Исследование эффективности автоматической системы обнаружения и распознавания объектов на радиолокационном изображении с применением нейронных сетей

V. I. Weber, V. Y. Kuprits, K. D. Zaikov

Аннотация


Рассмотрены основные факторы, влияющие на эффективность автоматической системы распознавания объектов на радиолокационном изображении, полученном с помощью радиолокатора с синтезированной апертурой антенны. Разработан алгоритм кластеризации для выделения объектов на радиолокационном изображении. Приведены результаты применения алгоритма кластеризации радиолокационного изображения, позволяющего повысить вероятность правильного распознавания объектов. Приведен анализ эффективности применения алгоритма кластеризации в зависимости от порогового обнаружения. Разработана и приведена структура двухэтапной системы алгоритма автоматического распознавания объектов на радиолокационном изображении. 

 

Вебер В. И., Куприц В. Ю., Зайков К. Д. Исследование эффективности автоматической системы обнаружения и распознавания объектов на радиолокационном изображении с применением нейронных сетей. Ural Radio Engineering Journal. 2022;6(3):296–309. DOI: 10.15826/urej.2022.6.3.004.

 


Ключевые слова


Радиолокация;алгоритм кластеризации;нейронная сеть

Полный текст:

Без имени

Литература


Журавлев В. А., Мальцев Д. Д. Распознавание воздушных объектов по радиолокационным теням с использованием искусственного интеллекта. В кн.: Повышение обороноспособности государства: материалы заочной научной конференции, г. Санкт-Петербург, 5–9 апр. 2021 г. СПб.: Полторак; 2021. С. 145–149.

Акиншин Н. С., Жуков А. О., Петешов А. В. Группирование воздушных целей на основе самоорганизующейся нейронной сети Кохонена. Известия Тульского государственного университета. Технические науки. 2021;(2):153–159.

Васкан В. Д. Обзор архитектур сверточных нейронных сетей для задачи классификации изображений. ИТ-СТАНДАРТ. 2021;(3)34–39. Режим доступа: http://journal.tc22.ru/wp-content/uploads/2021/06/OVERVIEW-OF-CONVOLUTIONAL-NEURAL-NETWORK-ARCHITECTURES-FOR-THE-IMAGE-CLASSIFICATION-PROBLEM.pdf

Ковалевский А. М. Алгоритмы профилирования пользователей посредством нейронных сетей: дис. ... магистра техн. наук. Минск; 2018. 62 с.

Automatic Target Recognition (ATR) in SAR Images. Available at: https://www.mathworks.com/help/radar/ug/target-recognition-from-sarimages-using-deep-learning.html (accessed 14.06.2022).

MSTAR Dataset. Available at: https://www.sdms.afrl.af.mil/index. php?collection=mstar(accessed 14.03.2022)

Дудник П. И., Кондратенков Г. С., Татарский Б. Г., Ильчук А. Р., Герасимов А. А. Авиационные радиолокационные комплексы и системы. М.: ВВИА им. проф. Н.Е. Жуковского; 2006. 1112 с.

Вебер В. И., Куприц В. Ю. Алгоритм кластеризации объектов на радиолокационном изображении, полученном при помощи РСА. В кн.: Шарыгинские чтения: материалы третьей международной научной конференции ведущих научных школ в области радиолокации, радионавигации и радиоэлектронных систем передачи информации, г. Томск, 29 сентября – 1 октября 2021 г. Томск: Изд-во Томск. гос. ун-та систем упр. и радиоэлектроники; 2021. С. 179–184.

Вебер В. И., Куприц В. Ю., Мещеряков А. А., Куприц М. В. Распознавание наземных объектов на радиолокационном изображении с применением сверточной нейронной сети. Ural Radio Engineering Journal. 2022;6(1):93–101. DOI: 10.15826/urej.2022.6.1.005.

Сверточная сеть на python. Ч. 1. Определение основных параметров модели. Режим доступа: https://proglib.io/p/neuralnetwork-course (дата обращения: 15.04.2022).

Наглядное введение в нейросети на примере распознавания цифр. Режим доступа: https://www.pvsm.ru/python/270162/print/ (дата обращения: 15.04.2022).