М.Э. Гурбатов1, В.Я. Литновский2

1-2 ПАО «Радиофизика» (Москва, Россия)

1 МФТИ (национальный исследовательский университет) (г. Долгопрудный, Россия)

Постановка проблемы. На сегодняшний день большинство алгоритмов траекторной обработки радиолокационной информации разработаны в предположениях, которые часто не выполняются в реальных условиях, что обусловлено непредсказуемостью внешней обстановки и высокой динамикой ее изменения. Одним из перспективных направлений решения данной задачи является применение технологии искусственных нейронных сетей (ИНС), поскольку ИНС способны обучаться в реальном времени и решать поставленную задачу в изменяющихся условиях. Настоящая работа посвящена исследованию эффективности применения ИНС в задачах траекторной обработки информации.

Цель. Провести сравнительный анализ эффективности использования ИНС и многогипотезного алгоритма фильтрации, построенного на соотношениях фильтра Калмана, в задачах траекторной обработки радиолокационной информации.

Результаты. Методами моделирования получены зависимости, характеризующие качество работы алгоритмов траекторной обработки радиолокационной информации. Проведен сравнительный анализ алгоритмов с точки зрения точности оценивания параметров движения цели как на участках без маневрирования, так и на участках маневра.

Практическая значимость. Результаты проведенного исследования могут быть использованы для усовершенствования систем обработки радиолокационной информации.

Гурбатов М.Э., Литновский В.Я. Анализ эффективности нейросетевых алгоритмов траекторной обработки радиолокационной информации // Радиотехника. 2023. Т. 87. № 3. С. 31-39. DOI: https://doi.org/10.18127/j00338486-202303-03

1. Li X.R. A Survey of Maneuvering Target Tracking. Part V: Multiple-Model Methods // IEEE Trans on aerospace and electric systems. 2005. V. 41. № 4. P. 1255–1321.
2. Bar-Shalom Y. Estimation with Applications to Tracking and Navigation: Theory, Algorithms, and Software. New York: John Wiley & Sons. 2001. P. 558
3. Сычев М.И. Траекторная обработка радиолокационной информации на основе упрощенных многомодельных фильтров // Электросвязь. 2016. № 10. С. 32-37.
4. Кузьмин С.З. Цифровая радиолокация. Введение в теорию. Киев: Изд-во «КВЩ». 2000. 428 с.
5. Blackman S.S. Multiple-target tracking with radar applications. Artech House. 1986. 449 р.
6. Коновалов А.А. Основы траекторной обработки радиолокационной информации. Ч. 2. СПБ: ЛЭТИ. 2014. 180 с.
7. Фарбер В.Е. Основы траекторной обработки радиолокационной информации в многоканальных РЛС: Учеб. пособие. М.: МФТИ. 2005. 160 с.
8. Li X.R., Jilkov V.P. A Survey of Maneuvering Target Tracking: Part I. Dynamic Models // Proceedings of SPIE. 2000. P. 24.
9. Фарина А. Цифровая обработка радиолокационной информации. Сопровождение целей. М.: Радио и связь. 1993. 320 с.
10. Kalman R.E. A new approach to linear filtering and prediction problems // Transactions of the ASME. Journal of Basic Engineering (Series D). 1960. P. 35-45.
11. Kalman R.E. New Results in Linear Filtering and Prediction Theory // Transactions of the ASME. Journal of Basic Engineering (Series D). 1961. P. 95–108.
12. Балакришнан А. В. Теория фильтрации Калмана. М.: Мир. 1988. 168 с.
13. Julier S.J. A New Extension of the Kalman Filter to Nonlinear Systems // Proc. of SPIE. July 1997. P. 12.
14. Julier S.J. A New Method for the Nonlinear Transformation of Means and Covariances in Nonlinear Filters // IEEE Transactions on Automatic Control. 2000. V. 45. P. 477–482.
15. Казаринов Ю.М. Радиотехнические системы. М.: Издательский центр «Академия». 2008. 592 с.
16. Yuan X. Models and Algorithms for Tracking Target with Coordinated Turn Motion // Hindawi Publishing Corporation Mathematical Problems in Engineering. V. 2014. P. 10.
17. Blom H.A.P. The Interacting Multiple Model algorithm for systems with Markovian switching coefficients // IEEE Tr. on Automatic Control. 1988. V. 33. P. 780-783.
18. Besada J.A. Design of IMM filter for radar tracking using evolution strategies // IEEE Transactions on Aerospace and Electronic Systems. 2005. V. 41. Is. 3. P. 1109-1122.
19. Данилов С.Н. Алгоритм прогноза координат воздушных объектов для обеспечения функционирования системы направленной связи на основе систем со случайным изменением структуры // Вестник ТГТУ. 2009. Т. 15. № 3. С. 530-539.
20. Хайкин С. Преимущества и ограничения обучения методом обратного распространения // Нейронные сети. 2006. С. 304–314.
21. Пархоменко С.С. О сокращении времени обработки большого количества данных нейронными сетями методом Левенберга - Марквардта // Импекс. 2014. С. 80–83.
22. Sousa C. Neural network learning by the levenberg-marquardt algorithm with Bayesian regularization (part 1). 2009. URL: http://crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg_18.html.
23. Transtrum M.K., Sethna J.P. Improvements to the levenberg-marquardt algorithm for nonlinear least-squares minimization // Journal of Computational Physics. 2012
24. Веремьев В.И., Ковалев Д.А. Моделирование алгоритмов траекторного сопровождения радиолокационной цели на основе аппарата нейронных сетей // Известия вузов России. Сер. Радиоэлектроника. 2010. 74 с.
25. Киселев В.Ю. Оценка качества траекторной обработки в радиолокационных системах управления воздушным движением: автореф. дисс. … канд. техн. наук: 05.12.14. СПб: СПГУАП. 2017. 200 с.
26. Фарбер В.Е. Анализ характеристик алгоритмов оценки эффективности аэродинамического торможения входящих в атмосферу космических объектов // Радиотехника. 2007. № 10. С. 81−87.