CC BY
22
The article presents the results of the analysis of the planning of the application of the mobile lidar complex of environmental control "Smuglyanka 1L" in the conditions of incomplete information about the state of the environment and the risk of failure to perform the tasks for the purpose. A methodological approach to evaluating the effectiveness of the use of a mobile lidar complex under the influence of stochastically changing meteorological conditions, based on a fuzzy inference apparatus, is considered.
Key words: planning, operational management, assessment of the impact of meteorological conditions, system analysis, discrete mathematics, fuzzy inference.
Andrianov Anton Sergeevich, candidate of technical sciences, senior researcher, [email protected], Russia, St. Petersburg, Military space Academy named after A.F. Mozhayskiy,
Prokhorov Mihail Alexandrovich, candidate of technical sciences, senior researcher, docent, [email protected], Russia, St. Petersburg, Military space Academy named after A.F. Mozhayskiy,
Tsvetkov Alexsandr Yurevich, candidate of technical sciences, senior researcher, docent, [email protected], Russia, St. Petersburg, Military space Academy named after A.F. Mozhayskiy
УДК 004.89; 623.746.-519
DOI: 10.24412/2071-6168-2021-10-273-287
МОДЕЛЬ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ГОСУДАРСТВЕННОЙ ПРИНАДЛЕЖНОСТИ
ВОЕННОСЛУЖАЩИХ
С.В. Войцеховский, В.Д. Музыка, Н.А. Файзулина, А.А. Шилов
Предложена модель интеллектуальной системы автоматической идентификации государственной принадлежности военнослужащих с использованием нейросети и математического аппарата нечёткого вывода на основе алгоритма Мамдани, которая может применяться в составе программно-математического обеспечения беспилотного летательного аппарата, в условиях неустойчивого канала связи между оператором и беспилотным летательным аппаратом.
Ключевые слова: беспилотный летательный аппарат, интеллектуальная система автоматической идентификации государственной принадлежности военнослужащих, база правил, лингвистический терм, программное обеспечение, распознавание.
В настоящее время в интересах Министерства обороны и других министерств и ведомств широко используются беспилотные летательные аппараты (БЛА). Они стали одним из важных направлений развития современной авиации, а количество их применений в ходе вооружённых конфликтов и в народном хозяйстве в течение последнего десятилетия постоянно возрастало. Разработки собственных БЛА осуществляют многие государства, в том числе и Российская Федерация. Спектр направлений применения БЛА и задач, которые они выполняют, довольно обширен.
Несмотря на то, что ещё в начале прошлого десятилетия стало возможным осуществление самолетовождения автопилотом при полном отсутствии связи между бортом БЛА и наземным комплексом управления [1], сегодня большинство беспилотных летательных аппаратов пилотируются вручную, с помощью работающих на радиоканалах пультов дистанционного управления [2]. Поэтому основой управления БЛА является радиоканал.
В соответствии с [1], воздействие активных помех и прекращения штатной работы канала управления БЛА (среднего и высокого класса) может привести к завершению выполнения предназначенного лётного задания и возвращению БЛА на базу. Что повлечёт за собой либо дополнительные временные затраты, связанные с повторной отправкой БЛА, либо, например, даже срыв выполнения спасательных мероприятий, когда не своевременное обнаружение экипажа потерпевшего крушение самолёта (вертолёта) может привести к трагическим последствиям.
Таким образом, назрела необходимость разработки специализированного программного обеспечения (ПО) БЛА, которое позволит, несмотря на нарушение функционирования радиоканала (неустойчивого канала связи), выполнять задачи БЛА по предназначению автономно (самостоятельно), без участия оператора БЛА. Автономность, независимость от человеческого фактора (в соответствии с [3] на долю человеческого фактора приходится от 70% до 80% всех авиационных происшествий) и устойчивость к внешним воздействиям - решающие факторы успешности выполнения миссий БЛА [2].
Предполагается, что специализированное ПО автономного БЛА должно включать в себя следующие компоненты:
ПО автоматического управления рулевыми поверхностями БЛА;
ПО автоматического выполнения типовых элементов полётного задания (взлёт, полёт по определённым маршрутным точкам до пункта назначения, возвращение на аэродром базирования, посадка и др.);
ПО выполнения заданий по предназначению;
ПО автоматического распознавания наземных объектов и субъектов и другие компоненты.
Сегодня вопрос распознавания наземных объектов и субъектов, которые обнаружены с помощью БЛА, решается в исключительно оператором БЛА. Естественно, что при неустойчивом канале связи между БЛА и оператором, последний не сможет идентифицировать обнаруженные БЛА объекты и субъекты, а дальнейшее нахождение БЛА в этом районе станет бессмысленным.
В нашей стране работы по распознаванию наземных объектов и субъектов с помощью БЛА ведутся. Так в 2019 году в Рязанском государственном радиотехническом университете при поддержке Минобрнауки РФ совместно с индустриальным партнером был выполнен научно-исследовательский проект (идентификатор проекта RFMEFI57414X0056), направленный на создание алгоритмических и программных решений для системы технического зрения летательных аппаратов. Однако в работе [4] не раскрывается математический аппарат, который лежит в основе этих решений и используемые технологии анализа изображений.
