CC BY
37
РАДИОТЕХНИКА И СВЯЗЬ
Н. С. Хохлов,
доктор технических наук, профессор
С. В. Канавин
кандидат технических наук
И. В. Гилев
МЕТОДИКА ПОСТРОЕНИЯ НЕЙРОННОЙ СЕТИ, РЕШАЮЩЕЙ ЗАДАЧИ ВЫБОРА СПОСОБОВ ПРОТИВОДЕЙСТВИЯ ДЕСТРУКТИВНЫМ ЭЛЕКТРОМАГНИТНЫМ ВОЗДЕЙСТВИЯМ В СЕТЯХ СВЯЗИ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
METHODOLOGY FOR CONSTRUCTION OF A NEURAL NETWORK
SOLVING THE PROBLEM OF SELECTING METHODS OF COUNTERING DESTRUCTIVE ELECTROMAGNETIC IMPACTS IN COMMUNICATION NETWORKS OF A SPECIAL PURPOSE
Статья посвящена методике построения нейронной сети, решающей вопросы выбора способов противодействия деструктивным электромагнитным помехам в сетях связи специального назначения. На основе полученной ранее базы знаний, произведено моделирование нейронных сетей различной структуры. Было выявлено, что требуемую задачу наилучшим образом решает нейронная сеть структуры «многослойный персептрон». Для выбранного типа сети построены лифтовые карты и поверхность зависимостей способа противодействия от входных переменных. Также произведено тестирование работоспособности нейронной сети на выборке новых входных параметров, в результате чего сеть продемонстрировала корректный выбор способов противодействия. Программная реализация данного вида нейронной сети позволит автоматизировать выбор способов противодействия деструктивным электромагнитным воздействиям, оказываемым на системы связи и управления.
The article is devoted to the method of constructing a neural network that decides on the choice of methods for counteracting destructive electromagnetic interference in special communication networks. Based on the previously acquired knowledge base, neural networks of various structures were simulated. It was revealed that the required task is best solved by the neural network of the multilayer perceptron structure. For the selected type of network, elevator maps and the surface of the dependencies of the method of counteraction against the input variables are constructed. We also tested the performance of the neural network on a sample of new input parameters, as a result of which the network demonstrated the correct choice of methods of counteraction. The software implementation of this type of neural network will automate the selection of methods to counter the destructive electromagnetic effects exerted on communication and control systems.
Введение. Современный век информационных технологий наполнен различного рода информационными системами, используемыми во всех сферах человеческой жизни, исключением не являются и правоохранительные органы, использующие в своей деятельности сети связи специального назначения (СССН). В соответствии с [14] СССН предназначены для нужд органов государственной власти, обороны страны, безопасности государства и обеспечения правопорядка. В настоящее время возникает угроза преступных посягательств на СССН. Целью таких посягательств является дестабилизация процессов управления, следствием которой могут являться материальные и человеческие потери. Очевидно, что вопросы противодействия деструктивным электромагнитным воздействиям на СССН носят стратегический характер. В связи с этим актуальность приобретает осуществление выбора способа противодействия деструктивным электромагнитным воздействиям с помощью инструментов нечеткой логики.
В последнее время появились тенденции создания систем комплексной безопасности сетей связи специального назначения [1, 2, 3]. Назрела необходимость разработки отечественных средств защиты информации от преднамеренного воздействия электромагнитных излучений с учетом прогнозирования развития информационных технологий. В работах [2, 8, 11, 12] предлагается возможный перечень способов противодействия, реализуемых на основе комплексной безопасности систем радиосвязи. В работах [2, 12] авторами предложена методика построения базы знаний способов противодействия деструктивным электромагнитным воздействиям на основе использования нечетких экспертных систем, которая в дальнейшем является основой для построения и обучения нейронной сети.
В данной статье авторами предлагается методика построения нейронной сети, решающая задачи выбора способов противодействия деструктивным электромагнитным воздействиям на основе нейронной сети. Этапы построения и обучения нейронной сети, решающей задачи выбора способов противодействия деструктивным электромагнитным помехам, будут рассмотрены далее.
