автореферат диссертации по радиотехнике и связи, 05.12.14, диссертация на тему:Методы распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей

На правах рукойиси

ЧиньСуанШинь 0030577ЭЭ

•' ¿Ус"

МЕТОДЫ РАСПОЗНАВАНИЯ РАДИОЛОКАЦИОННЫХ ЦЕЛЕЙ ПО ДИАГРАММАМ РАССЕЯНИЯ В ПРОСТРАНСТВЕННО-РАЗНЕСЕННОМ МНОГОДИАПАЗОННОМ РАДИОЛОКАЦИОННОМ КОМПЛЕКСЕ С ИСПОЛЬЗОВАНИЕМ АППАРАТА НЕЙРОННЫХ СЕТЕЙ

Специальность 05 12 14-Радиолокация и радионавигация

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2007

003057799

Работа выношена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им В И Ульянова (Ленина)

Научный руководитель -

кандидат технических наук, доцент Веремьев В И

Официальные оппоненты-

заел деятель науки и техники, доктор технических наук, профессор Стогов Г В кандидат технических наук Нилов М А

Ведущая организация - Санкт-Петербургский Государственный Университет Аэрокосмического Приборостроения

Защита состоится « 1С » -Я. 2007 г в часов на заседании

диссергационного совета Д 212 238 03 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им В И Ульянова (Ленина) по адресу 197376, Санкт - Петербург, ул Проф Попова, 5

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан « 4» ¿Т^у/Ц^ Я 2007 г

Ученый секретарь диссертационного совета

Баруздин С А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы Развитие радиолокации в последние десятилетия шло под знаком резкого повышения требований к основным характеристикам радиолокационных станций Это и увеличение дальности действия и значительное увеличение точности, пропускной способности, эффективности защиты от разного рода помех и др Одно из перспективных направлений - разработка методов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе (МДРК), состоящем из разнесенных в пространстве радиолокационных станций, совместно ведущих радиолокационное наблюдение целей Основная идея МДРК состоит в том, чтобы более эффективно использовать информацию, заключенную в пространственных характеристиках электромагнитного поля Развитие МДРК соответствует общей тенденции в технике - объединению отдельных технических средств в системы, в которых благодаря совместному функционированию и взаимодействию элементов значительно улучшаются новые возможности

Разработка систем распознавания, и в частности радиолокационного распознавания (РЛР), сопряжена с решением целого ряда задач Центральным является вопрос о словаре признаков, на языке которых производятся как априорные описания классов объектов, так и апостериорное описание распознаваемых объектов Связано это с тем, что рабочий словарь признаков определяет состав и технические характеристики измерительных средств системы распознавания, в данном случае это радиолокационные станции (РЛС), которые являются наиболее ресурсоемкими элементами системы

Диаграммы рассеяния (ДР) цели - типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств При облучении цели электромагнитной волной часть приходящей энергии поглощается, превращаясь в тепло, а остальная переизлучается (рассеивается) в различных направлениях Наибольший интерес для радиолокации представляет та часть переизлучаемой энергии, которая рассеивается или отражается в обратном направлении

Нейронные сети (НС) - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ Способность биологических систем к обучению, самоорганизации и адаптации обладает большим преимуществом по сравнению с современными вычислительными системами Важнейшая особенность нейронной сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями и в возможности учета большого объема знаний, накопленных человечеством в этой области Аппарат нейронных сетей, в частности, нейросетевой логический базис, нашел путь своего применения, прежде всего, благодаря тому, что появились мощные и сверхмощные пакеты математического моделирования (MATLAB, StatSoft и др), которые позволили при проведении исследований сосредоточиться именно на вопросах применения НС, освободиться от необходимости построения собственно нейронных сетей доказательства их корректности, стабильности и работоспособности для всех условий решаемых проблем

Необходимость совершенствования систем мониторинга окружающей среды и объектов и способов их применения, оптимизация требований к информационному обеспечению являются важной составной частью проблемы повышения эффективности систем освещения воздушной обстановки и комплексного управления прибрежной зоной Социалистической Республики Вьетнам Решение проблемы включает ряд направлений, включающих научные и практические задачи разработки алгоритмов обработки сигналов в радиолокационных системах обнаружения, определения координат и распознавания воздушных целей Всё вышеизложенное является основанием для проведения исследований,

¿

направленных на разработку способов повышения качества алгоритмов распознавания воздушных целей в радиолокационных системах

Одним из которых определяется факт, что улучшение качества структур радиолокационного распознавания и используемых ими сигналов определяются всё более точными моделями сигнально-помеховой обстановки в информационном канале и характеристиками канала, влияющими на отношение сигнал/помеха в точке приема отражённого от цели сигнала, а также более сложными алгоритмами, соотносящимися с интеллектуальными возможностями человека

Основная цель диссертационного исследования. Основной целью диссертационного исследования является разработка методов распознавания целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей Указанная цель достигается решением ряда задач

1 Анализ, обобщение и уточнение модели распознавания, выбор признаков при распознавании радиолокационных целей (РРЦ)

2 Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработка алгоритмов распознавания целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе

3 Разработка нейросетевых алгоритмов распознавания

4 Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграмм рассеяния в качестве признака по одному, двум и трем радарам в МДРК

5 Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков ДР и дальностных портретов (ДП) на основе моделирования

6 Исследование зависимости вероятности правильного распознавания от величины сектора наблюдения и выборки угловой дискретизации сигнала, а также определение влияния числа нейронов в скрытом слое на качество распознавания

Основные методы исследований Основным инструментом решения указанных задач явилось применение общей теории радиолокации, теории рассеяния радиоволн воз-д)ишыми объектами, теории распознавании радиолокационных целей, теории статистической радиотехники, теории обработки сигналов, теории искусственных нейронных сетей, объектно-ориентированное моделирование, имитационный машинный эксперимент и сопоставление его результатов с данными, соответствующими реальным условиям использования радиолокационной системы в прибрежной зоне Социалистической Республики Вьетнам

Научной новизной обладают следующие результаты, полученные автором в про-це ссе выполнения работы:

1 Модель распознавания радиолокационных целей по диаграммам рассеяния, основанная на использовании аппарата нейронных сетей

2 Структура системы радиолокационного распознавания, синтезированная на основе совершенствования efe технических характеристик и применяемых сигналов

3 Методики использования диаграмм рассеяния при распознавании целей в МДРК на основе нейронных сетей, сравнение эффективности распознавания при использовании в качестве признака диаграмм рассеяния и дальностных портретов

4 Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК

Научные положения, выносимые на защиту:

1 Разработана модель системы распознавания целей по диаграммам рассеяния в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе применения аппарата НС

2 Разработан алгоритм распознавания воздушных целей на основе анализа диаграмм рас-

сеяния в многопозиционных многодиапазонных радиолокационных системах с использованием сигмоидальной функции возбуждения нейронов Разработана рекомендация к выводу числа нейронов в скрытом слое при распознавании по диаграммам рассеяния целей

3 Исследовано влияние размера сектора наблюдения и влияние угловой дискретизации сигнала на вероятность распознавания целей по ДР в МДРК Полученные в процессе исследования результаты подтверждают возможность обеспечения необходимых требований при решении задачи радиолокационного распознавания

4 Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования

5 Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании ней-росетевых алгоритмов распознавания

6 Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, также предложена структурная схема предварительной диаграммы рассеяния с высоким разрешением

К основным практическим результатам относятся:

1 Выработаны рекомендации по построению систем радиолокационного распознавания в многопозиционных многодиапазонных радиолокационных системах применительно к задачам, решаемым в системах воздушного наблюдения

2 Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов

3 Полученные теоретические результаты могут быть использованы в учебном процессе технических вузов России и Вьетнама.

Внедрение результатов работы. Полученные результаты могут быть использованы при разработке технических средств радиолокационного мониторинга воздушного пространства Социалистической Республики Вьетнам

Апробация работы. Основные результаты работы докладывались на ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЭТУ «ЛЭТИ» в 2005-2007гг, научно-технических конференциях НИИ "Прогноз" СПб ГЭТУ «ЛЭТИ»

Публикации По теме диссертации опубликовано 5 научных работ, из них - 4 статьи (3 статьи из перечня изданий, рекомендованных ВАК), 1 работа - в трудах научно -практической конференции

Структура и объем диссертации Диссертационная работа состоит из введения, четырех глав с выводами, заключения, двух приложений и списка литературы, включающего 90 наименований Основная часть работы изложена на 125 страницах машинописного текста Работа содержит 45 рисунков и 4 таблицы

СОДЕРЖАНИЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Во введении обосновывается актуальность темы, формулируется целевая установка, решаемые научно-практические задачи, являющиеся предметом исследований

В первой главе на основе анализа существующих и разрабатываемых способов построения многопозиционных и многодиапазонных радиолокационных систем формулируется задача проектирования систем распознавания, формирования алфавитов классов воздушных целей и выбора признаков распознавания целей в МДРК Формирование словаря признаков и алфавита классов при решении задачи мониторинга воздушного пространства является важным этапом построения алгоритмов распознавания при ограниченном ресурсе

В качестве признака распознавания в диссертации исследуется диаграмма рассеяния цели, являющаяся интегральной характеристикой эффективной площади рассеяния (ЭПР) цели. ДР имеют множество свойств, соответствующих классификации цели, и могут быть измерены относительно быстро в любой ориентации самолета. Кроме того, для получения ДР необходимы РЛС, обладающие о а ре-делен ными характеристиками. В настоящее время известны три характеристики, описывающие отражающие свойства объекта: моностатическая (стД бистатическая (сгл) и теневая (о-,), диаграммы рассеяния (МДР, БДР, Рис. 1. Диаграммы рассеяния цели ТДР). Они соответствуют случаю, когда имеется одна передающая и одна приемная станции, но расположенные различным образом: МДР - приемная и передающая станции пространственно совмещены, БДР - приемная и передающая станции пространственно разнесены, ТДР - приемная и передающая станции пространственно разнесены так, что угол между направлениями визирования на объект с обеих станций близок к 180п. В данной работе рассматривается распознавание радиолокационных целей по ДР только в случае МДР.

