М. Е. Иванов1

1 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 sindbad1995@list.ru

Постановка проблемы. Эффективность современных систем автоматического управления (САУ) движением летательных аппаратов (ЛА) зависит от способности решать полетные задачи любого класса сложности с заданными критериями точности и быстродействия. Вместе с тем на результаты работы измерительных систем влияет уровень априорной неопределенности, которая неизбежно возникает вследствие недостаточной полноты полетной информации. Для уменьшения степени априорной неопределенности широко применяется передача информации посредством радиосигналов от разных источников при решении конкретных задач: например, сигналы, получаемые от орбитальных спутников, позволяют корректировать показания бортовой инерциальной навигационной системы. Следствием большого числа радиосигналов, принимаемых датчиками ЛА, является задача распознавания их типов для дальнейшей обработки и использования, решить которую в рамках исследования предлагается при помощи одного из методов искусственного интеллекта – искусственной нейронной сети (ИНС).

Цель. Установить возможность решения задачи распознавания радиосигналов при использовании ИНС типа однослойного перцептрона Розенблатта с пороговой функцией активации, продемонстрировать методику синтеза такой нейросети, а также разработать рекомендации для повышения уровня ее функциональных возможностей.

Результаты. Осуществлен структурно-функциональный и параметрический синтез целевой ИНС для распознавания как детерминированных сигналов (от орбитальных спутников, от диспетчерских пунктов и автоматических радиопеленгаторов), так и стохастических шумов. Реализовано обучение синтезированной нейронной сети методом обратного распространения ошибки за конечное число итераций.

Практическая значимость. Результаты работы могут быть использованы при построении многоуровневых интеллектуальных САУ движением ЛА, способных решать полетные задачи разной степени сложности: измерение летных параметров, посадка на взлетно-посадочную полосу в автоматическом режиме, предупреждение о столкновении в воздухе и с землей, адаптивная настройка и коррекция измеряемых параметров.

Иванов М.Е. Применение искусственной нейронной сети для распознавания радиосигналов приемниками летательного аппарата // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 4. С. 19−24. DOI: https://doi.org/10.18127/j20700814-202304-03

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы и методы искусственного интеллекта. М.: НИЦ ИНФРА–М. 2021.
2. Скаковская А.Н., Моисеев Д.В., Анисимова М.В. Использование искусственных нейронных сетей для распознавания образов // Сб. материалов 26-й Междунар. Крымской конф. «СВЧ-техника и телекоммуникационные технологии». Севастополь. 2016. Т. 4. С. 825–830.
3. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер. 2003.
4. Селиванова Л.М., Шевцова Е.В. Инерциальные навигационные системы. Ч. 1. М.: МГТУ им. Н.Э. Баумана. 2012.
5. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга: Пер. с англ. В.Я. Алтаева и др. / Под ред. С.М. Осовца. М.: Мир. 1965.
6. Левашов О.В. От Розенблатта до Хинтона: плюсы и минусы современных нейронных сетей // Сб. материалов III Междунар. конф. «Нейрокомпьютерный интерфейс: наука и практика». Самара. 2017. С. 65–69.
7. Плотников Д.В. Вычислительный интеллект в задаче распознавания образов // Актуальные проблемы авиации и космонавтики. 2017. Т. 2. № 13. С. 52–54.