В настоящее время в Российской Федерации не существует единой системы автоматической идентификации государственной принадлежности военнослужащих, которая могла бы быть установлена на БЛА и самостоятельно (без участия человека-оператора) могла бы определять принадлежность военнослужащих к нашим Вооружённым силам, принимать управляющие решения, в зависимости от складывающейся обстановки.
Создание ПО, которое сможет автоматически, без участия человека-оператора, распознавать обнаруженные БЛА наземные объекты и субъекты - ключ к созданию системы искусственного интеллекта БЛА - специального ПО автономных БЛА [5]. Одним из компонентов такого специального ПО БЛА может являться интеллектуальная система автоматической идентификации государственной принадлежности российских военнослужащих (ИС АИГПВ), которая может входить в состав компонента «ПО автоматического распознавания наземных объектов и субъектов».
Сам подход по применению нейросетей в задаче распознавания образов не является новым, однако применение нейросети в составе СПО БЛА ранее не применялся или же нейросеть использовалась для анализа фотоснимков после возвращения БЛА с задания. Так в публикации [6] говорится об использовании в октябре 2020 года нейросети «ВееПпе А1 - Поиск людей» для анализа фотоснимков, полученных с БЛА, и выводе оповещений операторам БЛА в случае обнаружения людей на них. В публикации [7] говорится об использовании искусственного интеллекта свёрточной нейросети по данным съёмки беспилотного летательного аппарата для автоматического детектирования повреждений хвойных деревьев, однако анализ фотоснимков также осуществляется не самим БЛА, а специальной наземной системой искусственного интеллекта, после возвращения БЛА с задания.
Подход по применению математического аппарата нечётких множеств в интеллектуальной системе не является новым, но ранее он использовался только для построения системы поддержки принятия решений (СППР) в наземном комплексе управления в интересах оператора БЛА и преодоления неопределенностей за счет применения аппарата нечеткой логики [8, 9] или для решения других задач. Так, например, в работах [10-13] СППР, на основе математического аппарата нечётких множеств, применялась с целью выявления вредоносных программных воздействий и нарушителей, в работах [14-16] нечёткая логика применялась для построе-
ния математических моделей связанных с анализом определённых характеристик полёта БЛА, в работе [17] авторы используют методы теории нечетких множеств и нечеткой логики для построения нечетких систем автоматического управления.
В данной статье представлена модель ИС АИГПВ с использованием нейросети и математического аппарата нечёткого вывода на основе алгоритма Мамдани. Она может применяться в составе программно-математического обеспечения БЛА, в условиях неустойчивого канала связи между оператором и БЛА. Предполагается, что указанная ИС АИГПВ будет устанавливаться на БЛА, которые предназначены для осуществления поисковых мероприятий -спасения экипажей потерпевших аварию (сбитых) самолётов и вертолётов.
Математическая постановка задачи. Дано:
1) входные данные: q, с1, с2 03 d2 dз d4 где q - фотоизображения местности с оптико-электронных средств БЛА; с1 - переменная для проверки совпадения камуфляжного
рисунка на полевой форме обнаруженного военнослужащего с рисунком «единая маскирующая расцветка» («цифровая флора»), используемого в Вооруженных силах Российской Федерации (ВС РФ). Описывается тремя лингвистическими термами: Al(Cl) - малое совпадение (от 0 до
0,3); A2(cl) - среднее совпадение (от 0,3 до 0,7); Aз(cl) - высокое совпадение (от 0,7 до 1);
с2 - переменная для обнаружения погон на плечах обнаруженного военнослужащего. Описывается двумя лингвистическими термами: Bl(c2 ) - не обнаружены (от 0 до 0,5); B2(c2 )
- обнаружены (от 0,5 до 1);
с3 - переменная для обнаружения нагрудных и нарукавных знаков на форме обнаруженного военнослужащего. Описывается двумя лингвистическими термами: С1(сз) - не обнаружены (от 0 до 0,5); С2С) -обнаружены (от 0,5 до 1);
d2 - переменная для определения степени уверенности в принадлежности оружия, обнаруженного у (возле) военнослужащего, к ВС РФ. Описывается тремя лингвистическими термами: El(d2) - малая степень уверенности (от 0 до 0,3); E2(d2) - средняя степень уверенности (от 0,3 до 0,7); Eз(d2 ) - высокая степень уверенности (от 0,7 до 1);
dз - переменная для определения степени уверенности в принадлежности военной техники, обнаруженной вблизи военнослужащего, к ВС РФ. Описывается тремя лингвистическими термами: Fl(dз) - малая степень уверенности (от 0 до 0,3); F2(dз) - средняя степень уверенности (от 0,3 до 0,7); Fз(dз ) - высокая степень уверенности (от 0,7 до 1);
d4 - переменная для обнаружения государственных и воинских символов РФ (флаг, герб, знак на головном уборе, эмблема и т.д.). Описывается двумя лингвистическими термами: Gl(d4 ) - не обнаружены (от 0 до 0,5); G2(d4 ) - обнаружены (от 0,5 до 1);
2) выходные данные:
dl - переменная для определения степени уверенности в принадлежности полевой формы одежды обнаруженного военнослужащего к ВС РФ. Описывается тремя лингвистическими термами: Dl(dl) - малая степень уверенности (от 0 до 0,3); D2(dl) - средняя степень уверенности (от 0,3 до 0,7); Dз(dl) - высокая степень уверенности (от 0,7 до 1);
у - переменная для определения степени уверенности в принадлежности обнаруженного военнослужащего к ВС РФ. Функцией принадлежности (ФП) выходной переменной у является Hi(у) . Она описывается шестью лингвистическими термами: Hl(у) - очень низкая степень уверенности (от 0 до 0,05); И2( у) - низкая степень уверенности (от 0,05 до 0,25); Я3(у) - степень уверенности ниже среднего (от 0,25 до 0,5); И4(у) - степень уверенности выше среднего (от 0,5 до 0,65); у) -высокая степень уверенности (от 0,65 до 0,8); Иб( у)
- очень высокая степень уверенности (от 0,8 до 1).