Использование ДР для классификации самолета имеет недостатки, так как ДР сильно зависят от курса, частоты и поляризации. Однако, в МДРК используются радиолокационные системы, которые работают на разных частотах, в разных поляризациях и расположены в разных местах. Каждая РЛС в МДРК получает значение ДР, потом данные поступают на электронную вычислительную машину (ЭВМ). ЭВМ сравнивает" и оценивает полученные данные. На рис. 1 показаны диаграммы рассеяния цели, где Д,/?,,/?,- секторы обнаружения при распознавании.

Анализируются алгоритмы распознавания воздушных целей, включая алгоритмы с использованием аппарата нейронных сетей и делается вывод об их потенциальных возможностях. Анализ различных методов обработки сигналов показывает, что байесовский алгоритм позволяет получить оптимальное статистическое решение в задачах распознавания, однако он практически неприменим при решении большинства практических задач. Анализ возможностей нейрокомпьютерных алгоритмов показывает их применимость к решению задач распознавания, а возрастание вычислительных затрат может быть скомпенсировано ростом производительности вычислительных средств.

Во второй главе произведен анализ преимущества многодиапазонного радиолокационного комплекса в областях обработки радиолокационной информации и распознавания целей. Исследуются характеристики распознавания целей по диаграммам рассеяния в МДРК на основе разработанной модели, учитывающей технические факторы и влияние особенностей функционирования МДРК. Исследование предложенного метода распознавания целей в МДРК позволяет определять основные зависимости диаграммы рассеяния от частоты, азимута и поляризации. Теоретический анализ возможностей радиолокационного распознавания по ДР тестовых целей и предложенного метода формирования вектор распознавания выявил ряд признаков, которые могут использоваться для распознавания одиночной и групповой цели, а также распознавания типа самолета.

Одним из перспективных направлений дальнейшего совершенствования радиолокационной техники является создание многодиапазонных - много позиционных радиолокационных систем, позволяющих значительно повысить дальность действия, пропуск-

ную способность, скрытность, помехоустойчивость и живучесть радиолокационной аппаратуры Однако, современная теория многопозиционной радиолокации находится еще на стадии становления Поэтому работы, проводимые в интересах дальнейшего ее развития, очень актуальны Под МДРК принято понимать совокупность разнесенных в пространстве передающих, приемных или приемопередающих станций, реализующих совместное радиолокационное наблюдение объектов и обработку добываемой информации На рис 2 приведена упрощенная структурная схема варианта построения МДРК для того, чтобы распознавать цели МДРК состоит из трех однопознционных радиолокационных станций, каждая из которых может выполнять роль приемно-передающей позиции' Информация с выхода приемных систем поступает в центральный пункт обработки информации (ЦПОИ), где осуществляется ее идентификация, совместная обработка и формирование управляющих команд для согласованной работы МДРК в целом Модель системы предназначена для того, чтобы определять параметры радиолокационной радиолокационной системы, которые обеспечивают получение наиболее информативных признаков конкретных целей Некоординатные признаки объ- Рис 2 Общая структурная схема МДРК при распознавании целей

ектов невозможно определить непосредственно на основе радиолокационных наблюдений Их можно получить лишь путем обработки информации об их радиолокационных характеристиках Определение этих характеристик и исследование возможности использования содержащейся в них информации об объектах и составляет цели и задачи локационного моделирования

В третьей главе приводятся данные о разработке алгоритма распознавания целей на основе нейросетевых технологий при использовании в качестве признака диаграмм рассеяния в МДРК Производятся оценочные расчеты применения предложенного алгоритма к реальным ситуациям, подтверждающим более высокую вероятность распознавания при использовании предложенного алгоритма Исследуются возможность и целесообразность использования разработанных методов на основе сравнения результатов предыдущих и проведенных исследований в ходе работы

В главе осуществляется выбор структуры нейронных сетей для распознавания по ДР При использовании НС для реализации процедуры распознавания РЛЦ необходимо решить задачу выбора вектора входов НС и определить внутреннюю структуру НС Определение внутренней структуры НС является более сложной и неоднозначной задачей Выбор подходящей НС в основном определен форма данных входа, способность используемой вычислительной системы, задачи, которые могут выполняться НС «Внешняя» структура НС полностью определяется вектором входов НС и набором параметров, значение

1 В диссертации мы рассматриваем только активную радиолокацию

которых необходимо прогнозировать, т е число входов определяется количеством элементов входов, число выходов определяется количеством прогнозируемых величин Мы вь бераем логарифмическую сигмоидальную функцию в выходном слое, такая функция акгивации выбрана потому, что диапазон выходных сигналов для этой функции определен от 0 до 1, и этого достаточно, чтобы сформировать значения выходного слоя Для скрытого слоя мы выберем функцию активации сигмоидальной Потому, что многослойные НС с сигмоидальной функцией активации в заключительном анализе были выбраны для распознавания РЛЦ, основанного на радиолокационных сигналах Главные преимущества этой сеги - простота архитектуры и достаточная эффективность распознавания сигнала Сиг-моидальная сеть, в которой ненулевое значение сигмоидальной функции распространяется от некоторой точки в пространстве до бесконечности, решает задачу глобальной аппроксимации заданной функции Поэтому необходимо понимать, что обобщающие способности радиальных сетей несколько хуже, чем у сигмоидальных сетей, особенно на границах области обучающих данных Структура сети для распознавания целей по ДР представлена на рис 3

В качестве функции акгивации при обучении сети выбрана сиг-моидальная ф)"нкция Веса нейронов скрытого слоя пометим верхним индексом (1), а выходного слоя - верхним индексом *

(2") Примем, Входы Входной слой Скрытный слой Выходной слой Выходы

что функция „ „„ „ „

акгивации 0 Обобщенная структура двухслойной сигмоидальной НС

нейронов задана в сигмоидальной униполярной или биполярной форме Для упрощения описания будем использовать расширенное обозначение входного вектора сети в виде х--[х0,х]у ,х„]г, где х0 =1 соответствует единичному сигналу С вектором хсвязаны два входных вектора сети вектор фактических выходных сигналов у=[ув,у,, ,ум ]' и вектор ожидаемых выходных сигналов (¡=[<¡¡>,(1!, ,с1м]' Если рассматривать единичный поляризационный сигнал как один из компонентов входного вектора х, то веса поляризации можно добавить в векторы весов соответствующих нейронов обоих слоев При таком подходе выходной сигнал / - го нейрона скрытого слоя удается описать функцией

г, = А!Х(,Ч) о)

>0

в которой индекс 0 соответствует сигналу и весам поляризации, причем /0 = 1, х0 = 1 В выходном слое к — й нейрон вырабатывает выходной сигнал, определяемый как к

1=0 \

Из формулы (2) следует, что на значение выходного сигнала влияют веса обоих слоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весов выходного слоя

Методы использования диаграммы рассеяния при распознавании

а модель распознавания радиолокационных целей по ДР на основе аппарата НС

Основная цель математического моделирования системы распознавания состоит в том, чтобы оценить ее эффективность при найденном или заданном алфавите классов и предлагаемом в качестве рабочего словаря сигнальных признаков Наиболее значимый критерий оценки эффективности системы распознавания - вероятность получения правильных решений при распознавании объектов, относящихся ко всем классам алфавита классов Чтобы оценить эффективность системы распознавания, можно использовать методы математического моделирования функционирования системы и методы физико-математического моделирования, основанные на проведении лабораторных и натурных экспериментов

Для математического моделирования системы распознавания необходимо построить специальную статистическую модель, на которой реализуется многократное повторение процесса распознавания объектов каждого класса Модель должна позволять оценивать значение критерия эффективности системы в зависимости от состава алфавита классов при данном словаре признаков и, наоборот, при данном алфавите классов - в зависимости от объема апостериорной информации, т е конкретного словаря признаков Модель должна обеспечивать возможность оценки

Рис 4 Структура системы обработки данных для распознавания в МДРК

влияния на значение критерия эффективности системы того или другого сокращения рабочего словаря признаков по сравнению с априорным, погрешностей измерения признаков, ошибок априорного описания классов на языке признаков предполагаемого рабочего словаря

