О.В. Есиков1, В.Л. Румянцев2, И.В. Милько3, С.А. Курбатский4, И.А. Клещарь5, Л.Д. Щербаков6

1–4АО ЦКБА (г. Тула, Россия)
5, 6Тульский государственный университет (г. Тула, Россия)
1 eovmail@rambler.ru, 2 vlroom@yandex.ru, 3 milko_igor@mail.ru, 4 cdbae@cdbae.ru, 5 klesharivan5@gmail.ru, 6 lev.denisovich@yandex.ru

Постановка проблемы. Алгоритм CatBoost – передовой инструмент машинного обучения, разработанный Yandex, который особенно эффективен при работе со слабыми признаками классификации, обладает встроенными механиз­мами предотвращения переобучения и требует минимальной подготовки данных. Оценка эффективности применения указанного алгоритма для решения практических задач распознавания объектов воздушного движения по радиолокационной информации является актуальной проблемой.

Цель. Оценить эффективность применения алгоритма CatBoost для распознавания объектов воздушного движения на основе использования радиолокационной информации.

Результаты. Для решения задачи распознавания объектов воздушного движения на основе радиолокационной информации предложено и экспериментально проверено применение метода CatBoost. Экспериментально определены рациональные значения параметров алгоритма, обеспечивающие высокую точность распознавания. Выполнено сравнение точности распознавания объектов воздушного движения предложенным методом и искусственной нейронной сетью прямого распространения сигнала. Показано, что метод CatBoost обеспечивает большую, чем искусственная нейронная сеть, точность распознавания объектов при меньшем объеме обучающей выборки.

Практическая значимость. Результаты исследования могут быть использованы при разработке бортовых систем распознавания объектов воздушного движения.

Есиков О.В., Румянцев В.Л., Милько И.В., Курбатский С.А., Клещарь И.А., Щербаков Л.Д. Применение алгоритма CatBoost для распознавания объектов воздушного движения // Нелинейный мир. 2026. Т. 24. № 1. С. 80–90. DOI: https://doi.org/10.18127/ j20700970-202601-07

