Нейросетевая обработка сигналов моноимпульсной локации Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

Радиофизика

Вестник Нижегородского университета им. Н.И. Лобачевского, 2013, № 6 (1), с. 62-66

УДК 621.396, 004.8

НЕЙРОСЕТЕВАЯ ОБРАБОТКА СИГНАЛОВ МОНОИМПУЛЬСНОЙ ЛОКАЦИИ © 2013 г. Е.О. Морозова, П.Е. Овчинников, М.Ю. Семенова

Нижегородский госуниверситет им. Н.И. Лобачевского ope@nifti.unn.ru

Поступила с редакцию 01.02.2013

Представлен метод нейросетевой обработки сигналов моноимпульсной локации. Рассмотрено применение искусственной нейронной сети для определения местоположения нескольких источников сигнала на основе анализа данных многоканальной антенны. Решающее устройство построено на основе многослойного персептрона. Приведены результаты компьютерного моделирования.

Ключесые слоса: амплитудный моноимпульсный метод, искусственная нейронная сеть, многослой-

ный персептрон, определение числа источников.

Введение

Одним из перспективных направлений построения систем обработки информации, получающих в настоящее время все более широкое распространение, является применение технологии искусственных нейронных сетей (ИНС). Нейронные сети позволяют, с одной стороны, использовать мощные аппаратные средства с возможностью параллельных вычислений для реализации известных алгоритмов. С другой стороны, зачастую в областях, где разработанные алгоритмы малоэффективны или не существуют вообще, нейронные сети показывают способность к созданию систем обработки, обладающих гибкостью и способностью адаптироваться к изменениям внешних условий, сохраняя устойчиво высокое качество работы [1].

Нейронные сети в последнее время успешно применяются в широком спектре приложений -от бытовой техники до крупномасштабных вычислительных военных и гражданских комплексов, в которых необходимо с высокой скоростью обрабатывать большие массивы данных для получения достоверных результатов. В частности, нейронные сети используются в обработке радиолокационных [1, 2] и телекоммуникационных [2, 3] сигналов.

Моноимпульсный метод пеленгации является распространенной технологией для определения угловых координат источников радиоизлучения (ИРИ). В работе под источником излучения может пониматься как активно излучающий, так и переотражающий объект. Антенная система амплитудного моноимпульсного пеленгатора состоит из нескольких идентичных каналов приема, формирующих диаграммы направленности (ДН) с небольшим отклонением глав-

ного луча от равносигнального направления антенны. Для определения угловых координат (х, у) источника излучения амплитудным мо-ноимпульсным методом используется сравнение относительных (нормированных) мощностей р. сигналов, принятых одновременно тремя или более каналами антенной системы, и далее оценка положения источника излучения сводится к решению системы в общем случае нелинейных уравнений [4]:

£ (х, у) = р

Ъ (х у) р ’

где £ (х, у) - диаграмма направленности по мощности I -го приемного канала антенной системы.

Алгоритмы моноимпульсной пеленгации применяют в задачах, в которых налагаются жесткие требования на скорость и повышенную точность получения информации об угловых координатах одиночного объекта. Однако хорошо известно основное ограничение данных методов: наличие условий многолучевого распространения или двух и более источников со сравнимыми мощностями приводит к появлению больших погрешностей измеряемых угловых координат [5, 6].

В данной работе предлагается нейросетевой алгоритм обработки радиолокационной информации, позволяющий определять количество ИРИ и их угловые координаты в рабочей области пространства моноимпульсной антенной системы.

Нейросетевой метод моноимпульсной обработки локационных сигналов

При наличии двух и более источников излучения предлагается использовать нейросетевую

Рис. 1. Схема нейросетевого метода моноимпульсной обработки

структуру для восстановления функции распределения излучения р(х, у) по рабочей области антенной системы. Структурная схема предлагаемого нейросетевого метода моноимпульсной обработки представлена на рис. 1. Нейронная сеть (многослойный персептрон) используется как аппроксиматор многомерной функции множества переменных (входов нейронной сети), в качестве которых применяются мощности р.

(либо отношения мощностей Р./Р, ) сигналов с

различных каналов антенной системы. Для входа нейронной сети, соответствующего I -му каналу, мощность сигнала формируется в виде взвешенной суммарной мощности сигналов от всех N источников, попавших в соответствующую диаграмму направленности:

Р=&,£ (V у, )•

, = 1

где р - мощность , -го ИРИ на входе приемной антенной системы, (х,, у,) - угловые координаты , -го ИРИ.

Каждому выходу нейронной сети ставится в соответствие выделенное направление пространства угловых координат антенной системы. В работе используется равномерное распределение выходов нейронной сети по пространству в виде прямоугольной сетки. Так как нейронная сеть должна формировать на выходе плотность распределения мощности, выходной слой сети должен содержать большое количество нейронов (порядка нескольких сотен). Такое количество выходов необходимо, чтобы сформировать сетку, способную покрыть всю рабочую область антенной системы и обеспечить требуемую разрешающую способность метода, при этом в ряде практических случаев налага-

ются ограничения на объем используемых алгоритмом вычислительных ресурсов.

