CC BY
217
УДК 681.432
DOI: 10.24412/2071-6168-2022-2-364-368
ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ ПО ИХ РАДИОЛОКАЦИОННЫМ СПЕКТРАМ
Н.В. Шестаков
Рассмотрены вопросы применения нейросетевых методов обработки информации при распознавании объектов по их радиолокационным спектрам. Приведены преимущества применения нейросетей для решения задач распознавания образов объектов. Представлен примерный алгоритм обработки радиолокационных образов с применением свёрточной нейросети.
Ключевые слова: радиолокационный спектр, нейронные сети.
Радиолокационное распознавание объектов представляет сегодня обширную и самостоятельную научную проблему [1, 2, 3]. Оно имеет диалектическое единство с другими областями радиолокации и опирается на их перспективные алгоритмы и методы. Поэтому неудивительно, что в современных учебных пособиях по радиолокации находят яркое отражение вопросы, связанные с решением задач радиолокационного распознавания [4, 5, 6].
Развитию теории и техники автоматического распознавания в радиолокации способствовали следующие предпосылки: в рамках кибернетики, возникновение и формирование теории распознавания образов как самостоятельного научного направления, широкое внедрение в радиолокацию вычислительной техники и методов цифровой обработки сигналов.
Разработка систем распознавания, и в частности радиолокационного распознавания, сопряжена с решением целого ряда задач. Составление алфавита и словаря признаков распознавания является центральным вопросом. Алфавит содержит классы, к которым могут быть отнесены наблюдаемые объекты.
Задача создания алгоритма (или классификатора), способного решить, что заданное измерение принадлежит к одному из множества различных классов, также относится к проблемам классификации. Классификаторы могут базироваться на ряде правил, выводимых из статистических свойств обучающей выборки или экспериментального знания предметной области: множество измерений, соответствует известному классу. В первом случае статистический классификатор устанавливает новое измерение на класс, которому предназначает наиболее вероятное измерение.
Классификаторы на основе модели принимают некоторую явную функциональную форму истинного распределения измерений, и выводят по параметрам из обучающей выборки оптимальную модель. Классификаторы, основанные на принципе сравнения с эталоном, полностью принимают некоторое распределение, определяя степень сходства между неизвестным измерением и измерениями в обучающей выборке.
Статистические классификаторы могут быть построены с использованием дискрими-нантного анализа, при котором используется набор данных для построения оптимальных границ решения, отделяющих различные классы, которые присутствуют в наборе данных.
Для получения измерений, характеризующих определенные классы объектов можно использовать их радиолокационные отражения. Радиолокация - удобный датчик для классификации объектов, который по эффективности не уступает другим датчикам, например, видеоизображению или инфракрасным датчикам. Наиболее ярко особенности объектов проявляются на спектрограммах отраженных сигналов. Именно они могут быть качественными входными данными для обучения нейросетей по распознаванию объектов.
В настоящее время нейросетевые методы обработки информации и построенные на их базе нейрокомпьютеры переживают бум технологического развития [1,4,7,8]. Искусственная нейронная сеть (НС) — математическая модель, а также её программная или аппаратная реализация, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма [9]. Это понятие возникло при изучении процессов, протекающих в мозге человека и других живых существ, и при попытке смоделировать
эти процессы. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ искусственных нейронных сетей перед классическими линейными алгоритмами. Технически обучение заключается в нахождении коэффициентов (синаптических весов) связей между нейронами. В процессе обучения нейронная сеть способна выявлять комплексные зависимости между входными данными и выходными, а также выполнять обобщение. С точки зрения математики, нейронная сеть — это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки.
Очевидно, что уникальные возможности НС приобретают, благодаря параллельной обработке информации, а также способности самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения, а также неполных или искаженных. Эти свойства позволяют НС решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми.
Использование НС обеспечивает следующие полезные свойства систем [8]:
1. Нелинейность. НС, построенные из соединений нелинейных нейронов, сами являются нелинейными. Нелинейность является чрезвычайно важным свойством, особенно если сам физический механизм, отвечающий за формирование входного сигнала, тоже является нелинейным.
2. Отображение входной информации в выходную. Одной из популярных парадигм обучения является обучение с учителем. Это подразумевает на основе набора маркированных учебных примеров изменение синаптических весов. Каждый пример состоит из входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, на основании которого, НС модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Это обучение заканчивается, когда изменения синаптических весов становятся незначительными. Таким образом, НС обучается, составляя таблицу соответствий вход-выход для конкретной задачи.
3. Адаптивность. НС обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. В частности, обученные НС, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, могут быть созданы НС, изменяющие синаптические веса в реальном времени для работы в нестационарной среде. Известно, что чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде.
4. Очевидность ответа. В контексте задачи классификации образов можно разработать НС, собирающую информацию не только для определения класса объекта, но и для увеличения достоверности принимаемого решения. Эта информация, впоследствии, может использоваться для исключения сомнительных решений, что повысит продуктивность НС.
