CC BY
136
Semashkin Evgeniy Nikolaevich, scientific secretary to STC (Scientific and Technical Council), head of department, kbkedr@,tula.net, Russia, Tula, KBP named after academician A.G. Shipunov,
Shvikin Yuriy Sergeevich, doctor of engineering, professor, head of department, the head of «ASD» department, kbkedr@,tula.net, Russia, Tula, KBP named after academician A.G. Shipunov,
Ponyatskiy Valeriy Mariafovich, candidate of engineering, docent, head of bureau, pwmru@rambler.ru, Russia, Tula, KBP named after academician A.G. Shipunov,
Kiryukhin Ivan Vladimirovich, 1st category research engineer, kbkedr@,tula.net, Russia, Tula, KBP named after academician A.G. Shipunov,
Lapshin Alexander Vladimirovich, chief research engineer, kbkedr@,tula.net, Russia, Tula, KBP named after academician A.G. Shipunov
УДК 621.391:621.396
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АВТОМАТИЗАЦИИ РАСПОЗНАВАНИЯ ВОЗДУШНЫХ ОБЪЕКТОВ
И.П. Жабин, В.Н. Гордеев, А.В. Емельянов
Предлагается имитатор нейронной сети распознающих автоматов-классификаторов воздушных объектов. Представлена блочная структура имитатора нейронной сети, в которой каждый блок является «независимым» потребителем информации.
Ключевые слова: распознавание, воздушный объект, нейросетевой классификатор.
В силу сложности процесса распознавания воздушных объектов на современном этапе развития науки и техники полностью исключить участие человека-оператора и аналитика практически невозможно. Их роль сводится к принятию окончательных решений на продолжение тех или иных операций, а переработка огромных массивов информации возложена на автоматы - программно-реализованные на ЭВМ процедуры и алгоритмы. Поскольку метод автоматизации базируется на нейросетевых технологиях, которые предполагают решение задачи оптимизации путём обучения сетевых структур, то главное и необходимое мероприятие заключается в организации такого обучения [1, 5].
С этой целью требуется формирование значительных информаци-
онных массивов. Учитывая, что экспериментальные данные имеют ограниченность, то вышеуказанные информационные массивы можно получить только на моделях-имитаторах. При известном виде широкополосного сигнала для моделирования радиоизображений достаточно знания комплексного коэффициента рассеяния на несущей частоте. Для его расчета в работе использовался хорошо зарекомендовавший себя на практике электродинамический метод эквивалентов. Однако этот выбор не является определяющим, поскольку моделирование комплексного коэффициента рассеяния монохроматического сигнала можно было реализовать другими приближенными методами физической теории дифракции или точными численными расчетами.
Выбор электродинамической модели обусловлен двумя факторами, наиболее важными на практике, - простотой задания исходных данных о форме и возможностями моделирования отражательных характеристик воздушных объектов в широком классе целей.
Математическое моделирование радиоизображений подтвердило правомерность выбранного метода, во-первых, по точности местонахождения локальных центров рассеяния, во-вторых, по их интенсивности, которая проверялась по экспериментальным данным. Интенсивность локальных центров рассеяния, полученная в результате проведения экспериментальных исследований типовых плоских (выпуклых) форм, составила 1 - 3 дБ.
Использование нейросетевых технологий как базы для автоматизации распознавания воздушных объектов потребовало решения ряда взаимосвязанных задач. Прежде всего, потребовалось обоснование структуры нейросети, проведение анализа результатов обучения [2].
Результаты моделирования дали возможность провести итерационное решение задачи «обучение - коррекция структуры». На основе серии модельных экспериментов разработана блочная структура имитатора нейронной сети распознающих автоматов-классификаторов воздушных объектов, показанная на рисунке. Приведенная структура отличается от традиционно используемых, в которых сеть является системой полностью взаимосвязанных элементов. При такой структуре имитатора нейронной сети каждый блок является «независимым» потребителем информации. Каждый отдельный блок представляет собой набор трёхслойных персеп-тронов-подблоков, настроенных на распознавание своего класса воздушных объектов по принципу «свой-чужой» для заданных парциальных секторов получения измерений. В схему включен селектор, который обеспечивает контроль обучения и распознавания по значению функционала ошибки [6].