В качестве значений выходных нейронов используется функция распределения мощности излучения р( х, у) по рабочей области антенной системы. Для , -го точечного ИРИ с угловыми координатами (х,, у,) распределение мощности излучения р, (х, у) описывается дельтафункцией Дирака:

Р,(ху) = Р£(х - xj,у - у,).

Однако при такой модели распределения мощности излучения возникают трудности, связанные с дискретностью сетки угловых направлений, соответствующих выходным нейронам ИНС. Выходы нейронной сети имеют значения, отличные от 0, в случае, когда положение одного из ИРИ точно (или с заданной погрешностью 8х) совпадает с направлением, поставленным в соответствие данному нейрону, и имеют значение 0 во всех остальных случаях. Если погрешность 8х выбрать равной половине шага дискретизации сетки выходных нейронов, тогда точность пеленгования ИРИ будет равна 8х. При этом для увеличения точности предлагаемого алгоритма пеленгации необходимо увеличивать размерность выходного слоя нейронов ИНС, что сопряжено с временными и алгоритмическими трудностями при обучении ИНС. Если погрешность 8х выбрать меньше половины шага дискретизации сетки выходных нейронов, то появляется ненулевая вероятность того, что вклад одного (или более) ИРИ не будет учтен в итоговом распределении мощности в такой системе, что приведет к пропуску ИРИ и, соответственно, к уменьшению точности пеленгования. Поэтому для исключения возможности пропуска ИРИ в качестве функции р,(х,у),

отражающей распределение в пространстве мощности j -го ИРИ с координатами (х ,, у,),

вместо дельта-функции Дирака в работе применяется функция Гаусса с центром, совмещенным с угловыми координатами ИРИ:

(

(х - х )2 (у - у )

2 Л

2^2 2ст 2,

, (1)

V ' ;

где стандартные отклонения а ж и а у выбираются исходя из геометрии задачи. Таким образом формируется обучающая выборка: для каждого расположения источников излучения распределение мощности р( х, у) (выход нейронной сети) моделировалось в виде суммы распределений мощности от отдельных источников:

N

р( х у) = ^ Р,(x, у). (2)

,=1

Полученное распределение характеризует уровень мощности излучения от всех активных источников в каждой точке рассматриваемой области, соответствующий предложенной модели. Это распределение дискретизуется в соответствии с размерами выходного слоя ИНС, и каждый отсчёт используется в качестве требуемого выхода соответствующего нейрона выходного слоя при обучении.

В рабочем режиме (когда сеть обучена) на вход сети подаются измеренные мощности р. сигналов всех каналов антенной системы, а с выхода снимается дискретизованная оценка пространственного распределения мощности излучения р( х, у).

Для определения числа источников и их координат используется дополнительная постобработка выходного сигнала ИНС, заключающаяся в построении модели распределения мощности излучения (1) и (2) и сравнении её с выходным сигналом ИНС. Данная задача решается методом многомерной оптимизации функционала среднеквадратического рассогласования выхода ИНС и сформированной модели распределения

(

ф=!

р( хк, у к)-

-Е Рі ехР

,=1

(хк - х, )2 (ук - у,):

(3)

2ст

2ст 2.

/у

{И, (х,, у,),.Є[і^], р,} = argmin Ф

по набору параметров источников излучения (количество N, координаты (х,,у,) [1И] и

мощности р , источников излучения), где индекс k в координатах (хк, ук) используется для перебора всех угловых координат, соответствующих нейронам выходного слоя.

Особенности реализации

Для проведения численных экспериментов в работе была использована программная реализация многослойного персептрона (с одним скрытым слоем). Во всех слоях ИНС использовались функции активации в форме экспоненциальной сигмоиды [7]. В качестве процедуры обучения применялся алгоритм обратного распространения ошибки с критерием среднеквадратического отклонения. Для обучения ИНС в качестве набора пар «вход-выход», необходимых в задачах распознавания, формировалась обучающая выборка из специально сгенерированных сигналов по описанной выше методике. При формировании значений выходных нейронов существенную роль играет выбор значений стандартных отклонений а х и а в модельной

функции (1) распределения мощности излучения одного ИРИ в пространстве. Значения стандартных отклонений, близкие к ширине рабочей области пространства, слишком сильно распределяют мощность источника излучения по всей исследуемой области. Значения а х и а меньше шага дискретизации сетки приводят к сильной концентрации плотности мощности вблизи положения ИРИ, а следовательно, занижают вклад ИРИ в соседних узлах сетки. Поэтому в исследованиях стандартные отклонения выбирались равными 2.5 шага сетки узлов в пространстве угловых координат.

