В.В. Дудихин1, Е.А. Кузина2, И.Ю. Межуев3, С.А. Рылов4, И.Ю. Якупов5

1 Московский государственный университет имени М. В. Ломоносова (Москва, Россия)
2,4,5 АО «Научно-производственный комплекс «Научно-исследовательский институт дальней радиосвязи» (Москва, Россия)
3 Российский экономический университет имени Г.В. Плеханова (Москва, Россия)
1 dudikhin@spa.msu.ru, 2 ekkuzina@npodr.ru, 3 Mezhuev.IY@rea.ru, 4 srylov@npodr.ru, 5 iyakupov@npodr.ru

Постановка проблемы. При построении траекторий целей на радиолокационных изображениях загоризонтной РЛС возникает необходимость разработки принципиально новых методов для случаев, когда использование традиционных подходов не обеспечивает требуемой точности. Рассмотрение траектории в качестве временного ряда предоставляет возможность применения нейронных сетей, доказавших свою эффективность в решении подобных задач.

Цель. Повышение качества траекторной обработки загоризонтной РЛС посредством комбинирования нейросетевого определения траектории объекта методом оптического потока и традиционных методов экстраполяции траекторий.

Результаты. Разработан нейросетевой алгоритм экстраполяции траекторий, основанный на анализе окрестностей последовательных отметок цели на радиолокационных изображениях. Приведенный подход допускает комбинирование с традиционными методами траекторной обработки для повышения их качества. Выполнен выбор типа и характеристик нейронной сети для задачи экстраполяции траекторий. Показана возможность решения поставленной задачи с использованием комбинации сверточных и рекуррентных нейронных сетей. Предложены и проанализированы различные варианты архитектур нейронной сети. Выполнена оценка эффективности разработанного подхода на пропусках траекторных отметок, полученных традиционными методами.

Практическая значимость. Разработанный алгоритм экстраполяции траекторий целей на радиолокационных изображениях загоризонтной РЛС может быть использован для оптимизации процесса построения траекторий традиционными методами траекторной обработки.

Дудихин В.В., Кузина Е.А., Межуев И.Ю., Рылов С.А., Якупов И.Ю. Экстраполяция траекторий на радиолокационных изображениях с использованием рекуррентных нейронных сетей // Динамика сложных систем. 2024. Т. 18. № 3. С. 14−22. DOI: 10.18127/j19997493-202403-02

1. Андерсон Т.В. Статистический анализ временных рядов. М: Мир. 1976. 755 с.
2. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление. Кн. 1. М.: Мир. 1974 406 с.
3. Matrenin P.V., Khalyasmaa A.I., Potachits Y.V. Recurrent Neural Network-Based Autoencoder for Problems of Automatic Time Series Analysis at Power Facilities. Problemele Energeticii Regionale. 2023. V. 2(58). P. 61–71. DOI: https://doi.org/10.52254/1857-0070.2023.2-58-06
4. Казаков Ф.А., Шнайдер А.В. Использование нейронных сетей с временными рядами для анализа потоков данных // Современные наукоемкие технологии. 2021. № 6(2). С. 260–264.
5. Sholtanyuk S.V. Numerical conditioning of neural network components in time series forecasting. Open Semantic Technologies for Intelligent Systems (OSTIS-2020). 2020. № 4. P. 273–276.
6. Kobzarenko D.N., Mustafaev A.G., Gasanova Z.A., Magomedova D.S. One-dimensional convolutional layers in a neural network for wind speed time series analysis. Computing, Telecommunications and Control. 2022. V. 15(4). P. 98–107. DOI: 10.18721/JCSTCS.15408
7. Веремьев В.И., Ковалев Д. А. Моделирование алгоритмов траекторного сопровождения радиолокационной цели на основе аппарата нейронных сетей // Известия вузов России. Радиоэлектроника. 2010. № 4. C. 61–67.
8. Баданина Н.Д., Дудихин В.В., Межуев И.Ю., Новикова Н.С., Якупов И.Ю. Метод верификации объектов на радиолокационных изображениях с использованием ансамблей нейронных сетей // Наукоемкие технологии. 2023. № 2. С. 79–85.
9. Savian S., Elahi M., Tillo T. Optical Flow Estimation with Deep Learning, a Survey on Recent Advances. Deep Biometrics. USA: Springer. 2020. P. 257-287.
10. Motion Analysis and Object Tracking // OpenCV [сайт] URL: https://docs.opencv.org/2.4/modules/video/doc/motion_analysis _and_object_tracking.html (дата обращения: 17.10.2023).
11. Cho K., Van Merriënboer B. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2014. P. 1724–1734.
12. Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. V. 8(9). P. 1735–1780.
13. Keras: Deep Learning for Humans [сайт] URL: https://keras.io/ (дата обращения 20.10.2023).
14. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. International Conference on Learning Representations (ICLR). 2015.