Требуется найти: степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ - значение 2 выходной переменной у, которое рассчитывается как центр тяжести ФП Мге2 (у) по формуле:
1
I ум rez ( у¥У 2 = ^- (!)
I ( У¥У
О
Обобщённый вид модели ИС АИГПВ представлен на рисунке.
Обобщённый вид модели ИС АИГПВ
Для представления знаний в ИС АИГПВ используются: нейросеть, интеллектуальная система нечёткого вывода (ИС НВ), состоящая из двух баз правил нечёткого вывода, лингвистических переменных и математического аппарата нечётких множеств.
Решение. Задачу идентификации государственной принадлежности предлагается решать в четыре этапа.
На первом этапе оптико-электронные средства БЛА передают на вход нейросети ИС АИГПВ фотоизображения местности q. ИС АИГПВ благодаря нейросетевым методам и алгоритмам осуществляет распознавание наличия в зоне видимости оптико-электронных средств БЛА людей.
Для решения задачи детектирования нейросеть БЛА использует расширенное пространство признаков Хаара, которое включает в себя кроме прямоугольных вертикально и горизонтально ориентированных признаков Хаара, еще и признаки, наклоненные под 45 градусов.
Для эффективного вычисления признаков Хаара применяется интегральное представление изображения, которое позволяет найти суммарную яркость необходимых объектов.
Отбор признаков осуществляется с помощью алгоритма бустинга. Бустинг представляет собой процедуру последовательного построения композиции алгоритмов машинного обучения. Каждый последующий алгоритм композиции компенсирует недостатки предыдущих.
Задача детектирования объектов на изображении сводится к бинарной классификации в каждой точке изображения. Для этого изображение разбивается на прямоугольные области со всевозможными сдвигами и масштабами. Затем с помощью заранее обученного классификатора осуществляется проверка гипотезы о наличии в данных областях искомого объекта.
Все признаки подаются на вход классификатора, который возвращает булево значение, принадлежат ли эти признаки к искомому объекту или нет. Классификатор - функция, определяющая принадлежность объекта исследования к классу, наиболее подходящего ему по совокупности определенных параметров. Классификатор, совершающий на входе прием признаков, сообщает результат «1» (истина) или «О» (ложь), позволяя осуществлять детектирование.
В процессе детектирования используются каскады признаков. Идея применения каскадов базируется на основе построения цепочек (ансамблей) классификаторов, именуемые каскадом: каждый последующий стремится минимизировать ошибки предыдущего.
К каждому изображению применяется метод сканирующего окна, осуществляется сканирование изображения окном поиска, к полученному участку применяется классификатор.
Если нейронная сеть идентифицировала наличие человека, то следует переход ко второму этапу.
На втором этапе нейросеть распознаёт на обнаруженных людях ключевые признаки
принадлежности к военнослужащему вооружённых сил Российской Федерации - с 1 с 2 с зи
? ?
наличие у (вблизи) военнослужащего дополнительных предметов, по ключевым признакам которых можно определить их принадлежность к Вооруженным силам (ВС) РФ - (¡2 ¡з (4
Для формирования числовых значений переменных с 1 , с2 , с 3 , ¡2, ¡3, ¡4 нейросеть преобразует входящее изображение в интегральное представление.
Интегральное представление изображения - это матрица, которая совпадает по размерам с исходным изображением. В каждом элементе матрицы содержится сумма яркостей всех пикселей, находящихся левее и выше данного элемента. Формула, позволяющая рассчитать элементы матрицы [18]:
I < X,] < у
Цх,у) = £ 1(1,]),
I=0]=0
где Ь(х, у) - интегральное изображение; 10, ]) - яркость пикселя исходного изображения.
