Б.Б. Николенко1, Д.И. Кузнецов2, В.А. Подковкин3, П.Б. Попов4, А.Н. Никулина5

1-5 АО «ЦНИРТИ им. академика А.И. Берга» (Москва, Россия)

1 bb.nikolemko@gmail.com; 2 utsy@mail.ru; 3 pva.podkovkin@gmail.com;
4 paborpop@gmail.com; 5 alex.post-x@yandex.ru

Постановка проблемы. При решении задачи радиоэлектронного наблюдения особое место отводится классификации обнаруженных радиосигналов. Классические методы классификации, базирующиеся на сравнении параметров обнаруженных радиолокационных станций (РЛС) с эталонными априорно-известными параметрами, не позволяют получить результат с высокой степенью достоверности. Для решения поставленной задачи необходимо рассмотреть возможность использования технологий машинного обучения.

Цель. Разработать методы распознавания РЛС по радиотехническим параметрам сигналов, полученных в ходе радиоэлектронного мониторинга (РЭМ) Земли, с применением методов машинного обучения, учитывающие возможность появления в тестовой выборке сигналов от РЛС, не учтенных в обучающей выборке.

Результаты. В рамках решения задачи распознавания РЛС по смоделированным радиотехническим параметрам сигналов, рассмотрены методы машинного обучения классификации и фильтрации сигналов РЛС. Для сравнения методов машинного обучения проведено моделирование исходных данных - набора сигналов с тремя параметрами (частота, период, длительность импульса сигнала). Рассмотрены различные варианты предобработки данных с помощью нейронной сети. На основе смоделированных данных проведено сравнение методов мультиклассовой классификации объектов наблюдения по их радиотехническим параметрам и выполнена вероятностная оценка результатов классификации при различных условиях, а также рассмотрена возможность фильтрации объектов наблюдения, принадлежащих классам, которые не описаны в обучающей выборке. По результатам исследования установлены два наиболее предпочтительных метода классификации сигналов по типам РЛС - метод случайного леса и метод опорных векторов. Показано, что при небольшом числе классов в исходных данных для фильтрации объектов наблюдения целесообразно использовать метод последовательной бинарной классификации, позволяющий эффективно выделять объекты, принадлежащие к классам, не описанных в обучающей выборке.

Практическая значимость. Применение представленных методов позволяет значительно ускорить распознавание РЛС по радиотехническим параметрам сигнала с высокой степенью достоверности.

Николенко Б.Б., Кузнецов Д.И., Подковкин В.А., Попов П.Б., Никулина А.Н. Использование методов искусственного интел-лекта для распознавания радиолокационных станций по радиотехническим параметрам сигналов с фильтрацией сигналов, неучтенных в обучающей выборке радиолокационных станций // Радиотехника. 2024. Т. 88. № 5. С. 15-27. DOI: https://doi.org/10.18127/j00338486-202405-02

1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М.: Юнити. 1998.
2. Головко В.А. Нейронные сети: обучение, организация и применение: Учеб. пособие / Под общ. ред. А.И. Галушкина. М.: Радиотехника. 2001.
3. Breiman L. Bagging predictors // Machine Learning. 1996. № 24. Р. 123-140.
4. Breiman L. Random forests // Machine learning. 2001. V. 45. № 1. P. 5–32.
5. Breunig M.M., Kriegel H.-P., Ng R.T., Sander J.R. LOF: Identifying Density-based Local Outliersю Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (SIGMOD). 2000. DOI:10.1145/335191.335388
6. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. https://arxiv.org/abs/1603.02754. DOI: 10.1145/2939672.2939785.
7. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer. 2009.
8. Platt J.С. Fast training of support vector machines using sequential minimal optimization, advances in kernel methods. Computer Science. 1998.
9. Rish I. An empirical study of the naive Bayes classifier // IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. 2001.
10. Scholkopf B., Burges C., Smola A. (eds.). Advances in kernel methods. Support Vector Learning // Neurocomputing. 2002. V. 47.
    № 14. Р. 303-304.
11. Wu X. Support vector machines for text categorization: Ph. D. thesis. Buffalo. New York: State University of New York at Buffalo. 2004.