автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы пеленгации и распознавания локализованных источников широкополосных излучений на фоне распределенных в пространстве помех

Коршикова Жанна Сергеевна

Алгоритмы пеленгации и распознавания локализованных источников широкополосных излучений на фоне распределенных в пространстве помех

Специальность 05.13.01 - Системный анализ, управление и обработка информации (в технических системах) (технические науки)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 О ИЮН 2010

Москва 2010 г.

004603926

Работа выполнена в Московском Государственном Техническом Университете им. Н.Э. Баумана.

Научный руководитель:

доктор технических наук, профессор Хохлов Валерий Константинович

Официальные оппоненты:

доктор технических наук, профессор Рахматулин Рустэм Шамильевич

кандидат технических паук Андрейкин Пётр Викторович

Ведущее предприятие:

ФГУГ1«НИИИ»

143900, Московская обл., г. Балашиха, Западная промзона, т. Энтузиастов, д. 6.

Защита состоится «22» июня 20)0 г. в 10 часов 30 минут на заседании диссертационного совета Д 212.141,02 при

Московском Государственном Техническом Университете им. Н.Э. Баумана, по адресу: 105005, г. Москва, Госпитальный пер., д. 10.

С диссертацией можно ознакомиться в библиотеке Московского Государственного Технического Университета им. Н.Э.Баумана.

Автореферат разослан «_»___2010г.

Ученый секретарь диссертационного совета

к.т.н., доц. Иванов В.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Актуальной проблемой является внедрение робототехнических систем в решение задач, где высока опасность для жизни человека или, где нужна высокая точность определения местоположения интересующего нас объекта, и, где необходимо облегчить работу оператора пульта управления сложной информационной системы. Современный уровень развития теоретической и технологической базы- микроэлектроники, телекоммуникаций, микроэлектромеханики и др. позволяет создавать все более разнообразные и совершенные устройства. Робототехнические комплексы могут решать задачи разведчика, сапера, выдавать информацию о параметрах движения объектов и их координатах, которая используется для управления наиболее важными параметрами систем. Системы, решающие разведывательные задачи, должны быть скрытными, поэтому актуальной задачей является развитие методов пеленгации и классификации объектов применительно к пассивным акустическим системам. Объектами пеленгации и распознавания могут являться человек перемещающийся шагом по грунту; колесные, гусеничные военные автомобили; аэродинамические объекты типа самолет и вертолет, которые представляют собой локализованные источники широкополосных акустических излучений.

Целью исследований является развитие методов обработки информации для дальнейшего использования в программных модулях системы пеленгации и распознавания локализованных источников широкополосных сигналов на фоне распределенных в пространстве помех в рамках разрабатываемого программно-аппаратного блока надстраиваемой системы пассивной пеленгации и распознавания робототехнической дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера или минера.

Для достижения цели в диссертационной работе решены следующие задачи:

1) Развиты временной и спектральный способы определения угла визирования локализованного широкополосного источника на фоне распределенных в пространстве помех.

2) Обоснованы алгоритмы выбора и сокращения размерности векторов информативных признаков входных реализаций применительно к нецентрированным параметрам сигнала и проведено сравнение классических и регрессионных методов.

3) Проведено математическое моделирование алгоритмов обработки входных реализаций сигналов от локализованных источников широкополосных излучений.

4) Проведены экспериментальные исследования широкополосных акустических сигналов от объектов пеленгации на фоне распределенных в пространстве широкополосных помех.

5) Обоснована методика мультипликативной обработки широкополосных сигналов с целью подавления уровней боковых лепестков в синтезированной программным путем диаграмме направленности прореженной антенной решетки.

6) Обоснованы нейросетевые алгоритмы обработки информации для задачи идентификации типов объектов акустических излучений.

Методы исследований. При исследовании моделей локализованных источников широкополосных излучений и обосновании алгоришов временной и спектральной обработки широкополосных сигналов были использованы методы математического аналша, теории версяпюстей, математической статистики, статистической радиотехники.

Обработка экспериментальных данных сигналов и моделирование алгоришов работы системы производились с применением программного обеспечения SoundFoige 7.0 и системы символьных преобразований Matlab 6.5. Нейросетевые тракты обрабопш сигналов моделировались и обрабатывались с помощью программных продуктов Matlab 6.5 и Statistica Neural Networks v4.0e.

На защиту выносится:

• алгоритм подавления боковых лепестков в ДН прореженной АР с мультипликативной обработкой сигналов;

• алгоритм пеленгации акустических сигналов от шагов человека спектральным способом;

• алгоритмы выбора информативных признаков сигнала и сокращения размерностей векторов нецентрированных параметров информативных признаков нейросетевым способом;

• результаты математического моделирования основных характеристик программной части модуля обработки информации пассивной акустической системы и нейросетевого тракта обработки сигналов.

Научную иовизну в диссертационной работе представляют:

1) Алгоритм подавления боковых лепестков в ДН прореженной АР с мультипликативной обработкой сигналов.

2) Алгоритмы формирования ДН акустических пеленгаторов локализованных источников широкополосных излучений на фоне распределенных в пространстве помех на основе спектрального способа обработки сигналов.

3) Алгоритмы выбора и сокращения размерности векторов информативных признаков сигнала применительно к нецентрированным параметрам входных реализаций.

4) Результаты моделирования трактов обработки широкополосных акустических сигналов и нейросетевых трактов при разработке программного модуля системы пеленгации и распознавания.

Достоверность результатов диссертации подтверждается многократным моделированием и сравнением результатов расчетов с экспериментальными данными.

Практически значимыми результатами работы являются;

- рассмотренные алгоритмы формирования ДН пеленгации объектов широкополосных излучений временным и спектральным способами могут выступать в качестве теоретической и практической базы для разработки программного модуля надстраиваемой пеленгационной системы дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера, минера;

- предложенный алгоритм выбора и сокращения размерности векторов информативных признаков на основе метода КМНР с использованием нейросетевого тракта обработки информации распознавания типов объектов акустических излучений для решения задачи идентификации объекта широкополосных излучений.

Апробация работы. Результаты работы использованы в НИР, проводимые НПЦ СМ МГТУ им.Н.Э.Баумана [4-6], а также внедрены в учебный процесс, проводимый на кафедре СМ-5 «Автономные и управляющие системы» МГТУ им.Н.Э.Баумана в дисциплину «Обработка информации в АИУС».

Основные научные результаты, полученные в ходе работы, докладывались на Всероссийской конференции «Проектирование систем и измерительных комплексов» (г. Нижний Тагил Свердловской области, ул. Гагарина, 29, октябрь 2009 г), тема стендового доклада «Измерение угла визирования локализованного источника широкополосных излучений временным и спектральным способами».

Публикации. Результаты диссертационной работы изложены в 3-х публикациях, входящих в Перечень ВАК, и в 3-х отчетах НИР.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и 1 приложения. Основная часть работы изложена на 148 страницах, содержит 11 таблиц, 77 рисунков и список литературы из 100 наименований.

Основное содержание работы

Введение содержит общую характеристику и актуальность выбранной темы. Формулируются цели и задачи исследования, научная новизна, практическая ценность и положения представляемые к защите.

В первой главе проведен анализ условий применения системы пеленгации и распознавания в составе робототехнического комплекса и обоснование исходных данных для исследования, оговорены ограничения области применения и исходные данные для разработки алгоритмов обработки информации в надстраиваемой системе пеленгации и распознавания робототехнического комплекса дистанционно-управляемой платформы.

Исследование аналогов и прототипов существующих пеленгационных систем и способов обработки принимаемых сигналов показало целесообразность и актуальность развития методов пеленгации и распознавания типа объекта программно-аппаратными способами.

Проанализировано оснащение робототехнических комплексов вспомогательным оборудованием в рамках освещения технического состояния в современном роботостроении.

