CC BY
34
ТЕХНИЧЕСКИЕ НАУКИ
СТРУКТУРНАЯ СХЕМА СИНТЕЗА РАДИОЛОКАЦИОННОЙ СТАНЦИИ МНОГОЦЕЛЕВОГО ОБНАРУЖЕНИЯ ЦЕЛЕЙ НА
ОСНОВЕ ПРИМЕНЕНИЯ НЕЙРОННОЙ СЕТИ 1 2 Нгуен Минь Хонг , Нгуен Хыу Шон Email: Nguyen1170@scientifictext.ru
1Нгуен Минь Хонг - кандидат технических наук, старший преподаватель;
2Нгуен Хыу Шон - кандидат технических наук, декан, факультет технического управления, Государственный технический университет им. Ле Куй Дона, г. Ханой, Социалистическая Республика Вьетнам
Аннотация: радиолокационная станция многоцелевого обнаружения целей на основе применения нейронной сети способна работать при малом отношении сигнал/шум (всего несколько единиц) и имеет характеристики, наиболее близкие к человеческим особенностям (оператор радиолокационной станции). В данной статье представлено исследование правил принятия решений и алгоритма нейронной обработки, а также построен автоматический детектор на основе нейронной сети для обнаружения целей с небольшой эффективной площадью и в условиях высокой мощности шумов.
Ключевые слова: радиолокационная станция, нейронная сеть, эффективная площадь, шум.
BLOCK DIAGRAM OF THE SYNTHESIS OF A MULTI-PURPOSE TARGET DETECTION RADAR BASED ON THE USE OF A NEURAL
NETWORK
12 Nguyen Minh Hong , Nguyen Huu Son
1Nguyen Minh Hong - PhD in Technical Sciences, Senior Lecturer; 2Nguyen Huu Son - PhD in Technical Sciences, Dean,
FACULTY OF TECHNICAL CONTROL, STATE TECHNICAL UNIVERSITY LE QUYDON, HANOI, SOCIALIST REPUBLIC OF VIETNAM
Abstract: а multi-purpose target-detection radar based on the use of a neural network is capable of operating with a small signal-to-noise ratio (only a few units) and has characteristics that are closest to human features (radar operator). This article presents a study of decision rules and a neural processing algorithm, as well as an automatic detector based on a neural network for detecting targets with a small effective area and in conditions of high noise power. Keywords: radar station, neural network, effective area, noise.
УДК 004.932.1
1. Введение
В настоящее время, оптимальные фильтры имеют широкое применение в областях современной техники. Среди них наиболее заметным является подавление активных широкополосных помех в радиолокационных системах. Таким образом, исследование и разработка новых методов и оборудований для подавления активного шума в радиолокационных и коммуникационных технологиях являются актуальными и актуальными вопросами. Исходя из этого, необходимо обратить внимание на методы построения структурной схемы автоматического детектора на основе нейронной сети в адаптивной радиолокационной составляющей.
2. Исследование правил принятия решений и нейронных алгоритмов обработки сигналов
2.1. Основа исследования правил принятия решений
- Сигнал, отраженный от цели, и шум - это случайные процессы, которые приостанавливаются с интервалами, соответствующими времени наблюдения, определяемому шириной диаграммы и скоростью азимутального сканирования РЛС;
- Поскольку сигнал обрабатывается случайным образом, поэтому проблема обнаружения является статистической и при исследовании необходимо использовать статистический подход;
- При проведении исследований необходимо найти разумные структуры нейронных сетей и методы их описания. Необходимо отметить, что обрабатываемый сигнал является случайным процессом, описываемым распределением плотности. Поэтому для обработки этого сигнала необходимо использовать случайные нейронные сети, построенные на нейронах со случайными выборками.
Решение о наличии полезного сигнала в ьй точке в приемнике должно приниматься в разумном соотношении (1):
Р (г, /0)
я
(1)
Ро (г/0)'
где: Ро (г / 0) - Плотность распределения ьй точки сигнала получается на выходе
детектора 2-го порядка, когда присутствует только шум; Р50 / 0) - Распределение
плотности ьй точки сигнала, полученной на выходе детектора 2-го порядка при наличии полезного сигнала (отражения) и шума.
