CC BY
71Радиолокация и радионавигация
УДК 621.396.62
В. И. Веремьев, Чинь Суан Шинь
Санкт-Петербургский государственный электротехнический
университет "ЛЭТИ"
Использование диаграммы рассеяния цели в задачах радиолокационного распознавания
Рассматриваются вопросы радиолокационного распознавания целей с использованием аппарата нейронных сетей. В качестве признака распознавания использовалась диаграмма рассеяния цели. Приведены характеристики распознавания воздушных целей, полученные в результате цифрового моделирования системы распознавания.
Нейронная сеть, распознавание, радиолокация
Радиолокационное распознавание воздушных целей является едва ли не самой сложной задачей современной радиолокации. Долгое время эта задача не могла быть решена автоматически. Обученный оператор на основе визуального анализа на устройствах отображения информации отраженных от цели сигналов определял класс обнаруженной цели без учета ее ракурса и степени освещенности [1], [3], [4].
Постановка натурных экспериментов для изучения того или иного метода решения задачи радиолокационного распознавания достаточно сложна. Требуется получать многочисленные отклики различных типов и классов целей на разнообразные узкополосные и широкополосные зондирующие сигналы разных частоты и поляризации при различных ракурсах целей относительно РЛС. Между тем необходимые результаты часто обеспечиваются математическим моделированием. Одно из перспективных направлений решения данной задачи в настоящее время базируется на использовании нейрокомпьютерных алгоритмов.
Выбор признака при распознавании. Для распознавания воздушных целей можно выделить две основные группы признаков радиолокационного распознавания - траекторные и сигнальные.
Траекторными признаками являются скорость, дальность, высота и направление полета. Сигнальные признаки включают эффективную площадь рассеяния (ЭПР) цели (энергетический признак); спектральные и поляризационные признаки, дальностный портрет. При распознавании к векторам признаков предъявляются следующие требования:
• устойчивость и надежность в присутствии шумов;
• незначительные изменения при движении цели;
• возможность применения современных аппаратно-программных средств для реализации алгоритмов.
62
© Веремьев В. И., Шинь Суан Чинь, 2006
1
В настоящей статье исследуется воз- \ 3 __!_¿1
можность использования в качестве призна- ! ^ | ! ^ ! ка распознавания диаграммы рассеяния це- - 30 - 15 15 ат, ДБ
ли (ДРЦ), являющейся интегральной харак- Рис. 1
теристикой ЭПР цели.
ЭПР - один из типичных параметров радиолокационных измерений, часто используемый для классификации самолетов, судов и наземных транспортных средств.
На рис. 1 изображены графики разброса ЭПР для целей больших 1, средних 2 и малых 3 размеров в отсутствие противорадиолокационной маскировки и имитации. Пунктирными линиями обозначены возможные пределы расширения этих областей за счет влияния нестабильностей.
В случае узкополосного зондирования в качестве эталонов при распознавании целей по сигнальному признаку должны быть использованы средние значения эффективной поверхности целей стц. Для этого предварительно в натурном эксперименте или моделированием должны быть определены и записаны в блок памяти эталонов средние значения ЭПР для основных типов усредненных типов целей - большой, средней и малой.
ЭПР сложных целей, таких, как корабли, самолеты, участки местности, представляют собой ДРЦ - сложные функции ракурса наблюдения и рабочей частоты радиолокатора. ДРЦ можно рассчитать с помощью цифрового моделирования на ЭВМ или измерить экспериментально. Измерения можно производить на реальных целях, однако удобнее определять ДРЦ на масштабных моделях. Указанным методом получено большинство данных о ДРЦ сложных целей.
Сложную цель можно рассматривать как состоящую из большого числа независимых элементов, рассеивающих энергию во всех направлениях. Наибольший интерес представляет энергия, рассеиваемая в направлении радиолокатора. Суммарная ЭПР определяется относительными фазами и амплитудами сигналов, отраженных от отдельных рассеивающих элементов цели, измеренными в точке размещения радиолокационного приемника. Если расстояние между отдельными рассеивающими элементами велико по сравнению с длиной волны (что обычно справедливо для большинства радиолокационных систем), то фазы отдельных сигналов у радиолокационного приемника будут меняться с изменением ракурса наблюдения и вызовут флуктуацию отраженного сигнала.