Затем к интегральной матрице применяются признаки Хаара(маски). Вычисляемым значением такого признака будет
F = X - У,
где X - сумма значений яркостей точек, покрываемых светлой областью признака; У - сумма значений яркостей точек, покрываемых темной областью признака.
Признаки Хаара позволяют получить значение перепада яркости в каждой точке по оси X и У соответственно [19].
В качестве обучающего алгоритма используется алгоритм бустинга. Для работы алгоритма следует предварительно разработать обучающую выборку. Выборка должна включать I изображений, на которых содержится искомый объект и т его не содержащих. Тогда количество всех изображений будет:
п = I + т.
В алгоритме бустинга в качестве слабых классификаторов используются распознающие деревья с одним ветвлением и двумя листьями, которые производят сравнение значения соответствующего признака с пороговым значением. Они формируют множество слабых классификаторов, которое вместе с обучающей выборкой подается на вход алгоритму бустинга. Результатом работы алгоритма является сильный классификатор, представляющий собой совокупность Т слабых классификаторов [20]:
h( x) =
где q = log— - коэффициент.
1 it=iath j 0) > 2 it=iat
zf=iat h j(t) < 2 ZtLiat
fit
После обучения на обучающей выборке имеется база знаний из T слабых классификаторов.
Каждый классификатор можно описать:
1) признаком Хаара, применяемым в этом классификаторе;
2) расположением конкретного признака внутри окна;
3) величиной порога срабатывания.
На вход нейросети поступает изображение l(i, j) с размерами w на h, где 1(1, j) - яр-костная составляющая изображения. Промежуточным итогом работы алгоритма является множество прямоугольников R(x, y, w, h), определяющих положение объекта в исходном изображении 1. Программа сканирует изображение 1 на нескольких масштабах, начиная с базовой шкалы.
Итоговый алгоритм распознавания можно представить следующим образом: Для t = 1 ...T; 5са/е(масштаб) = 1.. .11:
1. Исходя из текущего значения scale, масштабируется размер скользящего окна и его
шаг.
2. Вычисляется T значений слабых классификаторов из базы знаний, полученной на этапе обучения.
3. Проверка соответствия условиям сильного классификатора для вынесения решения о присутствии объекта «человек» на изображении [27]:
h( x) =
1 ll=\athj(t ) ^ 2 Zj=iat
0, lj=iathj(t ) < 2 S=i«t
На третьем этапе ИС использует входные переменные ei, с2 03 поступающие от нейросети и «Базу правил 1», которая необходима для вывода промежуточного результата о принадлежности полевой формы одежды обнаруженного военнослужащего к ВС РФ ( d1 ).
Построение ИС АИГПВ с использованием математического аппарата нечёткого вывода на основе алгоритма Мамдани состоит из следующих этапов [5]:
1. Введение нечёткости (фаззификация);
2. Агрегирование подусловий в нечётких правилах продукций;
3. Активизация подзаключений в нечётких правилах продукций;
4. Аккумулирование заключений нечётких правил продукций;
5. Придание результатам чёткости (дефаззификация);
Данные этапы математического аппарата нечёткого вывода применялись в системах поддержки принятия решений в работах [4, 8-11].
Табл. 1 содержит описанные ранее переменные, лингвистические термы (ЛТ), используемые для описания данных переменных, а также параметры, необходимые для построения обобщённой колоколообразной ФП ИС АИГПВ, которая задаётся формулой:
A(cj )= , \ ,2s '
1 +
(c ■-Ьл cj b
\ a у
где ai - половина Я -сечения нечёткого терм-множества; Ь - координата максимума терм-множества; c j - входные данные для переменной А; у - порядковый номер переменной;
А\ (су ) - функция принадлежности Ai заключения правила п; s - коэффициент ядра терм-множества [5].
В соответствии с входными и выходными значениями переменных эксперты формируют правила. Например, в случае, если оптико-электронные средства БЛА обнаружили военнослужащего, у которого совпадение камуфляжного рисунка на полевой форме одежды с рисунком «единая маскирующая расцветка» («цифровая флора»), используемого в ВС РФ - малое, погоны на плечах не обнаружены и нагрудные и нарукавные знаки на форме не обнаружены, то, очевидно, что в соответствии с базой правил нечёткого вывода № 1 степень уверенности ИС АИГПВ в принадлежности формы одежды обнаруженного военнослужащего к ВС РФ в данном случае малая. Таким образом, правило № 1 примет следующий вид: ЕСЛИ с 1 есть А1
И с2 есть В1 И С3 есть С^ ТО ¡1 есть £>1.
Фрагмент базы правил № 1:
1. ЕСЛИ с1 есть А1 И с2 есть В1 И есть С1 ТО ¡1 есть
2. ЕСЛИ с1 есть А2 И с2 есть В1 И есть С1 ТО ¡1 есть
12. ЕСЛИ с1 есть А3 И с2 есть В2 И есть С2 ТО (¡1 есть £3 . На выходе третьего этапа по аналогии с формулой (1) мы получаем ¡1 - степень уверенности ИС АИГПВ в принадлежности формы одежды обнаруженного военнослужащего к ВС РФ.