В данном разделе было рассмотрено представление данных с использованием ДР как векторов признака Также были выбраны и обоснованы критерии определения шага приращения ракурса для формирования базы данных Этот подход при распознавании целей особенно подходит для распознавания воздушных целей, поскольку их дальность, скорость и ракурс обычно могут оцениваться с определенной степенью точности Это позволяет значительно сократить время поиска соответствующих векторов признака, сохраненных в базе данных Таким образом, ДР с высоким разрешением могут повысить эффективность распознавания, но требуют большего объема памяти и времени вычисления Современная радиолокация должна использовать различные схемы при различных ситуациях На рис 4 показана структура системы обработки данных для распознавания целей в МДРК

б Нормирование отметок от цели На рис 5 показана структурная схема предварительной обработки диаграммы рассеяния с высоким разрешением (ДРВР) Предвари-

тельная обработка с использованием ДР должна обязательно учитывать оба рассмотренных выше соображения Применяемые для распознавания сложных целей признаки часто нуждаются в нормировании для исключения влияния на них мешающих, без информационных и неизвестных параметров сигнала Нормирование осуществляется по формуле

max(jc, xN)

Предварительная обработка

Обучение НС

Нормирование принятого сигнала

▼ +

Обучение НС

Проверка качества распознавания

Некогерентное накопление

Проверка качества распознавания

Класс цели

Класс цели -►

Рис 5 Структурная схема предварительной обработки диаграммы рассеяния с высоким разрешением

Нормирование может применяться не только к выявляемым в форме сигнала признакам, но и к самим сигналам Это нормирование исключает нежелательную зависимость результатов измерения от амплитуд входных сигналов и может быт выполнено одним из известных методов автоматической регулировкой усиления (АРУ), применением усиления с логарифмической амплитудной характеристикой, применением идеального ограничителя (ИО) Современные радиолокации обычно оснащены системой автоматической регулировки усиления (АРУ), при этом амплитуда полученных сигналов ниже уровня ограничения, но выше уровня шума приемника Это означает, что отношение абсолютной амплитуды сигнала к шумовому порогу не является постоянным

в Некогерентное накопление В настоящее время нет точных данных об оптимальной величине отношения «сигнал-шум» (ОСШ) при распознавании целей с помощью ДР Большое ОСШ означает, что рассеиватели более видимы, однако остается нерешенным вопрос о том, насколько большой динамический диапазон цели необходим для распознавания На практике использование ДР для распознавания основано на относительных расстояниях между главными рассеивателями цели Отношение сигнал/шум может быть повышено при использовании обычного некогерентного усреднения по последовательности первичных ДР Если усредняется N ДР, то увеличение ОСШ будет -Л/ Перед тем, как осуществлять последовательное усреднение, необходимо осуществить выравнивание ДР, чтобы компенсировать изменение положения цели между последовательными ДР Это выравнивание может быть выполнено с помощью взаимной корреляции Выбирается эталонная ДР, с которой все другие ДР коррелируются Корреляционный с эталонным пик каждой ДР указывает, насколько должна быть перемещена эта ДР для выравнивания Когда все ДР выровнены, осуществляем их усреднение

г Алгоритм объединения решения о классе объекта на основе НС

Формирование данных 1 Проверка качества распознавания

»

Описание Определение

исходных функции

данных ^ обучения

<

Построение структуры НС 3 Формирование алгоритма обучения

i

Определение Определение

количества функции

выходов НС 4 инициализации 7

> Г

Обработка векторов признаков с ДРВР 5 Определение числа нейронов в скрытом слое

Класс цели

Рис 6 Алгоритм объединения решения о классе объекта на основе НС

В четвертой главе проводится экспериментальная проверка предложенных технических решений путем имитационного моделирования

а. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания К числу определяемых характеристик вторичного излучения относят значения эффективных площадей рассеяния целей и элементов их поляризационных матриц на отдельных фиксированных частотах, отклики целей на широкополосные импульсы на различных несущих частотах или на очень короткие видеоимпульсы, модуляционные, флуктуационные и другие статические характеристики целей, характеристики обратного вторичного излучения и его направленности при многопозиционном приеме Расчет электромагнитного поля, рассеянного некоторыми простейшими телами, проводится на основе точных решений, полученных из уравнений Максвелла Для объектов более сложной формы используют метод интегральных уравнений, реализуемый численно на ЭВМ

б. Варианты распознавания. В диссертации рассматривается задача нейрокомпью-терного

распознавания классов воздушных объектов на основе характеристики рассеяния сигналов Рассмотрены два случаи - Распознавание по трем группам объектов объект боль-

Воздушные цели

Группа 1 большего размера

Группа 2 среднего размера

rs X S tú Tomado

Группа 3 малого размера

Рис 7 Алфавит воздушных целей при распознавании

тою размера включают Ту-16, В-52, В1 -В, объект среднего размера включают Миг-21, F-15, Tornado и объект малого размера включают GLCM, ALCM, Decoy - Распознавание по отдельному типу цели Ту-16, В-52, В1-В, Миг-21, F-15, Tornado, GLGM, ALCM, Decoy На рис 7 представлен алфавит воздушных целей при распознавании

е. Выбор программных средств. В качестве основного программного средства разработки нейросетевого приложения был выбран Matlab 6 5, преимуществами которого яв-лякггся простота создания и обучения нейронных сетей, возможность использования наиболее популярных алгоритмов обучения НС

г. Условия моделирования Расчет диаграмм рассеяния (ДР) 9-ти типов воздушных цел;й проводился с использованием методики математического моделирования для всех (ек"оров, наблюденных радаров в МДРК Все обучающие и проверенные ДР получаются с помощью программы «RADAR TARGET BACKSCATTERING SIMULATION», разработанной группой исследования профессора Ширмана ЯД На рис 8 представлена схема стрл,тсгуры при создании данных для обучения и проверки НС Входной слой содержит N нхоцов, на которые подаются отсчеты портретов ДР в секторе наблюдения (5-30 градусов! Для сокращения числа входов и устранения неопределенности положения в диа-храммах рассеяния центрируются по медианному отсчету в меньшем секторе (15 градусов! Число отсчетов зависит от интервала дискретизации сигнала по одному секторе Промежуточный (скрытый) слой содержит К элементов, конкретное число промежуточ-пы> элементов варьировалось в разных опытах от 100 до 700 Выходной слой содержит М -- 9 элементов при распознавании типов всех 9-ти целей, М = 3 элемента при распознавании по трем группам целей

Предъявление портретов ДР целей разных типов чередовалось сначала по группам цел гй или по одной цели в слелующем порядке ДР первой группы (Ту-16, I.1E, Б52), ДР второй группы (MíT-21, 115,

Tomado), ДР третьи группы (GLCM, ALCM, De-

Рис 8 Схема структуры при создании данных для обучения и проверки НС

coy) или по отдельным ДР девяти целей Ту-16, Б1Б, Б52, Миг-21, F15, Tornado, GLCM, ALCM, Decoy Обучение НС и проверка качества ее функционирования проводилось Fa фоне аддитивного белого шума ОСШ при обучении составляло в 18 - 30 дБ

В данной схеме после программы "ФОРМИРОВАНИЯ БАЗЫ ДАННЫХ ПО ЦЕЛЯ]^' по каналам Kl, К2, КЗ, соответствующим 3-м отдельным РЛС, чистые (без шума) сигналы поступают в блок 3, где происходит измерение энергии сигнала и вычисление со-ств<ггствующего шума для требуемого отношения сигнал/шум (ОСШ), затем шум, полу-ченаый от генератора «белого» шума (блок 2), добавляется к сигналу для получения смеси сигнал-шум При моделировании мы должны добавлять шум для получения смеси с ожидаемым ОСШ Изменяется ОСШ для получения зависимости вероятности правильного р аспознавания от ОСШ

Вероятность правильного распознавания

Вероятность правильного распознавания

Отношение сигнал/шум (дБ) б- Вероятность правильного pacпoзнaвa^ ня по одной цели

Рис 9 Сравнение эффективности распознавания НС, обучающихся при разных ОСШ

Отношение сигнал/шум (дБ) - Вероятность правильного распознавания по трем групам целей

д. Процесс моделирования

Эффективность обучения с разными ОСШ Для оценки эффективности функционирования системы рассмотрим структуры нейронной сети, которые обучаются с разными ОСШ Проверку функционирования проведем на 450 векторах входа при разных ОСШ В процессе обучения НС обучается сначала на ОСШ 30 дБ, затем с 24, 20 и 18дБ Для каждого ОСШ мы выполняем проверку 10 раз на каждом ДР из 450 зашум-

лЬнных последовательностей, и каждый раз мы сохраняем результаты на выходе НС На рис 9 показано сравнение эффективности распознавания НС, обучающихся при разных ОСШ