2.2. Правило принятия решения о наличии полезного сигнала в 1-й точке полученного сигнала
Правила принятия решений о получении полезного сигнала в точке ьполученного сигнала, в общем случае вида [1, 2]:
- «Если Я > Я*», то решение «В 1-й точке полученного сигнала имеет полезный сигнал»;
- «Если Я < Я*», то решение «В 1-й точке полученного сигнала не имеет полезный сигнал».
где: Я* - Порог для принятия решения о наличии отражающего сигнала выбирается в соответствии с заданным стандартом. В простейшем случае он может быть равен 1 (Я* = 1). Предположено, что точки шума имеют одинаковое рассеяние, т.е.
а?о (б) = СТ0 (б), i = 1, La. Выражение для плотности распределения некоторых шумовых точек i на выходе детектора 2-го порядка имеет вид (2):
Ро (0) =
1
2 а^ (0)
ехр
2 а^ (0)
X >0,
(2)
Плотность распределения числа сигналов ^ полученных на выходе детектора 2-го порядка при наличии отраженного сигнала, записывается в выражении (3):
Раз ( А/ 0) =
1
2 (а?. (0) + а0 (0))
ехр
2 (а?. (0) + а? (0))_
^¡> 0,
(3)
При этом, разумное соотношение имеет вид:
Я =
РзР1/0)_^аО(0)
Ро (0)"(а?в (0) + а?
ехр
0 (0)) ^ > 0
2(а?. (0) + а0 (0))
(4)
" Z¡
ехр _?а0 (0)_
Выражение (4) превращается в компактную форму:
: (е)
а0 (е)
А = / 2 / ч 2 че<Р
1 (°2з (е)+с0е)
а2'
> 0 (5)
_ 2а0 (е)(а2 (е)+а0 (е))_
2.3. Нейронный алгоритм работы
Если А является монотонной функцией Zi, то можно принимать решения в соответствии с функцией А Наиболее разумной функциональной функцией является алгоритм работы нейрона (алгоритм обработки 1-точки принятого сигнала ZI):
У| = LnА¡ = + а (6)
где: Ь =-—гт—.2( )-—гг - Весовой коэффициент для 1-й точки
¡ 2а0 (е)(а25(е) + а0 (е))
а |п а0(е) й
полученного сигнала; а = 1П--,—г—^—-—-,—г - смещение для 1-й точки полученного
1 а2з (е)+а0 (е)
сигнала.
Чтобы исключить сложность адаптивных схем и устранить необходимость прогнозирования мощности отраженного сигнала, необходимо приступать к весовому коэффициенту и смещению, которые выражены через отношение сигнал/шум
/ ч а2(е)
и (е ) = ———- . При этом, обработка в каждом нейронном канале осуществляется в
( ) а2(е) _
И = 1 н
соответствии с максимальным значением цпах-^(в), 11 = '>п отношения сигнал/шум в азимутальном центре и для 1-го числа сигналов, принятых в канале обработки ^нейронов, заданные значения |иъ h подходят для ¡лтах-ь и формы диаграммы направленности антенны в соответствии с мощностью [3, 4]. С приведенным выше аргументом:
- Весовой коэффициент для 1-й расчетной точки определяется выражением (7):
Ь =_И_ (7)
1 2а2 (е)(| +1)
- Смещение для 1-й расчетной точки принятого сигнала определяется выражением (8):
а =1п—-— = -1п(|х +1) (8) щ+1
Выражение (6) - алгоритм, который обрабатывает 1-й сигнал, полученный Zi. При переходе в функциональную форму (6) правило принятия решения о наличии полезного сигнала в 1-й сигнальной точке получается следующим образом:
- «Если уI >у*», то решение «В ^й точке полученного сигнала имеет полезный сигнал», и функция ср(у) имеет значение ср(у) = ср1.
- «Если уI < у*», то решение «В ^й точке полученного сигнала не имеет полезный сигнал», и функция р(у) имеет значение р(у) = р0.