На четвёртом этапе ИС использует входные переменные ¡1, ¡2 ¡3 ¡4 поступа-
? ? ?
ющие от нейросети и «Базы правил 1», а также «Базу правил 2», которая необходима для окончательного вывода о государственной принадлежности обнаруженного военнослужащего к ВС РФ.
Таблица 1
Основные параметры функций принадлежности ИСАИГПВ_
ФП № ЛТ ЛТ Па раметры
сг {¡г) аг ь
1 2 3 4 5 6 7
Ai (С1) 1 малое 0 < 0,3 0,3 0 2
2 среднее 0,3 < в1< 0,7 0,2 0,5 2
3 высокое 0,7 < с:< 1 0,3 1 2
В г (С2) 1 не обнаружены 0 < с2< 0,5 0,5 0 4
2 обнаружены 0,5 < с2< 1 0,5 1 4
С (С3 ) 1 не обнаружены 0 < сз< 0,5 0,5 0 4
2 обнаружены 0,5 < с3 < 1 0,5 1 4
Di (¡1) 1 малая 0 < ¡1< 0,3 0,3 0 2
2 средняя 0,3 < ¡1< 0,7 0,2 0,5 2
3 высокая 0,7 < ¡1< 1 0,3 1 2
Ег (¡2) 1 малая 0 < ¡2 < 0,3 0,3 0 2
2 средняя 0,3 < ¡2 < 0,7 0,2 0,5 2
3 высокая 0,7 < ¡2< 1 0,3 1 2
Fi (¡3 ) 1 малая 0 < ¡з< 0,3 0,3 0 2
2 средняя 0,3 < ¡3< 0,7 0,2 0,5 2
3 высокая 0,7 < ¡3< 1 0,3 1 2
О г (¡4) 1 не обнаружены 0 < ¡4< 0,5 0,5 0 4
2 обнаружены 0,5 < ¡4< 1 0,5 1 4
Иг (у) 1 очень низкая 0 < у < 0,05 0,05 0 2
2 низкая 0,05 < у < 0,25 0,1 0,15 2
3 ниже среднего 0,25 < у < 0,5 0,125 0,375 2
4 выше среднего 0,5 < у < 0,65 0,075 0,575 2
5 высокая 0,65 < у < 0,8 0,075 0,725 2
6 очень высокая 0,8 < у < 1 0,2 1 2
Построение ИС АИГПВ с использованием математического аппарата нечёткого вывода на основе алгоритма Мамдани по аналогии с третьим этапом состоит из пяти этапов, а также к ним добавляется дополнительный этап - «Принятие управляющих решений и контрмер».
Сначала проводится идентификация и оценка дополнительных признаков с помощью базы правил № 2. Например, если оптико-электронными средствами БЛА был обнаружен военнослужащий и степень уверенности в принадлежности его полевой формы одежды к ВС РФ малая, оружие у обнаруженного военнослужащего с малой степенью уверенности принадлежит ВС РФ (или отсутствует), помимо этого была обнаружена военная техника, которая также с малой степенью уверенности принадлежит ВС РФ, а также поблизости от военнослужащего не были обнаружены государственные символы РФ (флаг, герб), то, очевидно, что степень уверенности ИС АИГПВ в принадлежности обнаруженного военнослужащего к ВС РФ является очень низкой. Правило № 1 примет следующий вид: ЕСЛИ ¡1 есть Dl И ¡2 есть Е1 И d3
есть ^ И ¡4 есть Gl ТО у есть И .
Фрагмент базы правил № 2:
1. ЕСЛИ ¡1 есть Dl И ¡2 есть Е1 И ¡3 есть Fl И ¡4 есть Gl ТО у есть И;
2. ЕСЛИ ¡1 есть D2 И ¡2 есть Е1 И ¡3 есть F И ¡4 есть Gl ТО у есть И1;
3. ЕСЛИ ¡1 есть Dз И ¡2 есть Е1 И ¡3 есть Fl И ¡4 есть Gl ТО у есть И4;
53. ЕСЛИ й-1 есть В И й,2 есть Е3 И есть /3 И есть О2 ТО у есть
н 5;
54. ЕСЛИ й-1 есть В И й-2 есть Е3 И есть /3 И есть О2 ТО у есть Н
6
В результате на выходе ИС АИГПВ по формуле (1) будет получена степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ - 1. В зависимости от полученного значения Z, ИС АИГПВ формирует необходимое сообщение (X), управляющее решение (Ж) и перечень необходимых действий в соответствии с выполняемой задачей по предназначению. Варианты управляющих решений и сообщений ИС АИГПВ представлены в табл. 2.
