А.В. Зюзин1, Е.И. Минаков2, М.С. Башеров3, А.В. Филонович4

1 Ярославское высшее военное училище противовоздушной обороны им. Маршала Советского Союза Л.А. Говорова (г. Ярославль, Россия)

2,3 Тульский государственный университет (г. Тула, Россия)

4 Юго-Западный государственный университет (г. Курск, Россия)

1 Aleksey.zyuzin@mail.ru, 2 EMinakov@bk.ru, 3 basherov@icloud.com, 4 filon8@yandex.ru

Постановка проблемы. Обнаружение и распознавание малоразмерных и слабоотражающих объектов, таких как дроны и птицы, представляют собой одну из ключевых технологических сложностей для современных радиолокационных систем. Классические методы обработки радиолокационных сигналов, основанные на статистических признаках и фиксированных пороговых критериях, демонстрируют ограниченную эффективность в условиях низкого отношения сигнал/шум, изменчивости траекторий движения и малой эффективной поверхности рассеяния. В этой связи актуальной является разработка интеллектуальных алгоритмов, способных к адаптивному выделению информативных признаков из временно-частотных представлений сигналов с использованием методов глубокого обучения.

Цель. Разработать метод повышения точности распознавания малоразмерных целей в радиолокационных системах за счёт интеграции физико-математического моделирования отражённых сигналов и последующей обработки их методами глубокого обучения.

Результаты. Воспроизведены с помощью разработанной модели формирования микродоплеровских спектрограмм особенности отражённых сигналов с высокой точностью для различных типов БПЛА и обеспечена генерация репрезентативных обучающих выборок. Применение гибридной архитектуры «CNN + SVM» показало точность распознавания до 98,33%, при этом лёгкие архитектуры (NASNet-Mobile, ResNet-18) продемонстрировали оптимальное соотношение между вычислительной сложностью и качеством классификации. Подтверждена эффективность предложенного подхода для построения высокопроизводительных модулей обнаружения и классификации малоразмерных целей в режиме реального времени с помощью моделирования.

Практическая значимость. Разработанный программно-алгоритмический комплекс может быть интегрирован в системы радиолокационного мониторинга и управления воздушным пространством для автоматического распознавания малоразмерных объектов. Использование физико-обоснованного моделирования и гибридных нейросетевых алгоритмов позволяет повысить достоверность классификации целей в условиях шумов и помех, а также адаптировать обработку под конкретные аппаратные платформы. Полученные результаты формируют основу для создания интеллектуальных радиолокационных систем нового поколения.

Зюзин А.В., Минаков Е.И., Башеров М.С., Филонович А.В. Распознавание малоразмерных объектов с использованием искусственных нейронных сетей в задачах радиолокации // Электромагнитные волны и электронные системы. 2026. Т. 31. № 1. С. 14−27. DOI: https://doi.org/10.18127/j15604128-202601-02