Структурная схема нейросетевого классификатора воздушных объектов
Предложенное построение распознающего нейронного автомата обусловлено особенностями радиолокационных изображений, сводящихся к отсутствию ракурсных инвариантов, которые необходимы для устойчивой работы сети. Задача обучения персептронов требует не только применения одного из методов обучения, но и определения набора парциальных секторов, в которых распознающий нейронный автомат обеспечит заданную вероятность правильного распознавания-классификации воздушных объектов. Обучение имитатора нейронной сети проведено с использованием метода обратного распространения ошибки, интерактивного градиентного алгоритма, используемого с целью минимизации ошибки работы многослойного персептрона и получения желаемого выхода. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к ее входам в направлении, обратном прямому распространению сигналов в обычном режиме работы.
Выбор данного метода обусловлен его пригодностью для многослойных имитаторов нейронной сети, высокой скоростью и устойчивостью обучения. Формирование обучающих выборок предполагало включение пар «входной сигнал - правильный выход» как для класса, на который настроен персептрон, так и для других классов. Последнее потребовалось для минимизации ошибок второго рода при обучении распознаванию имитатора нейронной сети распознающих автоматов-классификаторов воздушных объектов [3].
Анализ способов подачи пар из обучающей выборки показал улучшение требуемых характеристик. Так при настройке персептрона по всей выборке одновременно интегральным образом время обучения на 10 - 15 %, а время дообучения - на 25-30 % меньше, чем при настройке по каждой отдельной паре из выборки. Этот факт объясняется тем, что при интегральном способе не происходит промежуточного сбоя настроек при переходе обучения от одной пары к другой.
Всем весам персептрона в начале обучения присваиваются случайные значения из интервала [0, 1]. Прямой проход персептрона осуществляется последовательным вычислением выходов нейронов для каждой пары из обучающей выборки:
Nk.
ач = f (Z wjvj, + i);
j=i
k,i J у Lu j" ji ' (1)
i = 1,..., Nk; k = 1, 2, 3,
где ak i - выход i-го нейрона k-го слоя; Nk - количество нейронов в k-м
iki — оохлид »-iw псирипа члиил,
слое; Wj - величина j-го входа нейрона; vji - вес связи j-го входа нейрона;
П - вес порога; f (x) = th(x) - функция активации нейрона.
Критерий обученности определен функционалом ошибки выхода персептрона, который описывается выражением
* = 2-dj,p)2 . (2)
2 j,Р
где yj, - реальный выход j-го нейрона выходного слоя при подаче на вход персептрона p-го входного сигнала; dj p - идеальное (желаемое) выходное состояние этого нейрона.
Завершение обучения происходит при достижении функционалом ошибки порогового уровня, значение которого определяется допустимой вероятностью ошибок первого и второго рода. Если критерий останова не выполнен, то согласно методу обратного распространения ошибки для каждой пары вычисляются величины ошибок всех весов персептрона и средние по всем парам величины коррекции каждого веса.
В интересах ускорения процесса обучения применен метод импульса, который предполагает добавление к величине коррекции веса на n-м шаге обучения величины, прямо пропорциональной величине коррекции этого веса на предыдущем (n -1-м) шаге, т. е.
(1 ^ 5
Д j(n) = аа, 5 Z us,j,.+(n -1), (3)
V 5 J s=1
где us, j j - величина коррекции веса j-го нейрона i-го слоя для обучающей
пары s ; s - количество пар в обучающей выборке; n - номер итерации; а - коэффициент скорости обучения; ц - коэффициент импульса.
Значения а и ц подбираются экспериментально из интервала (0, 1). Их увеличение приводит к сокращению времени обучения и потере точности, а уменьшение приводит к обратному эффекту. После коррекции весов персептрона процедура обучения повторяется до тех пор, пока не будет выполнен критерий останова [4].
Формирование обучающей выборки осуществляется в несколько этапов. На первом этапе в неё включаются пары, соответствующие классу блока, после чего проводится начальная фаза обучения. На следующем
этапе в обучающую выборку добавляются пары, не принадлежащие классу персептрона, по которым при распознавании возникает ошибка второго рода. В этом случае проводится дообучение с учетом обучающих пар других классов. Процесс формирования обучающей выборки и обучения персептрона продолжается до достижения заданной вероятности правильного распознавания.