Исследование спектральных характеристик сигналов, показали, что диапазон рабочих частот объектов излучения для исследования следующий:

- аэродинамические объекты - 100 Гц —2000 Гц, максимальный уровень звукового давления в диапазоне 82-89 дБ для вертолета и 72-74 дБ для самолета;

- неподвижная гусеничная и колесная техника - 30 Гц -2000 Гц, максимальный уровень звукового давления в диапазоне 65-72 дБ и 60-65 дБ для гусеничной и колесной техники соответственно;

- подвижная гусеничная техника - 15 Гц-1000 Гц, максимальный уровень звукового давления в диапазоне 80-89 дБ на расстоянии 100 м от регистрирующей аппаратуры;

- шаги человека - 500 Гц—10000 Гц, максимальный уровень звукового давления в диапазоне 60-65 дБ;

- ветер - 20 Гц - 1000 Гц, дождь - 25 Гц - 1000 Гц, максимальный уровень звукового давления в диапазоне 65-77 дБ.

Проведен анализ методов формирования ДН АР и принципов построения пассивных акустических информационных систем и показана целесообразность применения фазовых методов обработки сигналов. В связи с широкополосностью частотного диапазона спектральных характеристик объектов излучения для повышения точности пеленгации в алгоритмах актуально применять временной и спектральный способы обработки сигналов для систем пеленгации.

Осуществлена постановка задачи - развитие методов обработки информации для дальнейшего использования в программных модулях системы пеленгации и распознавания локализованных источников широкополосных сигналов на фоне распределенных в пространстве помех в рамках разрабатываемого программно-аппаратного блока надстраиваемой системы пассивной пеленгации и распознавания робототехнической дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера или минера.

Во второй главе рассмотрена задача пеленгации и обоснованы математические модели и взаимные статистические характеристики сигналов от локализованных акустических источников широкополосных излучений на фоне распределенных в пространстве помех.

Для оценок потенциальной точности пеленгации локализованных на фоне распределенных в пространстве помех исследованы взаимные статистические характеристики сигналов на выходах широкополосных антенн - нормированная

взаимокорреляционная функция г(1у(0), взаимный дискретный спектр

аргумент взаимного спектра (0) и функция когерентности у\п{в) при

различных значениях безразмерных параметров - с1!Ха, а = &(о/а>0, а2 .

5(/с)=^ехр[-- 1)2/а2], к = со/со0 =Д(./Д0, где До-длина волны, соответствующая средней частоте энергетического спектра; а и Д со -относительная и абсолютная ширина полосы энергетического спектра; а2 -отношение сигнал/помеха по мощности.

На рисунке 1 приведена зависимость взаимокорреляционной функции г(Г1 (0) от угла пеленга объекта на фоне распределенной в пространстве помехи при а = 2, а2 =10 и различных отношениях ¿Д,: =0,5 (1), ¿Д, =1,5 (2), ¿Д, =5 (3), (¿Д,)п=5 (4), и показано, что с увеличением базы микрофонов повышается точность -32 -24 -16 -во 8 16 24 32 0° пеленгации широкополосных сигналов. Рисунок 1

Исследовано влияние знаковых функциональных преобразований входных сигналов и показано, что они незначительно изменяют взаимокорреляционные характеристики при отношении сигнал/помеха а2 > 1 и при этом не происходит подавления сигнала помехой.

0,9 0,7 0,5

0,3

0,1 0 -0,1

-0,3

1

г

1

2

1 • ! ч\ V, •2'

1/ V 1 3 3

^ 1

я И

Щ

На рисунке 2 приведены зависимости взаимокорреляционной функции сигналов в двух-канальном пеленгаторе при г = 0 от угла пеленга без нелинейного преобразования (кривые 1, 2, 3) и после знакового функционального преобразования (кривые Г,2',3') при различных ОСП по мощности а1: а2 =100 (1);

-16 -12 -8-6 0 6 Рисунок 2

8 10

12<9° а2 = 1 (2); а2 = 0,1 (3).

Проведены исследования вопросов формирования ДН. Максимальное значение коэффициента, характеризующего ненормированный множитель

решетки С(0,0О) получается при &щ(90) = (гя-^^п^ н в = в0 I "А*-0 1

где Ау/(д0) = {¡2л - компенсирующий сдвиг по фазе при наклоне

главного максимума ДН фазированной антенной решетки (ФАР) под углом 0О от нормали к апертуре ФАР;

А(р{в) = ^2п:сУ^5\пО - запаздывание по фазе сигнала, относительно нулевого канала.

На основании (1) сделан вывод, что при фиксированном угле множитель решетки Еа(в) определяется разностями фаз сигналов в каналах ((/-А:)2;г%)8и10 при всех сочетаниях отношений % -

В работе показано, что все необходимые наборы соз[(/-&)Д<р(0) + (А-г)Ду(6,о)] можно получить при применении в прореженной ФАР мультипликативной обработки сигналов с выходов приемных каналов.

Сигнал, определяющий множитель прореженной решетки с мультипликативной обработкой

5(/,в,в0) = ~иг£соз[(/-к)ЫР{0) + (к-/)Л^0)].

2 I -а

В работе показано, что путем мультипликативной обработки сигналов в прореженной линейной эквидистантной ФАР, обеспечивается полное подавление боковых лепестков ДН (рисунок 3).

Ео{0) 1.00 0.67 0.74 0.61 0.47 0.34 0.21 0.08

-0.05

-30.0 -22.5 -15.0 -7.5 0.0 7.5 15.0 22.5 30.0 0° Рисунок 3

Ненормированный множитель решетки при мультипликативной обработке в прореженной ФАР записывается в следующем виде:

СЧ&Л) = £ ) («2я/|)-иА у/6>0 ],

где Хп ~ множители, определяемые выбранным пространственным окном для непрореженной эквидистантной решетки; С({п2^) = Сп(п2^)=С{п2^) - сглаженная оценка СПМ; (п2^)- сглаженная оценка аргумента взаимной СПМ;

= - компенсирующий сдвиг по фазе при наклоне

главного максимума ДН ФАР под углом 0,, от нормали к апертуре ФАР. Нормированный множитель синтезированной ФАР

= СЪ(в0) = %ХДП2л/;)

Приведено обоснование квазиоптимального дискриминатора для повышения точности оценки измеряемого параметра.

В третьей главе проведено обоснование информативных признаков сигналов для задачи распознавания типов объектов широкополосных источников акустических излучений.

Исследованы структурные и неструктурные методы решения задач распознавания.

Выбор и сокращение размерности векторов информативных признаков нецентрированных параметров осуществляется с помощью метода коэффициентов множественной начальной регрессии (КМНР) реализованного нейросетевым способом.

Коэффициенты начальной регрессии Рл можно получить с помощью нейронной сети прямого распространения с разорванными прямыми связями

п

(и>,,=0) осуществляющей линейное преобразование вида Л = Х4"«**. при

условии минимизации среднего значения квадрата множественных начальных регрессионных представлений Ч^2

м кп

тт

(2)

где М[ ]- оператор математического ожидания;

- коэффициенты начальной регрессии Д*;

хк- оценка к-то нецентрированного параметра сигнала вектора информативных признаков сигнала,

Ы- размерность вектора признаков.

Обоснован критерий выбора информативных признаков сигналов. При распознавании сигналов от помех и сокращении размерности векторов входных реализаций необходимо отбирать те информативные параметры, для которых величина

у1 = Ч?2ът1/ч'\т>1, (3)

где ¥2осы- среднее значение квадрата ошибки множественных начальных регрессионных представлений (МНРП) для помехи при наличии на входе сигнала;

4/2ош- среднее значение квадрата ошибки МНРП для помехи, в наибольшей степени превосходит единицу, что соответствует максимальному разносу в пространстве линий регрессии сигналов и помех.

Критерий (3) позволяет сократить размерность вектора оценок

параметров сигнала Хс =[х',х2,...,х^]т.

- Для всех г необходимо упорядочить по убыванию величины •/( и отбрасыванием (Ы - ц) последних значений сформировать вектор информативных признаков размерностью д.

Критерий (3) применен для выбора одного из следующих информативных признаков акустических сигналов:

- отсчеты огибающей Е;

- отсчеты оценок спектральной плотности мощности (СПМ);

- длительности интервалов между нулями т (ДИН).

Для учета вклада каждой компоненты входного вектора в регрессионную модель необходимо при исключенной т-й компоненте найти среднее значение вида (2)

V"

ч1т=м

2 - ЦА а

и величину его увеличения

N

N

2

где хт - среднее значение квадрата т-и компоненты входного вектора

(ш Ф ¡), причем, чем больше изменение ДЧ/2о™, тем предпочтительнее компонент.