Методика построения нейронной сети. Для решения задачи выбора способов противодействия деструктивным электромагнитным воздействиям авторами были выбраны нейронные сети, поскольку технологии искусственного интеллекта в информационной безопасности радиосетей являются перспективными. Существует большое количество программных продуктов, позволяющих осуществить моделирование различного типа нейронных сетей, таких как Cortex, NeuroShell Predictor, STATISTICA и др. Выберем в качестве инструмента моделирования программный пакет STATISTICA Neural Networks (SNN), поскольку эта программная реализация поддерживает выбор наиболее популярных сетевых
архитектур (многослойные персептроны, радиальные базисные функции и самоорганизующиеся карты признаков), при этом могут быть реализованы самые современные алгоритмы обучения, включая метод сопряженных градиентов, алгоритм Левенберга — Марквардта, BFGS, алгоритм Кохонена. [5]. Первым этапом построения является задание процентного отношения количества правил для обучения. Согласно [13] выбрано следующее процентное соотношение:
- тренировочная выборка — 70%;
- тестовая выборка — 30%;
- проверочная выборка — 15%.
2. Вторым этапом является использование полученной ранее базы знаний по методам противодействия, построенной с помощью аппарата нечетких множеств [12]. Как пример, такая база может содержать реализацию следующих входных параметров: мощность помехи (power), возможность функционирования системы (functioning), оперативность передаваемой информации (operativeness), наличие информации рангом выше (rank). Выходными параметрами являются способы противодействия деструктивным электромагнитным воздействиям: обычный режим (normal mode), ожидание (expectation), использование многосекторной антенной системы MIMO (MIMO), очередь (turn) и использование резервного канала (backup channel). Используемая в статья база знаний для обучения сети приведена в табл. 1.
Таблица 1
База знаний для обучения системы
№ п/п Power Functioning Operativeness Rank Way to counter
1 -156 0,1 0,9 0,2 normal mode
2 -135 0,1 0,1 0,2 normal mode
3 -144 0,1 0,5 0,2 normal mode
4 -133 0,1 0,9 0,8 normal mode
5 -154 0,1 0,1 0,2 normal mode
6 -131 0,1 0,5 0,2 normal mode
7 -145 0,1 0,9 0,8 normal mode
8 -158 0,1 0,1 0,8 normal mode
9 -115 0,5 0,1 0,2 expectation
10 -115 0,5 0,5 0,2 MIMO
11 -108 0,5 0,9 0,2 MIMO
12 -115 0,5 0,1 0,8 turn
13 -114 0,5 0,5 0,8 turn
14 -108 0,5 0,5 0,2 MIMO
15 -106 0,5 0,5 0,8 turn
16 -110 0,5 0,9 0,2 MIMO
17 -105 0,5 0,1 0,2 expectation
18 -104 0,9 0,1 0,2 backup channel
19 -78 0,9 0,5 0,2 backup channel
20 -102 0,9 0,9 0,2 backup channel
21 -89 0,9 0,1 0,8 turn
22 -100 0,9 0,5 0,8 turn
№ п/п Power Functioning Operativeness Rank Way to counter
23 -54 0,9 0,9 0,2 backup channel
24 -65 0,9 0,1 0,2 backup channel
25 -78 0,9 0,5 0,2 backup channel
26 -96 0,9 0,9 0,2 backup channel
27 -89 0,9 0,1 0,8 turn
28 -94 0,9 0,5 0,8 turn
Используемые в таблице способы противодействия и входные параметры нейронной сети были выбраны в соответствии с [2, 12]. В столбце Functioning значению 0,1 соответствует нормальное функционирование, значению 0,5 — частичное функционирование, значению 0,9 — система не функционирует. В столбце Operativeness значению 0,1 соответствует повседневная информация, значению 0,5 — срочная информация, значению 0,9 — оперативная информация. В столбце Rank значению 0,2 соответствует отсутствие информации рангом выше, значению 0,8 — наличие информации рангом выше.
Следует отметить, что данная база знаний не является исчерпывающей и при появлении новых данных ее элементы будут пополняться.
3. Третьим этапом является выбор структуры нейронной сети и алгоритма обучения. Программа поддерживает структуру многослойного персептрона (MLP) и радиальной базисной функции (RBF). Алгоритмы обучения: BFGS и RBFT.
Метод BFGS, или алгоритм Бройдена — Флетчера — Гольдфарба — Шанно (Broyden — Fletcher — Goldfarb — Shanno), для вычисления обратного гессиана H-1 (обратный гессиан V~H-1 — это матрица размера n*n , где n — длина вектора градиента g) использует изменение значений градиента VE и изменения весов AW. Значения V вычисляются на каждом шаге алгоритма следующим образом:
V0:=1
тг Vk-S-ST-Vk I г ГТ
Vk+1:= Vk - -¡¡TT--1--,
sT -Vk-s s' -s
где r=Agk=gk_gk_1 — изменение градиента, s=AWk=Wk-Wk-1 — изменение весов.
