С.А. Курбатский1, Е.И. Минаков2, А.Н. Грачев3, М.С. Башеров4, А.А. Панова5

1,3,4,5 АО «Центральное конструкторское бюро аппаратостроения» (г. Тула, Россия)

2,4 ФГБОУ ВО «Тульский государственный университет» (г. Тула, Россия)

1 qrbs@rambler.ru, 2 eminakov@bk.ru, 3 ga150161@mail.ru, 4 basherov666@yandex.ru, 5 panova005@gmail.com

Постановка проблемы. Одной из важнейших проблем применения нейросетевых методов классификации воздушных целей в обзорных импульсно-доплеровских радиолокационных станциях (РЛС) по траекторным признакам и эффективной площади рассеивания (ЭПР) является ограниченность объема экспериментальных радиолокационных данных, необходимых для формирования репрезентативных обучающих выборок. Проведение натурных испытаний сопряжено со значительными временны́ми, организационными и экономическими затратами, что приводит к недостаточной представленности отдельных классов воздушных объектов и затрудняет обучение нейросетевых классификаторов, обладающих высокой обобщающей способностью. Использование исключительно синтетических данных также не позволяет в полной мере обеспечить адекватное воспроизведение особенностей реальной радиолокационной информации.

Цель. Разработать методику комплексного формирования обучающих выборок для нейросетевой классификации воздушных целей по траекторным признакам и эффективной площади рассеяния на основе совместного использования экспериментальных и синтетических радиолокационных данных.

Результаты. Предложена методика комплексного формирования обучающих выборок для нейросетевой классификации воздушных целей по траекторным признакам и эффективной площади рассеяния, в которой сгенерированные на основе физически обоснованных моделей движения воздушных объектов с учетом ограничений на кинематические параметры и маневренные возможности синтетические траектории статистически дополняются обучающими данными с использованием априорной информации о диапазонах изменения траекторных признаков и ЭПР различных классов целей. Показано, что предложенная методика обеспечивает расширение пространства возможных состояний объектов, а также повышает равномерность распределения признаков и увеличивает репрезентативность обучающей выборки.

Практическая значимость. Представленная методика может быть использована при формировании обучающих выборок для интеллектуальных систем автоматического распознавания воздушных целей в обзорных импульсно-доплеровских РЛС для повышения репрезентативности данных в условиях ограниченного объема экспериментальных радиолокационных измерений.

Курбатский С.А., Минаков Е.И., Грачев А.Н., Башеров М.С., Панова А.А. Методика формирования наборов данных для обучения нейросетевых моделей классификации воздушных целей // Радиотехника. 2026. Т. 90. № 9. С. 64−76. DOI: https://doi.org/10.18127/j00338486-202609-07

