CC BY
15СПИСОК ЛИТЕРАТУРЫ
1. Конин В. В., Харченко В. П. Системы спутниковой радионавигации. Киев: Холтех, 2010. 520 с.
2. ГЛОНАСС. Принципы построения и функционирования / под ред. А. И. Перова, В. Н. Харисова. 4-е изд. М: Радиотехника, 2010. 800 с.
3. ИКД L1, L2 ГЛОНАСС. Глобальная навигационная спутниковая система ГЛОНАСС. Интерфейсный контрольный документ. Навигационный сигнал в диапазонах L1, L2 с открытым доступом и частотным разделением (ред. 5.1) / Рос. науч.-иссл. ин-т космического приборостроения. М., 2008. 74 с.
I. V. Grishanova, T. V. Rogacheva
FSUE "Science and production association of automation n. a. acad. N. A. Semikhatov" Data exchange between subsystems of satellite radionavigational system glonass
The interaction of subsystems of satellite radionavigational system and structure of these subsystems are considered.
Satellite radionavigational system, navigational satellite, data exchange, control and manage subsystem, space equipment subsystem, user's navigational equipment, navigational task
Статья поступила в редакцию 13 декабря 2013 г.
УДК 681.322+621.396
О. А. Игнатьева, В. В. Леонтьев, А. А. Пименов Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)
Нейронная сеть как элемент робастной радиолокационной системы классификации мономолекулярных пленок нефти на поверхности моря
Предложена нейронная сеть, формирующая решение о наличии или об отсутствии мономолекулярных пленок средней или тяжелой нефти на поверхности моря. Нейронная сеть входит в состав радиолокационной системы, объединенной в комплекс с пассивными отражателями, расположенными либо по периметру акватории порта, либо на специальных буях в море.
Нейронная сеть, радиолокация, моделирование, рассеяние радиоволн, морская поверхность, эффективная площадь рассеяния, комплексный коэффициент отражения, нефтяная пленка
В настоящее время нейронные сети (НС) применяются при решении задач автоматического управления, классификации и кластеризации данных, распознавания образов, обработки сигналов и т. п. [1]. Перспективы использования НС для обработки радиолокационной информации рассмотрены в монографии [2]. Разработанные программные средства позволяют синтезировать и обучить НС при минимальном участии пользователя. Например, прикладное программное обеспечение "Neural Network Toolbox" фирмы MathWorks, функционирующее под управлением ядра системы MATLAB, содержит множество типовых архитектур НС, методов их адаптации и обучения.
© Игнатьева О. А., Леонтьев В. В., Пименов А. А., 2013
Для физической реализации НС можно использовать программируемые логические интегральные схемы (ПЛИС). Главным преимуществом ПЛИС является возможность осуществления параллельных вычислений. Кроме того, ПЛИС имеют невысокую стоимость и при реализации разработанной программы обработки радиолокационной информации на языках VHDL или Verilog отсутствует привязка к конкретной модели ПЛИС. Все это подтверждает актуальность усилий, направленных на автоматизацию процессов обработки информации в радиолокационных системах различного назначения.
В работе [3] описан метод радиолокационного определения пленочных нефтепродуктов на по-
49
верхности моря, позволяющий обнаруживать мономолекулярные пленки при скользящих углах облучения. Суть метода состоит в объединении в комплекс радиолокационной станции (РЛС) с пассивными отражателями, расположенными либо по периметру акватории порта, либо на специальных буях в море. Наличие загрязнения устанавливается на основе измерения эффективной площади рассеяния (ЭПР) отражателя, рассеивающие свойства которого зависят от наличия или отсутствия нефтяного слика на поверхности воды [4].
В работах [5]-[9] предложены методы оценки комплексных коэффициентов отражения (ККО) электромагнитного поля от чистой и от загрязненной нефтью поверхностей моря, требующиеся при вычислении ЭПР отражателя, расположенного вблизи границы раздела "воздух - морская поверхность". В работе [3] представлены гистограммы ЭПР отражателя, расположенного над взволнованным морем, вычисленные при соответствующих ККО для случаев чистой морской поверхности,
п, % 90 50 40
30
20
10
^в10 = 2-5 м/с
/
В5Г
I_1_
3
0 10 20 30 40 50 60 70"130 ст, м а
2
п, % 90 40 30
20 10 0
п, % 40 20
10 15 20 25 130 ст, м
в
2
= 4.5 м/с
13 17 117 121 125 ст, м
д
2
морской поверхности с пленкой средней нефти и морской поверхности с пленкой тяжелой нефти.
