автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Телевизионная система нейросетевого наблюдения наземных объектов

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ СЛЕЖЕНИЯ ЗА НАЗЕМНЫМ ОБЪЕКТОМ В ПОЛЕТЕ И ПОСТАНОВКА ЗАДАЧИ ВЫБОРОЧНОГО НАБЛЮДЕНИЯ.

1.1. Анализ функционирования системы слежения в полете за наземным объектом.

1.2. Постановка задачи выборочного наблюдения и повышения качества изображения при слежении за наземной целью.

1.3. Предлагаемый подход к решению задачи выборочного наблюдения.

1.4. Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА НЕЙРОСЕТЕВОЙ ПРОЦЕДУРЫ РАСПОЗНАВАНИЯ ДИНАМИЧЕСКИХ ПОМЕХ.

2.1. Классификация динамических помех, их упрощенное математическое описание и предварительная оценка точности определения границ их распространения.

2.2. Выбор состава информативных признаков при распознавании динамической помехи и составление примеров для обучения нейронной сети.

2.3. Результаты обучения нейронной сети задаче распознавания динамической помехи при использовании предварительно сформированных информативных признаков.

2.4. Опознавание динамической помехи без предварительной обработки информации.

2.5. Выбор состава информативных признаков при классификации динамической помехи.

2.6. Результаты обучения нейронной сети задаче оценки степени опасности маскирования помехой наблюдаемого объекта.

2.7. Выводы по главе 2.

ГЛАВА 3. ФОРМИРОВАНИЕ НЕЙРОСЕТЕВОЙ ПРОЦЕДУРЫ ВЫБОРА СЕКТОРА НАБЛЮДЕНИЯ, СВОБОДНОГО ОТ ПОМЕХ, И ОЦЕНКА КОНТРАСТНОСТИ ОРИЕНТИРОВ МЕСТНОСТИ.

3.1. Выбор сектора наблюдения, свободного от помех, с учетом динамики их распространения.

3.2. Результаты обучения нейронной сети задаче альтернативного выбора сектора наблюдения.

3.3. Двумерный алгоритм апертурного сжатия данных контрастности ориентиров для оценки информативности участков сектора наблюдения.

3.4. Результаты обучения нейронной сети задаче оценки степени информативности участков выбранного сектора наблюдения.

3.5. Выводы по главе 3.

ГЛАВА 4. ВЫБОР АЛЬТЕРНАТИВЫ ПЕРЕМЕЩЕНИЯ ПОЛЯ ЗРЕНИЯ АППАРАТУРЫ НАБЛЮДЕНИЯ, ОБЕСПЕЧИВАЮЩИЙ ОПТИМАЛЬНЫЙ РЕЖИМ СЛЕЖЕНИЯ.

4.1. Формирование минимизируемого функционала качества наблюдения и постановка задачи оптимального слежения.

4.2. Выбор оптимальной траектории движения поля зрения с помощью динамического программирования.

4.3. Анализ свойств информативного перемещения поля зрения вдоль контрастных ориентиров местности.

4.4. Обучение нейронной сети альтернативному выбору траектории перемещения поля зрения.

4.5. Выводы по главе 4.

ГЛАВА 5. МОДЕЛИРОВАНИЕ НА ЭВМ ПРОЦЕССОВ НАБЛЮДЕНИЯ И РАСПОЗНАВАНИЯ.

5.1. Выбор цифровых алгоритмов повышения качества изображения для различных элементов поля зрения.

5.2. Моделирование на ЭВМ процесса возникновения множественных помех и выборочного наблюдения ориентиров местности.

5.3. Оценка возможности технической реализации нейросетевой системы выборочного наблюдения в задаче наведения JIA.

5.4. Оценка возможности применения выборочного наблюдения в автоматизированной системе посадки беспилотного летательного аппарата (БЛА).

5.5. Выводы по главе 5.

Задача наблюдения в полете наземных объектов является одной из актуальных проблем управления и получения необходимой для различных целей информации. Космическая и авиационная разведка природных ресурсов, экологический мониторинг, навигация по наземным ориентирам, контроль ситуации на аэродроме при посадке вблизи взлетно-посадочной полосы, наведение на определенный наземный объект или слежение за ним - все это требует высококачественного решения задач распознавания, обработки изображений и выбора наиболее информативных участков для наблюдения.