Для повышения надежности на этапе постобработки (рис. 1) оптимизация функционала среднеквадратического рассогласования (3) выхода ИНС и модели распределения мощности (1) и (2) проводилась в два этапа. На первом этапе выполнялась оптимизация по числу источников N и их координатам (х , у ),е[1 N] при фиксированных одинаковых мощностях излучения < р , > от всех ИРИ. На втором этапе -оптимизация по величинам мощностей излучения р, при найденных на первом этапе числе и координатах источников.

Результаты моделирования

При моделировании использовалась антенная система (рис. 2), состоящая из 19 приемных элементов (входов ИНС), ДН £ (х, у) каждого

2

-2-1 0 12

Рис. 2. Конфигурация диаграмм направленности приемных элементов антенной системы

У9

У>°

х,

Ж

х,°

о

а)

О

б)

Рис. 3. Примеры выходного распределения мощности для 3 (а) и 5 (б) источников на входе антенной системы

из которых представляла собой двумерную функцию Гаусса с шириной 1° по уровню -3 дБ по мощности. Моделирование проводилось для сети, содержащей 900 нейронов (30*30) в выходном слое, что позволило добиться разрешающей способности порядка одной десятой от ширины ДН одного приемного канала и приемлемого времени обучения.

На рис. 3 приведены примеры выходной функции распределения мощности р(х, у) для трёх (а) и пяти (б) источников излучения (точками обозначены исходные положения ИРИ в пространстве). Для трех источников наблюдается распределение мощности излучения с четко выраженными тремя пиками и хорошим разрешением в пространстве. Для пяти источников наблюдается значительное уширение пиков, что увеличивает погрешность определения истинного положения ИРИ.

На рис. 4 приведён пример зависимости величины функционала рассогласования Ф (нормированного на первый элемент) от числа искомых пиков для случая трёх источников излучения. Функционал рассогласования Ф принимает наименьшее значение при числе

пиков ТУ, соответствующем искомому значению N:

N = эд£штФ .

N

Таким образом, можно сделать вывод, что предложенный алгоритм позволяет оценивать число источников излучения в рабочей области антенной системы.

Ошибка определения координат с одним источником не превысила 12% от ширины ДН одного приемного канала антенной системы по уровню -3 дБ. При увеличении числа источников ошибка определения координат увеличива-

Ф

Рис. 4. Пример зависимости нормированной величины функционала рассогласования (3) от числа искомых пиков для трех источников

ется. В частности, для трёх источников ошибка составила 48%. Дальнейшее увеличение числа источников приводит к еще более сильному падению точности. Кроме того, сильное влияние на разрешающую способность оказывает относительное расположение источников.

Заключение

Рассмотрено применение нейронной сети в задаче определения положений нескольких источников излучения методами моноимпульсной радиолокации. Компьютерное моделирование показало, что применение нейросетевого подхода позволяет построить систему, оценивающую количество источников, их координаты и мощности. Точность определения координат и мощностей зависит от числа источников. В дальнейшем предполагается исследование предложенного метода нейросетевой обработки в условиях шумов и реальных диаграмм направленности.

Список литературы

1. Татузов А.Л. Нейронные сети в задачах радиолокации. М.: Радиотехника, 2009. 432 с.

2. Нейрокомпьютеры в системах обработки сигналов / Под ред. Ю.В. Гуляева и А.И. Галушкина. М.: Радиотехника, 2003. 344 с.

3. Овчинников П.Е., Семенова М.Ю. Нейросете-вое детектирование сигналов с частотной манипуляцией // Научная сессия МИФИ - 2008. X Всероссийская научно-техническая конференция «Нейроинформатика-2008». Сборник научных трудов. В 2 частях. Ч.1. М.: МИФИ, 2008. С. 18-25.

4. Леонов А.И., Фомичев К.И. Моноимпульсная радиолокация. М.: Радио и связь, 1984. 312 с.

5. Sherman S. Complex indicated angles applied to unresolved radar targets and multipath // IEEE Transactions on Aerospace and Electronic Systems. V. AES-7. № 1. P. 160-170.

6. Howard D.D. Tracking radar // Radar handbook / Ed. M. Skolnik. 3rd edition.m McGraw-Hill Companies, 2008. 1352 p.

7. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 311 с.

NEURAL NETWORK FOR MONOPULSE RADAR SIGNAL PROCESSING E.O. Morozova, P.E. Ovchinnikov, M.Yu. Semenova

The method of neural network signal processing is presented for monopulse radar. An artificial neural network is applied to determine the location of multiple sources on the basis of multichannel antenna data analysis. A multilayer perceptron is used as a solver. Computer simulation results are presented.

Keywords: amplitude monopulse method, artificial neural network, multilayer perceptron, source number determination.