1. Dale H., et al. SNR-dependent drone classification using convolutional neural networks // IET Radar, Sonar & Navigation. 2022. V. 16. № 1. P. 22–33.
2. Mohajerin N., Histon J., Dizaji R., Waslander S.L. Feature extraction and radar track classification for detecting UAVs in civilian airspace // 2014 IEEE Radar Conference (RadarCon). Cincinnati. USA. 2014. P. 674–679. DOI: 10.1109/RADAR.2014.6875676.
3. Chen W., Liu J., Li J. Classification of UAV and bird target in low-altitude airspace with surveillance radar data // The Aeronautical Journal. 2019. V. 123. P. 191–211. DOI: 10.1017/aer.2018.158.
4. Зюзин А.В., Минаков Е.И., Башеров М.С., Филонович А.В. Распознавание малоразмерных объектов с использованием искусственных нейронных сетей в задачах радиолокации // Электромагнитные волны и электронные системы. 2026. Т. 31. № 1. С. 14–27. DOI: 10.18127/j15604128-202601-02.
5. Гридин В.Н., Курбатский С.А., Минаков Е.И., Евдокимов И.А., Полынкин А.В., Башеров М.С. Математическая модель формирования микродоплеровской составляющей радиолокационного сигнала для различных классов беспилотных летательных аппаратов // Радиотехника и электроника. 2026. Т. 71. № 4. С. 465–475.
6. Минаков Е.И., Макарецкий Е.А., Башеров М.С. Радиолокационная система для улучшения ситуационной осведомлённости воздушных судов // Электромагнитные волны и электронные системы. 2025. Т. 30. № 4. С. 76–85. DOI: 10.18127/j15604128-202504-07.
7. Zhang X., Mehta V., Bolic M., Mantegh I. Hybrid AI-enabled Method for UAS and Bird Detection and Classification // 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC). Toronto. Canada. 2020. P. 2803–2807. DOI: 10.1109/SMC42975.2020.9282965.
8. Liu J., Xu Q., Chen W. Classification of Bird and Drone Targets Based on Motion Characteristics and Random Forest Model Using Surveillance Radar Data // IEEE Access. 2021. V. 9. P. 160135–160144. DOI: 10.1109/ACCESS.2021.3130231.
9. Костромицкий С.М., Нефёдов Д.С. Радиолокационные характеристики микро-БПЛА // Вестник Концерна ВКО «Алмаз – Антей». 2023. № 3. С. 12–23. DOI: 10.38013/2542-0542-2023-3-12-23.
10. Костромицкий С.М., Нефёдов Д.С., Храменков А.С., Чигряй В.Г. Статистические модели флуктуаций эффективной поверх-ности рассеяния малоразмерных беспилотных летательных аппаратов // Вестник Концерна ВКО «Алмаз – Антей». 2023. № 3. С. 24–36. DOI: 10.38013/2542-0542-2023-3-24-36.
11. Пальгуев Д.А., Пархачёв В.В., Пиунов К.Н., Васильев Д.А. Распознавание воздушных объектов типа «птицы» по траекторным признакам // Радиотехнические и телекоммуникационные системы. 2023. № 4. С. 39–51. DOI: 10.24412/2221-2574-2022-4-39-50.
12. Fioranelli F., Ram S. S., Kernec J. L., Gurbuz S. Foreword to the Special Section on AI Approaches for Radar Processing and Applications // IEEE Transactions on Radar Systems. 2025. V. 3. P. 1243–1256. DOI: 10.1109/TRS.2025.360130.
13. Минаков Е.И., Грачев А.Н., Башеров М.С., Шпрехер Д.М. Классификация воздушных целей в РЛС на основе нейросетевой модели с расширенным признаковым пространством // Программные продукты и системы. 2025. № 4. С. 682–693.
14. Мацюра А.В. Радиолокационные орнитологические наблюдения: краткий обзор стационарных и мобильных комплексов // Acta Biologica Sibirica. 2015. Т. 1, № 3−4. С. 118–147. DOI: 10.14258/abs.v1i3-4.917.
15. Диневич Л.А. Распознавание радиоэха птиц на базе радиолокатора МРЛ-5 // Наука. Инновации. Технологии. 2014. № 1(5). С. 7–37.
16. Dinevich L., Leshem Y. Radar monitoring of seasonal bird migration over central Israel // The Ring. 2010. V. 32. № 1−2. P. 31–53. DOI: 10.2478/v10050-010-0003-z.
17. Maltsev K., Yaroslavsky L., Leshem Y. Processing of Weather Radar Images for Bird Detection and Tracking // Proceedings of the 7th IASTED International Conference on Visualization, Imaging and Image Processing (VIIP 2007). Palma de Mallorca, Spain. 2007.
18. Osadchyi V.V., Eremeev V.S., Matsyura A.V. Mathematical model of bird species identifying: implication of radar data processing // Biological Bulletin of Bogdan Chmelnitsky Melitopol State Pedagogical University. 2016. V. 6, № 3. P. 463–471. DOI: 10.15421/2016119.