Однако решению перечисленных задач мешают различного рода помехи -облачность, осадки, и, что особенно неприятно, внезапное появление крупных образований, развивающихся или передвигающихся в нежелательном направлении. Эти помехи надо обнаружить, классифицировать и применять в различных случаях неодинаковые способы борьбы для устранения их влияния на главную цель - наблюдение и слежение за выбранным наземным объектом и окружающих его ориентиров на местности. Наиболее трудная ситуация возникает тогда, когда интересующий потребителя объект оказывается временно полностью замаскированным помехой.

В рассматриваемой ситуации возникновения динамических помех возможно дополнительное затруднение - этих помех может быть не одна, а множество, и их движение происходит в различных направлениях. Поэтому необходимо селектировать их, разделяя на опасные и неопасные, чтобы затем определить сектор наблюдения, свободный от маскирующего воздействия, и изменять положение поля зрения в зависимости от возникшей динамической обстановки.

Эти сложные действия в некоторых случаях может осуществить человек, однако ввиду острейшего дефицита времени он не способен эффективно решать эти задачи. Нужна автоматизация процесса выборочного наблюдения и слежения и интеллектуальная поддержка задач распознавания, классификации ситуаций и обработки изображений. 6

Существующие традиционные подходы к решению рассматриваемой проблемы, основанные на аналитических либо численных методах разработки программируемых алгоритмов, отличаются высокой вычислительной трудоемкостью и недопустимо низким быстродействием. Поэтому разработка более эффективного и универсального подхода, позволяющего принимать решения без участия человека в реальном масштабе времени, является актуальной задачей.

Как показал литературный обзор [4, 5, 54, 55, 56, 58, 59], проблема наблюдения наземной обстановки в полете и навигации по ориентирам широко известна. В частности, рассматривается возможность автономной навигации космических аппаратов по изображению подстилающей поверхности [58], а также процессы принятия решений летчиком при появлении мешающих факторов различной природы [56, 59]. Однако, сама технология процедур обработки измерительной информации, последующей навигации и принятия решений основана либо на программируемых алгоритмах байесовского оценивания [4, 5], либо не раскрывается вообще, полагая, что обнаружение объектов и их целеуказание осуществляется человеком. Между тем в автоматическом режиме самым сложным является процесс выявления динамических событий, их классификации и последующего слежения за наземной целью.

Возможны различные подходы к задаче распознавания. Классический подход основан на максимальном использовании всей априорной и апостериорной информации. Это сводится к учету вероятностных характеристик множества параметров распознаваемых классов. Апостериорную оценку можно получить с помощью трудоемкой формулы Байеса, которая позволяет принять решение по критерию максимума правдоподобия, но применение этой процедуры в реальном масштабе времени затруднительно.

Этим вопросам в наиболее полной мере отвечают методы искусственного интеллекта. Технология искусственного интеллекта включает в себя 7 искусственные нейронные сети (ИНС), экспертные системы, нечеткую логику, генетические алгоритмы и другие элементы. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя природное развитие, либо «человеческие» пути решения проблемы [1, 2, 3, 9].

Экспертные системы и устройства нечеткой логики - это основанные на знаниях экспертов-специалистов системы принятия решений в данной предметной области, с использованием фактов о конкретной ситуации и механизма логического вывода в детерминированной или нечеткой форме для получения необходимого ответа, его объяснения и общения с пользователем [6, 7, И, 15, 19, 20, 25,26].

Однако неудобство этих систем состоит в том, что для использования логических правил необходимо предварительно преобразовать в реальном масштабе времени количественные значения параметров (такие, как угловые положения наблюдаемых объектов, их яркости, скорость и высота полета и т.д.) в качественные оценки. Главное, сами правила поведения до конца неясны в такой сложной задаче, как обнаружение и классификация помех и процесс перемещения поля зрения на окружающие наземную цель ориентиры для последующей навигации.