е. Результаты моделирования распознавания

1 Результаты распознавания целей в К1ДРК без некогерентного накопления

Для этого путем натурного эксперимента или методом моделирования предварительно должны быть определены и записаны в блок памяти эталонов средние значения ДР для основных типов усредненных типов целей большая, средняя и малая цель и также производить распознавание по одной цели Для обучения трехслойной нейронной сети, содержащей 500 промежуточных элементов, непосредственному распознаванию 9-ти типов целей использовалось по 100 портретов ДР каждого типа целей Само обучение потребовало около трех часов машинного времени (Pentium IV, 3 ГГц, 1 ГБ ОЗУ) Результаты проверки качества раСПО- Вероятность правильного распознавания

знавания по 450 портретам ДР каждого типа на каждом ОСШ выполнено. 10 раз Чтобы спроектировать нейронную сеть, не чувствительную к воздействию шума, обучение ее производилось с применением идеальных и за-

Вероятность правильного распознавания

Отношение скгнал/шум (дБ) а- Вероятность правильного распознавания по трем группам целей

Отношение сигнал/шум (дБ) 6- Вероятность правильного распознавания по одной цели

Рис 10 Вероятность правильного распознавания по двум радарам шум ленных векторов с ОСШ в интервале 18 дБ - 30 дБ

На рисунках 10 полученные при распознавании 9 целей по трем группам и по одной цели в одинаковых условиях обучения для комплексов, состоящих из двух и трех РЛС, в зависимости от двух и трех факторов изменения частоты, азимутального угла и изменения частоты, азимутального угла, поляризации сигналов, при распозна-Еании радиоло-» ационных целей по трем группам цели и по одной цели, обучающихся при разных ОСШ в интервале 18 дБ -30 дБ Число нейронов в с крытом слое -

-11 приведены графики эффективности распознавания цели по ДР,

Вероятность правильного распознавания

юзнавания

12 14 1в 1В 20 22 24 26 2а 30 Отношение сигнал/шум (дБ) Вероятность правильного распознавания по трем групам целей

10 12 14 1в 1в 20 22 24 28 2В 30

Отношение сигнал/шум (дБ) б- Вероятность правильного распознавания по одной цели

Рис 11 Вероятность правильного распознавания по трем радарам

Вероятность правильного распознавания

Вероятность правильного распознавания

ЕС 3 групп по 1 радару ВР 3 групп по 2 радарам ВР 3 групп по 3 Рз/1»_£аи_

— ВР 9 целен по 1 радару —— ВР 9 целей по 2 радарам -+-. ВР в целен по 3 радарам

Отношение сигнал/шум (дБ) Отношение сигнал/шум (дБ)

а- Вероятность правильного распознавания б- Вероятность правильного распознавания

по трем групам целей по одной цели

Рис 12 Сравнение вероятности правильного распознавания по ДР для разного числа радаров в МДРК ;>00, функция активации - сигмоидальная На рис 12 приведены графики сравнения эффективности распознавания целей по ДР, при распознавании радиолокационных целей по трем группам цели и по одной цели для разного числа радаров в МДРК

2 Сравнение результатов распознавания по признакам ДРиДП Радиолокационные дальностные портреты ДП) — один из сигнальных признаков радиолокационных измерений, которые часто используются для классификации самолетов По существу радиолокационные ДП - одномерные «изображения» самолета, измеренные вдоль линии визирования (по дальности) между радаром и самолетом В данной работе рассматривается распознавание целей по ДП только во временной области Как ДР, исследовался также вариант распознавания по ДП, принимается решение о принадлежности ДП по одному из 3-х классов (группа 1 -цель большого, 2 - среднего, 3 - малого размера), и а ¡атем по одной цели в одинаковом условии обучения и в одном условии проверки качества распознавания целей

На рис 13 представлено сравнение результатов распознавания по признакам ДР и ДП по трем группам целей и одной цели с использованием сигаои-дальной сети Видно, что эффективность правильного распознавания по ДР в МДРК выше, чем эффективность правильного распознавания по ДП

3 Результаты распознавания с накоплением сигналов

В главе 3 было показано, что некогерентное накопление позволяет повысить ОСШ, и соответственно, увеличить эффективность распознавания целей На рис 14 представлено сравнение результатов распознавания целей в МДРК при некогерентном накоплении 9, 12, 15 импульсов Видно, что при повышении числа импульсов накопления повышается эффективность распознавания по ОСШ Таким образом, при распознавании необходимо выполнять накопление сигналов, поскольку накопление является важным способом повышения качества распознавания

а- Вероятность правильного распознавания б- Вероятность правильного распознавания

по трем группам по одной цели

Рис 14 Сравнение вероятности правильного распознавания по ДР в МДРК с использованием некогерентного накопления

Вероятность правильного распознавания

Вероятность правильного распознавания

Отношение сигнал/шум (дБ) а- Вероятность правильного распознавания по трем группам целей

Рис 13 Сравнение вероятности правильного распознавания по признакам ДР и ДП

Отношение сигнал/шум (дБ) б- Вероятность правильного распознавания по одной цели

4 Анализ результатов моделирования и выработка требований к построению радиолокационной системы, решающей задачи распознавания с использованием аппарата НС

Рассмотрен общий подход к синтезу алгоритма определения ДР портретов, обеспечивающего требуемое качество решений, и выбраны требования к качеству радиолокационного распознавания При этом разработаны алгоритмы нейронных сетей на основе трех следующих критериев качества критерий 1- сравнение эффективности рас-поз* авания комплекса, состоящий из 1 -3 РЛС, критерий 2-сравнительный анализ между алгоритмами, использующими в качестве признаков классификации ДР и дально-стные портреты (ДП), критерий 3- анализ повышения эффективности радиолокационного распознавания в зависимости от количества импульсов при некогерентном накоплении

В полученных алгоритмах нейронных сетей требования к качеству выполняются за счет затягивания процедуры распознавания или снижения подробности классификации Во многих практических задачах РЛР ошибочные распознавания могут вызывать серьезные последствия Использование алгоритмов нейронных сетей решающих правил позволяет повышать эффективность РЛР за счет исключения ошибочных решений и более оперативного управления процедурой распознавания Рассмотрен также способ некогерентного накопления импульсов при распознавании на основе нейронных сетей Особенности при распознавании по ДР в МДРК следующие

а Влияние размера сектора наблюдения на вероятность распознавания

Величина сектора наблюдения выбирается исходя из следующих соображений Если эта неличина слишком большая, то при выбранном шаге приращения она приводит к тре-бовгнию большого объема памяти для хранения информации Если величина сектора наблюдения слишком маленькая, то будет недостаточно информации для распознавания В качестве критерия выбора примем следующий при приращении ракурса цели на один шаг диапазон пространственно-временного изменения основных отражающих элементов цели не должен бьггь больше разрешающей способности На рис 15 а видно, что при решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5-30 градусов

б Влияние угловой дискретизации сигнала на вероятность распознавания

При использовании ДР в качестве вектора признака распознавания возникает следующий вопрос как определить оптимальную величин / угловой диаретизации сип-ала в каждом угловом секторе наблюдения Если шаг углового при эащения слишком большой , то ДР тестируемой цели моя ет быть слабо коррели-ров.шна с ДР при малых уг-

Вармпссп праеммол) расгазюем*

УголршэтотитГ^ця)

а- Зависимость вероятности правильного распознавания от величинны углового сектора наблюдения

Чюв перчитм пт респомвам

Б- Зависимость вероятности правильного распознавания от числа портретов ДР в каждом секторе наблюдения

Рис 15 Зависимость вероятности правильного распознавания от величины углового сектора и числа портретов ДР в секторе наблюдения

ловых значениях ракурса распознаваемой цели Если шаг углового приращения слишком маленький, то полученные данные потребуют большого объема памяти для хранент используемой информации Поэтому для формирования базы данных должен быть выбран оптимальный шаг На рис 15 6 представлены результаты моделирования Для получения представленных результатов была произведена оценка вероятности правильного распознавания НС с различными значениями угловой дискретизации сигнала Видно, что при решении задачи радиолокационного распознавания предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 - 700

в Влияние числа нейронов в скрытом слое на вероятность распознавания Метод моделирования, рассматриваемый в диссертации, позволяет получить зависимость вероятности распознавания от числа нейронов в скрытом слое, из анализа которой можно выбирать соответственно число нейронов при решении задачи распознавания радиолокационных целей На рис 16 представлены результаты моделирования Для получения подобных результатов производилась оценка вероятности распознавания НС с различными числами нейронов при различных отношениях сигнал/шум Видно, что при решении задачи радиолокационного распознавания целесообразно выбирать число нейронов в пределах 100 -■- 700

В результате исследований в работе получены следующие научные результаты

1 Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основа аппарата НС

2 Сравнительный анализ эффективности распознавания радиолокационных целе 3 по диаграммам рассеяния и по дальностным портретам при использовании нейросетгвых алгоритмов обработки Результаты показывают, что использование в качестве признака распознавания ДР в МДРК является боле эффективным, чем по ДП (1 дБ для распознавания по группе целей и 3 дБ - по одной цели)

3 Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, который показывает возможность повышения вероятности распознавания по ОСШ на 3 - 5 дБ (для распознавания по группе целей) и на 2 - 4 дБ (для р опознавания по одной цели) при числе накопленных импульсов от 9 до 15