Варианты управляющих решений и сообщений
Таблица 2
№ п/п Лингвистическая градация степени уверенности Значение 1 Варианты сообщений, передаваемых оператору БЛА (X) Вариант управляющего решения ИС АИГПВ
1 очень низкая 0 - 0,05 Степень уверенности в принадлежности обнаруженного военнослужащего ВС РФ очень низкая. Возможно, что в квадрате 00х00 обнаружен гражданский или представитель местного незаконного вооружённого формирования (ПМНВФ). 1.Сделать фото обнаруженного человека. 2.Определить точные координаты его местоположения. 3.Двигается ли он или неподвижен за
2 низкая 0,05 - 0,25 Степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ низкая. Высокая вероятность, что в квадрате 00х00 обнаружен военнослужащий другого государства или ПМНВФ. время наблюдения? 4.Сохранить данные об обнаруженном человеке. 5.Продолжить поиск в соответствии
3 ниже среднего 0,25 - 0,5 Степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ ниже среднего. Вероятно, что в квадрате 00х00 обнаружен военнослужащий другого государства или ПМНВФ. с полётным заданием.
4 выше среднего 0,5 -0,65 Степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ выше среднего. Выполнить пункты 1-4. 6. Связаться с ним с помощью приемопередатчика, запросить у него пароль. 7. При успехе п. 6 записать передаваемое им сообщение. При не успехе - сделать выводы о возможных причинах. 8. Если военнослужащий обнаружен или закончилось время отведённое на поиск, то завершить поиск, вернуться на базу.
5 высокая 0,65 -0,8 Степень уверенности в принадлежности обнаруженного военнослужащего к ВС РФ высокая.
6 очень высокая 0,8 -1 В квадрате 45х80 обнаружен военнослужащий ВС РФ. Ориентир - 250 метров направлением на восток от совершившего аварийную посадку вертолёта Ми-8. За время наблюдения местоположение военнослужащего не изменялось, связаться с ним с помощью приемопередатчика, входящего в комплект авиационного радиомаяка, не удалось, предположительно военнослужащий ранен или умер.
ИС АИГПВ в соответствии с выполняемой задачей по предназначению и полученного результата Z немедленно предпринимает соответствующее управляющее решение (Ж), а информационное сообщение (X) оператору на пункт управления будет передано только после восстановления с ним канала связи.
Заключение. Зачастую при управлении БЛА оператором, возникают ситуации потери канала связи, в таком случае ИС БЛА необходимо переходить на полностью автономный режим. Для успешного выполнения задач, стоящих перед БЛА, ему необходимо продолжать ра-
ботать даже в случае отсутствия связи с оператором. Таким образом, авторами разработана модель ИС АИГПВ, с помощью которой БЛА сможет вести наблюдение, сохранять данные об обнаруженном объекте в памяти запоминающего устройства и передавать их на пункт управления сразу после восстановления устойчивого канала связи с оператором.
Использование предложенной модели ИС АИГПВ позволит выполнять задачи БЛА по предназначению автономно (самостоятельно), без участия оператора БЛА, в том числе в условиях нарушение функционирования радиоканала (неустойчивого канала связи). Оперативное выявление местонахождения военнослужащего потерпевшего аварию (или сбитого) летательного аппарата увеличит шансы на его спасение представителями поисково-спасательной службы ВКС.
В качестве перспектив дальнейшего развития ИС АИГПВ в целях успешного решения задачи осуществления поисковых мероприятий для спасения экипажей потерпевших аварию (сбитых) самолётов и вертолётов, предполагается разработка программы голосового интерфейса ИС БЛА для взаимодействия с военнослужащими, потерпевшего аварию (или сбитого) летательного аппарата, в том числе с использованием методов распознавания жестов, а также автоматического сброса с БЛА (после такого взаимодействия) контейнеров, с небольшими по весу грузами необходимыми для спасаемых.
Список литературы
1. Боев Н.М. Анализ командно-телеметрической радиолинии связи с беспилотными летательными аппаратами // Вестник Сибирской аэрокосмической академии им. академика М.Ф. Решетнева, 2012. № 2. С. 86-91.
2. Куцов С.В. и др. Моделирование АСУ с дискретным пид-регулятором и вероятностным каналом связи с БПЛА / Сб. тр. XXV междунар. науч.-техн. конф. «Радиолокация, навигация, связь»: в 6 т. 16-18 апреля 2019 // Воронеж: Издательский дом ВГУ, 2019. Т. 2. С. 312-319.
3. Shappell S.A., Wiegmann, D.A. The Human Factors Analysis and Classification System - HFACS // Office of Aviation Medicine Federal Aviation Administration 14. Sponsoring Agency Code 800 Independence Ave., S.W. Washington, DC 20591, 2000. - 19 p.
4. Алпатов Б.А., Бабаян П.В., Стротов В.В. Перспективные технологии обработки и анализа изображений для повышения ситуационной осведомленности при пилотировании летательных аппаратов / Сб. тезисов докл. VI междунар. науч.-практ. конф. «Авиатор», 14-15 февраля 2019 // Воронеж: ВУНЦ ВВС «ВВА», 2019. С. 222-223.