Гораздо проще составить как бы меню готовых ответов для множества различных ситуаций, т.е. использовать примеры альтернативного поведения в конкретных случаях. Этой идее наиболее полно отвечают искусственные нейронные сети, которые получили наибольшее распространение среди элементов искусственного интеллекта [8, 9, 10, 17, 18]. Успех ИНС определяется простотой в использовании, а также их высоким быстродействием, универсальностью и удобством в обучении, требующем для этого лишь определенное множество примеров правильного решения на выходе при заданных значениях входных сигналов. Для понимания принципов построения и работы нейронных сетей необходимо рассмотреть их 9

У ' 1 к

0 5 X

Рис. 2. Упрощенная модель технического нейрона.

Часто удобно рассматривать д как весовой коэффициент, связанный с постоянным входом х=1. Положительные веса соответствуют возбуждающим связям, а отрицательные - тормозным. Доказано, что при соответствующим образом подобранных весах совокупность параллельно функционирующих нейронов подобного типа способна выполнять универсальные вычисления. Здесь наблюдается определенная аналогия с биологическим нейроном: передачу сигнала и взаимосвязи имитируют аксоны и дендриты, веса связей соответствуют синапсам, а пороговая функция отражает активность сомы.

Различная структура связей между нейронами определяет архитектуру искусственной нейронной сети (ИНС). ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями. Иллюстрация типовых архитектур ИНС различного типа представлена на рис. 3.

10

Найршммсмъ

Рис. 3. Систематизация архитектур сетей прямого распространения и рекуррентных (с обратной связью).

В семействе сетей первого класса, называемых «многослойным персептроном» [41], нейроны расположены слоями и имеют однонаправленные связи между слоями. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети.

Многослойный персептрон может формировать сколь угодно сложные границы принятия решения и реализовывать произвольные булевы функции. Разработка алгоритма обратного распространения для определения весов в многослойном персептроне сделала эти сети популярными у исследователей и пользователей нейронных сетей. Сети, использующие радиальные базисные функции (11ВР-сети), являются частным случаем двухслойной сети прямого распространения. Каждый элемент скрытого слоя использует в качестве активационной функции радиальную базисную функцию типа гауссовой. Обычно ядер гораздо меньше, чем обучающих примеров. Каждый выходной элемент вычисляет линейную комбинацию этих радиальных базисных функций.

К числу ИНС рекуррентного типа относятся сеть Хопфилда [9] и самообучающиеся сети типа соревновательных или сети Кохонена [9]. В связи с тем, что в задачах обнаружения и классификации помех, а также при выборе направления перемещения поля зрения аппаратуры число альтернатив заранее

11 известно, то нет необходимости генерировать число вновь выявленных категорий событий. Поэтому вместо самообучающихся структур целесообразно обратиться к наиболее популярной сети Хопфилда, которая в силу полносвязности и избыточности структуры обеспечивает высокую надежность распознавания. К тому же есть возможность обучить ее до полета, и в силу своей способности учитывать корреляцию между соседними точками изображения, она принята в данной работе за основу.

Формализация Хопфилда сделала ясным принцип хранения информации как динамически устойчивых аттракторов и популяризовала использование рекуррентных сетей для ассоциативной памяти и для решения комбинаторных задач оптимизации. Динамическое изменение состояний сети может быть выполнено по крайней мере двумя способами: синхронно и асинхронно. В первом случае все элементы модифицируются одновременно на каждом временном шаге, во втором - в каждый момент времени выбирается и подвергается обработке один элемент. Этот элемент может выбираться случайно. Главное свойство энергетической функции состоит в том, что в процессе эволюции состояний сети согласно уравнению она уменьшается и достигает локального минимума (аттрактора), в котором она сохраняет постоянную энергию. Структура сети Хопфилда представлена на рис. 4 и иллюстрирует связи между нейронами по принципу «каждый с каждым».

12

Рис. 4. Структурная схема полносвязной сети Хопфилда.

Основную трудность в эксплуатации ИНС представляет их обучение. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов. Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов.

Существуют три парадигмы обучения: «с учителем», «без учителя» (самообучение) и смешанная. В первом случае нейронная сеть располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Усиленный вариант обучения с учителем предполагает, что известна только критическая оценка правильности выхода нейронной сети, но не сами правильные значения выхода. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей

13 выборки. В этом случае раскрывается внутренняя структура данных или корреляции между образцами в системе данных, что позволяет распределить образцы по категориям. При смешанном обучении часть весов определяется посредством обучения с учителем, в то время как остальная получается с помощью самообучения.