4 Выполнен анализ необходимого числа нейронов в скрытом слое при распознавании по ДР целей Показано, что число нейронов должно быть в пределах от 100 ^ 700

Вероятность правильного распознавания

Рис 16 Зависимость вероятности правильного распознавания от числа нейронов в скрытом слое

ЗАКЛЮЧЕНИЕ

5 Исследовано влияние размера сектора наблюдения на вероятность правильного распознавания Полученные результаты подтверждают возможность обеспечить требования к качеству распознавания При решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5-30 градусов

6 Методом цифрового статистического моделирования исследовано влияние угловой дискретизации сигнала на вероятность распознавания в МДРК Полученные результаты исследования подтверждают возможность обеспечить необходимые требования при решении задачи радиолокационного распознавания Показано, что предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 - 700

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Чинь Суан Шинь Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания / Чинь Суан Шинь, В И Ве-ремьев // Изв СПб ГЭТУ "ЛЭТИ" (Известия Государственного электротехнического университета) Сер Радиотехника и телекоммуникации - 2006 - Вып 1 - С 56-60

2 Веремьев, В И Использование диаграммы рассеяния цели в задачах радиолокационного распознавания / В И Веремьев, Чинь Суан Шинь // Изв Вузов России Радиоэлектроника - 2006 - Вып 5 - С 62-68

3 Веремьев, В И Моделирование алгоритмов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей / В И Веремьев, Чинь Суан Шинь // Изв СПб ГЭТУ "ЛЭТИ" (Известия Государственного электротехнического университета) Сер Радиотехника и телекоммуникации - 2006 - Вып 2-С 3-11

4 Чинь Суан Шинь Сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и дальностным портретам при использовании нейросетевых алгоритмов / Чинь Суан Шинь, В И Веремьев // Естественные и технические науки - 2006 - №б - С 219-222

5 Белокуров И Ю Пути решения задачи распознавания техногенных метеообразований радиолокационными средствами / И Ю Белокуров, В И Веремьев, Чинь Суан Шинь // Проблемы прогнозирования и предотвращения чрезвычайных ситуаций и их последствий тр науч - практ конф НИИ «Прогноз» СПб ГЭТУ «ЛЭТИ» - Санкт - Петербург 29 ноября 2006 - С 33-35

Подписано в печать 11 04 07 Формат 60*84 1/16 Бумага офсетная Печать офсетная Печ л 1,0 Тираж 100 экз Заказ 13

Отпечатано с готового оригинал-макета в типографии Издательства СПбГЭТУ "ЛЭТИ"

Издательство СПбГЭТУ "ЛЭТИ" 197376, С -Петербург, ул Проф Попова, 5

Перечень сокращений и условных обозначений.

Введение.1.

1. Постановка задачи и анализ алгоритмов распознавания радиолокацион- 16 пых целей

1.1. Постановка задачи проектирования систем распознавания целей.

1.1.1. Основы проектирования систем распознавания цели в пространст- 16 венно-разнесенном многодиапазонном радиолокационном комплексе (МДРК).

1.1.2 . Формирование алфавитов классов воздушных целей.

1.1.3. Признаки распознавания целей в МДРК.

1.1.4. Выбор признаков при распознавании целей в МДРК.

1.2. Анализ алгоритмов распознавания радиолокационных воздушных це- 31 лей.

1.2.1. Байесовские одноэтапные и близкие к ним алгоритмы распознава- 32 ния.

1.2.2. Непараметрические алгоритмы распознавания.

1.2.3. Многоэтапные алгоритмы распознавания.

1.2.4. Нейросетевые алгоритмы.

1.2.5. Выбор алгоритма распознавания.

2. Характеристики распознавания целей по диаграммам рассеяния (ДР).

2.1. Основные особенности функционирования многодиапазонного радио- 48 локационного комплекса.

2.1.1. Определения и классификация.

2.1.2. Преимущества многодиапазонного радиолокационного комплекса

2.2. Характеристики распознавания целей по ДР в МДРК.

2.2.1. Многопозиционная эффективная площадь рассеяния.

2.2.2. Статистические модели входных сигналов в МДРК.

2.2.3. Распознавание целей по ДР в МДРК.

3. Разработка алгоритма распознавания целей на основе иейросетевых 66 технологий при использовании в качестве признака диаграмм рассеяния

3.1. Разработка алгоритма распознавания целей на основе нейросетевых 66 технологий.

3.1.1. Понятие, классификация и прикладные возможности нейронных сетей

3.1.2. Структуры и принципы функционирования нейронных сетей для рас- 70 познавания.

3.1.3. Алгоритм распознавания воздушных целей на основе нейросетевых 74 технологий.'.

3.1.4. Проектирование системы распознавания воздушных целей в МДРК 87 на базе нейронных сетей.

3.2. Методы использования ДР при распознавании целей в МДРК

3.2.1. Моделирование исходных данных для проектирования.

3.2.2. ДР как векторы признака при распознавании.

3.2.3. Методы использования ДР при распознавании.

4. Моделирование процесса распознавания и оценка результатов.

4.1. Методы определения характеристик вторичного излучения.

4.2. Варианты распознавания по ДР.

4.3. Выбор программных средств.

4.4. Условия моделирования.

4.5. Процесс моделирования.

4.6. Результаты моделирования распознавания.

4.7. Анализ результатов моделирования.

Разработка систем распознавания и, в частности радиолокационного распознавания (РЛР), сопряжена с решением целого ряда задач. Центральным является вопрос о словаре признаков, на языке которых производятся как априорные описания классов объектов, так и апостериорное описание распознаваемых объектов. Связано это с тем, что рабочий словарь признаков определяет состав и технические характеристики измерительных средств системы распознавания, в данном случае РЛС, которые являются наиболее ресурсоемкими элементами системы [14, 33, 39].

Развитие радиолокации в последние десятилетия шло под знаком резкого повышения требований к основным характеристикам радиолокационных станций. Это и увеличение дальности действия и значительное увеличение точности, пропускной способности, эффективности защиты от разного рода помех и др. Возросли требования к так называемой "сигнальной" информации, используемой для распознавания целей. Несмотря на значительный прогресс в технике основных элементов и устройств РЛС, возросшие требования во многих случаях не удается удовлетворить в рамках традиционного построения РЛС. Необходимо совершенствовать принципы построения радиолокационных станций и систем. Одно из перспективных направлений - разработка и распознавание информации в многодиапазонном радиолокационном комплексе (МДРК), состоящем из разнесенных в пространстве радиолокационных позиций, совместно ведущих радиолокационное наблюдение целей.

Основная идея МДРК состоит в том, чтобы более эффективно использовать информацию, заключенную в пространственных характеристиках электромагнитного поля. Как известно, при облучении цели поле рассеяния создается во всем пространстве. Однопозиционная РЛС извлекает информацию только из одного малого участка поля, соответствующего апертуре приемной антенны [49, 55, 56]. В МДРК информация извлекается из нескольких разнесенных в пространстве участков поля рассеяния цели (или поля излучения источников сигналов), что позволяет существенно повысить информативность, помехозащищенность и ряд других важных характеристик. Развитие МДРК соответствует общей тенденции в технике - объединению отдельных технических средств в системы, в которых благодаря совместному функционированию и взаимодействию элементов значительно улучшаются новые возможности.

Диаграммы рассеяния (ДР) цели - типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств [21, 27, 29]. При облучении цели электромагнитной волной часть приходящей энергии поглощается, превращаясь в тепло, а остальная переизлучается (рассеивается) в различных направлениях. Наибольший интерес для радиолокации представляет та часть переизлучаемой энергии, которая рассеивается или отражается в обратном направлении. Однако в некоторых случаях важное значение имеет также энергия, рассеиваемая в других направлениях, как, например, для разнесенного, или интерференционного, радиолокатора с непрерывным излучением колебаний, в котором приемник расположен отдельно от передатчика.

ДР имеют множество свойств, соответствующих классификации цели, и могут быть измерены относительно быстро в любой ориентации самолета. Кроме того, для получения ДР необходимы РЛС, обладающие определенными характеристиками. Использование ДР для классификации самолета имеет недостатки, так как ДР сильно зависят от курса, частоты и поляризации. Однако, в МДРК используются радиолокационные системы, которые работают на разных частотах, в разных поляризациях и расположены в разных местах. Каждая РЛС в МДРК получает значение ДР, потом данные поступают на электронную вычислительную машину (ЭВМ). ЭВМ сравнивает и оценивает полученные данные. В качестве признака распознавания в диссертации исследуется диаграмма рассеяния цели, являющаяся интегральной характеристикой эффективной площади рассеяния (ЭПР) цели.

Нейронной сетью (НС) является громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура выстраивает в определенном порядке синаптические веса НС для обеспечения необходимой структуры взаимосвязей нейронов. Использование перечисленных свойств на фоне развития устройств со сверхбольшой степенью интеграции (VLSI) и повсеместного применения вычислительной техники вызвало в последние годы огромный рост интереса к нейронным сетям и существенный прогресс в их исследовании. Создана база для выработки новых технологических решений, касающихся восприятия, искусственного распознавания и обобщения видеоинформации, управления сложными системами, обработки речевых сигналов и т.п. [13, 15, 26, 31, 54].