Цель настоящей статьи - обоснование выбора вида НС, позволяющей принять решение о наличии или об отсутствии мономолекулярных пленок средней или тяжелой нефти на поверхности моря.
Для разработки нейросетевого классификатора необходимо задаться архитектурой НС. В свою очередь на выбор типа НС существенно влияет характер изменения входных данных. Результаты численных испытаний, полученные по приведенной в [3] методике, иллюстрируют гистограммы ЭПР отражателя, представленные на рис. 1. Гистограммы 1 соответствуют чистой морской поверхности, гистограммы 2 - морской поверхности с пленкой средней нефти, гистограммы 3 - морской поверхности с пленкой тяжелой нефти. Расчеты произведены при вертикальной поляризации электромагнитного поля. Моделировалось полно -стью развитое волнение, обусловленное ветром, скорость которого на высоте 10 м над поверхно-п, %
^в10 = 30 м/с 2
90 40 30
20 10 0
п, % 90 50 40
30
Р/
\
5
15
25 б
35 125 ст, м
2
2010 0
10
15
20 130 ст, м
2
п, % ' ^вю = 5.0 м/с
30
15Н
5 15 " 55 65 75 85 ст, м"
е
Рис. 1
г
0
0
стью моря Ув10 изменялась от 2.5 м/с (рис. 1, а) до
5 м/с (рис. 1, е) с шагом 0.5 м/с (рис. 1, б-д). Статистические характеристики (средняя ЭПР ст и дисперсия ЭПР Аст) флуктуаций ЭПР отражателя приведены в таблице.
Из анализа гистограмм ЭПР на рис. 1 и приведенных в таблице статистических характеристик ЭПР отражателя можно сделать следующие выводы:
1. При скорости ветра Увю < 3.5 м/с тяжелая нефть успокаивает волнение и ЭПР отражателя вблизи морской поверхности не флуктуирует (поэтому на рис. 1, а-в гистограммы ЭПР отражателя для морской поверхности с пленкой тяжелой нефти вырождаются в прямую линию).
2. При Увю > 3.5 м/с и наличии на морской поверхности пленки тяжелой нефти увеличение скорости ветра ведет к уменьшению средней ЭПР отражателя и к увеличению дисперсии флуктуа-ций его ЭПР.
3. При скорости ветра Увю < 3.0 м/с для трех рассмотренных ситуаций (чистое море, море с пленками средней и тяжелой нефти) гистограммы ЭПР отражателя не перекрываются, однако с увеличением скорости ветра различия нивелируются.
4. При увеличении скорости ветра наиболее быстро сглаживаются различия во флуктуациях ЭПР отражателя для случаев чистого моря и моря с пленкой средней нефти. Хотя даже в этих ситуациях при скорости ветра Увю = 5.0 м/с и практи-
чески равных средних ЭПР дисперсии флуктуаций ЭПР отражателя различаются почти в два раза.
Очевидно, что в качестве классификационного признака, положенного в основу разделения трех указанных ситуаций, недостаточно использовать лишь мгновенные значения флуктуаций ЭПР отражателя. Так как результаты численных испытаний получены только при фиксированных скоростях ветра и отсутствуют статистические модели входных воздействий на НС во всем диапазоне изменения скорости ветра от 2.5 до 5 м/с, объективно выбрать классификационные признаки на основе статистических критериев невозможно. В этом случае их можно задать эвристически, анализируя характер изменения флуктуаций ЭПР отражателя во времени. Для принятия решения о наличии одной из ситуаций в момент времени tj можно использовать информацию об изменении предыдущих значений ЭПР отражателя. Наиболее простой путь - подавать на вход НС вектор W {^) = [ст{ti) Аст (ti)],
где ст{^-) - ЭПР отражателя в момент Ц; Аст{^-) -дисперсия т отсчетов ЭПР отражателя, предшествующих моменту tj.
Поиск наилучшей реализации НС выполнен эмпирическим путем. Проанализирована работа РКЫ-, СЯМЫ- и ЬУ^-сетей, а также рекуррентной сети, построенной на архитектуре сети Элмана. Наилучшие результаты показала последняя сеть.