Теория обучения рассматривает три фундаментальных свойства, связанных с обучением по примерам: емкость, сложность образцов и вычислительная сложность. Под емкостью понимается, сколько образцов может запомнить сеть, и какие функции и границы принятия решений могут быть на ней сформированы. Сложность образцов определяет число обучающих примеров, необходимых для достижения способности сети к обобщению. Слишком малое число примеров может вызвать «переобученность» сети, когда она хорошо функционирует на примерах обучающей выборки, но плохо - на тестовых примерах, подчиненных тому же статистическому распределению. Известны 4 основных типа правил обучения: коррекция по ошибке, машина Больцмана, правило Хебба и обучение методом соревнования.

Правило коррекции по ошибке. При обучении с учителем для каждого входного примера задан желаемый выход (I. Реальный выход сети у может не совпадать с желаемым. Принцип коррекции по ошибке при обучении состоит в использовании сигнала (й-у) для модификации весов, обеспечивающей постепенное уменьшение ошибки. Обучение имеет место только в случае, когда персептрон ошибается. Известны различные модификации этого алгоритма обучения.

Обучение Больцмана. Представляет собой стохастическое правило обучения, которое следует из информационных теоретических и термодинамических принципов. Целью обучения Больцмана является такая настройка весовых коэффициентов, при которой состояния видимых нейронов удовлетворяют желаемому распределению вероятностей. Обучение Больцмана может рассматриваться как специальный случай коррекции по ошибке, в

14 котором под ошибкой понимается расхождение корреляций состояний в двух режимах.

Правило Хебба. Самым старым обучающим правилом является постулат обучения Хебба. Хебб опирался на следующие нейрофизиологические наблюдения: если нейроны с обеих сторон синапса активизируются одновременно и регулярно, то сила синаптической связи возрастает. Важной особенностью этого правила является то, что изменение синаптического веса зависит только от активности нейронов, которые связаны данным синапсом. Это существенно упрощает цепи обучения в реализации.

Обучение методом соревнования. В отличие от обучения Хебба, в котором множество выходных нейронов могут возбуждаться одновременно, при соревновательном обучении выходные нейроны соревнуются между собой за активизацию. Это явление известно как правило «победитель берет все». Подобное обучение имеет место в биологических нейронных сетях. Обучение посредством соревнования позволяет кластеризовать входные данные: подобные примеры группируются сетью в соответствии с корреляциями, и представляются одним элементом.

В целом технология обучения ИНС на компьютере такова [28]. Обучающая выборка хранится в файле, называемом задачником. Создание задачника, в принципе, может осуществляться при помощи любого штатного редактора, установленного на компьютере.

Задачник организован по страницам. В начале каждой страницы в отдельной строке следует указать число ТУ - количество классов, на которые следует разделять примеры, а затем через пробелы количество примеров каждого из этих классов, содержащихся на данной странице. Нумерация классов ведется с нуля. При этом, нулевой класс приписывается тем примерам, у которых не задан ответ (эти примеры участвуют только в тестировании, а не в обучении). Полное число примеров на странице не должно превышать

15 восьмидесяти. В конце каждого примера на отдельной строке набирается ответ - это номер класса, которому принадлежит этот пример.

При обучении на ЭВМ программа запросит количество входных нейронов (эта информация очень важна, так как иначе невозможно будет прочитать файл-задачник) и предложит выбрать задачник. Необходимо ждать, пока все примеры на первой странице не обучатся до приемлемых оценок, после чего нужно перейти к следующей странице. Процесс необходимо повторять, пока не обучатся примеры со всех страниц. При этом, возможно, что цикл по страницам придется повторять неоднократно. В начале обучения представляется полезным обучать нейросеть с низким уровнем надежности, облегчая ей тем самым задачу приобретения нужных навыков, а затем добиваться более высокого качества этих навыков.

