойных нейронных сетей прямого распространения, где каждая сеть характеризуется простой функциональной задачей, а также соответствующие алгоритмы обучения.

2. Методика оценки степени достоверности принятого классификатором решения о типе ДО путём нейросетевой аппроксимации функции достоверности в локальной окрестности текущего наблюдения.

3. Методика учёта пространственно-временной динамики траектории движения ЛА в расширенном лаговом пространстве.

4. Результаты экспериментов, демонстрирующих состоятельность и адекватность синтезированных нейросетевых структур при распознавании типа ЛА в зоне действия ЗРК.

5. Варианты модернизации структуры системы путём введения динамических нейросетевых блоков с сосредоточенной задержкой сигнала по времени и нейросетевой модели нелинейной авторегрессии с внешними входами.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, библиографического списка и трёх приложений. Основная часть работы содержит 130 страниц машинописного текста, включая 28 таблиц, 35 рисунков и перечень использованной литературы из 106 наименований.

4.7. Выводы по главе 4.

Подробно описаны процедуры формирования исходных данных для настройки системы классификации и различные варианты системы, использованные для проведения экспериментальных исследований:

— рассмотрен метод формирования идеальных модельных данных;

— приведено описание процедуры добавления ошибок измерений РЛС;

— изложены характеристики вариантов классификатора.

Проведено множество экспериментов, подтверждающих состоятельность разработанной нейросетевой системы классификации ЛА, её высокую обобщающую способность и демонстрирующих адекватность созданной системы поставленной задаче.

Исследованы и проанализированы на примере нескольких вариантов системы классификации как характеристики отдельных её компонентов, так и особенности всей системы в целом. Исследованы характеристики:

— блока локальной классификации.

— блока оценки достоверности локального решения.

— блока учёта динамики локальных решений ^3.

В частности, исследована устойчивость системы к различным уровням ошибок измерений. Наглядно продемонстрирована необходимость блока, а также практический эффект, получаемый при его применении.

Результаты проведённого моделирования, описанные в данной главе, позволяют обоснованно сказать о высоком качестве разработанной системы и об её устойчивости к ошибкам измерения, которые присущи реальному локатору.

ЗАКЛЮЧЕНИЕ

.

В рамках диссертационной работы получены следующие научные и практические результаты.

Предложено новое решение проблемы распознавания типа ЛА, вошедшего в зону действия ЗРК, по ограниченному набору внешних траекторных измерений. Данная проблема формализована и рассмотрена как математическая задача классификации ДО по небольшому набору зашумлённых данных.

По результатам проведённого анализа современных подходов к решению задачи классификации ДО выбран аппарат искусственных нейронных сетей. Проанализированы различные современные нейросетевые модели, используемые при решении подобных задач другими исследователями, на предмет их применимости к данной задаче. В результате анализа обоснованно выбран аппарат многослойных нейронных сетей прямого распространения как средство решения задачи классификации ДО.

Предложена эффективная методика учёта пространственно-временной динамики движения ЛА в лаговом пространстве. Для классификации ЛА использованы признаки двух типов: мгновенные и интегральные. Эти признаки характеризуют как текущие радиолокационные измерения, так и учитывают предысторию движения сопровождаемого ЛА. Информативность использованного вектора признаков подтверждена проведённым математическим моделированием.

Предложена структура системы классификации ДО, которая представляет собой сложный комплекс взаимодействующих между собой отдельных нейронных сетей, а также разработан алгоритм обучения такой системы для настройки её на конкретную предметную область. Важной особенностью разработанной системы является то, что каждая нейронная сеть, входящая в её состав, характеризуется простой функциональной задачей. Разработанная система допускает расширение на новые распознаваемые типы объектов и не требует для этого радикальной перестройки.

Модульная структура нейросетевого классификатора ДО позволила обеспечить интерпретируемость принимаемых решений, простоту обучения и возможность оперативной модификации посредством введения дополнительных функциональных модулей.

Особое значение применительно к решаемой задаче имеет оценка достоверности принимаемых классификатором решений. В работе предложен подход, основанный на нейросетевой аппроксимации функции достоверности в пространстве признаков, который позволяет оценивать принятое классификатором локальное решение не усредненными показателями по всей выборке данных, а с учетом текущих значений вектора признаков.

Построенная система предполагает возможное решение «неопознанный ЛА» в случае, когда не обеспечивается высокая достоверность отнесения ЛА к одному из предопределенных классов.

Продемонстрировано практическое применение разработанной нейросетевой системы для решения прикладной задачи классификации ЛА, вошедшего в зону действия ЗРК. Проведено множество экспериментов, подтверждающих высокую обобщающую способность системы. Исследовано поведение системы в различных условиях, а также её устойчивость к ошибкам измерения разной интенсивности.

Математическое моделирование, проведённое на примере ЛА семи типов, продемонстрировало высокую надёжность и устойчивость принимаемых системой классификации решений. Высокая точность распознавания типа ЛА наблюдается не только на модельных данных без ошибок измерений, но и в условиях реальных ошибок измерений радиолокатора.

В работе показана принципиальная возможность распознавания типа ЛА по траекторным измерениям без применения специальных признаков отраженного радиолокационного сигнала. Предложенное нейросетевое решение задачи не использует детального знания математических моделей движения ЛА и основано исключительно на располагаемых траекторных измерениях сопровождающей их РЛС.