Дано сравнение разложения Карунена-Лоэва, его дискретного аналога -метода главных компонент (ГК), метода дискриминантного анализа и метода на основе КМНР для выбора и сокращения размерности векторов ИП акустического сигнала для задач распознавания.

Метод на основе КМНР и дискриминантный анализ показали, что наилучшим информативным признаком для решения задачи распознавания типа объекта акустического излучения, следует признать отсчеты оценок спектров сигналов, соответствующие локальным экстремумам спектра.

Обе методики сокращения размерности дают идентичные результаты. В методе ГК элементы входного вектора упорядочиваются по убыванию их дисперсий (собственных чисел ковариационной матрицы). Отбрасываются те элементы входного вектора, вклад которых в суммарную дисперсию минимален. Аналогичным образом в методе, использующем КМНР, элементы входного вектора упорядочиваются по убыванию значений ,

Отбрасываются те элементы входного вектора, для которых эта величина, соответствующая вкладу в регрессионное представление, минимальна. Область значительного уменьшения значений ДЧ"Я совпадает с областью значительного уменьшения относительных долей дисперсии дт, вычисленных согласно методу ГК.

Совпадение результатов исследований по выбору и сокращению векторов ИП, в качестве которых выступали центрированные и нецентрированные характеристики сигнала свидете^ствуют об информативности начальных статистических характеристик.

В четвертой главе приведены результаты экспериментальных исследований записанных в натурных условиях акустических сигналов шагов человека в рамках задачи пеленгации и акустических сигналов самолетов, вертолетов и фонового шума в рамках задачи распознавания типа объекта. На рисунке 4 приведена блок-схема алгоритма пеленгации на основе знакового временного способа.

Рисунок 4

W'0

О 10 20 30 40 45 50 60 70 SO 90 100

Рисунок 5

На рисунке 5 приведена оценка взаимокорреляционной функции после знакового преобразования для {Тс-0,5 с) отрезка реализации сигнала от шагов человека идущего к системе под углом 45° при следующих исходных данных: микрофоны, разнесены по базе с/ = 0,2 м. Ат = А//Нн — задержка сигнала в одном из каналов стереосистемы; / = 44кГц = 44-103Гц — частота дискретизации сигнала, 71 =0,5 с, Гр = 0,5 с, Д =1//=23-КГ6 с — шаг дискретизации,

На рисунке 6 приведена блок-схема алгоритма пеленгации на основе спектрального способа.

Е. 0) 1

А^1_и8г(к):«(4иг«(А_|(|)А_1(1+20))/20 А_г_ивг(к):=(8ит(А^Г(|):А_г{|+20))/20 'ВХи^г(к):=(зит(В_1(|):В_|(Н2О))/20 В_г_изг(к):*(зит(В_/(|):В^г(1+20))/2Ь

С

1

т

Рог 1=1 ЮН ^

Ргес(1):=Р1*|

ит!х1а(И//Ргесй

О_Г(1)"8дП(А_Г_и5Г(1)л2+В_Г_и8Г(0л2) Ри(1):=а1ап(В_|_и8г(|)/А_|_изг(|))'180/р1 р1_г(1):=а1ап(В_г_и»г(|)/А_г_изг(Щ*180/р1 Ое11а_Г|1(|):=РМ(0-Р|_г{0 0е11а_,Яг(р):=Р1_г(1)-Р|_1(1) Кй(1):=М-(М)

епс)

М- количество частот, I. - выбирается за 10 ячеек вектора до нужной частоты

| Рог |о И | Рог):=Ио00 ^

I

Кз|Ю.-соз((Ое1!э_РИ(1)-2-рГ51пй*р1/180)*й/итЬ<1а(1)))) С0):=5ит{С_1(1)*Ка(г)*К$10))

^ . ет! J

С

)

Р1о1(С) Рп'пф^тах)

( ЬедШ )

Рисунок 6

1 I 1 1 Л 1 / Дх 1 1_ 1 1 1 1___1 1 _ _

— 1 —11 1 —1 — 1 |/|Д| "7ТГ 1 -«-1 I 1 1 -1—1---1— 1 1 1

___ /! ' IV ___

Д — 1— 41 1 '-¡'-{Л 1 1 1 V П ч

1 1 - Л г 1 _1___1 _ 1 __

1 ---1- 1 1 1 1 1 1 1 1 _ 1—|---1—

1 -11 + -.-Т 1 1 1 1 -1—1—1— I 1 1

10 20 30 40 45 50

70 во 90 100 |

На рисунке 7 приведен нормированный множитель ДН синтезированной ФАР с широкополосными сигналами для отрезка реализации сигнала от шагов (длительностью Тр = 0,5 с) человека идущего к системе под углом 45° при следующих исходных данных: микрофоны, разнесены по базе с? = 0,2 м, Тр=0,5 с,

= /. = 1/г„. А=тгч, *1 = у/А,Л1=Мм,Ч1 =¿/4=0,5.

Рисунок 7

Результаты моделирования алгоритмов обработки информации в

пеленгации акустических сигналов широкополосных излучений временным и спектральным способами дали идентичные результаты и показали, что точность (±Зо,, где о, - средне-квадратическое отклонение) определения угла пеленга по экстремуму ненормированного множителя решетки при углах 0° — ± 1,5°, 45°-±3,5°, 70° —±4,5°.

Экспериментальные данные, полученные в среде пакета ЗоипсШо^е 7.0 и обработанные в пакете Ма^аЬ 6.5 подтверждают результаты теоретических исследований - использование знаковой взаимокорелляционной функции и спектрального способа пеленгации локализованного объекта широкополосных излучений при (¡/Л. = 0,5 для стереосистемы позволяют однозначно определить угол пеленга на объект, находящийся в зоне слышимости микрофонов.

Осуществлено моделирование реализаций сигналов самолета и вертолета методом скользящего суммирования по реализациям полученным в натурных условиях с целью получения информативных признаков - векторов ДИН для использования в нейросетевой системе распознавания типов объектов широкополосных излучений на фоне распределенных в пространстве помех.

Оптимизация системы распознавания проведена в классе двухслойных нейронных сетей прямого распространения. Отсутствие априорной информации о функции распределения плотности вероятностей входного вектора нейронной сети (НС) и малый объем реализаций не позволяют оптимизировать параметры НС согласно критерию первичной оптимизации (КПО). В такой ситуации возможно лишь построение системы оптимальной с точки зрения функционала вторичной оптимизации (ФВО). В качестве ФВО выбран начальный момент 2-го порядка ошибки на выходе нейронной сети:

(4)

где М - объем обучающего множества;

2[т1> ? -выходной и эталонный векторы, соответствующие /«-ому входному вектору обучающего множества, или

(л. ... (л, л ^

"Г и>(1)у Г»)1 + 7

т и к

2 жйй

\Р=1 ч>=|

Для оптимизации параметров НС согласно выбранному ФВО применялся алгоритм обратного распространения, который обеспечивает сходимость функционала вторичной оптимизации (4) к минимуму.

Оптимизация топологии НС проведена согласно методу контрольной кросс-проверки. Проведено обучение НС с различными функциями активации (логистическая и ступенчатая) и различным количеством нейронов в первом слое (3, 5 и 10). Наилучшими показателями в отношении контрольной ошибки и скорости обучения обладает НС с 10 нейронами в 1 -м слое и с логистической активационной функцией. С точки зрения практической реализации предпочтительнее НС с 5 нейронами в 1-м слое и ступенчатой функцией активации.

лог(5)

~г лог(З)

7::.г

стп(З)

стп(5)

к стп (10)

4 лог(10)

1.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Тг Рисунок 8

На рисунке 8 приведена зависимость вероятности

правильного распознавания классов "самолет", "вертолет" от величины порога для НС с различными функциями активации и количеством нейронов в первом слое ("лог" - логистическая функция активации, "стп" -ступенчатая; в скобках указано количество нейронов)

Оптимизация значения порога Тг выходных нейронов выполнена в соответствии с критерием максимума вероятности правильного распознавания путем статистических испытаний на тестовом множестве. По результатам экспериментов порог выходных нейронов выбран Тг = 0,5, что соответствует максимуму вероятности правильного распознавания.