В целом выбранная в данной работе искусственная нейронная сеть Хопфилда обладает следующими преимуществами:

- Трудоемкий этап обучения осуществляется до эксплуатации сети, а в процессе непосредственного функционирования реализация сети на борту летательного аппарата не вызывает трудности из-за однородности элементной базы;

- Высокое быстродействие, поскольку нейронная сеть образует систему параллельного действия, и нейроны в сети воспринимают входную информацию одновременно;

- Высокая надежность и живучесть сети, продолжающей функционировать при выходе из строя 20%-30% нейронов, в силу избыточного количества связей между нейронами.

Выбор среди различных типов ИНС полносвязной сети Хопфилда обусловлен тем, что структура ее связей по принципу «каждый с каждым» наилучшим образом учитывает корреляцию между входными сигналами, что очень важно. В частности, помеха отличается от фона местности не только яркостью, но и большей корреляцией между соседними точками. Нужно

16 заметить, что другая задача наблюдения - распознавание цели, тоже решалась в [60] с помощью этой сети, и это позволяет унифицировать структуру задач в целом. Кроме того, поскольку для обучения сети Хопфилда использовалась программа «CLAN» [28], имеющая дополнительно классификатор, число нейронов в котором равно числу распознаваемых классов, то структура используемой в данной работе сети имеет вид, показанный на рис. 4.

Таким образом, литературный обзор показал целесообразность применения нейросетевой технологии к задачам принятия альтернативных решений. Добавление к ним подходящих алгоритмов цифровой обработки изображений способно обеспечить помехозащищенность телевизионной системы и нужное качество слежения.

Целью данной работы является разработка многоуровневой нейросетевой процедуры классификации динамических помех, выбора наиболее информативного сектора наблюдения и альтернативы перемещения поля зрения по контрастным ориентирам с последующей цифровой обработкой изображения при высококачественном слежении за замаскированным наземным объектом.

Методы исследования базируются на методах оптимизации и статистических решений, теории алгоритмов и программирования, теории радиотехнических и телевизионных систем, методах искусственного интеллекта.

На защиту выдвинуты следующие основные положения:

1. Многоуровневая нейросетевая процедура распознавания динамических помех развивающегося и перемещающегося типа, оценки опасности маскирования ими наблюдаемого наземного объекта, а также выбора свободного от помех сектора наблюдения и альтернативы перемещения поля зрения;

2. Способ автоматического слежения в присутствии помех путем перемещения поля зрения в сторону от цели;

17

3. Селективный выбор алгоритмов цифровой обработки отдельных участков наблюдаемого кадра для повышения качества изображения.

Научную новизну работы составляют следующие результаты:

1. Предложена структура использования одной малоразмерной нейронной сети для последовательного распознавания динамической обстановки в полете, выбора сектора наблюдения и альтернативы перемещения поля зрения;

2. Показано, что в случае закрытия наземного объекта помехой наиболее эффективно перемещение поля зрения в сторону ближайших контрастных ориентиров и с их помощью - продолжение углового сопровождения, в отличие от традиционного метода слежения центра поля зрения за целью;

3. Установлено, что для повышения качества изображения целесообразно избирательно использовать алгоритмы цифровой обработки, для наземной цели - алгоритм рельефного оконтуривания, для ориентиров -алгоритм контрастирования, для помех малого размера - медианный фильтр.

Достоверность полученных результатов определяется тем, что используемые для обучения нейронной сети примеры получены с помощью научно-обоснованных методов теории статистических решений, теории оптимизации и динамического программирования. Эффективность предложенного подхода подтверждена компьютерными экспериментами.

Практическую значимость работы представляет возможность создания малоразмерной нейронной сети, содержащей не более 20 нейронов и способной надежно сопровождать маскируемые объекты с помощью ориентиров местности, что открывает путь к реализации системы на борту летательного аппарата и подтверждается актами о внедрении в ГОСНИИАС и в комплекс аэрофоторазведки «МАКАР».