Общая схема алгоритма BFGS подразумевает выполнение следующих этапов:
1. Инициализируются веса W (случайными малыми значениями) и задается начальное значение приближения обратного гессиана H-1~V0=1.
2. Вычисляются значения градиента g.
3. Корректируются веса:
AW:=g-T, W:=W-AW, где т=0.01 — параметр скорости обучения.
4. Сохраняется старое значение градиента gold:=g; вычисляется новое значение градиента g(W^ изменение градиента Ag:=g-gold.
5. Вычисляется приближенное значение обратного гессиана V(Ag,AW) по формуле, приведенной выше.
6. Вычисляется изменение весов и корректируются параметры: W:=V-gAW:=V-g,
W:=W-AW.
7. Вычисляется ошибка E(W).
8. Если результат E(W) удовлетворительный, то конец работы.
9. Переход на п. 4.
Алгоритм ЯВРТ является реализацией рекурсивной задачи византийских генералов [10], описывающей взаимодействие нескольких удалённых абонентов, которые получили приказы из одного центра. Часть абонентов, включая центр, могут быть злоумышленниками. Нужно выработать единую стратегию действий, которая будет выигрышной для абонентов. [7—9, 10].
В качестве функции активации скрытых и выходных слоев нейронов примем логистическую (сигмоидальную или БоЙтах) функцию активации, так как она является наиболее подходящей функцией для задач идентификации рис.1 [4]. Данная функция стремится привести значения к одной из сторон кривой, что позволяет находить четкие границы при предсказании. Такой вид функции применяется в машинном обучении для задач идентификации, когда количество возможных классов больше двух.
Рис 1. Функции активации Бойтах
Количество эпох обучения зададим равным 2000, скорость обучения 1000, поскольку такое количество эпох при данной скорости обучения позволяет хорошо обучить сеть и свести показатель ошибки к значению 0,0000001. Веса зададим по умолчанию одинаковыми и равными 1. Смоделировано было по 10 сетей каждого из 2 типов. Выборка результатов моделирования приведена в табл. 2.
Результаты выбора нейронной сети. На основании результатов проведенного моделирования было выявлено, что задачу выбора способов противодействия деструктивным элекромагнитным воздействиям решает нейронная сеть типа многослойный пер-цептрон структуры 4-3-5 с весами связей: 4 входных нейрона, 3 нейрона на скрытом слое, 5 выходных нейронов, рис. 2.
В результате моделирования, показатели чувствительности нейронной сети к обучению характеризуются значениями, приведенными в табл. 3.
Таблица 2
Выборка из результатов моделирования структуры сетей
№ и/и Структура сети Тренировочная последовательность Тестовая последовательность Проверочная последовательность Алгоритм обучения
1 RBF 4-3-5 70,0000 100,0000 0,0000 RBFT
2 RBF 4-3-5 65,0000 100,0000 50,0000 RBFT
3 RBF 4-3-5 100,0000 75,0000 100,0000 RBFT
4 RBF 4-3-5 95,0000 50,0000 25,0000 RBFT
5 RBF 4-3-5 80,0000 75,0000 25,0000 RBFT
6 RBF 4-3-5 75,0000 100,0000 50,0000 RBFT
7 MLP 4-3-5 85,0000 100,0000 75,0000 BFGS6
8 MLP 4-3-5 95,0000 100,0000 100,0000 BFGS 14
9 MLP 4-5-5 90,0000 100,0000 75,0000 BFGS 11
10 MLP 4-3-5 100,0000 100,0000 100,0000 BFGS 7
11 MLP 4-3-5 90,0000 100,0000 100,0000 BFGS 8
12 MLP 4-3-5 95,0000 100,0000 100,0000 BFGS 23
power
functioning
operaóveness
Выходной слой
Входн ой слой i
Скрытый
СЛОЙ I
normal mode
expectation
MIMO
turn
backup channel
Рис 2. Структура и веса связей сети MLP 4-3-5
Таблица 3
Анализ чувствительности.