Аппарат нейронных сетей, в частности, нейросетевой логический базис, нашел путь своего применения, прежде всего, благодаря тому, что появились мощные и сверхмощные пакеты математического моделирования (MATLAB, StatSoft и др.), которые позволили при проведении исследований сосредоточиться именно на вопросах применения нейронных сетей, освободиться от необходимости построения собственно нейронных сетей доказательства их корректности, стабильности и работоспособности для всех условий решаемых проблем. При решении вех сформулированных задач главными стали выбор и обоснование нужного типа нейронной сети, ее обучение и правильная интерпретация результатов, так как возможность решения с помощью нейронной сети задач прогнозирования, оценки рисков, идентификации, которые относятся к классу "практически безнадежных", принципиально повышает ответственность за полученные результаты.

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. После обучения такие системы могут достигать потенциальных пределов качества функционирования при решении задач обнаружения, разрешения - сверхразрешения, оценки параметров сигналов, распознавания образов. Таким образом, применение НС является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания РЛЦ.

Современный этап развития информационных технологий проходит в условиях резкого изменения геополитической ситуации и критериев решения различных проблем в условиях ограничения ресурса. Прибрежная зона становится ареной сосредоточения ресурсных, экологических, оборонных усилий государств. В этой зоне сосредоточено 60% населения и 90% мегаполисов и стратегических объектов, причём тенденция роста этих данных продолжается. Необходимость решения важнейших задач в этой зоне сопряжена с резким снижением информативности существующих систем наблюдения в связи с резким усложнением информационной обстановки. Это связано со сложными условиями формирования информационных полей различной физической природы, обусловленными интенсивными возмущениями естественного и антропогенного происхождения.

Необходимость совершенствования систем мониторинга окружающей среды и объектов и способов их применения, оптимизация требований к информационному обеспечению являются важной составной частью проблемы повышения эффективности систем освещения воздушной обстановки и комплексного управления прибрежной зоной Социалистической Республики Вьетнам. Решение проблемы включает ряд направлений, включающих научные и практические задачи разработки алгоритмов обработки сигналов в радиолокационных системах обнаружения, определения координат и распознавания воздушных целей [17, 18, 32].

Всё вышеизложенное является основанием для проведения исследований, направленных на разработку способов повышения качества алгоритмов распознавания воздушных целей в радиолокационных системах.

Известно, что повышение качества информационных структур непосредственно связано с уточнением моделей сигнально-помеховой обстановки, которая над морской поверхностью имеет специфические особенности. Интенсивно развиваемое направление «Комплексное управление прибрежной зоной», где сосредоточены основные противоречия не только прибрежных, но и других государств в условиях прогнозируемого развития систем мониторинга окружающей среды и объектов привело к интенсивной разработке многих вопросов в этой области.

Применительно к рассматриваемому направлению можно указать на работы исследователей ряда организаций: Аганина А.Г., Васильева О.В., Макаева В.Е. [2], Давыдова B.C. [18]; Гилого JI.A. [14]; Горелика A. JI., Барабаша Ю.Л., Кривошеева О.В. [17]; Черняка B.C. [55-57]; Небабина В.Г., Сергеева В.В. [33]; Фархата Н.Х. [51]; Ширмана Я.Д. и его школы [61-65]; Митрофанова Д.Г., Ермоленко В.П. [32]. Из зарубежных исследователей следует указать на работы: August W. Rihaczek, Stephen J. Hershkowitz [67]; Chamberlain N., Walton E., Garber E. [70]; Ray Smith C., Paul M. Goggans [82].

Однако существуют резервы, одним из которых определяется факт, что^) улучшение качества структур радиолокационного распознавания и используе-Ч мых ими сигналов определяются всё более точными моделями сигнально-помеховой обстановки в информационном канале и характеристиками канала, влияющими на отношение сигнал/помеха в точке приёма отражённого от цели сигнала, а также более сложными алгоритмами, соотносящимися с интеллектуальными возможностями человека. В такой постановке, по мнению автора, задача решается впервые. \

Основная цель диссертационного исследования:

Основной целью диссертационного исследования является разработка методов распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесённом многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей.

Указанная цель достигается решением ряда задач: 1. Анализ, обобщение и уточнение модели распознавания, выбор признаков при распознавании радиолокационных целей (РРЦ).

2. Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработку алгоритмов распознавания целей по диаграммам рассеяния в многодиапазонном радиолокационном комплексе.

3. Разработка нейросетевых алгоритмов распознавания.

4. Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК.

5. Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков диаграмм рассеяния и дальностных портретов (ДП) на основе моделирования.

6. Исследование зависимости вероятности правильного распознавания от величины сектора наблюдения и выборки угловой дискретизации сигнала, а также определение влияния числа нейронов в скрытом слое на качество распознавания.

Объект и предмет исследования. Объектом исследования является система радиолокационного распознавания целей в МДРК по диаграммам рассеяния на основе аппарата нейронных сетей. Предметом исследования являются нейросетевые алгоритмы, методы использования ДР при распознавании, обеспечивающие структурно-параметрическое обучение и повышающие вероятность правильного распознавания.

Основные методы исследований. Основными методами исследований являлись анализ и обобщение данных, аналитический расчёт, алгоритмизация и программирование, имитационное моделирование и статистический анализ.

Основным инструментом реализации указанных методов явилось применение общей теории радиолокации, теории рассеяния радиоволн воздушными объектами, теории распознавании радиолокационных целей, теории обработки сигналов, теории искусственных нейронных сетей, объектно-ориентированное моделирование, имитационный машинный эксперимент и сопоставление его результатов с данными, соответствующими реальным условиям использования радиолокационной системы в прибрежной зоне Социалистической Республики

Вьетнам.

Научной новизной обладают следующие результаты, полученные автором в процессе выполнения работы:

1. Модель распознавания радиолокационных целей по диаграмме рассеяния основанная на использовании аппарата нейронных сетей.

2. Структура системы радиолокационного распознавания, синтезированная на основе совершенствования её технических характеристик и применяемых сигналов.

3. Методики использования диаграммы рассеяния при распознавании целей в МДРК на основе нейронных сетей; сравнение эффективности распознавания при использовании в качестве признака диаграмм рассеяния и дальностных портретов.

4. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК.

Научные положения, выносимые на защиту:

1. Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе применения аппарата НС.

2. Разработан алгоритм распознавания воздушных целей на основе анализа диаграмм рассеяния в многопозиционных многодиапазонных радиолокационных системах с использованием сигмоидальной функции возбуждения нейронов. Выработана рекомендация к выводу числа нейронов в скрытом слое при распознавании по ДР целей.

3. Исследовано влияние размера сектора наблюдения и влияние угловой дискретизации сигнала на вероятность распознавания целей по ДР в МДРК. Полученные в процессе исследования результаты подтверждают возможность обеспечения необходимых требований при решении задачи радиолокационного распознавания.

4. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования.

5. Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов распознавания.

6. Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, также предложена структурная схема предварительной диаграммы рассеяния с высоким разрешением.

К основным практическим результатам относятся:

1. Выработаны рекомендации по построению систем радиолокационного распознавания в многопозиционных многодиапазонных радиолокационных системах применительно к задачам, решаемым в системах воздушного наблюдения.

2. Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов.

3. Полученные теоретические результаты могут быть использованы в учебном процессе технических вузов России и Вьетнама.

Внедрение результатов работы. Полученные результаты могут быть использованы при разработке технических средств радиолокационного мониторинга воздушного пространства Социалистической Республики Вьетнам.

Научная новизна заключается в разработке объектно-ориентированной модели информационного канала и использования как инструмента оценки качества и обоснования предложений по улучшению качества систем распознавания при наличии нескольких типов помех. Теоретическая значимость состоит в дальнейшем развитии методов объектно-ориентированного моделирования информационных систем.

Практическая значимость состоит в разработке объектно-ориентированной модели применительно к конкретным реальным условиям. Автор участвовал в ряде работ в Социалистической Республике Вьетнам применительно к теме диссертационного исследования.

Апробация работы. Основные результаты работы докладывались на: ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЭТУ «ЛЭТИ» в 2005-2007гг; научно-технических конференциях НИИ "Прогноз" СПб ГЭТУ «ЛЭТИ» [25, 44, 58].

Публикации. По теме диссертации опубликовано 5 научных работ, из них - 4 статьи [9, 10, 59, 60], 1 работа - в трудах научно-практической конференции [8].

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, двух приложений и списка литературы, включающего 90 наименований. Основная часть работы изложена на 125 страницах машинописного текста. Работа содержит 45 рисунков и 4 таблицы.

Результаты работы предполагается реализовать по следующим направлениям:

• разработка предложений по перспективному развитию технических средств радиолокации;

• в научно-исследовательских работах, научно-исследовательских учреждениях СРВ;

• в учебном процессе Ханойского технического университета им. Ле Куи Дона.

Целесообразно продолжить работу по дальнейшему уточнению модели радиолокационного распознавания в МДРК применительно к конкретным районам использования и решения различных задач.

Общий вывод. Полученные в диссертационной работе результаты исследования позволяют проанализировать и оценить возможность распознавания целей в МДРК на основе признака ДР, оценить возможность применения аппарата нейронных сетей при распознавании целей в МДРК. Для внедрения алгоритмов НС в практических системах распознавания целей требуется дополнительная информация о статистических моделях исследуемых объектов, обоснование целесообразности и полезности применения НС при распознавании РЛЦ и решение задачи выбора параметров и схемных реализаций при проектировании системы распознавания РЛЦ в МДРК.

ГО ч сг л >. с 2

5 500 5 000 4 500 4 000 3 500 ООО 500 ООО 1 500 1 ООО 500

А 1 \ 1 J

О 20 40 60 80 100 120 140 1Б0 180 200 220 240 260 280 300 320 340

Азимутальный угол (град). Рис. 1. Диаграмма рассеяния при приеме

270 275 280

Азимутальный угол (град).

Рис. 2. Диаграмма рассеяния цели после предварительной обработки

L

1 и М\Л м

О 20 40 60 80

Отсчёты по дальности а. Дальностннй портрет

100

270 275

Азимутальный угол

280 б. Диаграмма рассеяния (град.)

Рис. 3. ДП и ДР использованные при сравнении качества распознавания г<8Н

Вход сигнала

НЧФ

90°

Опорная частота

НЧФ

Программа «RADAR TARGET BACKSCATTERING SIMULATION» 1

Измерение энергии сигала и создание соответствующего шума з

Генератор «белого» шума С2 4 —>

Данные для обучения и проверки НС

Рис. 4. Структурная схема создания дальностных портретов для обучения и проверки НС

ЗАКЛЮЧЕНИЕ

Основной целью диссертационного исследования являлась разработка методов распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесённом многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей.

В результате исследований в работе получены следующие научные результаты:

1. Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе аппарата НС.

2. Сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов обработки. Результаты показывают, что использование в качестве признака распознавания ДР в МДРК является боле эффективным, чем по ДП (1 дБ для распознавания по группе целей и 3 дБ - по одной цели).

3. Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, который показывает возможность повышения вероятности распознавания по ОСШ на 3 * 5 дБ (для распознавания по группе целей) и на 2 4 дБ (для распознавания по одной цели) при числе накопленных импульсов от 9 до 15.

4. Выполнен анализ необходимого числа нейронов в скрытом слое при распознавании по ДР целей. Показано, что число нейронов должно быть в пределах от 100-^-700.

5. Исследовано влияние размера сектора наблюдения на вероятность правильного распознавания. Полученные результаты подтверждают возможность обеспечить требования к качеству распознавания. При решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5^30 градусов.

6. Методом цифрового статистического моделирования исследовано влияние угловой дискретизации сигнала на вероятность распознавания в МДРК. Полученные результаты исследования подтверждают возможность обеспечить необходимые требования при решении задачи радиолокационного распознавания. Показано, что предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 -т- 700.

1. Аверьянов, В.А. Разнесенные радиолокационные станции и системы. М.: Наука и техника, 1978.- 184с.

2. Аганин, А.Г. Распознавание воздушной цели класса "самолет с винтовым двигателем"/ А.Г. Аганин , О.В. Васильев, В.Е. Макаев// Радиотехника, 2001.-N8.-С. 69-73.

3. Бакулев, П.А. Радиолокационные и радионавигационные системы/ П.А. Бакулев, A.A. Сосоновский. М.: Радио и связь, 1994. - 296с.

4. Бакулев, П.А. Методы и устройства селекции движущихся целей/ П.А. Бакулев, В.М. Степин. М.: Радио и связь, 1986. - 288с.

5. Барабаш, Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224с.

6. Барабаш, Ю.Л. Вопросы статистической теории распознавания/ Ю.Л.Барабаш, Б.В. Барский, В.Т. Зиновьев и др.; под ред. Б.В. Барского.-М.: Сов. радио, 1967. 400с.

7. Башкиров, Л.Г. Радиолокационное распознавание воздушных объектов по радиоакустическим спектральным портретам с использованием обучаемых нейронных сетей/ Л.Г. Башкиров, Б.Н. Саблин, Б.Б. Чапурский, А.П. Шей-ко// Полет. 2002 .- N8.- С. 23 - 33.

8. Веремьев, В.И. Использование диаграммы рассеяния цели в задачах радиолокационного распознавания/ В.И. Веремьев, Чинь Суан Шинь// Изв. вузов России,- Радиоэлектроника.- 2006,- Вып.5.- С. 62-68.

9. Веремьев, В.И. Моделирование алгоритмов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей/ В.И. Веремьев, Чинь Суан

10. Шинь// Изв. СПб ГЭТУ "ЛЭТИ".- Сер. Радиотехника и телекоммуникации,-2006.- Вып.2.- С. 3-11.

11. Виноградов, H.A. Справочник по устройствам цифровой обработки информации/ H.A. Виноградов, В.Н. Яковлев, В.В. Воскресенский и др.; под ред.

12. B.Н. Яковлева. Киев: Техника, 1988. - 415с.

13. Винокуров, В.И. Морская радиолокация/ В.И. Винокуров, В.А. Генкин ,

14. C.П. Калениченко, под ред. В.И. Винокуров.- Л.: Судостроение, 1986.- 256с.

15. Галушкин, А.И. Нейрокомпьютеры. Кн. 3: учеб. пособие для вузов/ под ред. А.И. Галушкин. М.:ИПРЖР, 2000. - 528с.

16. Гиголо, Л.А. Распознавание сигналов со сложными спектрами при изменении его масштаба.-М.: Радиотехника и электроника, 2003.- Т.48, N7.- С. 810-817.

17. Головко, В.А. Нейронные сети: обучение, организация и применение /под ред. А.И. Галушкина.- М.: ИПРЖР, 2001. -256с.

18. Горелик, А.Л. Селекция и распознавание на основе радиолокационной информации/ А.Л. Горелик , Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн ; под ред. А.Л. Горелика. М.: Радио и связь, 1990. - 240с.

19. Горелик, А.Л. Методы распознавания/ А.Л. Горелик, В.А. Скрипник.- М.: Высш. шк., 2004.- 261с.

20. Давыдов, B.C. Распознавание сложных целей в радиолокации. Учебное пособие.- Санкт-Петербург, Издательство СПб ГЭТУ "ЛЭТИ", 2002.- 80с.

21. Калан, Р. Основные концепции нейронных сетей.- М.: Издательский дом «Вильяме», 2001.-288с.

22. Кетков, Ю.Л. Мат1аЬ 6.x: программирование численных методов/ Ю.Л. Кетков, А.О. Кетлов, М.М. Шульц.- Санкт-Петербург "БХВ-Петербург", 2004.- 672с.

23. Кобак, В.О. Радиолокационные отражатели. Под редакцией О.Н. Леоньев-ского.- Москва "Советское радио", 1975г.- 248с.

24. Конторов, Д.С. Введение в радиолокационную системотехнику. М.: Сов. Радио, 1971.-365с.

25. Кузьмин, С.З. Цифровая радиолокация,- Киев, 2000. 428 с.

26. Кузьмин, С.З. Основы проектирования систем цифровой обработки радиолокационной информации. М.: Радио и связь, 1986. - 352с.

27. Леоненков, A.B. Нечёткое моделирование в среде MATLAB и FuzzyTech.-Санкт-Петербург, 2003. 736 с.

28. Леонтьев, В.В. Информативность статистик ЭПР локальных отражателей в задачах классификации.- Изв. ЛЭТИ, выпуск 427, Ленингр. 1990.- С. 26-31.

29. Леонтьев, В.В. Критерии дальней зоны для измерения эффективной площади рассеяния морских объектов.- Радиотехника и электроника, том48, номер 12.- "Наука" МАИК "Наука/интерпериодика", 12. 2003.- С. 1443-1447.

30. Леонтьев, В.В. Характеристики радиолокационного рассеяния морских объектов: учебное пособие.- Санкт-петербург 1999.- 160с.

31. Медведев, B.C. Нейронные сети в MATLAB в./ B.C. Медведев, В.Г. Потемкин.- М: Диалог-Мифи, 2002. 496 с.

32. Минаев, О.Н. Методы и алгоримы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе/ О.Н. Минаев, О.Ю. Филимонова, Бенамеур Лиес// Москва "Горячая линия-Телеком" 2003.- 205с.

33. Митрофанов Д.Г. Распознавание воздушных целей за счет измерения их пространственной протяженности/ Д.Г. Митрофанов, В.П. Ермоленко// Москва "Зарубежная радиоэлектроника", 1996.- N1.- С. 53 56.

34. Небабин, В.Г. Методы и техника радиолокационного распознавания/ В.Г. Небабин, В.В. Сергеев.- М.: Радио и связь, 1984 .- 154с.

35. Оссовский, С. Нейронные сети для обработки информации: пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344с.

36. Патрик, Э. Основы теории распознавания образов: пер. с англ. М.: Сов. Радио, 1980.-408с.

37. Под ред. И.Б. Гуревича. Распознавание образов, состояние и перспективы: пер. с англ.- М.: радио и связь, 1985.- 104с.

38. Под ред. Д.А. Поспелова. Нечёткие множества в моделях управления и искусственного интеллекта. -М.: Наука, 1986.-312с.

39. Под ред. A.B. Соколова. Вопросы перспективной радиолокации. -М.: Радиотехника, 2003.- 512с.

40. Под ред. А.Г. Ивахненко. Система распознавания образов- Киев: Наук, думка, 1975.-432с.

41. Под ред. Ю.Б. Кобзарева. Современная радиолокация: анализ, расчёт и проектирование систем.- М.: «Советское радио», 1969. 675с.

42. Под ред. JT.T. Тучкова. Радиолокационные характеристики летательных аппаратов.- М.: Радио и связь, 1985. 236с.

43. Под ред. Я.Д. Ширмана. Радиоэлектронные системы: основы построения и теории.- Справочник. М.: АОЗТ "МАКВИС".- 1998. - 828 с.

44. Под ред. Я.Д. Ширмана. Теоретические основы радиолокации.- М., изд-во «Советское радио», 1970. 560с.

45. Самойлов, С.И. Измерения бистатических эффективных поверхностей рассеяния сложных объектов.- Электромагнитные волны и радиоэлектронные системы,- №2- Т5.- 2000г.- С. 64-68.

46. Сергиенко, А.Б. Цифровая обработка сигналов: учебник для вузов.- Моско-ва, Санкт-Петербург, Нижний Новгород, Воронеж, Ростов-на-Дону, Екатеринбург, Самара, Новосибириск, Киев, Харьков, Минск 2005.- 603с.

47. Сколник, М. Введение в технику радиолокационных систем.- Издательство "Мир".- Москва 1965,- 747с.

48. Сосулин, Ю.Г. Теоретические основы радиолокации и радионавигации: учеб. пособие для вузов. М.: Радио и связь, 1992. - 304с.

49. Справочник по радиолокации, перевод с английского в 4-х томах. Том 1 .Основы радиолокации, под. ред. Я.С. Ицхоки.- М.: Сов. Радио, 1976.- 456с.

50. Терехов, В.А. Нейросетевые системы управления: кн. 8.- Нейрокомпьютеры и их применение: учеб. пособие для вузов./ В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин// Общая ред. А.И. Галушкина. М: ИПРЖР, 2002. - 480с.

51. Фархат, Н.Х. Формирование радиолокационных изображений методом разнесения в диапазоне СВЧ и автоматизированная идентификация целей, основанная на использовании моделей нейронных сетей.- ТИИЭР. Т. 77. № 5, 1989.- С. 43-56.

52. Фомин, Я.А. Статистическая теория распознавания образов/ Я.А. Фомин, Г.Р. Тарловский. М.: Радио и связь, 1986. - 264с.

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

54. Хайкин Саймон. Нейронные сети: полный курс, 2-е издание, исправленное.-Пер. с англ.- Москва, СПб, Киев, 2006. 1104 с.

55. Черняк, B.C. Многопозиционные обнаружители флуктуирующих сигналов на фоне пространственно-коррелированных помех. Радиотехника и электроника.- 1987-Т.32, №2.- С. 334-346.

56. Черняк, B.C. Предисловие научного редактора. Зарубежная радиоэлектроника." 1987, №\.-С. 3-8.

57. Черняк, B.C. Многопозиционная радиолокация.- Радио и связи,- Москва 1993.-416с.

58. Чинь Суан Шинь. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания/ Чинь Суан Шинь, В.И. Веремьев// Изв. СПб ГЭТУ "ЛЭТИ". Сер. Радиотехника и телекоммуникации, 2006.- Вып. 1.- С. 56-60.

59. Ширман, Я.Д. О некоторых алгоритмах классификации объектов по совокупности признаков.- Радиотехника и электроника.- Вып. 7- 1995.- С. 1095 1102.

60. Ширман, Я.Д. Разрешение и сжатие сигналов.-М.: Сов. Радио, 1974. 360с.

61. Ширман, Я.Д. Методы радиолокационного распознавания и их математическое моделирование/ Я.Д. Ширман, С.А. Горшков и др.; под ред. Я.Д. Ширмана.- Радиолокация и радиометрия.- №2, 2000.- Вып. 3.- С. 5 64.

62. Ширман, Я.Д. Теория и техника обработки радиолокационной информации на фоне помех/Я.Д. Ширман, В.Н. Манжос. -М.:Радио и связь, 1981.-416с.

63. Ширман, Я.Д. Нейрокомпьютерное распознавание радиолокационных целей с учётом мешающих факторов/ Я.Д. Ширман, В.М. Орленко; под ред. Я.Д. Ширмана// Радиолокация и радиометрия- Вып. 3, №2, 2000.- С. 74 92.

64. Шишов, С.А. Классификаторы на основе нейронных структур. Зарубежная радиоэлектроника, № 8.- 1992.- С. 135 - 155.

65. August, W. Rihaczek. Theory an practice of radar target identification/ W. Ri-haczek August, Stephen J. Hershkowitz.- Artech House Inc, 2000.- 738p.

66. Bell, M.R. JEM Modeling and measurement for radar target identification/ M.R. Bell, R.A. Grubbs// IEEE Trans. Aerosp. Electron. Syst., vol. AES-29, January 1993.- P. 73-87.

67. Bernard, D. Steinberg. Experimental localized radar cross section of aircraft/ Steinberg Bernard, Donald L. Carlson.- IEEE, Fellow, 1989.- P. 663-669.

68. Chamberlain, N. Radar target identification of aircraft using polarisation: diverse features/ N. Chamberlain, E. Walton and E. Garber// IEEE Trans. Aerosp. Electron. Syst, vol. AES-27, Januaiy 1991.- P. 58-66.

69. Hassibi, B. The H" optimality of the LMS algorithm/ B. Hassibi, A.H. Sayed and T. Kailath// IEEE Trans. On Signal processing, 1996, vol.44.- P. 267-280.

70. Haykin, S. Neural networks expand SP's horizons.- IEEE Signal Processing Magazine, 13, No. 3, March 1996.- P. 24-49.

71. Johnston, S.L. Target fluctuation models for radar system and performance analysis/ S.L. Johnston, P. Swerling, X. Xu, P. huang// IEEE Trans. Aerosp. Electron. Syst., vol. AES-33, Part two, February 1997.- P696-720.

72. Jouny, I. Classification of radar targets using synthetic neural networks/1. Jouny, F.D. Garber, S. AhaltII IEEE Trans. Aerosp. Electron. Syst., vol. AES-29, April 1993.- P. 336-344.

73. Kwan, H.K. Pulse radar detection using a multilayer neural network/ H.K. Kwan, C.K. Lee//JFCNN-89, 1989, vol. 2.- P. 75 80.

74. Milne, K. Principles and concepts of multistatic surveillance radar.- Proc. Intern. Radar conf. "Radar' 77".-London, 1977.- P. 46-52.

75. Nadav, Levanon. Radar signals/ Levanon Nadav, Eli Mozeson// Wiley-Interscience, 2004,- 432 p.

76. Paul, J.W. Backpropagation through time: what it does and how to do it/ Proceedings of the. IEEE., Vol. 78, No. 10, October 1990.- P. 1550-1560.

77. Peter, swerling. Radar probability of detection for some additional fluctuating terget cases.- IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997,- P. 698-709.

78. Piazza, E. Radar signals analysis and modellization in the presence of JEM application to civilian ATC radars.- IEEE AES Magazine, January 1999.- P. 35-40.

79. Ray, Smith C. Radar target identification/ C. Smith Ray, M. Paul Goggans// IEEE Antennas and propagation magazine, vol.35, No.2, April 1993.- P. 27-37.

80. Shirman, Y.D. Computer simulation of aerial target radar scattering: detection, recognition and tracking.- Boston-London, Artech house, Inc. 2002.- 296p.

81. Shirman, Y.D. Radar target backscattering simulation Sofware and User's Manual/ Y.D. Shirman, S.A. Gorshkov, S.P. Leshchenko, V.M. Orlenko, S.Yu. Sedy-shev// Boston-London, Artech House, 2002.

82. Steinberg, B.D. Microwave imaging of aircraft.- Proc. IEEE, vol. 76, December 1988.-P. 1578-1592.

83. Stephen, L. Johnston. Target fluctuation models for radar system design and performance analysis: an overviw of three papers.- IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997.- P. 696 697.

84. Stevenson, M. Sensitivity of layered neural networks to errors in the weights/ M. Stevenson, Winter and B. Widrow// International Joint Conference on Neural Network, 1990, vol. 1, Washington, DC.- P. 337-340.

85. Trintinalia, L.C. Joint time-frequency ISAR using adaptive processing/ L.C. Trintinalia, H. Ling// IEEE Trans. Antennas Propagat., vol. 45, Feb. 1997.- P. 221-227.

86. Van, der Heiden R. Aircraft recognition with radar range profiles.- PhD thesis, University of Amsterdam, 1998.- 196p.

87. Xiaojian, Xu. A new RCS statistical model of radar targets/ Xu Xiaojian, Huang-PeikangII IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997.- P. 710714.