Р.Н. Косяков1, М.А. Исаев2, Е.М. Целищева3, Д.Э. Лосев4, А.П. Ковалев5

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

1-5 post@cnirti.ru

Постановка проблемы. Современный этап развития систем радиотехнической разведки (РТР) и пассивной пеленгации характеризуется увеличивающейся сложностью радиоэлектронной обстановки, обусловленной широким распространением цифровых сигналов с низкой вероятностью обнаружения, частотным и временны́м разнесением, а также массовым использованием широкополосных и многоканальных систем связи. В этих условиях аналитические методы обработки сигналов, основанные на детерминированных алгоритмах и априорных моделях, имеют принципиальные ограничения по эффективности в условиях неопределенности, шумов и преднамеренных помех. В связи с этим актуальным становится применение технологий искусственного интеллекта (ИИ), включая методы машинного обучения и глубокого обучения, в качестве инструментов для решения задач обнаружения, классификации, параметрической оценки и пеленгования сигналов. Возможность обучения на больших объемах данных, а также адаптация к изменяющимся условиям наблюдения и способность выявлять скрытые закономерности в многомерных сигнальных пространствах обуславливают перспективность использования ИИ-подходов для повышения точности, помехоустойчивости и чувствительности систем РТР.

Цель. Разработать модель амплитудно-фазового пеленгатора с применением ИИ-технологий для повышения эффективности систем РТР при обнаружении и пеленгации сложных радиосигналов в условиях априорной неопределенности, высокого уровня шумов и помех.

Результаты. Представлена нейросетевая модель амплитудно-фазового пеленгатора. Разработана архитектура многослойного перцептрона, обеспечивающая эффективное решение задачи регрессии с двумя непрерывными выходами — оценками азимута и угла места. Проведено обучение модели с применением оптимизатора Adam, механизмов регуляризации и стратегии ранней остановки, что позволило добиться устойчивой сходимости и избежать переобучения. Показано, что синтезированная модель демонстрирует высокую устойчивость к шумам и неопределенностям, благодаря учету нелинейных зависимостей в данных, что невозможно или затруднительно при использовании аналитических методов. Выполнено сравнение оценок эффективности методов пеленгации с использованием аналитического метода и с применением искусственной нейронной сети (НС).

Практическая значимость. Применение разработанной модели будет способствовать модернизации существующих и созданию перспективных систем радиотехнического контроля, применяемых в интересах радиоэлектронной борьбы (РЭБ), например, в системах мониторинга радиочастотного спектра, а также в составе средств радиоэлектронного подавления и противодействия беспилотным летательным аппаратам.

Косяков Р.Н., Исаев М.А., Целищева Е.М., Лосев Д.Э., Ковалев А.П. Применение искусственного интеллекта в радиотехнической разведке и системах пассивной пеленгации // Радиотехника. 2025. Т. 89. № 10. С. 140-145. DOI: https://doi.org/10.18127/j00338486-202510-17

1. Голиков В.Н., Бусыгин И.Н., Костин Г.А., Манжос В.Н., Минервин Н.Н., Найденов Б.В., Поляков В.И., Челпанов А.С.  Теоретические основы радиолокации; Учеб. пособие для вузов / Под ред. Я.Д. Ширмана. М.: Советское радио. 1970. 560 с.
2. Денисов В.П. Антенные системы фазовых радиопеленгаторов: Методические рекомендации по выполнению расчетного задания по курсу «Основы теории систем и комплексов радиоэлектронной борьбы». Томск: Томский гос. ун-т систем управления и радиоэлектроники. 2019. https://studfile.net/preview/16873708/.
3. Метод Уэлфорда и многомерная линейная регрессия [Электронный ресурс] // habr.com. URL: https://habr.com/ru/artic-les/343752/.
4. Шапалин В.Г., Николаенко Д.В. Рассмотрение существующих способов создания элементов системы распознавания лиц // Сб. науч. трудов IV Междунар. науч.-практич. конф. Донецк. 2022. Т. 1. С. 236-240.
5. Реализуем и сравниваем оптимизаторы моделей в глубоком обучении [Электронный ресурс] // habr.com. URL: https://habr.com/ru/companies/skillfactory/articles/525214/.