Представленная блочная структура имитатора нейронной сети распознающих автоматов-классификаторов воздушных объектов отличается от традиционно используемых, в которых сеть является системой полностью взаимосвязанных элементов, тем, что каждый блок является «независимым» потребителем информации и представляет собой набор трехслойных персептронов, обучаемых с использованием метода обратного распространения ошибки.
Блочная структура упрощает процедуру добавления новых классов распознающих автоматов-классификаторов воздушных объектов и дообучения уже существующих, так как при этом не требуется переобучение всей сети.
Список литературы
1. Саймон Хайкин. Нейронные сети: полный курс. 2-е изд., испр. / пер. с англ. М.: Вильямс, 2006. 1104 с.
2. Тархов Д.А. Нейронные сети. Модели и алгоритмы. М.: Радиотехника, 2011. 256 с.
3. Оганезов А. Л. Применение нейронных сетей в задачах распознавания образов. Тбилиси, 2006. 149 c.
4. Осовский С. А. Нейронные сети для обработки информации. М.: Финансы и статистика, 2011. 344 с.
5. Галушкин А.И. Теория нейронных сетей: учеб. пособие для вузов. М.: ИПРЖР, 2010. 416 с.
6. Васильев В.И., Ильясов Б.Г. Нейрокомпьютеры в авиации (самолеты). М.: Радиотехника, 2008. 496 с.
Жабин Игорь Петрович, канд. техн. наук, доц., начальник сектора, _iip@tula.ru, Россия, Тула, ОАО «Конструкторское бюро приборостроения им. академика А.Г. Шипу-нова»,
Гордеев Василий Николаевич, канд. техн. наук, преподаватель, 2ordeefffa inhox.ru, Россия, Воронеж, ВУНЦ ВВС «ВВА им. Н.Е. Жуковского и Ю.А. Гагарина»,
Емельянов Алексей Владимирович, канд. техн. наук, преподаватель, alex-77-71a mail.ru, Россия, Воронеж, ВУНЦ ВВС «ВВА им. Н.Е. Жуковского и Ю. А . Гагарина»
APPLICATION OF NEUTRAL NETWORK TECHNOLOGIES FOR AUTOMATIZATION OF
AIR OBJECTS DETECTION
I.P. Zhabin, V.N. Gordeev, A.V. Emelyanov
Neutral network simulator of air objects detecting automation-classifiers is suggested in the article. Block structure of neutral network simulator is presented, in which ebery block is «independent» user of information.
Key words: detection, air object, neutral network classifier.
Zhabin Igor Petrovich, candidate of engineering, docent, head of sector, jip@tula.ru, Russia, Tula, KBP named after academician A.G. Shipunov,
Gordeev Vasilij Nikolaevich, candidate of engineering, instructor, gordeejff@,inbox.ru, Russia, Voronezh, MTRC AF Air Force Academy named after N.E. Zhokovskiy and Y.A. Gagarin,
Emelyanov Alexey Bladimirovich, candidate of engineering, instructor, alex-77-71 'a,mail.ru, Russia, Voronezh, MTRC AF Air Force Academy named after N.E. Zhokovskiy and Y.A. Gagarin
УДК 623.618:623.462.122
МЕТОДЫ ОТРАБОТКИ КОМПЛЕКСА АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ БОЕВЫМИ
ДЕЙСТВИЯМИ
А. С. Моисеев
Рассмотрена задача поиска технических решений при проектировании комплекса автоматизированного управления боевыми действиями противотанкового взвода. Подробно описан этап отработки комплекса с использованием математических методов теории массового обслуживания.
Ключевые слова: проектирование, комплекс автоматизированного управления, системы массового обслуживания.
Совершенствование процессов проектирования вооружения и военной техники требует формализации и автоматизации всех операций создания нового изделия: исследований, конструирования, производства, испытаний и в том числе формализации поиска технических решений при структурно-параметрическом синтезе.
Учитывая результаты, полученные в работах [1, 2], задачу поиска технических решений при проектировании комплекса автоматизированного управления боевыми действиями (КАУ БД) решим в следующем порядке:
