О. С. Литвинов – д.ф.-м.н., профессор, кафедра физики, МГТУ им. Н.Э. Баумана

E-mail: oleglitv@mtu-net.ru

Д. В. Муродьянц – студент,

кафедра физики, МГТУ им. Н.Э. Баумана

E-mail: dmitriy1994.94@mail.ru В. С. Борута – к.ф.-м.н., доцент, кафедра физики, МГТУ им. Н.Э. Баумана Б. Е. Винтайкин – д.ф.-м.н., профессор, кафедра физики, МГТУ им. Н.Э. Баумана

Постановка проблемы. При фазовом управлении адаптивной антенной решеткой (ААР), в котором накладывается ограничение на изменение амплитуды весовых коэффициентов (ВК) для уменьшения потерь мощности полезного сигнала, задача выбора оптимальных ВК не имеет аналитического решения, в связи с чем решено использовать нейронную сеть в качестве блока управления ААР.

Цель. Провести обучение нейронной сети в качестве блока управления фазовращателями ААР, которая максимизирует отношение мощности полезного сигнала к шуму на выходе с минимальными потерями мощности полезного сигнала при различных спектрах широкополосной помехи.

Результаты. Промоделирована работа ААР на нейросетевом фазовом управлении. Исследована зависимость отношения сигнал/шум на выходе ААР и зависимость отношения мощности полезного сигнала на входе к мощности полезного сигнала на выходе ААР от угла прихода широкополосной помехи, а также вида ее спектра.

Практическая значимость. Полученные результаты могут использоваться в задачах радиолокации и навигации быстро движущихся объектов.

1. Литвинов О.С., Муродьянц Д.В., Борута В.С., Винтайкин Б.Е. Подавление шумовых помех в адаптивных антенных решетках на основе нейросетевых алгоритмов // Антенны. 2018. № 2. С. 40–44.
2. Пистолькорс А.А., Литвинов О.С. Введение в теорию адаптивных антенн. М.: Наука. 1991.
3. Хайкин С. Нейронные сети: Полный курс. Изд. 2-е. М.: ИД «Вильямс». 2008.
4. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
5. Acharya N., Acharya S., Panda S., Nanda P. An artificial neural network model for a diesel engine fuelled with mahua biodiesel // Computational Intelligence in Data Mining: Proceedings of the International Conference on CIDM. 2017. P. 193–201. DOI: 10.1007/ 978-981-10-3874-7_19
6. Liu G., Jia L., Kong B., Guan K., Zhang H. Artificial neural network application to study quantitative relationship between silicide and fracture toughness of Nb-Si alloys // Materials & Design. 2017. V. 129. P. 210–218.
7. Cybenko G.V. Approximation by superpositions of a sigmoidal function // Mathematics of control, signals and systems. 1989. V. 2. P. 303–314.
8. Siegelmann H.T., Sontag E.D. Analog computation via neural networks // Theoretical Computer Science. 1994. V. 131. № 2. P. 331–360.
9. Islam Md.S., Mohandes M., Rehman Sh. Vertical extrapolation of wind speed using artificial neural network hybrid system // Neural Computing and Applications. 2017. V. 28. P. 2351–2361.
10. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск: Изд-во Красноярского гос. техн. ун-та. 2000.
11. Зелкин Е.Г., Кравченко В.Ф. Синтез антенн на основе атомарных функций. М.: Радиотехника. 2003.
12. Graves A., Schmidhuber J. Offline handwriting recognition with multidimensional recurrent neural networks. 2009. V. 31. P. 545–552.