5. Системы искусственного интеллекта: учебное пособие / А.Н. Адаменко, С.В. Вой-цеховский [и др.]; под общ. ред. А.Д. Хомоненко. СПб.: ВКА имени А.Ф. Можайского, 2013. -291 с.
6. Смирнова Н. В России с помощью новых технологий нашли потерявшегося в лесу человека // Сетевое издание РИА «Воронеж» [Электронный ресурс]. URL: https://riavrn.ru/news/v-rossii-s-pomoshchyu-novykh-tekhnologiy-nashli-poteryavshegosya-v-lesu-cheloveka-/(Дата обращения: 20.04.2021).
7. Учёные СФУ создают нейросеть для обнаружения вредителей хвойных лесов по БПЛА-снимкам на ранних стадиях // Сибирский Федеральный университет: официальный сайт. [Электронный ресурс] URL: http://news.sfu-kras.ru/node/23251 (Дата обращения: 20.04.2021).
8. Евтушенко Е.В., Володин А.Н., Штанькова Н.В. Анализ проблемы выработки обоснованных решений при выполнении задач с применением беспилотных летательных аппаратов / Сб. тезисов докл. VI междунар. науч.-практ. конф. «Авиатор», 14-15 февраля 2019 // Воронеж: ВУНЦ ВВС «ВВА», 2019. С. 149-151.
9. Сафонов Д.П. Поддержка принятия решений при управлении беспилотным летательным аппаратом для раннего обнаружения взрывчатых веществ / Сборник статей по материалам науч.-практ. конф. «Наука на службе МЧС России» 22-23 сентября 2015 // Железногорск: ФГБОУ ВО Сибирская пожарно-спасательная академия ГПС МЧС России, 2015. С. 42-44.
10.Войцеховский С.В. Выявление вредоносных программных воздействий на основе нечеткого вывода / С.В. Войцеховский, А.Д. Хомоненко // Проблемы информационной безопасности. Компьютерные системы, 2011. № 3 С. 81-91.
11.Войцеховский С.В. Методика повышения устойчивости функционирования военных систем на основе нечеткой логики / С.В. Войцеховский, С.В. Калиниченко и др. // Известия Тульского государственного университета. Технические науки, 2017. Вып. 9. Ч. 1. С. 450-458.
281
12.Хомоненко А.Д., Войцеховский С.В. Уточнение нечеткого вывода на основе алгоритма Мамдани в системе обнаружения вторжений // Проблемы информационной безопасности. Компьютерные системы, 2011. № 4. С. 41-48.
13.Войцеховский С.В. Методика применения нечетких множеств в системе поддержки принятия решений робототехнического комплекса / С.В. Войцеховский, У.Ю. Головочанская и др. // Интеллектуальные технологии на транспорте, 2018. № 2(4). С. 34-40.
14.Михайленко С.Б., Проценко В.В. [и др.] Математическая модель ограничителя угла тангажа летательного аппарата с порогом, управляемым нечетким контроллером // Сб. докладов и статей по материалам II науч.-практ. конф. «Перспективы развития и применения комплексов с беспилотными летательными аппаратами» / Коломна: 924 ГЦ БпА МО РФ, 2017. C. 123-129.
15.Агеев А.М., Замыслов М.А., Мальцев А.М., Михайленко С.Б. Статистическая имитационная модель корректора высоты полета летательного аппарата с элементами нечеткой логики // ВИНИТИ. Транспорт: наука, техника, управление. Научный информационный сборник, 2016. № 12. С. 37-45.
16.Волобуев М.Ф., Замыслов М.А., Мальцев А.М., Михайленко С.Б. Математическая модель контура стабилизации скорости полета летательного аппарата с адаптивным управлением пропорционально-дифференцирующим регулятором на основе нечеткой логики // ВИНИТИ. Транспорт: наука, техника, управление. Научный информационный сборник, 2017. № 2. С. 914.
17.Рубанов В. Г., Филатов А. Г. Интеллектуальные системы автоматического управления. Нечеткое управление в технических системах: учебное пособие // Белгород: БГТУ им. В.Г. Шухова, 2010. - 170 с.
18.Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.
1072 с.
19.Viola P., Jones M. J. Rapid Object Detection using a Boosted Cascade of Simple Features // Computer Vision and Pattern Recognition: Proceedings of the 2001 IEEE Computer Society Conference (Kauai, Hawaii, Dec. 8-14 2001 / IEEE; ed.: A. Jacobs [et al.].) - Los Alamitos, 2001. Vol.1. P. 511-518.
20.Мурыгин К.В. Особенности реализации алгоритма AdaBoost для обнаружения объектов на изображениях // Штучний штелект. 2009. № 3. С. 573-581.
21.Местецкий Л.М. Математические методы распознавания образов: Курс лекций. // Вычислительный центр им. А.А. Дородницына Российской академии наук [Электронный ресурс]. URL: https: //ccas.ru/frc/papers/mestetskii04course.pdf (дата обращения: 20.04.2021).
