Э.А. Кирсанов¹, В.А. Татаринцев²

1-2 ВУНЦ ВВС «ВВА им. проф. Н.Е. Жуковского и Ю.А. Гагарина»

Постановка проблемы. Традиционные алгоритмы кластерного анализа неприменимы для решения задачи автоматической классификации множества оценок координат источников радиоизлучения на незаданное число классов с целью выявления групп территориально совмещенных источников радиоизлучения из-за неоднородности пространства признаков, обусловленной отличием ковариационных матриц ошибок вычисления координат источников радиоизлучения в различных точках плоскости. Поэтому требуется их модификация.

Цель. Провести сравнительный анализ эффективности модифицированных алгоритмов автоматической классификации координатной информации в угломерных многопозиционных радиосистемах на основе самоорганизующейся нейронной сети и метода «среднего сдвига» с учетом неоднородности пространства признаков при обработке множества оценок координат источников радиоизлучения.

Результаты. Рассмотрены модифицированные алгоритмы обработки множества полученных в многопозиционных радиосистемах оценок координат источников радиоизлучения на основе автоматической классификации объектов на незаданное число классов самоорганизующейся нейронной сетью и методом «среднего сдвига», учитывающие неоднородность пространства признаков, обусловленную отличием ковариационных матриц ошибок вычисления координат в различных точках плоскости. Приведены результаты сравнительного анализа эффективности алгоритмов обработки множества оценок координат источников радиоизлучения для угломерной многопозиционной радиосистемы.

Практическая значимость. Использование модифицированного метода «среднего сдвига» обеспечит повышение вероятности правильного определения числа классов более чем на 30% по сравнению с традиционным методом «среднего сдвига» и более чем на 60% по сравнению с самоорганизующейся нейронной сетью конкурентного обучения.

Кирсанов Э.А., Татаринцев В.А. Сравнительный анализ алгоритмов автоматической классификации координатной информации в угломерных многопозиционных радиосистемах на основе само¬организующейся нейронной сети и метода «среднего сдвига» // Радиотехника. 2021. Т. 85. № 1. С. 62−68. DOI: 10.18127/j00338486-202101-08. &a

1. Афанасьев В.И., Кирсанов Э.А., Сирота А.А. Сравнительный анализ возможностей человека-оператора и автоматических алгоритмов классификации координатной информации в режиме самообучения // Радиотехника. 2000. № 10. С. 79−85.
2. Радзиевский В.Г., Сирота А.А. Теоретические основы радиоэлектронной разведки. М.: Радиотехника. 2004. 352 с.
3. Кирсанов Э.А., Сирота А.А. Обработка информации в пространственно-распределенных системах радиомониторинга: статистический и нейросетевой подходы. М.: ФИЗМАТЛИТ. 2012. 344 с.
4. Кирсанов Э.А. Выявление групп территориально-совмещенных источников радиоизлучения в многопозиционных радиосистемах на основе самоорганизующейся нейронной сети // Информационно-измерительные и управляющие системы. 2007. № 10. С. 70−73.
5. Кирсанов Э.А., Татаринцев В.А. Кластеризация множества оценок координат источников радиоизлучения в многопозиционных радиосистемах методом среднего сдвига // Сб. материалов XX Междунар. научно-методич. конф. «Информатика: проблемы, методы, технологии» (под ред. А.А. Зацаринного, Д.Н. Борисова) Воронежский государственный университет 13−14 февраля 2020 г. Воронеж: Изд-во «Научно-исследовательские публикации» (ООО «Вэлборн»). 2020. С. 1040−1046.
6. Кирсанов Э.А., Татаринцев В.А. Алгоритмы выявления групп территориально совмещенных источников радиоизлучения модифицированным методом среднего сдвига // Сб. трудов XXVI Междунар. научно-технич. конф. «Радиолокация, навигация, связь». 29 сентября – 1 октября 2020 г. Воронежский государственный университет (АО «Концерн «Созвездие»). Воронеж: Издательский дом ВГУ. 2020. В 6-ти томах. Т. 5. С. 282−290.
7. Xu L., Krzyzak A., Oja E. Rival penalized competitive learning for clustering analysis, RBF net and curve detection // IEEE Trans. Neural Networks. 1993. № 4. P. 636−649.
8. Fukunaga K., Hostetler L. The estimation of the gradient of a density function, with applications in pattern recognition // IEEE Transactions on information theory. 1975. № 1. P. 32−40.
9. Comaniciu D., Meer P. Mean shift: A robust approach toward feature space analysis // IEEE Transactions on Pattern Analysis & Machine Intelligence. 2002. № 5. P. 603−619.