Все НС показали примерно одинаковое качество распознавания, поэтому, руководствуясь принципом о выборе при прочих равных условиях более простой модели, выбор сделан в пользу сети со ступенчатой функцией активации и 5 нейронами в 1-м слое.

Рисунок 9

Рисунок 10

На рисунке 9 приведена зависимость вероятности правильного распознавания объекта «самолет» от отношения сигнал-шум при

использовании в качестве информативного признака - вектор ДИН при N =16 (1) и при N = 32 (2).

На рисунке 10 приведена зависимость вероятности правильного распознавания объекта «вертолет» от отношения сигнал-шум при использовании в качестве информативного признака - вектор ДИН при N=16(1) и при N = 32 (2).

Проведено определение устойчивости НС к аддитивной помехе на входе. В качестве модели шума использовался полосовой белый шум в полосе частот от 0 до 5 кГц. Выходными данными этого теста являются зависимости вероятности правильной классификации от отношения сигнал-шум для аддитивной смеси, поступающей на вход системы.

а)

б)

Рисунок 11

На рисунке 11 приведена зависимость вероятности правильного распознавания классов "самолет" (а) и "вертолет" (б) от ОСШ для НС с логистической функцией активации и различным количеством нейронов в первом слое.

По оси абсцисс отложено отношение шум/сигнал, выраженное в логарифмическом представлении, для аддитивной смеси, поступающей на вход системы, по оси ординат вероятность правильной классификации. Более пологая форма графика соответствующего сигналу самолета на входе системы объясняется значительно большей широкополосностыо акустического излучения самолета по сравнению с вертолетом и, как следствие, лучшей помехоустойчивостью.

Р(ч) 0,8 0,6 0,4

0,2 0

10 8 6 4 2 0 -2 -4 -6 -8 Ч,дБ

а)

Р(Р) 0,8 0,6 0,4 0,2 О

10 8 6 4 2 0 -2 -4 -6-8 р,дБ

б)

Рисунок 12

На рисунке 12 приведена зависимость вероятности правильного распознавания классов "самолет" (а) и "вертолет" (б) от ОСШ для НС с линейной с насыщением функцией активации и различным количеством нейронов в первом слое

Из анализа полученных результатов сделан следующий вывод: наиболее помехоустойчивой является НС со ступенчатой функцией активации и 5 нейронами в 1-м слое. Данная сеть сохраняет работоспособность при отношениях сигнал-шум до 0 дБ.

Исследована устойчивость НС к изменению значений весовых коэффициентов. 10-процентное отклонение значений весов от номинала для НС с логистической функцией активации и 5-процентное для НС со ступенчатой функцией не приводит к ухудшению качества работы СР.

В результате проведенных исследований по оптимизации НС и их статистических испытаний выбор сделан в пользу сети с 5 нейронами в промежуточном слое и ступенчатой функцией активации, имеющей следующие показатели качества: вероятность правильного распознавания объекта типа «самолет» 0,9, объекта типа «вертолет» - 0,95. Синтезированная НС распознавания, использующая в качестве ИП вектор ДИН, обладает большей помехоустойчивостью, позволяя системе сохранять работоспособность при отношении сигнал/шум (ОСШ) до 0 дБ в соответствии с рисунками 9 и 10.

В результате выполнения диссертационной работы были получены следующие научно-технические результаты:

1 1 1 1 ■ 1..... I I I I

1 10 нейронов 5 нейронов

] ¡~ 3 нейрона ¡4 I I I I

I I I I I V. I I I I I I \<___

1) Развиты временной и спектральный способы определения угла визирования локализованного широкополосного источника на фоне распределенных в пространстве помех.

2) Обоснованы алгоритмы выбора и сокращения размерности векторов информативных признаков входных реализаций применительно к нецентрированным параметрам сигнала и проведено сравнение классических и регрессионных методов.

3) В алгоритме формирования главного максимума ДН прореженной ФАР путем мультипликативной обработки сигналов происходит полное подавление боковых лепестков в отличии от алгоритма формирования главного максимума ДН непрореженной ФАР с аддитивной обработкой сигналов.

4) Исследованы алгоритмы распознавания акустических сигналов применительно к нецентрированным информативным параметрам входных реализаций.

5) Дано обоснование методики выбора информативных признаков для решения задач распознавания типов объектов широкополосных излучений при нецентрированных информативных параметрах; проведено сравнение с классическими методами для центрированных параметров,

6) С помощью метода контрольной кросс-проверки и метода обратного распространения оптимизированы топология и параметры двухслойной НС. Проведены статистические испытания синтезированной НС со следующими результатами: вероятность правильного распознавания объекта типа «самолет» - 0,9, объекта типа «вертолет» - 0,95.

7) Проведено тестирование синтезированной НС на предмет устойчивости к аддитивной помехе на входе и к отклонению параметров сети. Показано, что НС со ступенчатой функцией активации и 5 нейронами в первом слое обладает большей помехоустойчивостью, сохраняя работоспособность при ОСШ до 0 дБ, чем НС с логистической функцией активации и с 5 нейронами в первом слое. Качество распознавания не меняется при отклонении параметров НС до 5% от номинального значения.

8) Осуществлено исследование и моделирование рабочих характеристик и параметров нейронной сети на основе полученных исходных данных в процессе проведения испытаний для широкополосных излучений аэродинамических объектов типа самолет и вертолет на фоне распределенных в пространстве помех.

Основные результаты и направления исследований диссертации

изложены в 3- статьях по "Перечню ВАК ..."; и в 3-х отчетах:

1) Хохлов В.К., Коршикова Ж .С. Пеленгация локализованного источника акустических излучений на основе знакового корреляционного метода //Вестник МГТУ им. Н.Э. Баумана. Машиностроение. 2008. № 3. С. 66-74.

2) Хохлов В.К., Коршикова Ж.С. Пеленгация локализованного источника акустических излучений на основе спектрального метода обработки сигналов //Вестник МГТУ им. Н.Э. Баумана. Приборостроение. 2010. № 1. С. 62-73.

3) Хохлов В.К., Коршикова Ж.С. Алгоритмы пеленгации акустических излучений шагов человека для роботизированного антитеррористического комплекса // Вопросы оборонной техники. Сер. 16. 2009. Вып. 5-6. С.29-37.

4) Изыскание инженерных и технических решений по созданию малогабаритных телеуправляемых носителей специального назначения: Отчет по НИР (заключ.) / НПЦ СМ МГТУ им. Н. Э. Баумана. Руководитель темы A.M. Щербин. Исполнители Коршикова Ж.С., Перемолотов Ф.С. ГР № 45661, Инв. № U.M., 2006. 102 с.

5) Обоснование основных технических требований, предъявляемых к СЭС ПОВТ нового поколения: Научно-технический отчет о составной части НИР (промежуточный) / НПЦ СМ МГТУ им. Н. Э. Баумана. Руководитель темы Попов С.Д. Исполнители Щербин A.M., Коршикова Ж.С., Шпаковский В.В., Коваленко А.Н, Комиссаров В.С, Кузнецов А.Е. ГР № 340789, Инв. № 24. УДК 629.735.054 (083). М., 2007. 166 с.

6) Создание дистанционно управляемого опорно-поворотного устройства для малогабаритного роботизированного комплекса: Отчет по НИР (промежуточный) / НПЦ СМ МГТУ им. Н.Э. Баумана. Руководитель темы Щербин A.M. Исполнители Коршикова Ж.С., Кацан С.И. ГР № 234769, Инв. № 41. М., 2008. 145 с.