Следует также отметить зависимость значений ДРЦ от поляризации. Рассеивающие свойства радиолокационной цели для любого вида поляризации можно описать матрицей значений а размером 2*2, элементы которой соответствуют излучению радиоволн каждой из двух ортогональных поляризаций и приему радиоволн с той же или ортогональной поляризацией. Эта матрица получила название матрицы поляризационного рассеяния.
Чтобы реализовать устройства радиолокационного распознавания, использующие в качестве признака ДРЦ, необходимо иметь запоминающее устройство с большим объемом памяти для запоминания эталонов от различных целей при различных курсовых углах, частотах и поляризациях.
Использование некогерентного усреднения. Каждое отдельное измерение ДРЦ может иметь низкое отношение "сигнал/шум" (ОСШ). Это отношение может быть повышено при использовании некогерентного усреднения по последовательности первичных измерений ДРЦ, повышающего отношение пропорционально [10]1. Перед усреднением необходимо выровнять ДРЦ, чтобы компенсировать изменение положения цели между последовательными измерениями. Выравнивание может быть выполнено с помощью взаимной корреляции. Выбирается эталонное значение ДРЦ, с которым все другие измеренные значения ДРЦ коррелируются. Коррелированный с эталонным пик каждого значения ДРЦ указывает, насколько она должна быть перемещена для выравнивания. Когда все значения ЭПР выровнены, их усредняют.
Количество усредняемых значений ЭПР должно быть оптимальным: если их слишком мало, то улучшение ОСШ будет незначительным, а при слишком большом количестве ДРЦ возможно излишне значительное изменение ракурса цели за время проведения процедуры усреднения. Длина усредняющего окна зависит от требуемой величины ОСШ, от скорости изменения ракурса цели и от времени получения каждого значения ДРЦ. Окна усреднения предварительных данных могут перекрываться для обеспечения большего количества данных для последующей обработки.
На практике использование значений ДРЦ для распознавания основано на относительных расстояниях между главными рассеивателями цели [4]. Точечный характер ДРЦ цели приводит к тому, что амплитуда отраженного от рассеивателя сигнала может значительно изменяться от одной ДРЦ к другой. Поэтому информация об амплитуде отраженного от рассеивателя сигнала является вторичным признаком при распознавании. Напротив, при заданном ракурсе цели положение отражения от рассеивателя может быть фиксированным независимо от изменений его амплитуды. Предварительная обработка с использованием ДРЦ должна обязательно учитывать оба приведенных соображения.
Моделирование процессов распознавания на основе нейрокомпьютерных алгоритмов. В настоящее время наблюдается повышенный интерес к нейросетевым методам и построенным на их базе нейрокомпьютерам. В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, нейронные сети (НС) сами формируют модель явления в процессе обучения, т. е. практически не требуют априорных данных о модели.
Нейрокомпьютерные алгоритмы отличаются своей заранее заданной универсальной структурой с большим числом неизвестных параметров, уточняемых в процессе адаптации. После обучения они могут достигать потенциальных пределов качества функционирования при решении задач обнаружения, оценки параметров сигналов или распознавания образов [5].
Таким образом, применение НС можно рассматривать как один из наиболее перспективных путей для повышения эффективности и сокращения сложности распознаваемой системы радиолокационных целей.
