Н.Д. Баданина1, В.В. Дудихин2, И.Ю. Межуев3, Н.С. Новикова4, И.Ю. Якупов5

1–5 АО «Научно-производственный комплекс «Научно-исследовательский институт дальней радиосвязи» (Москва, Россия)

Постановка проблемы. При решении задачи верификации объектов, обнаруженных на радиолокационных изображениях по данным c загоризонтной радиолокационной станции, используется ряд распространенных классических методов и подходов. Однако эти алгоритмы не всегда обеспечивают необходимый уровень точности, могут иметь ряд ограничений по используемому функционалу, таких как время обработки, что играет важную роль при анализе данных в режиме реального времени.

Цель. Дополнить перечень используемых методов моделями нейронных сетей; улучшить качество верификации объектов на радиолокационных изображениях.

Результаты. Описано экспериментальное исследование, позволившее подобрать архитектуру ансамбля нейронных сетей, имеющую наибольшую обобщающую способность, а также определить для нее оптимальный формат входных данных. Развертка трехмерного пространства наблюдения на плоскость позволила использовать хорошо известные модели сверточных нейронных сетей, обучаемых на двумерных данных. В работе показана эффективность включения метаданных об объекте в модель.

Практическая значимость. Разработанный подход может быть использован для решения различного рода задач верификации объектов в сфере радиолокации, а также может быть применен для улучшения уже существующего программного обеспечения. Описанные в статье методы обучения нейронных сетей, их объединение в ансамбль, а также валидация обобщающей способности моделей, могут быть перенесены на схожие задачи верификации объектов в трехмерных массивах данных, полученных из других источников, или на последовательные во времени изображения.

Баданина Н.Д., Дудихин В.В., Межуев И.Ю., Новикова Н.С., Якупов И.Ю. Метод верификации объектов на радиолокационных изображениях с использованием ансамблей нейронных сетей // Наукоемкие технологии. 2023. Т. 24. № 2. С. 79−85. DOI: https:// doi.org/10.18127/j19998465-202302-10

1. Фарина А., Студер Ф. Цифровая обработка радиолокационной информации. Сопровождение целей М.: Радио и связь. 1993.
2. Фарбер В.Е. Основы траекторной обработки радиолокационной информации в многоканальных РЛС. М.: МФТИ. 2005.
3. Бердышев В.П., Гарин Е.Н., Фомин А.Н. и др. Радиолокационные системы. Сиб. федер. ун-т., Красноярск. 2011.
4. Татузов А.Л. Нейронные сети в задачах радиолокации. М.: Радиотехника. 2009.
5. Дудихин В.В., Иванов А.С., Межуев И.Ю., Шоков А.В., Якупов И.Ю. Распознавание радиолокационных изображений, полученных в миллиметровом диапазоне, с использованием нейронных сетей. Вестник Концерна ВКО «Алмаз – Антей». 2022. № 3. С. 48–58.
6. Басов О.О., Толстой И.М., Ле Ань Ту. Классификация движущихся наземных объектов по их доплеровским портретам с помощью методов машинного обучения // Современные наукоемкие технологии. 2021. № 10.
7. Кваснов А.В. Интеллектуальная обработка радиолокационной информации. СПб.: Санкт-Петербургский политехнический университет Петра Великого. 2020.
8. Щирый А.О. Перспективы применения машинного обучения для адаптации загоризонтных радиолокационных станций декаметрового диапазона к геофизическим условиям. Постановка задач и возможные подходы // Сборник научных статей по материалам VIII Междунар. науч.-практ. конф. «Дальняя радиолокация на службе Отечеству», МГТУ. М. 2022. C. 133–144.
9. Казачков Е.А., Матюгин С.Н., Попов И.В., Шаронов В.В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестник Концерна ВКО «Алмаз – Антей». 2018. № 1. С. 93–99.
10. Zhang M. et al. Neural networks for radar waveform recognition // Symmetry. 2017. V. 9. № 5.
11. Меркулов В.И., Верба В.С. (ред.). Оценивание дальности и скорости в радиолокационных системах. Ч. 3. М.: Радиотехника. 2010. Гл. 15.3.
12. Павлов В.А. Применение сверточных нейронных сетей для обнаружения и распознавания искусственных космических и наземных объектов / Радиотехника. 2019. Т. 83. № 12(20). С. 58–67. DOI: 10.18127/j00338486-201912(20)-08.
13. Вирясова А. Ю., Климов Д.И., Хромов О.Е., Губайдуллин И.Р., Орешко В.В. Анализ возможности применения сверточных нейронных сетей и их аппаратной реализации для задачи термо-видеотелеметрии / Радиотехника. 2021. Т. 85. № 9. С. 115–126. DOI: https://doi.org/10.18127/j00338486-202109-11.