5. Отказоустойчивость. НС, реализованные в виде микропроцессоров, потенциально отказоустойчивы. Это значит, что их производительность падает незначительно при неблагоприятных условиях. Например, извлечение запомненной информации затрудняется, если поврежден какой-то нейрон или его связи. Можно утверждать, что только серьезные повреждения структуры НС существенно повлияют на ее работоспособность, в виду распределенного характера хранения информации. Незначительное повреждение структуры никогда не вызывает катастрофических последствий. Однако, для обеспечения отказоустойчивости работы НС, в алгоритмы обучения нужно закладывать соответствующие поправки.
6. Масштабируемость. Параллельная структура НС потенциально обеспечивает масштабируемость НС в рамках технологии VLSI (very large scale integrated - очень широкомасштабная интеграция) и ускоряет решение некоторых задач. Одним из преимуществ технологий VLSI является возможность представить достаточно сложное поведение с помощью иерархической структуры.
7. Единообразие анализа и проектирования. НС - это универсальный механизм обработки информации. Отсюда следует, что одно и то же проектное решение НС может использоваться во многих предметных областях. Это свойство проявляется несколькими способами:
- Нейроны являются стандартными составными частями любой НС.
- Эта общность позволяет использовать одни и те же теории и алгоритмы обучения в различных нейросетевых приложениях.
- Модульные сети могут быть построены на основе интеграции целых модулей.
В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, нейросети сами формируют модель явления в процессе обучения, т.е. практически не требуют априорных данных о модели.
При решении задач обнаружения, разрешения - сверхразрешения, оценки параметров сигналов, распознавания образов такие системы, после обучения, могут достигать потенциальных пределов качества функционирования.
Таким образом, применение НС является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания радиолокационных объектов.
Рассмотрим структуру обработки радиолокационных спектрограмм сигналов отраженных от интересующих объектов с применением свёрточных нейросетей на примере метеообразований. Свёрточные нейронные сети - специальная архитектура искусственных нейронных сетей, нацеленная на эффективное распознавание образов, входит в состав технологий глубокого обучения. В качестве входных данных для нейросети будут выступать радиолокационные частотные спектрограммы сигналов, отраженные от метеообразований - матрицы данных, имеющие три измерения: дальность (Distances), гармоника по скорости (Harmonics), амплитуда сигнала. Данные матрицы получены после первичной цифровой обработки сигналов радиолокационной станции и перехода от временной формы сигнала к частотной. У каждого объекта в определенном диапазоне длин радиоволн существует, присущая только ему, спектральная картина и после обучения нейросеть сможет их выделять и классифицировать. На рис. 1 приведены спектрограммы сигналов метеообразований полученные радиолокатором, работающим в миллиметровом диапазоне длин волн.
ОЫа ПС&5 stanr.fi 5
Рис.1. Спектрограммы сигналов метеообразований в миллиметровом диапазоне длин волн
Каждая из спектрограмм представляет собой матрицу доплеровских спектров, в которой горизонтальный уровень соответствует дальности от радиолокатора в дискретах измерения.
Примерная структурная схема нейросети обработки спектрограмм сигналов приведена на рис. 2.
Рис. 2. Структурная схема алгоритма обработки радиолокационных спектрограмм
сигналов, отражённых от объектов
366
Как видно из структурной схемы к свёрточной нейросети были добавлены слои для улучшения контрастности изображения, выделения границ, яркости изображения. Данные слои выполняют функцию шумоподавления и повышают вероятность распознавания. Метеообразования являются сложным объектом для распознавания и обнаружения, так как зачастую на спектрограммах имеют нечеткие очертания и сложную форму. Далее реализована свертка изображения, с последующей бинаризацией и выделением границ. В конечном итоге производится сегментация объектов на изображении для их последующей классификации. Данная архитектура слоёв нейросети позволяет более эффективно решать задачи выделения спектральных образов объектов, с их последующей классификацией.
Заключение. Радиолокационное распознавание объектов представляет обширную научную и техническую проблему. Основной задачей классификации является создание классификатора, способного решить, что заданное измерение принадлежит конкретному классу объектов. В настоящее время наблюдается повышенный интерес к нейросетевым методам обработки информации и построенным на их базе нейрокомпьютерам. Совершенно очевидно, что свои возможности НС приобретают, благодаря распараллеливанию обработки информации и способности самообучаться, т.е. создавать обобщения. Способность получать обоснованный результат на основании искаженных, зашумленных или отсутствовавших при обучении данных позволяет решать сложные задачи, которые невозможно решить другими методами.
НС формируют модель явления при прохождении обучения, что выгодно их отличает от классических методов обработки информации. После обучения такие системы могут достигать потенциальных пределов качества обнаружения и распознавания объектов.
При помощи НС можно спроектировать систему, адаптирующуюся к изменениям внешних условий, без прохождения дополнительного обучения, а также стойкую к воздействию шумов и различных дефектов входных изображений.
Список литературы
1. Ермоленко В.П., Митрофанов Д.Г., Коваленков Н.Н. Учет вида зондирующего сигнала и архитектурных особенностей радиолокационных целей при определении потенциальных возможностей их распознавания. Зарубежная радиоэлектроника, № 11. 1996. С. 73-76.