1 При числе усредняемых ЭПР N . 64
х2 О
Выходы
хк о
Входы Скрытый слой
Рис. 2
Выбор структуры НС и программных средств. В настоящей статье рассматривается сеть с одним скрытым слоем (рис. 2, где ИН - искусственный нейрон). Веса нейронов скрытого слоя помечены верхним индексом (1), а выходного слоя - верхним индексом (2). Примем, что функция активации нейронов задана в сигмоидальной униполярной или биполярной форме. Для упрощения описания будем использовать расширенное обозначение
входного вектора сети в виде х = [х0, д^, ..., хN]Т, где х/ = 1 соответствует наличию /-го сигнала, а т - знак транспонирования. С вектором х связаны два входных вектора сети: вектор фактических выходных сигналов у = [у0, У1, •••, Ум]Т и вектор ожидаемых выходных сигналов d = [й0, йц, ..., йм]Т . Если рассматривать единичный поляризационный сигнал как один из компонентов входного вектора х , то веса поляризации можно добавить в векторы весов соответствующих нейронов обоих слоев. При таком подходе выходной сигнал /-го нейрона скрытого слоя удается описать функцией [6], [7]:
( N ^
Е
V1=0
"(1) х
(1)
в которой индекс "0" соответствует сигналу и весам поляризации, причем у0 = 1, х0 = 1. В выходном слое к-й нейрон вырабатывает выходной сигнал, определяемый как
Ук=/
( к ( )
2 ч
V/=0 у
= /
к
( N
I "к2) / I х
/=0
Л'
У 1
V1 = 0 у
На значения выходных сигналов влияют веса обоих слоев, тогда как сигналы, вырабатываемые в скрытом слое, от весов выходного слоя не зависят.
Рис. 3
В качестве программного обеспечения выбран Neural Network Toolbox системы Matlab 6.5, достоинствами которого являются:
• простота создания и обучения НС;
• простота подготовки обучающей выборки;
• возможность использования наиболее популярных алгоритмов обучения НС.
Выполнение моделирования. Для создания данных обучения и проверки нейронных сетей использовалась программа "Radar target backscattering simulation". Эта программа создает "чистые данные" (без шума), к которым для обучения и проверки нейронных сетей добавлялся шум. На рис. 3 представлена схема структуры при создании данных для обучения и проверки НС [8], [9].
В данной схеме после программы "Radar target backscattering simulation" по каналам Ki, K2, K3 незашумленные сигналы поступали в блок 3, где происходило измерение их энергии и вычисление интенсивности шума исходя из требуемого отношения "сигнал/шум". Затем шум, полученный от генератора "белого" шума 2, добавлялся к сигналу для получения смеси сигнала и шума. Каналы Ki, K2, K3 соответствовали сигналам, несущим информацию о ДРЦ, зависящую от изменения частоты, азимутального угла и поляризации сигналов.
Результаты моделирования распознавания радиолокационных целей. В описываемом эксперименте рассмотрены случаи распознавания по ДРЦ трех классов объектов большого, среднего и малого размеров (рис. 4). Каждый класс представлен тремя типами летательных аппаратов (Ту-16, В-52, В1-В; МиГ-21, F-i5, Tornado; GLCM, ALCM, Decoy соответственно). Набор статистики по данной совокупности из девяти типов воздушных объектов осуществлялся с помощью модели вторичного излучения [9].
При распознавании радиолокационных целей НС должны обучаться. Чтобы спроектировать НС, не чувствительную к воздействию шума, она обучалась с применением идеальных и зашумленных векторов с ОСШ Í8...30 дБ; число нейронов в скрытом слое составляло 500; использовалась сигмоидаль-
Класс i (большой размер)
1-1 Ту-16 1-2 В1-В 1-3 B52
Воздушные цели
Класс 2 (средний размер)
Класс 3 (малый размер)
ная функция активации.
Рис. 5-8 иллюстрируют эффективность распознавания целей по ДРЦ в виде зависимостей вероятности правильного обнаружения цели В от ОСШ у. На рис. 58, а приведены усредненные характеристики распознавания для классов целей, а на рис. 5-8, б - для индивидуальных целей2. На
Рис. 4
2 Обозначения отдельных целей совпадают с рис. 4.
66
Б 0.75 -0.50
0.25
0
Класс 2
Класс 1
Класс 3
10
15
30 а
45
Б 0.8
0.6
0.4 0.2
Б
0.84
0.68
0.52 0.36
30 а
а
Б
0.89
0.78
0.67 0.56
16 а
Б
0.75
0.50
0.25 0
3-2
2-2 ^КлП?
