Е.В. Егорова1, М.Х. Аксяитов2, А.Н. Рыбаков3

1 МИРЭА (Российский технологический университет) (Москва, Россия)

2 АО «ОКБ «Электроавтоматика» (Москва, Россия)

3 ФГУП ВНИИА им. Н.Л. Духова (Москва, Россия)

Постановка проблемы. Нейронные сети позволяют успешно решать задачи распознавания радиолокационной информации за счет способности обучаться и аппроксимировать оптимальные разделяющие поверхности, а также за счет эффективного представления в признаковом пространстве нечетких признаков, что подтверждается многочисленными примерами, описанными в литературе. Однако необходимы совершенствование методов обнаружения и выделения сигналов из помех и изыскания новых методов и средств распознавания с учетом современной радиомаскировки объектов с использованием алгоритмов ассоциативной памяти.

Цель. Провести сравнительный анализ существующих нейросетевых математических моделей и выявить целесообразность применения нейросетевой модели ассоциативной памяти Хопфилда в задачах обработки радиолокационной информации.

Результаты. Определено понятие нейросетевой технологии в приложении к задачам радиолокации. Выявлены особенности обработки информации в радиолокаторах. Рассмотрены группы нейросетевых парадигм по списку Сарле и основные парадигмы нейросетевых архитектур. Проанализирована математическая модель ассоциативной памяти Хопфилда.

Практическая значимость. Представленный математический аппарат Хопфилда ассоциативной сети позволяет использовать предложенную модель для решения многих сложных задач оптимизации, а также провести достоверное отождествление и сформировать траектории радиолокационных целей уже на первых обзорах после их появления.

Егорова Е.В., Аксяитов М.Х., Рыбаков А.Н. Применение нейросетевой модели ассоциативной памяти Хопфилда в задачах обработки радиолокационной информации // Нелинейный мир. 2020. Т. 18. № 4. С. 24−33. DOI: 10.18127/j20700970202004-03

1. Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28. М.: Радиотехника. 2009. С. 432.
2. Аксяитов М.Х., Егорова Е.В., Рыбаков А.Н. Распознавание объекта радиолокационного изображения с использованием нейросетевых структур сети Хэмминга // Успехи современной радиоэлектроники. 2019. № 6. С. 37−43.
3. Вайнцвайг М.Н., Диментман A.M. Ассоциативное запоминающее устройство с расширенными функциональными возможностями // Вопросы кибернетики. М.: Советское радио. 1979. Вып. 49. С. 120−126.
4. Галушкин А.И. Теория нейронных сетей. Нейрокомпьютеры и их применение. Кн. 1. М.: ИПРЖР. 2000. 416 с.
5. Kwan C. Neural Network Control of Nonlinear Systems Using Multiple Models. DoD STTR Program. NAVY 98-005. USA. 1998.
6. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М. 2001. С. 24.
7. Панов В.В. О методических подходах к комплексному обоснованию и оценке вооружения и военной техники // Вооружение. Политика. Конверсия. 2002. № 1. С. 3−5.
8. Tatuzov A.L. Neural Network Methods for Radar Processing // ITONIP'02. IEEE. 2002. V. 4. P. 1718−1723.
9. Zhong S., Ghosh J. Decision Boundary Focussed Neural Network Classifier // Intelligent Engineering Systems Through Artificial Neural Networks. V. 10. ASME Press (ProcANNIE '00). 2000.
10. Behar V.P., Kabakchiev C.A., Doukovska L.A. Adaptive CFAR PI Processor for Radar Target Detection in Pulse Jamming // Journal of VLSI Signal Processing. 2000. V. 26. P. 383−396.
11. Хопфилд Д. Нейронные сети и физические системы, проявляющие свойства коллективных вычислений / Под ред. А.И. Галушкина. Нейрокомпьютерные сети: История развития теории. М.: ИПРЖР. 2001.