19. Баяндина Т.А. Динамика полёта самолета. Расчет траекторий и летных характеристик: Учебное пособие. Самара: Изд-во Самарского университета. 2023. 152 с.
20. Чумадин А.С., Ершов В.И., Барвинок В.А. и др. Теоретические основы авиа- и ракетостроения в конспектах лекций: Учебное пособие для вузов. М.: Дрофа. 2005. 784 с. (Сер. Проектирование, конструкция и производство летательных аппаратов).
21. Онушкин Ю.П., Кочиш Г.Г. Аэродинамика, динамика полета и практическая аэродинамика. Ч. II. Динамика полета: курс лекций. Сызрань: Сызранский военный авиационный институт. 2004. 162 с.
22. Петровский С.П., Джаксбаев В.А. Практическая аэродинамика вертолета Ми-8Т(МТ): Учебное пособие. В 2-х частях. Ч. 1. Сызрань: ВУНЦ ВВС «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина». 2016. 122 с.
23. Терещенков Е.В., Матвеев А.М., Мещеряков В.А. Основы авиационной техники и практической аэродинамики: учебное пособие / Под общ. ред. В.А. Мещерякова. Ульяновск: УВАУ ГА. 2007. 109 с.
24. Онушкин Ю.П., Михайлов С.А., Носов А.А. Практическая аэродинамика вертолета АНСАТ-У: учебно-методическое пособие для летного состава. Казань: Изд-во Казанского государственного технического университета. 2010. 225 с.
25. Фомичев П.А., Заруцкий А.В., Мандзюк С.Ф. Расчет на прочность самолета: Конспект лекций. Ч. 1. Харьков: Национальный аэрокосмический университет им. Н.Е. Жуковского «Харьковский авиационный институт». 2017. 165 с.
26. Чепурных И.В. Прочность конструкций летательных аппаратов: учебное пособие. Комсомольск-на-Амуре: ФГБОУ ВПО «КнАГТУ». 2013. 137 с.
27. Чепурных И.В. Динамика полета самолетов: Учебное пособие. Комсомольск-на-Амуре: ФГБОУ ВПО «КнАГТУ». 2014. 112 с.
28. Моисеев Г.В., Моисеев В.С. Основы теории создания и применения имитационных беспилотных авиационных комплексов: монография. Казань: Редакционно-издательский центр. 2013. 208 с.
29. Нельсон Х. Базовая математика для искусственного интеллекта: Пер. с англ. Астана: АЛИСТ. 2024. 592 с.
30. Хьюен Ч. Проектирование систем машинного обучения: Пер. с англ. Астана: Фолиант. 2023. 368 с.
31. Приказ Федерального агентства воздушного транспорта от 28.12.2022 № 970-П «Об утверждении Норм летной годности гражданских легких самолетов НЛГ-23». URL: https://legalacts.ru/doc/prikaz-rosaviatsii-ot-28122022-n-970-p-ob-utverzhdenii-norm/ (дата обращения: 07.08.2026).
32. Федеральное агентство воздушного транспорта. Нормы летной годности беспилотных авиационных систем с беспилотным воздушным судном самолетного типа с максимальной взлетной массой до 5400 кг. НЛГ БАС-СТ. Издание 1. М. 2023. 315 с.
33. Авиационные правила. Ч. 29. Нормы летной годности винтокрылых аппаратов транспортной категории НЛГ 29: утв. приказом Росавиации от 07.12.2022 № 890-П. М.: Межгосударственный авиационный комитет. 2023. 128 с.
34. Swerling P. Probability of detection for fluctuating targets // IRE Transactions on Information Theory. 1960. V. 6. № 2. P. 269–308.
35. Azim A. W., Bazzi A., Bomfin R., Giakoumidis N., Rappaport T. S., Chafii M. Indoor Statistical and Deterministic RCS Characterization for ISAC Channel Modeling // IEEE Transactions on Wireless Communications. 2026. DOI: 10.48550/arXiv.2411.03206.
36. Jaynes E.T. Information Theory and Statistical Mechanics // Physical Review. 1957. V. 106, № 4. P. 620–630.
37. Велищанский М.А. Синтез квазиоптимальной траектории движения беспилотного летательного аппарата // Наука и образование. МГТУ им. Н.Э. Баумана. Электронный журнал. 2013. № 12. DOI: 10.7463/1213.0646471.
38. Канатников А.Н., Крищенко А.П., Ткачев С.Б. Допустимые пространственные траектории беспилотного летательного аппарата в вертикальной плоскости // Наука и образование. МГТУ им. Н.Э. Баумана. Электронный журнал. 2012. № 3.
39. Канатников А.Н. Построение траекторий летательных аппаратов с немонотонным изменением энергии // Наука и образование. МГТУ им. Н.Э. Баумана. Электронный журнал. 2013. № 4. DOI: 10.7463/0413.0554666.