18

Реализация результатов работы. Диссертационная работа выполнялась в рамках госбюджетных и хоздоговорных НИР Московского государственного авиационного института

- «Исследование возможности управления полем зрения при распознавании ориентиров местности с помощью нейронной сети». Договор МАИ и ГОСНИИАС по теме №94541-0301. 1999-2000г. [74];

- «Интеллектуальное планирование и управление ДПЛА с учетом его уточненных динамических характеристик». Договор МАИ и НПКЦ «Новик» по теме №94540-0301. 2000-2001г. [75];

- Госбюджетная НИР «Разработка теории и математических моделей перспективных вычислительных и управляющих систем летательных аппаратов на базе новых информационных технологий». Москва, МАИ, 1998-1999г. [72, 73]

Апробация работы. Научные результаты работы докладывались на 6 заседаниях международного научно-технического семинара «Современные технологии в задачах управления, автоматики и обработки информации» (г. Алушта, в 1996, 1997, 1998, 1999гг.), на Международной конференции «Информационные средства и технологии» (МЭИ 1997г.), на Всероссийской научно-технической конференции «Нейроинформатика-99» (МИФИ, 1999г.), а также опубликованы в 3 статьях - в журнале «Теория и системы управления» (Известия РАН, 1998г. №4 и №6) и в межвузовском сборнике «Автоматическое управление и интеллектуальные системы» (МИРЭА, 1996г.)

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения и списка используемой литературы.

5.5. Выводы по главе 5.

1. Моделирование на ЭВМ показало, что при использовании трех разностей изображения в соседние промежутки времени удается опознать множество подвижных помех и выбрать траекторию перемещения поля зрения для беспрепятственного наблюдения контрастных ориентиров.

2. Показано, что для повышения качества изображения целесообразно использовать различные алгоритмы цифровой обработки для отдельных участков анализируемого кадра - рельефного оконтуривания, контрастирования, медианной и осредняющей фильтрации.

3. Рассмотрение задачи посадки ЛА показало, что с помощью искусственной нейронной сети удается выбрать ориентиры местности, и при полном закрытии точки посадки продолжить слежение за ситуацией при снижении ЛА, исключив влияние на оценку отклонений от глиссады мешающего вращения по крену и изменения масштаба изображения при приближении к земле.

4. Оценка требуемого быстродействия и объема памяти позволила установить, что предложенная многоуровневая сетевая система выборочного наблюдения вполне реализуема на существующей элементной базе микроэлектроники и способна обеспечить повышенное качество слежения за целью в присутствии помех.

105

Заключение.

На основании проведенных теоретических и экспериментальных исследований можно сделать следующие выводы.

С помощью искусственной нейронной сети решена задача углового сопровождения телевизионной системой наземных объектов путем наблюдения незакрытых помехой ближайших ориентиров местности, в том числе получены следующие результаты:

1. Показана принципиальная возможность создания системы выборочного наблюдения на базе малоразмерной нейронной сети, содержащей не более 20 нейронов и использующей матрицу предварительно обученных весовых коэффициентов для решения соответствующей альтернативной задачи.

2. Предложена многоуровневая последовательная структура распознавания динамической сцены и выбора режима наблюдения, решающая задачи обнаружения динамических помех, оценки их информативных характеристик, выбора сектора наблюдения, оценки информативности участков местности и выбора варианта траектории перемещения поля зрения от закрытой цели вдоль контрастных ориентиров.

3. Установлено, что с помощью изображений наблюдаемого кадра местности в текущий и предшествующие моменты времени, возможно обнаружение динамических помех, а при использовании полученных статических и динамических характеристик их распространения удается их предварительная классификация. При появлении множественных помех целесообразно выделить из них наиболее мешающие процессу наблюдения цели.

4. Показано, что для повышения качества изображения целесообразно использовать различные алгоритмы цифровой обработки для отдельных участков анализируемого кадра. Установлено, что для цели лучше при

107

1. Поспелов Д.А. «Ситуационное управление. Теория и практика». М.: Наука, 1986.

2. Лебедев Г.Н., Лохин В.М., Макаров И.М., Мадыгулов Р.У., Манько С.В. «Развитие технологии экспертных систем для управления интеллектуальными роботами». Известия РАН, Техническая кибернетика, 1994, №6.

3. Захаров В.И. «Интеллектуальные системы управления. Основные понятия и определения». Известия РАН, Теория и системы управления, М., 1997, №3.

4. Журавлев «Распознавание, классификация, прогноз». М.: Наука, 1989.

5. Сосулин Ю.Г. «Совместное обнаружение и оценивание радиосигналов». М.: МАИ, 1980.

6. Мартин Д. «Организация баз данных в вычислительных системах». М.: Мир, 1980.

