А.В. Кваснов – к.т.н., доцент,

Санкт-Петербургский политехнический университет Петра Великого

E-mail: Kvasnov_AV@spbstu.ru

П.Е. Гладилин – к.ф.-м.н., доцент,

Национальный исследовательский университет ИТМО (Санкт-Петербург)

E-mail: peter.gladilin@gmail.com

А.Э. Першуткин – магистр,

Национальный исследовательский университет ИТМО (Санкт-Петербург) E-mail: alex.neurocoder@gmail.com

Постановка проблемы. Тенденцией современных бортовых радиоэлектронных комплексов освещения наземной обстановки является внедрение технологий машинного обучения и искусственного интеллекта. В задачах картографирования местности, аэрофотосъемки, видеофиксации востребованы методы автоматического обнаружения и распознавания объектов на фоне подстилающей поверхности. Физические принципы распознавания с помощью средств радиолокационного мониторинга осуществляются на основе полученных эхо-сигналов от радиоконтрастных целей, доплеровских портретов движущихся объектов техники, изменения поляризационной структуры отраженной радиоволны. Одним из перспективных направлений в данной области следует признать применение беспилотных летательных аппаратов, осуществляющих мониторинг земной  поверхности в режиме синтезированной апертуры. 

Цель. Рассмотреть методику классификации групповых стационарных объектов с помощью бортовых средств радиолокации в режиме синтезированной апертуры.

Результаты. Рассмотрена реализация методики по классификации неподвижных групповых объектов, полученных с бортовой радиолокационной станции в режиме синтезированной апертуры. В качестве признаков для распознавания используются сигнальные характеристики целей и устойчивые параметры взаимного расположения объектов. Показано, что точность классификации целей с использованием искусственной нейронной сети в среднем может достигать величины P=0,964. 

Практическая значимость. Достоверность результатов осуществляется проверкой исходных данных с помощью метода главных компонент.

Кваснов А.В., Гладилин П.Е., Першуткин А.Э. Методика распознавания неподвижных групповых объектов по радиолокационному изображению на основе искусственных нейронных сетей // Успехи современной радиоэлектроники. 2020. T. 74. № 8. С. 63–71. DOI: 10.18127/j20700784-202008-07.

1. Gini F.R.M. Knowledge based radar detection, tracking, and classification. A Wiley-Interscience publication. 2008. 
2. Кузьмин С.З. Цифровая радиолокация. Введение в теорию. Киев: КВИЦ. 2000. 
3. Коновалов А.А. Основы траекторной обработки радиолокационной информации. Ч. 1. СПб: СПбГЭТУ «ЛЭТИ». 2013. 
4. Туров В.Е., Гвоздарев А.С., Кренев А.Н., Полубехин А.И., Ильин Е.М. Применение радиоголографического подхода к задаче идентификации групповых целей в РЛС Х-диапазона // Вестник СибГУТИ. 2016. № 3. С. 139–147.
5. Unnikrishna Pillai S., Li K.Y., Himed B. Space Based Radar: Theory and Applications. McGraw-Hill Education, 2008.
6. Soumekh M. Synthetic aperture radar signal processing with MATLAB algorithms. New York: Wiley. 1999. 
7. Ильин Е.М., Полубехин А.И., Савостьянов В.Ю., Самарин О.Ф., Черевко А.Г. Малогабаритный многофункциональный бортовой РЛК для беспилотных летательных аппаратов малой дальности // Вестник СибГУТИ. 2017. № 4. С. 104–109.
8. Савостьянов В.Ю., Карпов О.А., Ефимов А.В. Многофункциональная малогабаритная РЛС Ku-диапазона для легкого БЛА // Всеросс. науч. конф. «Современные проблемы дистанционного зондирования, радиолокации, распространения и дифракции волн». Муром. 2019. С. 389–394.
9. Ильин Е.М., Репников Д.А., Савостьянов В.Ю., Самарин О.Ф., Полубехин А.И., Черевко А.Г. Режимы функционирования многофункциональной бортовой РЛС БЛА малой и средней дальности // Вестник СибГУТИ. 2019. № 2. С. 68–86.
10. Kvasnov A.V. Method of classification of fixed ground objects by radar images with the use of artificial neural networks // The International Conference on Cyber-Physical Systems and Control. St. Petersburg. 2019. V. 95. P. 608–616.
11. Halversen S.D., Owirka G.J., Novak L.M. New Approaches for Detecting Groups of Targets // Proceedings of 1994 28th Asilomar Conference on Signals, Systems and Computers. Pacific Grove. 1995. V. 1. P. 137–140.
12. Owirka G.J., Halversen S.D., Hiett M., Novak L.M. An algorithm for detecting groups of targets // Proceedings International Radar Conference. Alexandria, VA, USA. 1995. P. 641–643.
13. Liu Zhoufeng, Ping Qingwei, He Peikun An improved algorithm for the detection of vehicle group targets in high-resolution SAR images // 3rd International Conference on Microwave and Millimeter Wave Technology. Beijing, China. 2002. P. 572–575.
14. Huimin C., Baoshu W. A Template-based Method for Force Group Classification in Situation Assessment // 2007 IEEE Symposium on Computational Intelligence in Security and Defense Applications. Honolulu. 2007. P. 85–91.
15. Кваснов А.В., Шкодырев В.П., Арсеньев Д.Г. Высокоточные модели распознавания объектов на основе рекуррентных байесовских алгоритмов // Материалы конф. «Управление в аэрокосмических системах» (УАС-2108). СПб. 2018. С. 90–96.
16. Кваснов А.В. Применения байесовского программирования в задачах распознавания и классификации источников радиоизлучения // Радиотехника. 2020. Т. 84. № 3(5). С. 5–14.
17. Веб-сайт «Sandia National Laboratories». URL: https://www.sandia.gov/radar/imagery/index.html (дата обращения: 29.05.2020).
18. Монаков А.А., Мишура Т.П. Радиолокация протяженных целей: измерение дальности, разрешение и синтез сигналов. СПб: ГУАП. 2012. 
19. Knott E., Shaeffer J., Tuley M. Radar cross section. 2nd ed. Boston: SciTech Publishing Inc., 2004. 
20. Kvasnov A.V. Methodology of classification and recognition of the radar emission sources based on Bayesian programming // IET Radar, Sonar & Navigation. August 2020. V. 14. № 8. P. 1175–1182.