Подписано к печати 19.05.10. Заказ №311 Объем 1,0 печ.л. Тираж 100 экз. Типография МГТУ им. Н.Э. Баумана 105005, Москва, 2-я Бауманская ул., д.5 (499) 263-62-01

Список сокращений

Введение

Глава 1. Анализ исходных данных и постановка задачи

1.1. Исследование условий применения системы пеленгации и распознавания

1.2. Аналоги и прототипы

1.3. Робототехнические комплексы и их оснащение

1.4. Спектральные характеристики объектов пеленгации

1.5. Методы формирования диаграмм направленности и принципы построения пассивных акустических информационных систем

1.6. Условия применения пассивного акустического пеленгатора

1.7. Постановка задачи

1.8. Выводы

Глава 2. Пеленгация локализованных источников акустических излучений

2.1. Математические модели и взаимные статистические характеристики сигналов от локализованных акустических излучений 30 объектов и распределенных в пространстве помех

2.2. Информационные системы с временным способом обработки сигналов

2.2.1. Линейные фазированные решетки с аддитивной обработкой сигналов

2.2.2. Мультипликативная обработка сигналов в прореженной фазированной антенной решетке

2.3. Информационные системы со спектральным способом обработки сигналов

2.3.1. Мультипликативная обработка широкополосных сигналов

2.3.2. Пространственная обработка сигналов с выходов многоэлементной приемной системы

2.4. Обоснование квазиоптимального дискриминатора для повышения точности оценки измеряемого параметра

2.5. Выводы

Глава 3. Обоснование информативных признаков для распознавания источников акустических излучений

3.1. Возможные методы решения задач распознавания акустических сигналов

3.2.-Обоснование информативных признаков и сокращение размерности их векторов применительно к нецентрированным параметрам сигнала

3.3. Сравнение классических и регрессионных методов выбора и сокращения размерности векторов информативных признаков сигналов

3.4. Формирование гистограмм распределения длительностей интервалов между нулями как информативного признака

3.5. Синтез нейросетевого алгоритма распознавания типа цели

3.6. Выводы

Глава 4. Экспериментальные исследования и обработка результатов

4.1. Экспериментальные исследования акустических сигналов шагов человека в натурных условиях

4.1.1. Моделирование алгоритма пеленгации акустических сигналов от шагов человека временным способом

4.1.2. Моделирование алгоритма пеленгации акустических сигналов от шагов человека спектральным способом

4.2. Экспериментальные исследования акустических сигналов вертолетов, самолетов и фонового шума в натурных условиях 4.2.1. Моделирование алгоритма получения оценок ЭС акустических сигналов вертолета и самолета методом скользящего суммирования

4.3. Оптимизация параметров и статистические испытания НС

4.3.1. Выбор параметров алгоритма оптимизации НС

4.3.2. Оптимизация топологии НС

4.3.3. Статистические испытания оптимизированных НС

4.3.4. Определение устойчивости НС к аддитивной помехе на входе

4.3.5. Исследование устойчивости НС к изменению значений весовых коэффициентов

4.4. Выводы

Актуальность проблемы

Актуальной проблемой является внедрение робототехнических систем в решение задач, где высока опасность для жизни человека или, где нужна высокая точность определения местоположения интересующего нас объекта, и, где необходимо облегчить работу оператора пульта управления сложной информационной системы. Современный уровень развития теоретической и технологической базы микроэлектроники, телекоммуникаций, микроэлектромеханики и др. позволяет создавать все более разнообразные и совершенные устройства. Робототехнические комплексы могут решать задачи разведчика, сапера, выдавать информацию о параметрах движения объектов и их координатах, которая используется для управления наиболее важными параметрами систем. Системы, решающие разведывательные задачи, должны быть скрытными, поэтому актуальной задачей является развитие методов пеленгации и классификации объектов применительно к пассивным акустическим системам. Объектами пеленгации могут являться человек перемещающийся шагом по грунту, траве или лужам; колесные, гусеничные военные автомобили; аэродинамические объекты типа самолет и вертолет, которые представляют собой локализованные источники широкополосных излучений.

Цель и задачи исследования

Целью исследований является развитие методов обработки информации для дальнейшего использования в программных модулях системы пеленгации и распознавания локализованных источников широкополосных сигналов на фоне распределенных в пространстве помех в рамках разрабатываемого программно-аппаратного блока надстраиваемой системы пассивной пеленгации и распознавания робототехнической дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера или минера.

Для достижения цели в диссертационной работе решены следующие задачи:

- развиты временной и спектральный способы определения угла визирования локализованного широкополосного источника на фоне распределенных в пространстве помех;

- обоснованы алгоритмы выбора и сокращения размерности векторов информативных признаков входных реализаций применительно к нецентрированным параметрам сигнала и проведено сравнение классических и регрессионных методов;

- проведено математическое моделирование алгоритмов обработки входных реализаций сигналов от локализованных источников широкополосных излучений;

- проведены экспериментальные исследования широкополосных акустических сигналов от объектов пеленгации на фоне распределенных в пространстве широкополосных помех; обоснована методика мультипликативной обработки широкополосных сигналов с целью подавления уровней боковых лепестков в синтезированной программным путем диаграмме направленности прореженной антенной решетки;

- обоснованы нейросетевые алгоритмы обработки информации для задачи идентификации типов объектов акустических излучений.

Научная новизна

Научную новизну в диссертационной работе представляют:

- алгоритм подавления боковых лепестков в ДН прореженной АР с мультипликативной обработкой сигналов; алгоритмы формирования ДН акустических пеленгаторов локализованных источников широкополосных излучений на фоне распределенных в пространстве помех на основе спектрального способа обработки сигналов; алгоритмы выбора и сокращения размерности векторов информативных признаков сигнала применительно к нецентрированным параметрам входных реализаций;

- результаты моделирования трактов обработки широкополосных акустических сигналов и нейросетевых трактов при разработке программного модуля системы пеленгации и распознавания.

Положения, выносимые на защиту:

- алгоритм подавления боковых лепестков в ДН прореженной АР с мультипликативной обработкой сигналов;

- алгоритм пеленгации акустических сигналов от шагов человека спектральным способом;

- алгоритмы выбора информативных признаков сигнала и сокращения размерностей векторов нецентрированных параметров информативных признаков нейросетевым способом;

- результаты математического моделирования основных характеристик программной части модуля обработки информации пассивной акустической системы и нейросетевого тракта обработки сигналов.

Методы исследования

При исследовании моделей локализованных источников широкополосных излучений и обосновании алгоритмов временной и спектральной обработки широкополосных сигналов были использованы методы математического анализа, теории вероятностей, математической статистики, теории цепей и сигналов, физические основы акустики.

Обработка экспериментальных данных сигналов и моделирование алгоритмов работы системы производились с применением программного обеспечения SoundForge 7.0, Statistica Neural Networks v4.0e и системы символьных преобразований Matlab 6.5. С помощью программного продукта SoundForge 7.0 были записаны широкополосные сигналы в натурных условиях, а с помощью системы Matlab 6.5 были написаны программные модули и отлажены алгоритмы временной и спектральной обработки широкополосных сигналов локализованных источников акустических излучений на фоне распределенных в пространстве помех для решения задачи пеленгации. Нейросетевые тракты обработки сигналов моделировались и обрабатывались с помощью программных продуктов Matlab 6.5 и Statistica Neural Networks v4.0e для решения задачи распознавания типов объектов на фоне распределенных в пространстве помех.

Адекватность алгоритмов подтверждается многократным моделированием и сравнением результатов расчетов с экспериментальными данными.

Апробация работы

Результаты работы использованы в НИР, проводимые НПЦ СМ МГТУ им. Н.Э.Баумана [4-6], а также внедрены в учебный процесс, проводимый на кафедре СМ-5 «Автономные и управляющие системы» МГТУ им. Н.Э.Баумана в виде курса «Обработка информации в АИУС».

Основные научные результаты, полученные в ходе работы, докладывались на Всероссийской конференции «Проектирование систем и измерительных комплексов» (г. Нижний Тагил Свердловской области, ул. Гагарина, 29, октябрь 2009 г), тема стендового доклада «Измерение угла визирования локализованного источника широкополосных излучений временным и спектральным способами».

Публикации

Материалы по теме диссертации опубликованы в 3-х статьях по «Перечню ВАК.»; и отражены в отчетах НИР:

1) Хохлов В.К., Коршикова Ж.С. Пеленгация локализованного источника акустических излучений на основе знакового корреляционного метода // Вестник МГТУ им. Н.Э. Баумана. Машиностроение. 2008. № 3.

С. 66-74. Коршиковой Ж.С предложен алгоритм определения угла визирования объекта широкополосных излучений на фоне распределенных в пространстве помех на основе знакового взаимокорреляционного метода.

2) Хохлов В.К., Коршикова Ж.С. Пеленгация локализованного источника акустических излучений на основе спектрального метода обработки сигналов // Вестник МГТУ им. Н.Э. Баумана. Приборостроение. 2010. № 1. С. 62-73. Коршиковой Ж.С предложен алгоритм пеленгации определения угла визирования объекта широкополосных излучений на фоне распределенных в пространстве помех на основе спектрального метода.