7. Попов Э.В. «Экспертные системы». М.: Наука, 1987.

8. Горбань А.Н., Россиев Д.А. «Нейронные сети на персональном компьютере». Новосибирск, Наука, 1996.

9. Горбань А.Н. «Обучение нейронных сетей». М.: СП Параграф, 1990. Ю.Круглов В.В., Борисов В.В. «Искусственные нейронные сети. Теория ипрактика» М. Горячая линия Телеком, 2001.

10. Заде Л.А. «Понятие лингвинистической переменной и его применение к принятию приближенных решений». М.: Мир, 1976.12. «Искусственный интеллект. Применение в интегрированных производственных системах». Под ред. Кьюсиака. М.: Машиностроение, 1991. 544с.

11. З.Лебедев Г.Н., Лебедев А.Г. и др. «Новый тип обратных связей в интеллектуальной системе управления полетом». Теория и системы управления. Известия РАН, 1998, №4.108

12. Лебедев Г.Н. «Принятие оперативных решений в задаче управления и контроля». Известия РАН. Автоматика и телемеханика, 1976, №6.

13. Гордиенко Ё.К., Лукьяница A.A. «Искусственные сети. Основные определения и модели». Известия РАН, Техническая кибернетика, 1994, №5.

14. Ежов A.A., Шумский С.А. «Нейрокомпьютинг и его приложение в экономике и бизнесе». М., МИФИ, 1998г.

15. Васильев В.И., Ильясов Б.Г. «Интеллектуальные системы управления с использованием нечеткой логики». Уфа: УГАТУ, 1995, 80 с.

16. Гусев Л.А., Смирнова И.М. «Нечеткие множества. Теория и приложения». Известия РАН. Автоматика и телемеханика, 1993, №5.

17. Беллман Р. «Динамическое программирование». М.: ИИЛ, 1961.

18. Летов А.М. «Динамика полета и управления». М., Наука, 1969г.

19. Моисеев H.H., Иванилов Ю.П., Столяров Е.М. «Методы оптимизации». М.: Наука, 1978.

20. Макаров И.М., Лохин В.М., Мадыгулов Р.У., Тюрин К.В. «Применение экспертного регулятора для систем управления динамическими объектах». Известия РАН, Теория и системы управления, 1995, №1.

21. Макаров И.М., Лохин В.М., Еремин Д.М., Мадыгулов Р.У., Манько C.B., Романов М.П., Тюрин К.В. «Новое поколение интеллектуальных регуляторов». Приборы и системы управления, 1997, №3.

22. Кузин Л.Т. «Основы кибернетики», том 1, 2 , М.: Энергия, 1973.

23. Понтрягин Л.С. и др. «Математическая теория оптимальных процессов». М., Наука, 1969г.10928.«Описание программы CLAN» M., МАИ, 1996г.

24. Толуи А. «Формирование решения о вынужденной посадке вертолета, исходя из условия рентабельности авиагеологической разведки» Межвузовский сборник научных трудов "Управление и проектирование на базе интеллектуальных технологий", МИРЭА, 1999, стр. 41-45.

25. Короткий С. «Нейронные сети: алгоритм обратного распространения».

26. Блум Ф., Лейзерсон А., Хофстедтер Л. «Мозг, разум и поведение», М., Мир, 1988.

27. Уоссермен Ф., «Нейрокомпьютерная техника», М., Мир, 1992.

28. Carpenter G.A, Grossberg S. «Pattern Recognition by Self-Organizing Neural Networks», Cambridge, MA, MIT Press, 1991.

29. Кэмп Д.В. «Нейроны для компьютеров». В мире науки, 1992, №11-С.200-203

30. Куссуль Э.М., Байдык Т.Н. «Структура нейронных ансамблей». Нейрокомпьютер, Москва, 1992.

31. Галушкин А.И. «О решении задач сортировки с использованием нейронных сетей». Нейрокомпьютер. Москва, 1994.

32. Кибяков П.П. «Бортовые интеллектуальные системы поддержки принятия решений». Рыбное хозяйство, 1991, №10.

33. Половинкин А. И. «Основы инженерного творчества». М.: "Машиностроение", 1988.