- 2-3 /
2~1 /
* /
1-1
3-3
1-3
1-2
3-1
V, дБ
10
15
30 б
45
V, дБ
Рис. 5
Б 2-3 2-2 2-1
0.75
0.50
0.25 0
V, дБ
Рис. 6
Б 0.8
0.6
0.4 0.2
3 1 3-2 .
30 б
3-3^'х
2-2
1-3 2-1
1-2_1_
V, ДБ 10
Рис. 7
14
18
б
22
Б
3-1 3-2
0.75
0.50
1-1
У-><&< 1-3
—У^^/К 2-1
¿¿К 2-3
2-2
''^12 г I
¥, дБ
10
13
16
б
19
Рис. 8
¥, дБ
V, дБ
¥, дБ
рис. 5 представлены результаты распознавания с учетом двух факторов: частоты и азимутального угла сигналов, на рис. 6 - с учетом трех факторов: частоты, азимутального угла и
Известия вузов России. Радиоэлектроника. 2006. Вып. 5======================================
поляризации сигналов. Из сравнения рисунков видно, что эффективность распознавания по трем факторам выше, чем по двум.
Рис. 7 и 8 иллюстрируют повышение эффективности распознавания целей, вызванное повышением ОСШ за счет некогерентного накопления девяти (рис. 7) и 12 (рис. 8) последовательных импульсов.
Таким образом, в статье приведены результаты моделирования процессов распознавания радиолокационных целей по ДРЦ с использованием аппарата нейронных сетей, обучавшихся с разным соотношением "сигнал/шум" в виде зависимостей вероятности правильного распознавания от соотношения "сигнал/шум". Показана целесообразность выполнения в процессе обработки накопления радиолокационного сигнала для повышения качества распознавания.
Библиографический список
1. Небабин В. Г., Сергеев В. А. Методы и техника радиолокационного распознавания. М.: Радио и связь, 1984. 152 с.
2. Кобак В. О. Радиолокационные отражатели / Под ред. О. Н. Леонтьевского. М.: Сов. радио, 1975. 248 с.
3. Селекция и распознавание на основе локационной информации / Под ред. А. Л. Горелика. М.: Радио и связь, 1990. 240 с.
4. Методы радиолокационного распознавания и их моделирование / Я. Д. Ширман, С. А. Горшков, С. П. Лещенко и др.; Под ред. Я. Д. Ширмана // Радиолокация и радиометрия № 2: Научно-технические серии. 2000. Вып. 3. С. 5-65.
5. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
6. Фархат Н. Х. Формирование радиолокационных изображений методом разнесения в диапазоне СВЧ и автоматизированная идентификация целей, основанная на использовании моделей нейронных сетей // ТИИЭР. 1989. Т. 77, № 5. С. 43-56.
7. Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления: Учеб. пособие для вузов. М.: ИПРЖР, 2002. 480 с. (Нейрокомпьютеры и их применение. Кн. 8).
8. Computer simulation of aerial target radar scattering / Y. D. Shirman, S. A. Gorshkov, S. P. Leshchenko et al.; Ed. by Y. D. Shirman // Recognition, detection, and tracking. Boston-London: Artech House, 2002. 296 p.
9. Radar target backscattering simulation: Software and user's manual / Y. D. Shirman, S. A. Gorshkov, S. P. Lesh-chenko et al. Boston-London: Artech House, 2002. 97 p.
10. Zyweck A., Bogner R. E. Radar target classification of commercial aircraft // IEEE Trans. on Aerospace and el. syst. 1996. Vol. AES-32, № 2. P. 598-606.
V. I. Veremyev, Trinh Xuan Sinh
Saint-Petersburg state electrotechnical university "LETI"
Using of the target scattering indicatrix in tasks of radar-tracking recognition
Questions of the radar target recognition with use of the neural networks are investigated. As the recognition attribute the target scattering indicatrix is considered. The recognition characteristics of the air target assumed by digital modeling of the recognition systems are resulted.
Neural network, recognition, radar
Статья поступила в редакцию 5 октября 2006 г.