1. Seidaliyeva U., Ilipbayeva L., Taissariyeva K., Smailov N., Matson E.T. Advances and Challenges in Drone Detection and Classification Techniques: A State-of-the-Art Review // Sensors. 2024. V. 24. № 1. P. 125. DOI 10.3390/s24010125.
2. Подгорнов В.А., Науменко М.Ю., Подгорнов С.В. Аспекты противодействия массированным атакам малоразмерных беспилотных летательных аппаратов // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2022. № 3-4(165-166). С. 62–71.
3. Костромицкий С.М., Нефедов Д.С., Храменков А.С., Чигряй В.Г. Статистические модели флуктуаций эффективной поверхности рассеяния малоразмерных беспилотных летательных аппаратов // Вестник Концерна ВКО «Алмаз – Антей». 2023. № 3. С. 24–36. DOI 10.38013/2542-0542-2023-3-24-36.
4. Тряпкин Н.С. Обнаружение малоразмерных целей в сложной помеховой обстановке. [Электронный ресурс] – Режим доступа: https://elib.pnzgu.ru/files/eb/doc/cwdI9kavj0I1.pdf, дата обращения 20.08.2025.
5. Пименова М.Б. Применение фильтра Калмана в задачах трекинга воздушных объектов // Политехнический молодежный журнал. 2019. № 12(41). С. 8. DOI 10.18698/2541-8009-2019-12-557.
6. Борискевич И.А., Цветков В.Ю. Сопровождение малоразмерных целей с нестационарной видеокамеры на основе ковариационных признаков и предсказания // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2014. № 3(81). С. 33–39.
7. Пучков А.Ю., Дли М.И., Лобанева Е.И., Василькова М.А. Прогноз состояния объекта на основе применения фильтра Калмана и глубоких нейронных сетей // Программные продукты и системы. 2019. Т. 32. № 3. С. 368–376. DOI 10.15827/0236-235X.127.368-376.
8. Дао Ван Лук. Распознавание низколетящих малоскоростных радиолокационных целей по траекторным признакам: дис. … канд. техн. наук. СПб: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина). 2024. 112 с.
9. Казачков Е.А., Матюгин С.Н., Попов И.В., Шаронов В.В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестник Концерна ВКО «Алмаз-Антей». 2018. № 1. С. 93–99.
10. Ананенков А.Е., Бакалов В.П., Коновальцев А.В., Нуждин В.М., Расторгуев В.В., Скосырев В.Н., Соколов П.В. Обнаружение малоразмерных объектов сверхкороткоимпульсной РЛС // Сб. докладов III Всероссийской науч. конф. «Сверхширокополосные сигналы в радиолокации, связи и акустике». 2010. С. 202-207.
11. Jiang W., Wang Y., Li Y., Lin Y., Shen W. Radar Target Characterization and Deep Learning in Radar Automatic Target Recognition: A Review // Remote Sensing. 2023. V. 15. № 15. P. 3742. DOI 10.3390/rs15153742.
12. Molchanov P., Egiazarian K., Astola J., Harmanny R.I.A., de Wit J.J.M. Classification of small UAVs and birds by micro-Doppler signatures // European Radar Conference. Nuremberg, Germany. 2013. P. 172–175. DOI10.1017/S1759078714000282.
13. Wang Y., Feng C., Zhang Y., Ge Q. Classification of Space Targets with Micro-motion Based on Deep CNN // IEEE 2nd International Conference on Electronic Information and Communication Technology (ICEICT). Harbin, China. 2019. P. 557–561. DOI 10.1109/ICEICT.2019.8846441.
14. Brooks D., Schwander O., Barbaresco F., Schneider J.-Y., Cord M. Temporal Deep Learning for Drone Micro-Doppler Classification // 19th International Radar Symposium (IRS). Bonn, Germany. 2018. P. 1–10. DOI 10.23919/IRS.2018.8447963.
15. Бельков С.А., Малыгин И.В. Использование нейронной сети для обнаружения и идентификации помех при приеме шумоподобного сигнала // Физика волновых процессов и радиотехнические системы. 2019. Т. 22. № 2. С. 37–43. DOI 10.18469/1810-3189.2019.22.2.37-43.
16. Воробьев Е.Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС // Вестник Новгородского государственного университета. 2019. № 4(116). С. 72–77. DOI 10.34680/2076-8052.2019.4(116).72-77.
17. Бердышев В.П., Помазуев О.Н., Савельев А.Н., Смолкин М.А., Копылов В.А., Лой В.В. Распознавание классов и типов воздушных объектов по двумерным радиолокационным изображениям в обзорной РЛС // Журнал Сибирского федерального университета. Серия: Техника и технологии. 2019. Т. 12. № 1. С. 18–29. DOI 10.17516/1999-494X-0102.
18. Pitaš K., Rejfek L., Nguyen T.N., Beran L., Tran P.T., Fišer O. FMICW Radar Target Classification By Neural Network // 30th International Conference Radioelektronika (RADIOELEKTRONIKA). Bratislava, Slovakia. 2020. P. 1–5. DOI 10.1109/RADIO-ELEKTRONIKA49387.2020.9092342.
19. Гурбатов М.Э., Литновский В.Я. Анализ эффективности нейросетевых алгоритмов траекторной обработки радиолокационной информации // Радиотехника. 2023. Т. 87. № 3. С. 31–39. DOI doi.org/10.18127/j00338486-202303-03.
20. Slavutskiy A., Slavutskii L., Slavutskaya E. Neural Network for Real-Time Signal Processing: the Nonlinear Distortions Filtering // International Ural Conference on Electrical Power Engineering (UralCon). Magnitogorsk, Russian Federation. 2021. P. 84–88. DOI 10.1109/UralCon52005.2021.9559619.
21. Buryachenko V.V., Pahirka A.I. Object tracking with deep learning // Siberian Journal of Science and Technology. 2020. V. 21. № 2. P. 150–154. DOI 10.31772/2587-6066-2020-21-2-150-154.
22. Костромицкий С.М., Нефёдов Д.С. Выбор первичного порога обнаружения малоразмерных целей методом «обнаружение в результате сопровождения» // Базис. 2021. № 2(10). С. 24–32. DOI 10.51962/2587-8042_2021_10_24.
23. Kishore M., kh Amitab, Kumar D.V., Debdatta K. Noise Reduction in Synthetic Aperture Radar Images Using Convolutional Neural Network // Journal of Computational and Theoretical Nanoscience. 2018. V. 15. № 8. P. 2572–2576. DOI 10.1166/jctn.2018.7500.
24. Chang Y.L., Anagaw A., Chang L., Wang Y.C., Hsiao C.Y., Lee W.H. Ship detection based on YOLOv2 for SAR imagery // Remote Sensing. 2019. V. 11. № 7. P. 786. DOI 10.3390/rs11070786.
25. Geng Zh., Xu Y., Wang B.N., Yu X., Zhu D.Y., Zhang G. Target Recognition in SAR Images by Deep Learning with Training Data Augmentation // Sensors. 2023. V. 23. № 2. P. 941. DOI 10.3390/s23020941.
26. Mahafza B.R. Radar Systems Analysis and Design Using MATLAB. Taylor and Francis Group. Ed. 4th. New York: Chapman and Hall/CRC. 2022. 690 p. DOI 10.1201/9781003051282.
27. Platt J.C. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods // Advances in Large Margin Classifiers. 1999. P. 61–74.