А.В. Кваснов – к.т.н., доцент, 

Санкт-Петербургский политехнический университет Петра Великого E-mail: Kvasnov_AV@spbstu.ru

Постановка проблемы. Одной из актуальных задач в радиоэлектронных системах контроля и мониторинга является возможность распознавания и классификации объектов по совокупности уникальных радиотехнических признаков.

Цель. Рассмотреть реализацию распознавания и классификации источников радиоизлучения на основе байесовского программирования.

Результаты. Рассмотрено применение байесовского программирования для задач распознавания и классификации источников радиоизлучения. Показано, что математическая модель байесовской программы предполагает задание семейства распределений вероятности по известным признакам, содержащимся в обучающей выборке. На основе обучающей выборки оцениваются корреляционные связи между классами и типами объектов и вычисляются вероятности их идентификации. Архитектура байесовской программы предполагает наличие критериев по оценке репрезентативности выборки, целевой задачи методики (распознавание, классификация и т.д.).

Практическая значимость. Проведенное имитационное моделирование полученной программной модели показало ее состоятельность при заданных условиях и фиксированной ошибке первого рода.

1. Kouemou G. (ed.) Radar Technology. InTech. 2010. ISBN 978-953-307-029-2.
2. Dudczyk J. A method of feature selection in the aspect of specific identification of radar signals // Bulletin of the polish academy of sciences technical sciences. 2017. V. 65. № 1. P. 113.
3. Richard G. Wiley. ELINT: The Interception and Analysis of Radar Signals. Artech House. 2006.
4. Kawalec A., Owczarek R., Dudczyk J. Data modeling and simulation applied to radar signal recognition // Molecular and Quantum Acoustics. 2005. V. 26. № 7. P. 165.
5. Zhutian Yang, Wei Qiu, Hongjian Sun, Arumugam Nallanathan. Robust Radar Emitter Recognition Based on the ThreeDimensional Distribution Feature and Transfer Learning // Sensors. 2016. № 16 (3). P. 289.
6. Аджемов С.С., Терешонок М.В., Чиров Д.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей // ВМУ. Физика. Астрономия. 2015. № 1. С. 23.
7. Dudczyk J. Radar Emission Sources Identification Based on Hierarchical Agglomerative Clustering for Large Data Sets // Journal of Sensors. 2016. V. 2016. Article ID 1879327. 9 p.
8. Zhu J., Zhao Y., Tang J., Xu J. Automatic recognition of radar signals based on time-frequency image shape character // Defence Science Journal. 63(3). 308.
9. Чиров Д.С., Кандаурова Е.О. Анализ методов распознавания видов межимпульсной модуляции сигналов радиолокационных средств // T-Comm: Телекоммуникации и транспорт. 2019. Т. 13. № 3. С. 15.
10. Jaynes Edwin T. Probability Theory: The Logic of Science. Cambridge University Press. ISBN 0-521-59271-2.
11. Robert Christian & Marin Jean-Michel. Bayesian Core: A Practical Approach to Computational Bayesian Statistics. 2007.
12. Barber D. Bayesian Reasoning and Machine Learning. Cambridge University Press. 2012. ISBN: 978-0521518147.
13. Finn B. Jensen. Bayesian Networks and Springer. 2nd edition. 2007.
14. Kvasnov A., Shkodyrev V., Arsenyev D. Method of recognition the radar emitting sources based on the naive Bayesian classifier // WSEAS transactions on systems and control. 2019. V. 14. P. 112.
15. Кваснов А.В., Шкодырев В.П., Арсеньев Д.Г. Высокоточные модели распознавания объектов на основе рекуррентных байесовских алгоритмов // Материалы конф. «Управление в аэрокосмических системах» (УАС-2018). СПб.: АО «Концерн «ЦНИИ «Электроприбор». 2018. С. 90.
16. Database of radars. http://www.radartutorial.eu. Accessed 20 May 2019.
17. Свид-во о регистрации программы для ЭВМ. № 2018618004. Опубликовано 27.08.18. Программа классификации источников радиоизлучения по радиотехническим признакам / Кваснов А.В., Шкодырев В.П.  Реестр программ для ЭВМ. 1 с.