3) Хохлов В.К., Коршикова Ж.С. Алгоритмы пеленгации акустических излучений шагов человека для роботизированного антитеррористического комплекса // Вопросы оборонной техники. Сер. 16. 2009. Вып. 5-6. С.29-37. Коршиковой Ж.С рассмотрено применение знакового взаимокорреляционного и частотного методов для определения угла пеленга на источник сигнала в акустической системе антитеррористического роботизированного комплекса.

4) Изыскание инженерных и технических решений по созданию малогабаритных телеуправляемых носителей специального назначения: Отчет по НИР (заключ.) / НПЦ СМ МГТУ им. Н. Э. Баумана. Руководитель темы A.M. Щербин. Исполнители Коршикова Ж.С., Перемолотов Ф.С. ГР№ 45661, Инв.№ И. М., 2006. 102 с.

5) Обоснование основных технических требований, предъявляемых к СЭС ПОВТ нового поколения: Научно-технический отчет о составной части НИР (промежуточный) / НПЦ СМ МГТУ им. Н. Э. Баумана. Руководитель темы Попов С.Д. Исполнители Щербин A.M., Коршикова Ж.С., Шпаковский В.В., Коваленко А.Н, Комиссаров В.С, Кузнецов А.Е. ГР № 340789, Инв. № 24. УДК 629.735.054 (083). М., 2007. 166 с.

6) Создание дистанционно управляемого опорно-поворотного устройства для малогабаритного роботизированного комплекса: Отчет по НИР (промежуточный) / НПЦ СМ МГТУ им. Н.Э. Баумана. Руководитель темы Щербин A.M. Исполнители Коршикова Ж.С., Кацан С.И. ГР № 234769, Инв. № 41. М. 2008. 145 с.

В работах [4,5,6] Коршиковой Ж.С. было проведено исследование предметных областей согласно темам НИР, осуществлено сравнение аналогов и прототипов объектов исследования и внедрены предложенные алгоритмы пеленгации и распознавания локализованных источников широкополосных излучений на фоне распределенных в пространстве помех.

Практическая ценность

Практически значимыми результатами работы являются:

- рассмотренные алгоритмы формирования ДН пеленгации объектов широкополосных излучений временным и спектральным способами могут выступать в качестве теоретической и практической базы для разработки программного модуля надстраиваемой пеленгационной системы дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера, минера;

- предложенный алгоритм выбора и сокращения размерности векторов информативных признаков на основе метода КМНР с использованием нейросетевого тракта обработки информации распознавания типов объектов акустических излучений для решения задачи идентификации объекта широкополосных излучений.

В первой главе проведен анализ условий применения системы пеленгации и распознавания в составе робототехнического комплекса и обоснование исходных данных для исследования, оговорены ограничения области применения и исходные данные для разработки алгоритмов обработки информации в надстраиваемой системе пеленгации и распознавания робототехнического комплекса дистанционно-управляемой платформы.

Проведено исследование аналогов и прототипов существующих пеленгационных систем и способов обработки принимаемых сигналов. Проанализировано оснащение робототехнических комплексов вспомогательным оборудованием в рамках освещения технического состояния в современном роботостроении.

Исследованы характеристики объектов пеленгации, климатические условия, указан частотный диапазон принимаемых сигналов, отражены требования к тактико-техническим характеристикам пеленгационной системы.

Проведен анализ способов формирования ДН АР временным и спектральным способами обработки сигналов и принципы построения пассивных акустических информационных систем. Осуществлена постановка задачи.

Во второй главе приведены математические модели и взаимные статистические характеристики сигналов от локализованных акустических источников широкополосных излучений на фоне распределенных в пространстве помех. Исследованы временной и спектральный способы определения направления на лоцируемый объект. Рассмотрены линейные фазированные решетки с мультипликативной обработкой сигналов в прореженной фазированной АР (ФАР), обеспечивающие подавление боковых лепестков ДН. Исследованы информационные системы с временным и спектральным способами обработки сигналов.

Приведено обоснование квазиоптимального дискриминатора для повышения точности оценки измеряемого параметра.

В третьей главе приведены возможные методы решения задач распознавания акустических сигналов. Охарактеризованы структурный и неструктурный подходы к решению статистических задач ближней локации (БЛ). Приведено обоснование информативных признаков и сокращение размерности их векторов применительно к нецентрированным параметрам сигнала. Дано сравнение разложения Карунена-Лоэва, его дискретного аналога - метода главных компонент (ГК), метода дискриминантного анализа и метода на основе коэффициентов множественной начальной регрессии (КМНР) для выбора и сокращения векторов ИП акустического сигнала. Обоснованы гистограммы распределения длительностей интервалов между нулями как информативные признаки. Исследованы нейросетевые алгоритмы распознавания типа цели.

В четвертой главе приведены результаты экспериментальных исследований записей акустических сигналов шагов человека в натурных условиях. Показано моделирование алгоритмов пеленгации акустических сигналов от шагов человека временным и спектральным способами. Приведены результаты экспериментальных исследований акустических сигналов самолетов, вертолетов и фонового шума в натурных условиях. Показано моделирование алгоритма получения оценок ЭС акустических сигналов вертолета и самолета методом скользящего суммирования. Приведена методика проведения статистических испытаний и оптимизации нейроалгоритма распознавания типов объектов акустических излучений.

Выводы и заключение

В результате исследования развития методов обработки информации для дальнейшего использования в программных модулях системы пеленгации и распознавания локализованных источников широкополосных сигналов на фоне распределенных в пространстве помех в рамках разрабатываемого программно-аппаратного блока надстраиваемой системы пассивной пеленгации и распознавания робототехнической дистанционно управляемой платформы военного назначения, решающей задачи разведчика, сапера или минера можно сделать следующие выводы:

1) Анализ аналогов и прототипов показал целесообразность и актуальность развития методов обработки информации с целью использования в программных модулях алгоритмов программно-аппаратного блока системы пеленгации и распознавания локализованных источников широкополосных сигналов на фоне распределенных в пространстве помех.

2) Дано сравнение методов формирования ДН и показана целесообразность применения фазовых методов обработки сигналов.

3) Развиты временной и спектральный способы определения угла визирования локализованного широкополосного источника на фоне распределенных в пространстве помех.

4) Проведено математическое моделирование алгоритмов обработки входных реализаций сигналов от локализованных источников широкополосных излучений.

5) Знаковые функциональные преобразования входных сигналов незначительно изменяют взаимокорреляционные характеристики при отношении сигнал/помеха а2 > 1 и при этом не происходит подавления сигнала помехой.

6) В алгоритме формирования главного максимума ДН прореженной ФАР путем мультипликативной обработки сигналов происходит полное подавление боковых лепестков в отличии от алгоритма формирования главного максимума ДН непрореженной ФАР с аддитивной обработкой сигналов.

7) При применении временного способа пеленгации локализованного источника акустических излучений изменение уровней боковых лепестков (снижение) осуществляется за счет регулирования частотных характеристик приемных каналов (изменение СПМ сигналов) программным путем, так же использование знакового преобразования значительно упрощает практическую реализацию, однако применение данного способа пеленгации требует введения перестраиваемой задержки при аппаратной реализации.

8) Спектральный способ обработки информации в программно-аппаратном модуле системы пеленгации и распознавания позволяет управлять уровнем боковых лепестков за счет изменения коэффициентов %п в алгоритме обработки ненормированного множителя решетки Сс(в,в0), однако на входе требует осуществление преобразования Фурье.

9) Исследованы алгоритмы распознавания акустических сигналов применится 1,1 ю к не центрированным информативным параметрам входных реализации с применением нейронных сетей.

10) Обоснованы алгоритмы выбора и сокращения размерности векторов информативных признаков входных реализаций применительно к нецентрирокпшым параметрам сигнала и проведено сравнение классических и регрессионных методов.

11) Осуществлено исследование и моделирование рабочих характеристик и параметров НС на основе полученных исходных данных в процессе про ведения испытаний для широкополосных излучений аэродинамических объектов типа самолет и вертолет на фоне распределенных в пространстве помех.