Войцеховский Станислав Витальевич, канд. техн. наук, доцент, начальник кафедры, [email protected], Россия, Санкт-Петербург, Военно-космическая академия им. А.Ф.Можайского,
Музыка Виктория Дмитриевна, инженер отдела, [email protected], Россия, Пионерский, в/ч
42988,
Файзуллина Наиля Олеговна, курсант, [email protected], Россия, Санкт-Петербург, Военно-космическая академия им. А. Ф.Можайского,
Шилов Алексей Андреевич, начальник станции, [email protected], Россия, Мирный, в/ч 63551
MODEL OF THE INTELLIGENT SYSTEM OF AUTOMATIC IDENTIFICATION OF STATE
EMPLOYMENT
S.V. Voytsekhovsky, V.D. Muzyka, N.O. Fayzullina, A.A. Shilov
A model of an intelligent system for automatic identification of the nationality of military personnel using a neural network and a mathematical apparatus of fuzzy inference based on the Mamdani algorithm is proposed, which can be used as part of the software and mathematical support of an unmanned aerial vehicle, in conditions of an unstable communication channel between the operator and the unmanned aerial vehicle.
Key words: unmanned aerial vehicle, intelligent system for automatic identification of state belonging to military personnel, rule base, linguistic term, software, recognition.
282
Voytsekhovsky Stanislav Vitalievich, candidate of technical sciences, docent, head of chair, [email protected], Russia, Saint Petersburg, A.F. Mozhaysky's Military Space Academy,
Muzyka Victoria Dmitrievna, department engineer, [email protected], Russia, Pionersky, m/u
42988,
Fayzullina Nailya Olegovna, military student, [email protected], Russia, Saint Petersburg, A.F. Mozhaysky's Military Space Academy,
Shilov Alexey Andreevich, station manager, [email protected], Russia, Mirny, m/u 63551 УДК 004.738
DOI: 10.24412/2071-6168-2021-10-283-287
ВАРИАНТЫ ПОСТРОЕНИЯ ИНФОКОММУНИКАЦИОННЫХ СИСТЕМ СВЯЗИ ПОВЫШЕННОЙ РАЗВЕДЗАЩИЩЕННОСТИ
О.М. Лепешкин, А.С. Пермяков
В статье предложены два варианта построение разведзащищенных распределенных инфокоммуникационных систем связи, использующих в качестве транспортного ресурса сеть связи общего пользования. Повышение скрытности функционирования достигается с помощью уменьшения контрастности демаскирующих признаков их элементов относительно элементов других систем связи, либо за счет исключения истинных адресов отправителя и получателя пакета в заголовке дейтаграммы.
Ключевые слова: инфокоммуникационная система связи, разведзащищенность, техническая компьютерная разведка, деструктивные программно-аппаратные воздействия.
Третья декада XXI века ознаменовалась появлением новых угроз в различных сферах жизни и деятельности людей. Пандемия, охватившая абсолютное большинство стран, изменила не только привычный порядок жизни людей, но и внесла существенные коррективы в производственные процессы, организацию труда на предприятиях, распределение задач между сотрудниками на местах и теми, кто работает удаленно. Многие крупные компании практически полностью перешли на дистанционный режим работы, и их доля растет.
Для организации надежной защиты информации в распределенной инфокоммуника-ционной сети требуются существенные ресурсы, но и это не обеспечивает стопроцентную безопасность. Каждый день выявляются новые уязвимости, а средства защиты существуют только от известных атак. Таким образом становится актуальной разработка новых подходов к обеспечению информационной безопасности крупных распределенных инфокоммуникационных систем, реализация которых позволит поддерживать требуемый уровень защиты информации [13].
Деструктивные программно-аппаратные воздействия (ДПАВ) в настоящее время являются неотъемлемой частью инфокоммуникационного пространства. Она стали более избирательными по цели и масштабными по ресурсам. Исходя из этого, в работе предлагаются варианты построения инфокоммуникационных систем связи, характеризующиеся повышенной раз-ведзащищенностью, основанные на различных способах скрытия самих фактов информационного взаимодействия в глобальном инфокоммуникационном пространстве (сети Интернет).
Современные сети для обеспечения обмена информацией используют протоколы стека TCP/IP. Их ключевым недостатком, снижающим возможности скрытия фактов передачи сетевых дейтаграмм, является наличие в заголовке каждой из них данных об адресах отправителя и получателя пакетов, а также используемом протоколе, номерах исходящих и входящих портов, обусловленных применяемым стандартом.
В то же время, глобальная инфокоммуникационная сеть настолько велика [4], а подключенные к ней устройства (элементы различных систем связи) настолько разнообразны, что существует возможность применения алгоритмов изменения параметров элементов защищаемой системы связи с целью уменьшения их контрастности относительно элементов других систем связи, функционирующих в том же фрагменте глобальной сети.
283