Functioning Rank Power Operativeness
11,31203 5,878662 2,078399 1,193872
Согласно данным из табл. 3 наибольшее влияние на выбор способов противодействия оказывают переменные functioning и rank, переменные power и operativeness оказывают влияние в меньшей мере.
На основе результатов моделирования также были получены лифтовые карты (рис. 3), представляющие собой зависимость необходимого для обучения сети количества наблюдений от общего количества наблюдений.
у. к
71 61
i« 41
И 2! 11 I
/
/ / /
/
/ / / /
/ s 1 / 1 / / / / / I /
1 /
t ■ / /—
/ 1 /
/
/
/
/ 1 /
/ .
i ' У 1 / /
I J/f
10 г<Р J0 «I » 63 71 93 »3 «О _ВЛМЫ
(Vcarlfc — [ПЫЦ>4<М]
а
I ю го » « « t
РаеемШ б
70 00 W 40
— Ч1Н1Р4-«]
3 *
Г 1
1 у
/ / / X
/ 1
! у
1/
а « ¿о so « 7j »з г. ко
/ ■ / / / /
/
д
1/
— B^Wtx
— [ПЫ1Р4
I 10 20 >3 Л] 43 Н> 70 И >3 »30 _E^jhj
Pnuifja —IOULP4J-S]
Г
Рис 3. Лифтовые карты полученной сети
Из рисунка видно, что при обучении нейронной сети играют наибольшее значение: первые 20% наблюдений для способа MIMO (рис. 3, а), 32% наблюдений для способа turn (очередь) (рис. 3, б), 34% наблюдений для способа expectation (ожидание) (рис. 3, в), 30% наблюдений для способа backup channel (резервный канал) (рисунок не приведен) и 32% наблюдений для способа normal mode (обычный режим) (рис. 3, г).
Построим поверхность зависимостей способа противодействия normal mode от входных данных power и operativeness, рис. 4.
Рис 4. Поверхность зависимостей способа противодействия normal mode от входных данных power и operativeness
Из данных, представленных на рис. 4, видно, что при любом значении переменной operativeness (оперативность информации) и переменной power (мощность помехи) менее -140 Дбм в качестве способа противодействия деструктивному электромагнитному воздействию может быть выбрано использование normal mode (обычного режима функционирования). При увеличении переменной power (мощности помехи), воздействующей на систему связи, будут применяться другие способы противодействия, а эффективность применения данного способа сводится к минимуму.
Работоспособность сети также была протестирована на выборке новых входных параметров, в ходе которой сети задавались входные переменные и в результате работы сети был выбран корректный способ противодействия. Например, при заданной переменной power (мощность помехи) -79 Дбм, значении переменной functioning = 0,9 (не функционирует), oper = 0,9 (оперативная информация) и значении перменной rank = 0,2 (отсутствии информации рангом выше) сеть определяет корректный способ противодействия backup channel (использование резервного канала).
Вывод. Таким образом, в статье была разработана методика построения нейронной сети для выбора способов противодействия деструктивным электромагнитным воздействиям в системах связи специального назначения. Результаты моделирования показали, что наиболее эффективно задачу выбора способа противодействия деструктивным электромагнитным воздействиям решает нейронная сеть структуры «многослойный пер-септрон» с тремя скрытыми нейронами. Были построены лифтовые карты, описывающие обучение сети на входных данных, определены весовые коэффициенты нейронной сети. Работоспособность сети протестирована на новых, не известных ранее ситуациях, и работа сети продемонстрировала осуществление выбора корректной меры противодействия деструктивным электромагнитным воздействиям. Программная реализация данной методики позволяет автоматизировать выбор способов противодействия деструктивным электромагнитным воздействиям с целью минимизации их негативного влияния на сети связи специального назначения.
ЛИТЕРАТУРА
1. Буренин А. Н., Легков К. Е. Вопросы безопасности инфокоммуникационных систем и сетей специального назначения: основные угрозы, способы и средства обеспечения комплексной безопасности сетей / Наукоемкие технологии в космических исследованиях земли. — М. : II&ES RESEARH, 2015. — №3. — С. 46—61.
2. Хохлов Н. С., Гилев И. В., Канавин С. В. Использование многосекторной антенной системы MIMO как элемента комплекса средств противодействия деструктивным электромагнитным воздействиям // Вестник Воронежского института МВД России. — 2019. — № 4. — С. 126—136.