12) С помощью метода контрольной кросс-проверки и метода обратного распространения оптимизированы топология и параметры двухслойно;": НС. Проведены статистические испытания синтезированной НС со следу! >i ми результатами: вероятность правильного распознавания объекта ti iи чсамолет» 0,95, объекта типа «вертолет» - 0,9.

13) ! -о веде по тестирование синтезированной НС на предмет устойчивое к аддитивной помехе на входе и к отклонению параметров сети. Пои > , что L1C обладает большей помехоустойчивостью, сохраняя работоспе \ Г,юсть при ОСШ до 0 дБ. Качество распознавания не меняется при откло!' i: параметров НС до 5% от номинального значения.

Расчч р.'шпле алгоритмы формирования ДН пеленгации объектов широкохк, •' ' IX излучений временным и спектральным способами могут выступать ! ллчестпе теоретической и практической базы для разработки програмлп мо л .пя программно-аппаратного блока надстраиваемой пеленгам. Г; с: л с.мы дистанционно управляемой платформы военного назначен, лю.цой задачи разведчика, сапера, минера.

Про ' .^'пнь.л алгоритм выбора и сокращения размерности векторов информа!, и; л знаков на основе метода КМНР с использованием нейросею ; ра\.а обработки информации распознавания типов объектов акустичс '1 .j г !j 1 шп может быть использован для решения задачи идентифл > . оо i: к га широкополосных излучений.

1. Андерсон Т. Введение в многомерный статистический анализ: Пер. с англ. / Под ред. Б.В. Гнеденко. М.: Физматгиз, 1963. 500 с.

2. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. Изд. 3-е, перераб. и доп. М.: Высшая школа, 2000. 462 с.

3. Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер. с англ. / Под ред. И.Н. Коваленко. М.: Мир, 1989. 540 е.: ил.

4. Быков В.В. Цифровое моделирование в статистической радиотехнике. М.: Советское радио, 1971. 328 с.

5. Галушкин А.И. Нейрокомпьютеры в разработках военной техники США//Зарубеж. радиоэлектроника. 1995. № 5. С. 3-48.

6. Фазовый пеленгатор: пат. 2330304 Рос. Федерация: МПК7 G 01 S 3/46/ В.И. Дикарев, А.Б. Альжанов, Е.А. Коровин; заявл. 19.02.07; опубл. 27.07.08. Бюл. №21.

7. Способ автокорреляционного приема шумоподобных сигналов: пат. 2296432 Рос. Федерация: МПК7 Н 04 L 27/22 / В.И. Дикарев, И.Е.Зайцев, К.Ю. Рюмшин и др.; заявл. 07.10.05; опубл. 27.03.07. Бюл. №9.

8. Фазовый способ пеленгации: пат. 2305295 Рос. Федерация: МПК7 G 01 S 3/46 / В.И. Дикарев, М.П. Теремов; заявл. 16.05.06, опубл. 27.08.07. Бюл. №24.

9. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. /Под ред. B.JI. Стефанюка. М.: Мир, 1976. 511 с.

10. Забавников Н.А. Основы теории транспортных гусеничных машин. М.: Машиностроение, 1975. 448 е.: ил.

11. Кедем Б. Спектральный анализ и различение сигналов по пересечениям нуля // ТИИЭР. 1986. № 11. С. 6-23.

12. Киселев Н.В. Методы построения систем распознавания и классификации негауссовых сигналов. JL: Изд-во ЛГУ, 1986. 185 е.: ил.

13. Коростелев А.А. Пространственно-временная теория радиосистем: Учеб. пособие для вузов. М.: Радио и связь, 1987. 320 е.: ил.

14. Красильников В.А., Крылов В.В. Введение в физическую акустику. М.: Наука, 1984. 400 е.: ил.

15. Левин Б.Р. Теоретические основы статистической радиотехники, В 3-х кн. М.: Сов. радио, 1974. Кн. 1. 552 с.

16. Оппенгейм Э., Шафер Р. Цифровая обработка сигналов. М.: Техносфера, 2006. 856 е.: ил.

17. Оружие России 2004 / Russia's Arms 2004. М.: Военный парад, 2004. 832 с.:ил. ISBN 5-7734-0050-2.

18. Способ пеленгации с учетом корреляционной взаимосвязи между лучами: пат. 2305294 Рос. Федерация: МПК7 G 01 S 3/16, G 01 S 3/28 / В.А. Пахотин, В.Д. Хрипушин, Д.В.Хрипушин и др.; заявл. 27.10.05, опубл. 27.08.07. Бюл. № 24.

19. Печенкин А.О., Ляпин Б.Д. Частотно-модулированные радиопередатчики со спектральной обработкой результирующего сигнала. М.: ЦНИИНТИ, 1982. 121 с.

20. Платонов В.Ф. Динамика и надёжность гусеничного движителя. М.: Машиностроение, 1973. 232 с.

21. Сиберт У.М. Цепи, сигналы, системы, В 2-х частях: Пер. с англ. / Под ред. И.С. Рыжака. М.: Мир, 1988. Ч. 1. 336 с.

22. Скучик Е Основы акустики; В 2-х томах / Пер. с англ. Е. Скучик; Под ред. Л.М. Лямшева. М.: Мир, 1976. Т. 1. 542 с.

23. Сосулин Ю.Г. Теоретические основы радиолокации и радионавигации : Учеб. пособие. М.: Радио и связь, 1992. 304 е.: ил.

24. Справочник по радиолокации; В 4-х томах / Под ред. М.А. Сколника. М.: Сов. Радио , 1976-1979. Т. 4. 376 с.

25. Тутубалин В.Н. Теория вероятностей и случайных процессов: Учеб. пособие. М.: Изд-во МГУ, 1992. 400 с.

26. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. М.: Изд-во Мир, 1992. 240 с.

27. Фукунага К. Введение в статистическую теорию распознавания образов: Пер. с англ. М.: Наука, 1979. 368 с.

28. Пеленгатор источников акустических излучений: пат. 2048678 Рос. Федерация: МПК7 G 01 S 3/80 / В.К. Хохлов, И.В. Волчихин, Н.В. Степаненко и др.; заявл. 29.12.93, опубл. 20.11.05. Бюл. №32.

29. Хохлов В.К., Волчихин И.В. Теория и техника пассивных акустических информационных систем: Учеб. пособие. Пенза: Изд-во Пенз. гос. техн. ун-та, 1996. 116 с. : 61 ил., библиогр. 6 назв.

30. Хохлов В.К. Обнаружение, распознавание и пеленгация объектов в ближней локации: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. 336 е.: ил.

31. Акустика: Справочник / А.П. Ефимов, А.В. Никонов, М.А. Сапожков. В.И. Шоров; Под ред. М.А. Сапожкова. 2-е изд., перераб. и доп. М.: Радио и связь, 1989. 336 е.: ил.

32. Исакович М.А. Общая акустика: Учеб. пособие. М.: Изд-во Наука, 1973. 496 е.: ил.

33. Ржевкин С.Н. Курс лекций по теории звука: Учеб. пособие. М.: Изд-во Московского ун-та, 1960. 336 с.

34. Демидович Б.П., Марон И.А., Шувалова Э.З. Численные методы анализа: Учеб. пособие. М.: Наука, 1967. 368 с.

35. Акулич Л.И. Математическое программирование в примерах и задачах: Учеб. пособие для студентов эконом, спец. вузов. М.: Высшая школа, 1986.319 с.

36. Аоки М. Введение в методы оптимизации: Пер. с англ. М.: Изд-во Наука, 1977. 344 с.

37. Вентцель Е.С. Элементы теории игр. М.: Физматгиз, 1961. 73 с.

38. Галушкин А.И. Теория нейронных сетей: Учеб. пособие для вузов / Общая ред. А.И.Галушкина. М.: ИПРЖР, 2000. Кн.1. 416 с.

39. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965. 480 с.

40. Галушкин А.И. Многослойные системы распознавания образов. М.: МИЭМ, 1970. 167 с.

41. Галушкин А.И. Единый подход к решению задач обучения и самообучения систем распознавания образов. // Труды МИЭМ. 1970. № 6. С.104-120.