34. Ивахненко А. Г. «Долгосрочное прогнозирование и управление сложными системами». К.: «Техника», 1975.

35. У. Росс Эшби. «Конструкция мозга. Происхождение адаптивного поведения». М.: Издательство иностранной литературы.

36. Розенблатт Ф. «Принципы нейродинамики. Перцептрон и теория механизмов мозга». М.: Мир, 1965

37. Минский М., Пайперт С. «Персептроны». М.: Мир, 1971.

38. Ивахненко А.Г. «Персептроны». Киев: Наукова думка, 1974.110

39. Кохонен Т. «Ассоциативная память». М.: Мир, 1980.

40. Кохонен Т. «Ассоциативные запоминающие устройства». М.: Мир, 1982.

41. Фор А. «Восприятие и распознавание образов». М.: Машиностроение, 1989.- 272 с.

42. Кендалл М., Стьюарт А. «Статистические выводы и связи». М.: Наука, 1973

43. Мостеллер Ф., Тьюки Дж. «Анализ данных и регрессия». М.: Финансы и статистика, 1982

44. Уидроу Б., Стирнз С. «Адаптивная обработка сигналов». М.: Мир, 1989

45. Айвазян С.А., Бежаева З.И., Староверов О.В. «Классификация многомерных наблюдений». М.: Статистика, 1974

46. Дуда Р., Харт П. «Распознавание образов и анализ сцен». М.: Мир, 1976

47. Ивахненко А.Г. «Самообучающиеся системы распознавания и автоматического регулирования». Киев: Техника

48. Прэтт У. «Цифровая обработка изображений». Москва, 1982.

49. Колмогоров Г.С., Костромина Е.В., Лучина И.И., Мальцев А.П. «Оптоэлектронная система самонаведения THASSID». Зарубежная радиоэлектроника 1987, №10.

50. Ворновицкий И.Э., Лабунец В.Г., Мальцев А.П. «Телевизионная система слежения за целями с плазменным факелом». Зарубежная радиоэлектроника 1987, №10.

51. Бакут П.А., Лабунец В.Г. «Телевизионная следящая система с байесовским дискриминатором цели». Зарубежная радиоэлектроника 1987, №10.

52. Красильщиков M.H., Якобсон M.B. «Автономная навигация космических аппаратов по наземным ориентирам». Научно-технический журнал «Авиакосмическая техника и технология», 1999, №1.

53. Антифеев Д.Д., Василец В.М., Титов A.A., Хрипунов С.П., Якименко O.A. «Развитие концепции бортовой системы интеллектуальной поддержки принятия решения летчиком с образной индикацией». Научно-технический журнал «Авиакосмическая техника и технология».

54. Алехин Д.А., Кузин A.B., Лебедев А.Г., Лебедев Г.Н. Отчет о научно-исследовательской работе «Исследование возможностей надежного распознавания и углового сопровождения наземных объектов с помощью нейронной сети». МАИ, 1996.

55. Лебедев Т.Н., Кузин A.B., Лебедев А.Г. Статья «Многоуровневая нейронная сеть для распознавания динамических изменений наземных сцен». Сборник научных трудов «Автоматическое управление и интеллектуальные системы». Москва, МИРЭА, 1996, стр. 89.

56. Лебедев А.Г. Доклад «Интеллектуализация распознавания динамических помех при наблюдении наземных объектов в процессе полета». Доклады международной конференции «Информационные средства и технологии». Москва, МЭИ, 1997, стр. 254.

57. Лебедев А.Г. Доклад «Повышение качества изображений, полученных в полете, с помощью нейронной сети». Всероссийская научно-техническая конференция «Нейроинформатика-99». Москва, 1999, стр. 153.

58. Алехин Д.А., Буров Ю.Л., Заренур Г., Лебедев А.Г., Лебедев Г.Н. «Интеллектуальные обратные связи в системе управления полетом, I». Теория и системы управления. Известия РАН, 1998 №4, стр. 21-25.113

59. Алехин Д.А., Буров Ю.Л., Заренур Г., Лебедев А.Г., Лебедев Г.Н. «Новый тип обратных связей в интеллектуальной системе управления полетом, II». Теория и системы управления. Известия РАН, 1998 №6, стр. 169-175.