3. Хохлов Н. С. Моделирование и оптимизация противодействия разрушению информации в системах управления и связи органов внутренних дел при электромагнитных воздействиях : монография / Н. С. Хохлов ; под науч. ред. С. В. Скрыля. — Воронеж : Воронежский институт МВД России, 2005. — 181 с.
4. Softmax. — URL: // https://ru.wikipedia.org/wiki/Softmax (дата обращения: 02.02.2020).
5. Нейронные сети. — URL: // http://statsoft.ru/home/textbook/modules/stneunet.html (дата обращения: 02.02.2020).
6. Методы и технологии искусственного / пер. с польск. И. Д. Рудинского. — М. : Горячая линия — Телеком, 2010. — 520 с.
7. Жильцов В. В., Чувикова В. В. Практикум по нейросетевым технологиям : учебно-методическое пособие. — Омск : СибАДИ, 2010. — 60 с.
8. Гилев И. В., Канавин С. В. Моделирование системы мобильного широкополосного доступа стандарта WIMAX в условиях многолучевого распространения сигнала // Вестник Воронежского института МВД России. — 2019. — № 2. — С. 181—191.
9. О методах обучения многослойных нейронных сетей прямого распространения. — URL: // http://www.mechanoid.kiev.ua/neural-net-backprop3.html (дата обращения: 02.02.2020).
10. Задача византийских генералов. — URL: // https://ru.wikipedia.org/wiki/ (дата обращения: 02.02.2020).
11. Gilev I., Kanavin S. Modeling the Destructive Effect of Interference on Mobile Networks, Using the 3G Standard as an Example, Using a Noise Generator // Bulletin of the Lipetsk State Technical University. 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency (SUMMA). — Lipetsk, 2019. — P. 407—410. DOI: 10.1109/SUMMA48161.2019.8947533.
12. Гилев И. В. Модель противодействия разрушению информации при деструктивных электромагнитных воздействиях в системах радиосвязи специального назначения на основе нечетких экспертных систем // Вестник Воронежского института МВД России. — 2020. — № 1. — С. 158—168.
13. Andrew N G. Machine learning yearning. — URL: http: https://d2wvfoqc9gyqzf.cloudfront.net/content/uploads/2018/09/Ng-MLY01-13.pdf// (дата обращения: 04.04.2020).
14. О связи : федеральный закон от 07.07.2003 № 126-ФЗ (с изм. и доп.) // СПС «КонсультантПлюс». — URL: http://www.consultant.ru/document/cons_doc_LAW_43224// (дата обращения: 04.04.2020).
REFERENCES
1. Burenin A. N., Legkov K. E. Voprosyi bezopasnosti infokommunikatsionnyih sistem i setey spetsialnogo naznacheniya: osnovnyie ugrozyi, sposobyi i sredstva obespecheniya kom-pleksnoy bezopasnosti setey / Naukoemkie tehnologii v kosmicheskih issledovaniyah zemli. — M. : II&ES RESEARH, 2015. — #3. — S.46—61.
2. Hohlov N. S., Gilev I. V., Kanavin S. V. Ispolzovanie mnogosektornoy antennoy sistemyi MIMO kak elementa kompleksa sredstv protivodeystviya destruktivnyim elektromag-nitnyim vozdeystviyam // Vestnik Voronezhskogo instituta MVD Rossii. — 2019. — # 4. — S. 126—136.
3. Hohlov N. S. Modelirovanie i optimizatsiya protivodeystviya razrusheniyu infor-matsii v sistemah upravleniya i svyazi organov vnutrennih del pri elektromagnitnyih vozdeystviyah : monografiya / N. S. Hohlov; pod nauch. red. S. V. Skryilya. — Voronezh : Voronezhskiy institut MVD Rossii, 2005. — 181 s.
4. Softmax. — URL: //https://ru.wikipedia.org/wiki/Softmax (data obrascheniya: 02.02.2020).
5. Neyronnyye seti. — URL: // http://statsoft.ru/home/textbook/modules/stneunet.html (data obrashcheniya: 02.02.2020).
6. Metody i tekhnologii iskusstvennogo / per. s polsk. I. D. Rudinskogo. — M. : Goryachaya liniya — Telekom, 2010. — 520 s.
7. Zhiltsov V. V.. Chuvikova V. V. Praktikum po neyrosetevym tekhnologiyam : uchebno-metodicheskoye posobiye. — Omsk : SibADI, 2010. — 60 s.