42. Галушкин А.И. Выбор критериев первичной оптимизации и построение оптимальной модели систем распознавания К классов в режиме обучения // Автоматическое управление и вычислительная техника (распознавание образов): Сборник. (М.). 1972. № 10. С.101-115.

43. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Изд-во Наука, 1968. 399 с.

44. Цыпкин Я.З. Основы теории обучающих систем. М.: Изд-во Наука, 1970. 251 с.

45. Поспелов Д.А. Логические методы анализа и синтеза схем. Изд. 3-е, перераб. и доп. М.: Энергия, 1974. 368 с.

46. Змитрович А.И. Интеллектуальные информационные системы. Минск: НТООО «Тетрасистемс», 1997. 367 с.

47. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск : Изд-во Наука, 1996. 275 с.

48. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. 382 с.

49. Корнеев В.В., Греев А.Ф., Васютин С.В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. 352 с.

50. Варакин Л.Е. Системы связи с шумоподобными сигналами. М.: Радио и связь, 1985. 384 с.

51. Гольдберг Л.М., Матюшкин Б.Д., Поляк М.Н. Цифровая обработка сигналов: Учеб. пособие для вузов. М.: Радио и связь, 1990. 256 с.

52. Кей С.М., Марпл С.Л. Современные методы спектрального анализа // ТИИЭР. 1981. Т.69. № 11. С. 5-51.

53. Деч Г. Руководство к практическому применению преобразования Лапласа. М.: Наука, 1965. 287 с.

54. Дженкинс Г, Ватте Д. Спектральный анализ и его приложения / Пер. с англ. В.Ф. Писаренко. М.: Мир, 1971. 317 с.

55. Романюк Ю.А. Основы обработки сигналов: Учеб. пособие. М.: МФТИ, 1989. 92 с.

56. Романюк Ю.А., Лилеин А.Л. Задачи и упражнения по обработке сигналов (Представления и преобразования сигналов): Учеб. пособие. М.: МФТИ, 1991. 88 с.

57. Оппенгейм Э. Применение цифровой обработки сигналов. / Под ред. Э. Оппенгейма; Пер. с англ. A.M. Рязанцева. М.: Мир, 1980. 552 с.

58. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. Основные методы / Пер. с англ. В.И. Хохлова; Под ред. И.Г. Журбенко. М.: Мир, 1982. 429 с.

59. Рытов С.М. Введение в статистическую радиофизику. Случайные процессы. М.: Наука, 1976. 494 с.

60. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер, 2002.608 с.

61. Скляр Бернард. Цифровая связь. Теоретические основы и практическое применение. Изд. 2-е, испр. / Пер. с англ. Е.Г. Грозы, В.В. Марченко, А.В. Назаренко; Под ред. А. В. Назаренко. М.: Издательский дом «Вильяме», 2003. 1104 с.

62. Солонина А.И., Улахович Д.А., Яковлев Л.А. Алгоритмы и процессоры цифровой обработки сигналов. СПб.: БХВ-Петербург, 2002. 464 с.

63. Солонина А.И., Улахович. Д.А., Арбузов С.М. Основы цифровой обработки сигналов. Курс лекций. СПб.: БХВ-Петербург, 2005. 768 с.

64. Угрюмов Е.П. Цифровая схемотехника. СПб.: БХВ-Петербург, 2004. 528 с.

65. Френке JI. Теория сигналов.: Пер. с англ. / Под ред. Д.Е. Вакмана. М.: Сов. радио, 1974. 344 с.

66. Зевеке Г.В., Ионкин П.А., Нетушил А.В. Основы теории цепей: Учебник для вузов. Изд. 4-е, перераб. М.: Энергия, 1975. 752 с.

67. Нейман Л.Р., Демирчан К.С. Теоретические основы электротехники. Л.: Энергия, 1966. Т.1. 522 ; Т.2. 407 с.

68. Атабеков Г.И. Теория линейных электрических цепей. М.: Сов. радио, 1960. 712 с.

69. Поливанов К.М. Теоретические основы электротехники. М.: Энергия, 1972. Т.1. 239 с.

70. Андронов А.А., Витт А.А. Хайкин С.Э. Теория колебаний. М.: Физматгиз, 1959. 916 с.

71. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов: Пер. с англ. М.: Мир, 1989. 448 с.

72. Афонский А. А., Дьяконов В. П. Цифровые анализаторы спектра, сигналв и логики / Под ред. проф. В. П. Дьяконова. М.: СОЛОН-Пресс, 2009. 248 с.

73. Дьяконов В. П. Вейвлеты. От теории к практике. Изд. 2-е, доп. и перераб. М.: СОЛОН-Пресс, 2005. 400 с.

74. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. М.: Мир, 1988. 488 с.

75. Гольденберг Л. М. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985. 312 с.

76. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. М.: Мир, 1978. 848 с.

77. Хохлов В.К. Обнаружение, распознавание и оценка параметров сигналов: Учеб. пособие. М.: МГТУ им. Н.Э. Баумана, 1993. 92 е.: ил.

78. Мусьяков М.П., Хохлов В.К. Регрессионные системы обнаружения и распознавания случайных сигналов в ближней локации. М.: ЦНИИНТИКПК, 1988. 171 е.: ил.

79. Жовинский В.Н., Арховский В.Ф. Корреляционные устройства. М.: Энергия, 1974. 248с.: ил.

80. Коваленко С.С., Попов А.В., Починский В.Н. Знаковая корреляционная обработка сигналов при локации объектов на фоне помех // Боеприпасы. 2004. №6. С. 97-100.

81. Шахтарин Б.И. Случайные процессы в радиотехнике: Цикл лекций. М.: Радио и связь, 2000. 584 е.: ил.

82. Тихонов В.И., Шахтарин Б.И., Сизых В.В. Случайные процессы. Примеры и задачи: Учеб. пособие для вузов. М.: Радио и связь, 2004. 408 с.

83. Лезин Ю.С. Введение в теорию и технику радиотехнических систем: Учеб. пособие для вузов. М.: Радио и связь, 1986. 280 е.: ил.

84. Глотов В.П. Когерентное рассеяние звука от скоплений дискретных неоднородностей при импульсном излучении // Акустический журнал. -1962. №3. С. 281-284.

85. Е. Г. Зелкин, В. Г. Соколов. Методы синтеза антенн: Фазированные антенные решетки и антенны с непрерывным раскрывом. М.: Сов. радио, 1980. 296 с.

86. Хургин Я. И., Яковлев В. П. Финитные функции в физике и технике. М.: Наука, 1971. 408 с.

87. Шифрин Я.С. Вопросы статистической теории антенн. М.: Сов. радио, 1970. 384 с.

88. Монзинго Р.А., Миллер Т.У. Адаптивные антенные решетки. М.: Радио и связь, 1986. 448 с.

89. Пистолькорс А.А., Литвинов О.С. Введение в теорию адаптивных антенн. М.: Наука, 1991. 200 с.

90. Драбкин А. Л., Коренберг Е. Б. Антенны. М.: Радио и связь, 1992.144 с.

91. Воскресенский Д. И. Проектирование активных фазированных антенных решёток / Под. ред. Д. И. Воскресенского . М.: Радиотехника, 2003. С. 334—351.

92. Вишневский В. М., Ляхов А. И., Портной С. Л. Широкополосные беспроводные сети передачи информации . М.: Техносфера, 2005. 591 с.

93. Проблемы антенной техники / Под ред. Л. Д. Бахрака, Д.И.Воскресенского. М.: Радио и связь, 1989. 368 с.

94. Щелкунов С.А., Фриис Г. Антенны. М.: Сов. радио , 1955. 471 с.

95. Сазонов Д. М. Антенны и устройства СВЧ: Учебник. М.: Высшая школа, 1988. 432 с.

96. Бакулев П.А. Радиолокационные системы. М.: Радиотехника, 2004.320 с.

97. Гришин Ю.П., Ипатов В.П. Радиотехнические системы: Учеб. пособие. М.: Высшая школа, 1990. 496 с.

98. Кук Ч., Бернфельд М. Радиолокационные сигналы : Пер. с англ. / Под ред. В. С. Кельзона. М.: Сов. радио, 1971. 568 с.

99. Атражев М.П., Ильин В. А., Марьин Н.П. Борьба с радиоэлектронными средствами. М.: Воениздат, 1972. 272 с.