2. Yu Shi, Xian-Da Zhang. "A Gabor Atom Network for Signal Classification With Application in Radar Target Recognition". IEEE Trans. Signal Processing, Vol. 49, No. 12 Dec. 2001. [Электронный ресурс] URL: https://www.researchgate.net/publication/3318172 A Gabor atom network for signal classification
with application in radar target recognition (дата обращения: 10.02.2022).
3. Zurada J. Introduction to artifical Neural Systems. St. Paul, NY. 1992. 764 p.
4. Барабаш Ю.Л., Барский Б.В., Зиновьев В.Т., Кириченко В.С., Сапегин В.Ф. Вопросы статистической теории распознавания / Под ред. Б.В. Барского. М.: Сов. радио, 1967. 400 с.
5. Горелик A.JL, Барабаш Ю.Д., Кривошеее О.В., Эпштейн С.С. Селекция и распознавание на основе локационной информации / Под ред. Горелика A.JI. М.: Радио и связь, 1990. 240 с.
6. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Кн. 8: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М: ИПРЖР, 2002. 480 с.
7. Сосулин Ю.Г. Теоретические основы радиолокации и радионавигации. Учеб. пособие для вузов. М.: Радио и связь, 1992. 304 с.
8. Ширмана Я.Д. Радиоэлектронные системы: основы построения и теории: Справочник. М.: АОЗТ "МАКВИС", 1998. 828 с.
9. Нейронная сеть // Большая российская энциклопедия, 2004-2017. [Электронный ресурс] URL: https://bigenc.ru/technology and technique/text/v/2256451 (дата обращения: 10.02.2022).
Шестаков Николай Владимирович, аспирант, shestakov.nikolay86@yandex.ru Россия, Тула, Тульский Государственный университет
APPLICATION OF NEURAL NETWORKS FOR OBJECT RECOGNITION ON THEIR RADAR SPECTRA
N.V. Shestakov
The issues of application of neural network methods of information processing in the recognition of objects by their radar spectra are considered. The advantages of using neural networks for solving problems of object pattern recognition are given. An exemplary algorithm for processing radar images using a convolutional neural network is presented.
Key words: radar spectrum, neural networks.
Shestakov Nikolay Vladimirovich, postgraduate, shestakov.nikolay86@yandex.ru, Russia, Tula, Tula State University
УДК 621.397.13
DOI: 10.24412/2071-6168-2022-2-368-374
МОДЕЛЬ БОРТОВОГО МНОГОСПЕКТРАЛЬНОГО ОПТИКО-ЭЛЕКТРОННОГО КОМПЛЕКСА МОНИТОРИНГА ОКОЛОЗЕМНОГО КОСМИЧЕСКОГО
ПРОСТРАНСТВА
А.А. Закутаев
Проведен анализ задач, ставящихся перед низкоорбитальным космическим аппаратом мониторинга околоземного космического пространства, и особенностей его функционирования. Выполнена постановка задачи и осуществлен синтез математической модели его бортового многоспектрального оптико-электронного комплекса при решении задачи обнаружения объектов наблюдения и получения их детальных изображений.
Ключевые слова: мониторинг околоземного космического пространства, многоспектральный оптико-электронный комплекс, математическая модель.
Существующие наземные информационные средства мониторинга околоземного космического пространства при решении задач предупреждения об опасных сближениях, астеро-идно-кометной опасности, а также контроля технического состояния космической техники не обеспечивают получение информации об объектах наблюдения требуемой номенклатуры и качества [1]. В целях устранения данного недостатка в качестве одного из направлений развития указанных средств рассматривается создание космического аппарата-наблюдателя (КАН), оснащенного многоспектральным оптико-электронным комплексом (МОЭК) [2]. Одним из способов расширения возможностей КАН по получению информации о космической обстановке является увеличение параметров области наблюдения его МОЭК. Под областью наблюдения МОЭК понимается область пространства, ограниченная углом его поля зрения и соответствующей дальностью, в которой обеспечивается получение информации об объектах, наблюдения (ОН) требуемого качества. Поскольку создание широкопольных МОЭК, формирующих изображение с высоким качеством во всем поле зрения, весьма затруднительно, то в большинстве случаев увеличение параметров их области наблюдения достигается за счет повышения дальности получения информации. Большинство подходов к формированию технического облика МОЭК, позволяющих увеличивать дальность наблюдения, основаны на увеличении диаметра входного зрачка оптической системы или на снижении собственных шумов аппаратуры за счет охлаждения фотоприемного устройства (ФПУ) [3, 4]. Основным недостатком данных подходов является значительное увеличение массы МОЭК, а, следовательно, и КА в целом. В последние годы были сделаны значительные достижения в области создания криогенных систем, обладающих большим временным ресурсом непрерывной работы, высокой холодопроизводительно-стью, малой массой и энергопотреблением [5]. Указанные достижения создают предпосылки к созданию ОЭК космического базирования, оснащенного криогенной системой не только для охлаждения ФПУ, но и отдельных элементов его оптической системы. Следовательно, разработка модели МОЭК КАН, позволяющей определять параметры обеспечиваемой им области наблюдения с учетом влияния собственного теплового излучения отдельных элементов оптической системы, является актуальной задачей.