8. Gilev I. V.. Kanavin S. V. Modelirovaniye sistemy mobilnogo shirokopolosnogo dostupa standarta WIMAX v usloviyakh mnogoluchevogo rasprostraneniya signala // Vestnik Voronezhskogo instituta MVD Rossii. — 2019. — № 2. — S. 181—191.
9. O metodakh obucheniya mnogosloynykh neyronnykh setey pryamogo rasprostraneniya. — URL: // http://www.mechanoid.kiev.ua/neural-net-backprop3.html (data obrashcheniya: 02.02.2020).
10. Zadacha vizantiyskikh generalov. — URL: // https://ru.wikipedia.org/wiki/ (data obrashcheniya: 02.02.2020).
11. Gilev I.. Kanavin S. Modeling the Destructive Effect of Interference on Mobile Networks. Using the 3G Standard as an Example. Using a Noise Generator // Bulletin of the Lipetsk State Technical University. 1st International Conference on Control Systems. Math-ematical Modelling. Automation and Energy Efficiency (SUMMA). — Lipetsk, 2019. — P. 407—410. DOI: 10.1109/SUMMA48161.2019.8947533.
12. Gilev I. V. Model protivodeystviya razrusheniyu informatsii pri destruktivnykh el-ektromagnitnykh vozdeystviyakh v sistemakh radiosvyazi spetsialnogo naznacheniya na os-nove nechetkikh ekspertnykh sistem // Vestnik Voronezhskogo instituta MVD Rossii. — 2020. — № 1. — S. 158—168.
13. Andrew N G. Machine learning yearning. — URL: http: https://d2wvfoqc9gyqzf.cloudfront.net/content/uploads/2018/09/Ng-MLY01-13.pdf// (data obrashcheniya: 04.04.2020).
14. O svyazi : federalnyy zakon ot 07.07.2003 № 126-FZ (s izm. i dop.) // SPS «Kon-sultantPlyus». — URL: http://www.consultant.ru/document/cons_doc_LAW_43224// (data obrashcheniya: 04.04.2020)
СВЕДЕНИЯ ОБ АВТОРАХ
Хохлов Николай Степанович. Профессор кафедры инфокоммуникационных систем и технологий. Доктор технических наук, профессор.
Воронежский институт МВД России. E-mail: nikolayhohlov@rambler.ru
Россия, 394065, Воронеж, проспект Патриотов, 53. Тел. +7 (473) 200-52-25.
Канавин Сергей Владимирович. Доцент кафедры инфокоммуникационных систем и технологий. Кандидат технических наук.
Воронежский институт МВД России. E-mail: sergejj-kanavin@rambler.ru
Россия, 394065, Воронеж, проспект Патриотов, 53. Тел. +7 (473) 200-52-29.
Гилев Игорь Владимирович. Адъюнкт. Воронежский институт МВД России. E-mail: gileviv@bk.ru
Россия, 394065, г. Воронеж, проспект Патриотов, 53. Тел. +7 (473) 200-52-28.
Khokhlov Nikolay Stepanovich. Professor of the chair of Infocommunication Systems and Technologies. Doctor of Technical Sciences, Professor.
Voronezh Institute of the Ministry of the Interior of Russia. E-mail: nikolayhohlov@rambler.ru
Work address: Russia, 394065, Voronezh, Prospect Patriotov, 53. Tel. +7 (473) 200-52-25.
Kanavin Sergey Vladimirovich. Assistant Professor of the chair of Infocommunication Systems and Technologies. Candidate of Technical Sciences.
Voronezh Institute of the Ministry of the Interior of Russia. E-mail: sergejj-kanavin@rambler.ru
Work address: Russia, 394065, Voronezh, Prospect Patriotov, 53. Tel. +7 (473) 200-52-29.
Gilev Igor Vladimirovich. Post-graduate cadet. Voronezh Institute of the Ministry of the Interior of Russia. E-mail: gileviv@bk.ru
Work address: Russia, 394065, Voronezh, Prospect Patriotov, 53. Tel. +7 (473) 200-52-28.
Ключевые слова: деструктивные электромагнитные воздействия; нейронные сети; способы противодействие деструктивным электромагнитным воздействиям; системы радиосвязи специального назначения; методика построения нейронной сети.
Key words: destructive electromagnetic effects; neural networks; methods of counteracting destructive electromagnetic influences; special purpose radio communication systems; neural network construction technique.
УДК 004.056
