В.К. Хохлов – д.т.н., профессор, МГТУ им. Н.Э. Баумана

E-mail: valerykhokhlov@bmstu.ru

В.В. Глазков – к.т.н., доцент, 

МГТУ им. Баумана

E-mail: glazkovv@bmstu.ru

А.К. Лихоеденко – ассистент, 

МГТУ им. Н.Э. Баумана

E-mail: likhoedenkoak@bmstu.ru

Постановка проблемы. В системах ближней локации при больших динамических диапазонах информативных признаков и малых интервалах принятия решений невозможна оценка математических ожиданий, то есть невозможно применение адаптивных алгоритмов. Поэтому в системах ближней локации необходимо использовать регрессионные алгоритмы обработки нецентрированных случайных сигналов с априорно неизвестными математическими ожиданиями информативных параметров, в которых учитывается специфика функционирования систем и используется априорная информация о начальных регрессионных характеристиках информативных признаков, таких как коэффициенты множественной начальной регрессии. 

Цель. Обосновать выбор нецентрированных информативных признаков и сокращение размерности векторов входных реализаций в инвариантных к средним значениям сигналов алгоритмах обработки нестационарных процессов на ограниченных интервалах наблюдения, с учетом специфики БЛ, а также рассмотреть вопросы получения информативных признаков с применением нейросетевых алгоритмов в условиях плохой обусловленности данных.

Результаты. Разработана методика получения статистических характеристик векторов входных реализаций сигналов и помех для решения задач выбора информативных признаков и сокращения их размерностей в регрессионных алгоритмах  обнаружения и распознавания сигналов от помех в условиях неизвестных математических ожиданий. Обоснован метод выбора нецентрированных информативных признаков для решения задач обнаружения и распознавания сигналов с применением регрессионных и нейросетевых алгоритмов в условиях неизвестных математических ожиданий информативных параметров сигналов, использующих априорную информацию о начальных регрессионных характеристиках, которые могут быть получены с использованием нейросетевых алгоритмов. 

Практическая значимость. Полученные результаты могут быть использованы в системах ближней локации с большим динамическим диапазоном изменения нецентрированных информативных параметров, когда из-за ограниченного интервала наблюдения не удается оценить математические ожидания параметров сигналов.

Хохлов В.К., Глазков В.В., Лихоеденко А.К. Обоснование выбора и сокращения размерности нецентрированных информативных признаков сигналов в информационных системах ближней локации // Успехи современной радиоэлектроники. 2020. T. 74. № 8. С. 22–33. DOI: 10.18127/j20700784-202008-02.

1. Автономные информационные и управляющие системы. В 4-х томах. Т. 1. Труды кафедры «Автономные информационные и управляющие системы» МГТУ им. Н.Э. Баумана / Под ред. А.Б. Борзова. М.: ООО НИЦ «Инженер», ООО «Онико-М». 2011.
2. Zening Fu, Shing-Chow Chan, Xin Di, Biswal B., Zhiguo Zhang Adaptive Covariance Estimation of Non-Stationary Processes and its Application to Infer Dynamic Connectivity From fMRI // IEEE Transactions on Biomedical Circuits and Systems. V. 8. № 2. DOI: 10.1109/TBCAS.2014.2306732. Publication Year: 2014. P. 228–239.
3. Kirshner H., Unser M., Ward J.P. On the Unique Identification of Continuous-Time Autoregressive Models From Sampled Data // IEEE Transactions on Signal Processing. V. 62. № 6. DOI: 10.1109/TSP.2013.2296879. Publication Year: 2014. P. 1361–1376.
4. Nguyen Hien D., McLachlan Geoffrey J. Asymptotic inference for hidden process regression models // Statistical Signal Processing (SSP). 2014 IEEE Workshop on. DOI: 10.1109/SSP.2014.6884624. Publication Year: 2014. P. 256–259.
5. Fedorov A.V., Omelchenko A.V. Designing a polynomial regression experiment at researching into decision rules of signal recognition by modeling // Intelligent Data Acquisition and Advanced Computing Systems (IDAACS). 2013 IEEE 7th International Conference on. V. 01. DOI: 10.1109/IDAACS.2013.6662654. Publication Year: 2013. P. 124–128.
6. Kheirati Roonizi E. A New Algorithm for Fitting a Gaussian Function Riding on the Polynomial Background // IEEE Journals & Magazines Signal Processing Letters. V. 20. № 11. DOI: 10.1109/LSP.2013.2280577. Publication Year: 2013. P. 1062–1065.
7. Wenrui Dai, Hongkai Xiong Gaussian Process Regression Based Prediction for Lossless Image Coding // IEEE Conference Publications Data Compression Conference (DCC). DOI: 10.1109/DCC.2014.72. Publication Year: 2014. P. 93–102.
8. Lin Yun, Li Jing-chao Radar signal recognition algorithms based on neural network and grey relation theory // Cross Strait QuadRegional Radio Science and Wireless Technology Conference (CSQRWC), 2011. V. 2. DOI: 10.1109/CSQRWC.2011.6037247. Publication Year: 2011. P. 1482–1485.
9. Javed A., Ejaz A., Liaqat S., Ashraf A., Ihsan M.B. Automatic target classifier for a Ground Surveillance Radar using linear discriminant analysis and Logistic regression // Radar Conference (EuRAD). 9th European Publication. Year: 2012. P. 302–305.
10. Ali S.F., Jaffar J., Malik A.S. Proposed framework of Intelligent Video Automatic Target Recognition System (IVATRs) // National Postgraduate Conference (NPC). DOI: 10.1109/NatPC.2011.6136315. Publication Year: 2011. P. 1–5.
11. Хохлов В.К., Лихоеденко А.К., Молчанов С.А. Регрессионные алгоритмы обнаружения и распознавания нецентрированных нестационарных случайных процессов в автономных информационных системах ближней локации // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2017. № 3. С. 150–169.
12. Барабаш Ю.Л. и др. Вопросы статистической теории распознавания образов. М.: Сов. радио. 1967.
13. Левин Б.Р. Теоретические основы статистической радиотехники. Изд. 3-е, перераб. и доп. М.: Радио и связь. 1989.
14. Хохлов В.К. Обнаружение, распознавание и пеленгация объектов в ближней локации. М.: МГТУ им. Н.Э. Баумана. 2005.
15. Хохлов В.К. Начальные регрессионные статистические характеристики интервалов между нулями случайных процессов. Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2014. № 9. С. 132–147.