1. Ritchie M., Fioranelli F., Griffiths H., Torvik B. Monostatic And Bistatic Radar Measurements Of Birds And Micro-Drone. IEEE Radar Conference, RadarConf 2016.
2. Макаренко С.И., Тимошенко А.В., Васильченко А.С. Анализ средств и способов противодействия беспилотным летательным аппаратам. Часть 1. Беспилотный летательный аппарат как объект обнаружения и поражения // Системы управления, связи и безопасности. 2020. № 1. С. 109–146.
3. Горелик А.Л., Барабаш Ю.Л., Кривошеев О.В., Эпштейн С.С. Селекция и распознавание на основе локационной информации / Под ред. А.Л. Горелика. М.: Радио и связь. 1990. 282 c.
4. Дао Ван Лук, Коновалов А.А., Ле Минь Хоанг. Экспериментальное исследование траекторных признаков для распознавания низколетящих малоскоростных радиолокационных целей в полуактивной РЛС // Изв. вузов России. Сер.: Радиоэлектроника. 2022. Т. 25. № 3. С. 39–50.
5. Ширман Я.Д., Горшков С.А., Лещенко С.П., Братченко Г.Д. и др. Методы радиолокационного распознавания и их моделирование // Радиолокация и радиометрия. 2000. № 3. Радиолокационное распознавание и методы математического моделирования. С. 5–64.
6. Субботин С.А. Построение деревьев решений для случая малоинформативных признаков // Радиоэлектроника, информатика, управление. 2019. № 1. С. 1–12.
7. Воробьев Е.Н., Веремьев В.И., Холодняк Д.В. Распознавание винтомоторных летательных аппаратов в пассивной бистатической РЛС // Изв. вузов России. Сер.: Радиоэлектроника. 2018. № 6. С. 75–82. DOI: 10.32603/1993-8985-2018-21-6-75-82.
8. Хайкин C. Нейронные сети: полный курс. Изд. 2-е, испр.: Пер. с англ. М.: ООО «И.Д. Вильямс». 2006. 1104 с.
9. Барсегян А.А., Куприянов М.С., Кузнецов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. Изд. 2-е, перераб. и доп. СПб.: БХВ-Петербург. 2007. 384 с.
10. Witten I.H., Frank E., Hall M.A. Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann. 2011. 664 p.
11. Андреев А.В., Есиков О.В., Мамон Ю.И., Акиншин Р.Н., Затучный Д.А., Феоктистова О.Г. Применение искусственных нейронных сетей для распознавания объектов на графических изображениях // Вестник Санкт-Петербургского государственного университета гражданской авиации / Под. ред. М.Ю. Смурова. 2017. № 1 (14). С. 131–141.
12. Маралов А.А., Серимбетов Б.А. Современные методы распознавания образов подходы алгоритмы и реализация в информационных системах // Вестник науки. 2025. Т. 2. № 2 (83). С. 697–703.
13. Каврин Д.А., Субботин С.А. Извлечение сбалансированных обучающих выборок методом псевдокластеризации // Радиоэлектроника и информатика. 2019. № 2. С. 26–32.
14. Вождаев В.В., Теперин Л.Л. Характеристики радиолокационной заметности летательных аппаратов. Физматлит. 2018. 376 с.
15. Беспилотные летательные аппараты. Справочное пособие. Воронеж: Издательско-полиграфический центр «Научная книга». 2015. 620 с.
16. Ростопчин В.В. «Напасть XXI века»: стороны одной «медали» // Авиапанорама. 2018. № 4. С. 12–17.
17. Ростопчин В.В. «Напасть XXI века»: стороны одной «медали» (продолжение) // Авиапанорама. 2018. № 5. С. 8–21.
18. Ростопчин В.В. «Напасть XXI века»: стороны одной «медали» (продолжение) // Авиапанорама. 2018. № 6. С. 16–23.
19. Ростопчин В.В. «Напасть XXI века»: стороны одной «медали» (продолжение) // Авиапанорама. 2019. № 1. С. 12–17.
20. Ружицкий Е.И. Вертолеты. М.: Виктория, АСТ. 1997. 192 с.
21. Peto T., Bilicz S., Szucs L., Gyimothy S. et al. The Radar Cross Section of small propellers on Unmanned Aerial Vehicles. 10th European Conf. on Antennas and Propagation, Davos, Switzerland, 10–15 April 2016. P. 1–4. DOI: 10.1109/EuCAP.2016.7481645.
22. Скорость полета птиц таблица [Электронный ресурс]. URL: https://cyberlesson.ru/skorost-poleta-ptic-tablica/ (дата обращения 25.09.2024).
23. Воробьев Е.Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС // Вестник Новгородского государственного университета. Сер.: Технические науки. 2019. № 4. С. 72–77. DOI: 0.34680/2076-8052.2019.4(116).72–77.
24. Салахутдинова К.И., Лебедев И.С., Кривцова И.Е. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 6. С. 1016–1022.
25. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features.
    In Advances in Neural Information Processing Systems. 2018. P. 6638–6648.
26. Chen T., Guestrin C. Xgboost: A scalable tree boosting system. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016. P. 785–794.
27. Friedman J.H. Stochastic gradient boosting. Computational statistics & data analysis. 2002. Т. 38. № 4. P. 367–378.
28. Кафтанников И.Л., Парасич А.В. Особенности применения деревьев решений в задачах классификации // Вестник ЮУрГУ. Сер.: Компьютерные технологии, управление, радиоэлектроника. 2015. № 3 (15). С. 26–32.
29. Dorogush A., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. arXiv preprint arXiv:1810.11363. 2018.
30. Урвачев Е.М. Применение алгоритма машинного обучения для определения параметров моделей сверхновых по их кривым блеска // Препринты ИПМ им. М.В. Келдыша. 2021. № 88. 11 с.
31. Chen T., Guestrin C. Xgboost: A scalable tree boosting system. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016. P. 785–794.
32. Ke G. et al. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems. 2017. Т. 30.
33. Регуляризация параметров в CatBoost [Электронный ресурс]. URL: https://www.geeksforgeeks.org/machine-learning/catboost- regularization-parameters / (дата обращения 25.09.2025).
34. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия – Телеком. 2012. 496 с.
35. Haykin S. Neural Networks and Learning Machines. 3rd ed. Pearson Education. 2009. 906 p.
36. Киселева Т.В., Маслова Е.В., Бычков А.Г. Машинное обучение для решения задач распознавания образов // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2021. № 2 (18). С. 19–24.