Сеть содержит три слоя и является модифицированной сетью Элмана (рис. 2, где -
^^ м/с Состояние моря
Чистое С пленкой средней нефти С пленкой тяжелой нефти
ст, м2 Аст, м4 ст, м2 Аа, м4 ст, м2 Аа, м4
2.5 9.97 2.01 51.11 14.91 133.21 0
3.0 8.26 1.09 23.82 12.51 133.21 0
3.5 8.56 1.08 14.92 6.77 133.21 0
4.0 9.46 1.55 11.12 4.77 133.12 0.03
4.5 10.08 1.17 9.64 3.32 120.93 2.81
5.0 10.10 1.70 9.80 3.00 73.70 31.20
входные весовые коэффициенты; LWl, LW2, LWз - весовые коэффициенты слоев; ¿1, ¿2, ¿3 -смещения; Б - блок динамической задержки). Первый слой содержит пять нейронов, охваченных обратной связью, функция активации имеет вид логистической функции. Второй слой содержит один нейрон с линейной функцией активации. Третий слой содержит три нейрона со ступенчатой функцией активации. Первые два слоя образуют классическую сеть Элмана. Подбор весовых коэффициентов и смещений осуществлен в процессе обучения сети. При обучении использован метод обратного распространения ошибки с возмущением и адаптацией скорости настройки. Каждому типу поверхности (чистое море, море с пленками средней и тяжелой нефти) присвоено уникальное числовое значение. Обучение проведено так, что при подаче на вход сети отсчетов ЭПР отражателя и дисперсий т предыдущих отсчетов ЭПР отражателя одного из трех типов поверхности на выходе нейрона второго слоя формируется сопоставленное данному типу поверхности уникальное числовое значение. Для дости-
ст, м2 120
40 20
vBio = 2-8 м/с
0
1
0 1
0 1
200 | а
400
Нейрон 1
Нейрон 2
Нейрон 3
I
ст, м2 120
40 20
200 400
б
Рис. 3
Увю = 3.8 м/с
|И< «lnllnHtolM'
iiiliMi^dlirtifc > Üi
0
1
0 1
0 1
200
а
400
Нейрон 1
Нейрон 2
Нейрон 3
200
400
б
Рис. 5
жения среднеквадратичной ошибки обучения, равной 0.001, понадобилось более 20 000 циклов обучения. Каждый нейрон третьего слоя срабатывает, если его входной сигнал превышает некоторый уровень, зависящий от заданных каждому типу поверхности уникальных числовых значений. Например, для чистой морской поверхности, морской поверхности с пленками средней и тяжелой нефти заданы соответственно уникальные числовые значения 1, 2 и 3. Тогда весовые коэффициенты и смещения в третьем слое будут иметь вид
LW3 =(-1 1 11т; Ь3 =(1.5 -1.5 -2.5)т,
"т"
где - символ транспонирования.
Первый нейрон третьего слоя будет выдавать единицу, если значение на выходе второго слоя не превышает 1.5, второй нейрон будет выдавать единицу, если значение на выходе второго слоя превышает 1.5, и третий нейрон будет выдавать единицу, если значение на выходе второго слоя превышает 2.5. Появление единицы на выходе любого нейрона третьего слоя обозначает наличие определенной ситуации на море: единица на
ст, м2 120
40 20
0
УвЮ = 3.3 м/с
Jl lili«.II .JÍ.íuAi
200
а
400
Нейрон 1
Нейрон 2
Нейрон 3
/'/'/'/'/'/'/'/'/'/'/'/'14444444444443
0 200 400
б
Рис. 4
ст, м2 120
40 20
Увю = 4.3 м/с
200
400
Нейрон 1
Нейрон 2
Нейрон 3
200
400
б
Рис. 6
0
0
0
а
0
0
0
0
выходе первого нейрона - чистое море, единица на выходе второго нейрона - море с пленкой средней или тяжелой нефти, единица на выходе третьего нейрона - море с пленкой тяжелой нефти.