где: р0 и р1 - Значения функции, когда результат yi обрабатывает сигнал 1, полученный в нейроне (канал обработки нейронов), превышают и не превышают пороговое значение у*. 3. Функциональная схема канала обработки нейрона
Функциональная схема канала обработки нейрона представлена на рисунке 1, и включает в себя:
- L блок создания взвешенных коэффициентов Ь И, I = ;
- L блок создания смещений а^, ¡ =1L ;
- L блок дублирования;
- L наборов триггеров, которые работают в соответствии с выбранной функцией триггера. Альтернативы этой функции показаны выше;
- Схема, которая хранит отношения сигнал/шум в ц ¡ = 1, |_ , максимальные значения
которых варьируются от данного канала к другому;
- Сумматор;
- Пороговое устройство, реализующее заключительную стадию принятия решения правилом.
Рис. 1. Функциональная схема канала обработки нейрона
4. Результаты моделирования
- Детектор использует нейронные алгоритмы:
Рис. 2. Канал обнаружения с нейронной адаптацией 17
Рис. 3. lgSH := 10loяSH I - Логарифмическая аддитивная смесь отраженных < ° по, пг по, пг/
(или импульсного шума) и шума на выходе детектора 2-го порядка
- Создание порога: F=0.04 - Вероятность ложной тревоги.
- Создание порога из средней мощности шума:
13.5 13.25
13
Д
12.75 12.5
I
Рис. 4.
N0-1
гоу :=--% '
пг N0 ^
4 5
к
- Средняя мощность примесей (по всей выборке пг);
КК^пп.
1, пг
2рУпг :=-(1п(р)'20уПг)
выборки пг
- Выбор критерия "К из М": К=5; М=30. 1-
1 = о
Равномерный пороговый уровень используется при анализе всей
о л;
N»■»,5 о.; д.
0.25
О 005 0 ! 015
[ю+^ТР
Рис. 5. Na<nг) := УкшЫ^,Ьг,N0,В<пг>,Ук<пг>,РР,К,м) - Триггерная функция, которая определяет значение порога обработки выходных сигналов, генерируется в каналах путем сравнения и
смещения
- Сравнение результатов:
по, 2
3000030200080132091153
AA Обнаружение радиопорогов
AnnA Радиостандартное обнаружение
Не совместимы
Ap
Нейронный алгоритм
Рис. 6. Сравнение результатов исследования
5. Вывод
Радиолокационная станция многоцелевого обнаружения целей на основе применения нейронной сети решает две основные проблемы. Первый - обнаружение производственных целей с использованием технологии «Стелс» и второй - возможность работать в условиях сильных помех противника.
Она имеет характеристики, наиболее близкие к человеческим особенностям (оператор радиолокационной станции), что способствует следующим преимуществам:
- Не вызывает усталости солдата;
- Неограниченное количество целей. Оператор может эффективно обнаруживать маленькие, неизвестные цели в ограниченном диапазоне;
- Радиолокационная станция, обнаруженная на основе нейронной сети, имеет возможность работать, как в условиях сильных помех, так и при дискретном воздействии импульсов.
Список литературы /References
1. Вакин С.А., Шустов Л.Н. Основы радиопротиводействия и радиотехнической разведки. М.: Сов. радио, 1968. 448 с.
2. Защита от радиопомех / Под ред. М.В. Максимова. М.: Сов. радио, 1976. 496 с.
3. Leroy B. Van Brunt. Applied Electronics Countermeasures, EW Engineering Inc. USA, 1982.
4. Иванов А.Н., Кузьмин Г.В., Рюмшин А.Р., Ягольников С.В. Методы подавления импульсно-доплеровских РЛС обнаружения и сопровождения траекторий целей // Радиотехника, 1997. № 5. С.103-105.
5. ChurchlandP.S., Sejnowski T.J. The Computational Brain, Cambridge. MA: MIT Press, 1992.
6. Levine M. Man and Machine Vision. New York: McGraw-Hill, 1985.
7. Haykin S. Neural networks expand SP's horizons // IEEE Signal Processing Magazine, 1996. Vol. 13. № 2. Р. 24-29.
