350 руб
Журнал «Наукоемкие технологии» №8 за 2015 г.
Статья в номере:
Применение нейронных сетей прямого распространения для формирования оценок параметров по методу максимального правдоподобия
Ключевые слова: искусственные нейронные сети метод максимального правдоподобия параметрическое оценивание угломерный метод кольцевые антенные решетки
Авторы:
Е.Н. Ефимов - аспирант, кафедра 405, Московский авиационный институт (национальный исследовательский университет) (МАИ). E-mail: omegatype@gmail.com Д.В. Филимонова - студентка, кафедра 405, Московский авиационный институт (национальный исследовательский университет) (МАИ). E-mail: daria-fili@rambler.ru Т.Я. Шевгунов - к.т.н., доцент, кафедра 405, Московский авиационный институт (национальный исследовательский университет) (МАИ). E-mail: shevgunov@mai-trt.ru
Аннотация:
Предложен способ формирования оценки по методу максимального правдоподобия с использованием искусственных нейронных сетей прямого распространения с архитектурой многослойного персептрона. Представлены теоретические основы предложенного способа в условиях априорно известной структуры модели наблюдения с точностью до значений вектора параметров. В качестве практического примера рассмотрен синтез оценивателя угла пеленга в угломерной системе на основе активной кольцевой антенной решетки. Приведено сравнение точности предложенного метода с оптимальным численным решением и границей Крамера-Рао, показана независимость точности оценки от истинного значения параметра в широком диапазоне углов.
Страницы: 42-47
Список источников

 

  1. Галушкин А.И. Нейронные сети. Основы теории. М.: Горячая Линия-Телеком. 2012. 496 с.
  2. Хайкин С. Нейронные сети: полный курс. Изд. 2-е., испр. / Пер. с англ. М.: ООО «И.Д. Вильямс». 2006. 1104 c.
  3. Baum E. Supervised Learning of Probability Distributions by Neural Networks. AmericanInstituteofPhysics. 1988. P. 52−61.
  4. Setiono R. A neural network construction algorithm which maximizes the likelihood function // Connection Science. 1995.V. 7. № 2. P. 147−166.
  5. R. Battiti First- and Second-Order Methods for Learning: Between Steepest Descent and Newton-s Method // Neural Computation. 1992. V. 4. № 2. P. 141−166.
  6. C. Cervellera, D. Maccio, M. Muselli Deterministic learning for maximum-likelihood estimation through neural networks // IEEE Transactions on Neural Networks. 2008. V. 19.№ 8. P. 1456−1467.
  7. D.W. Marquardt An algorithm for least-squares estimation of non-linear parameters // J. Soc. Ind. Appl. Math. 1963.V. 11. P. 431−441.
  8. Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // 70-я Междунар. конф. «Радиоэлектронные устройства и системы для инфокоммуникационных технологий» (REDS-2015). М.: МТУСИ. 2015. С. 98−101.
  9. Ефимов Е.Н., Шевгунов Т.Я. Построение нейронных сетей прямого распространения с использованием адаптивных элементов // Журнал радиоэлектроники. М.: ИРЭ РАН. 2012.№ 8.
  10. Дубровин А.В. Потенциальная точность пеленгования комплексами с антенными решетками, имеющими конфигурацию в виде набора произвольного числа колец // Радиотехника и электроника. 2006. Т. 51. № 13. С. 268−270.