Для обучения представленной на рис. 2 НС использованы случайные реализации флуктуаций ЭПР отражателя, полученные для различных состояний поверхности чистого моря и моря с пленками нефти при скоростях ветра 2.5, 3.0, 3.5, 4.0 и 4.5 м/с. С целью проверки работоспособности сети во всем диапазоне изменения скорости ветра от 2.5 до 5 м/с по методике [3] получены
случайные реализации флуктуаций ЭПР отражателя для тех же состояний поверхности моря при произвольно выбранных скоростях ветра 2.8, 3.3, 3.8 и 4.3 м/с. Результаты работы НС иллюстрируют графики на рис. 3-6. На рис. 3, а - 6, а представлены изменения флуктуаций ЭПР отражателя на входе НС при трех различных ситуациях на море. По оси абсцисс показаны номера отсчетов флуктуаций ЭПР г. Отсчеты с номерами от 1 до 200 соответствуют чистому морю, с номерами от
201 до 400 - морю с пленкой средней нефти, с номерами от 401 до 600 - морю с пленкой тяжелой нефти. Временной интервал между двумя любыми соседними отсчетами равен 0.1 с. На рис. 3, б - 6, б показаны сигналы на выходах первого, второго и третьего нейронов третьего слоя НС. Полосы под осями абсцисс иллюстрируют состояние на море. Штриховка соответствует фактической ситуации на поверхности моря и аналогична штриховке, использованной на рис. 1. Смена уровня сигнала с 0 на 1 (или с 1 на 0) на выходах нейронов показывает моменты принятия НС решений об изменении ситуации на море. Из рис. 3-6 видно, что НС правильно принимает решение об отсутствии или о наличии загрязнения на поверхности моря. Задержка принятия решения при изменении ситуации на море обусловлена итеративным характером работы НС.
Построенная НС способна принимать решения о наличии или об отсутствии мономолекулярных пленок нефти на взволнованной морской поверхности при скорости ветра от 2.5 до 5.0 м/с. Малое количество нейронов дает возможность использовать достаточно простую и дешевую элементную базу.
СПИСОК ЛИТЕРАТУРЫ
1. Хайкин С. Нейронные сети: полный курс. 2-е изд.; пер. с англ. М.: ООО ИД "Вильямс", 2006. 1104 с.
2. Татузов А. Л. Нейронные сети в задачах радиолокации. М.: Радиотехника, 2009. 432 с. (Науч. сер. "Нейрокомпьютеры и их применение". Кн. 28.)
3. Игнатьева О. А., Леонтьев В. В. Выбор высоты установки пассивного отражателя радиолокационной системы обнаружения мономолекулярных пленок нефти на поверхности моря // Изв. вузов России. Радиоэлектроника. 2013. Вып. 1. С. 94-101.
4. Леонтьев В. В. Феноменологическая теория рассеяния радиоволн морскими объектами. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2006. 216 с.
5. Леонтьев В. В., Бородин М. А., Богин Л. И. Итерационный алгоритм расчета поля, рассеянного шероховатой поверхностью // Радиотехника и электроника. 2008. Т. 53, № 5. С. 537-544.
O. A. Ignateva, V. V. Leontev, A. A. Pimenov Saint Petersburg state electrotechnical university "LETI"
6. Бородин М. А., Леонтьев В. В. Анализ точностных характеристик итерационного алгоритма вычисления поля, рассеянного шероховатой поверхностью // Радиотехника и электроника. 2009. Т. 54, № 9. С. 1-6.
7. Леонтьев В. В., Бородин М. А., Третьякова О. А. Рассеяние вертикально поляризованной электромагнитной волны шероховатой поверхностью при скользящем облучении // Изв. вузов России. Радиоэлектроника. 2010. Вып. 5. С. 33-46.
8. Леонтьев В. В., Третьякова О. А. Моделирование рассеяния радиоволн поверхностью моря, покрытой мономолекулярной пленкой нефти // Изв. вузов России. Радиоэлектроника. 2011. Вып. 3. С. 55-64.
9. Леонтьев В. В., Бородин М. А., Игнатьева О. А. Бистатические диаграммы рассеяния морской поверхности, покрытой мономолекулярной пленкой нефти // Радиотехника. 2012. № 7. С. 39-44.
Neural network as a part of robust radar system for classification of monomolecular oil film on the sea surface
Neural network that allows to make a decision about the presence or absence of monomolecular films of medium or heavy oil on the sea surface in the radar system, integrated into a single system with passive reflectors located either on the perimeter of the port basin, or on special buoys at sea is proposed.
Neural networks, radiolocation, modeling, wave scattering, sea surface, radar cross section, complex reflection factor, oil slick
Статья поступила в редакцию 4 декабря 2013 г.
