radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2019-22-5-52-60radioelectronics-375Research ArticleРАДИОЛОКАЦИЯ И РАДИОНАВИГАЦИЯRADAR AND NAVIGATIONИспользование апостериорной информации при реализации систем радиолокационного распознавания с применением нейросетевых технологийUse of Aposteriori Information in the Implementation of Radar Recognition Systems Using Neural Network TechnologiesБескостыйД. Ф.BeskostyiDmitrii F.

Бескостый Дмитрий Федорович – кандидат технических наук (2009), доцент (2010), ведущий научный сотрудник 25-го научно-исследовательского отдела НИЦ ЦНИИ ВВС Министерства обороны Российской федерации. Автор 64 научных работ. Сфера научных интересов – радиолокация.

наб. реки Фонтанки, д. 10, Санкт-Петербург, 191028, Россия

Dmitrii F. Beskostyi – Cand. Sci. (Eng.) (2009), Associate Professor (2010), Leading Researcher in 25 SRU SIC (St Petersburg) Central Research Institute of the Air Force of the Russian Ministry of Defense. The author of 64 scientific publications. Area of expertise: radiolocation.

10 Fontanka River, St Petersburg 191028, Russia

bescdim@rambler.ruhttps://orcid.org/0000-0003-0343-0527БоровиковС. Г.BorovikovSergei G.

Боровиков Сергей Геннадьевич – кандидат технических наук (2007), старший научный сотрудник 25-го научно-исследовательского отдела НИЦ ЦНИИ ВВС Министерства обороны Российской федерации. Автор более 30 научных работ. Сфера научных интересов – алгоритмы обработки сигналов, радиолокационные системы.

наб. реки Фонтанки, д. 10, Санкт-Петербург, 191028, Россия

Sergei G. Borovikov – Cand. Sci. (Eng.) (2007), Senior Researcher in 25 SRU SIC (St Petersburg) Central Research Institute of the Air Force of the Russian Ministry of Defense. The author of more than 30 scientific publications. Area of expertise: signal processing algorithms; radar systems.

10 Fontanka River, St Petersburg 191028, Russia

bors509@gmail.comЯстребовЮ. В.YastrebovYurii V.

Ястребов Юрий Васильевич – кандидат технических наук (1987), начальник 25-го научноисследовательского отдела НИЦ ЦНИИ ВВС Министерства обороны Российской федерации. Автор более 60 научных работ. Сфера научных интересов – алгоритмы обработки радиолокационной информации; распознавание, измерение координат; многопозиционные радиолокационные станции; сверхширокополосная радиолокация.

наб. реки Фонтанки, д. 10, Санкт-Петербург, 191028, Россия

Yurii V. Yastrebov – Cand. Sci. (Eng.) (1987), Head of 25 SRU SIC (St Petersburg) Central Research Institute of the Air Force of the Russian Ministry of Defense. The author of more than 60 scientific publications. Area of expertise: algorithms for processing radar information; recognition; measurement of coordinates; multi-position radar stations; ultra-wideband radar.

10 Fontanka River, St Petersburg 191028, Russia

vanagas@bk.ruСозонтовИ. А.SozontovIlya A.

Созонтов Илья Александрович – адъюнкт Военной академии воздушно-космической обороны им. Маршала Советского Союза Г. К. Жукова Министерства обороны Российской Федерации. Окончил Военновоздушную инженерную академию им. проф. Н. Е. Жуковского (2008). Автор девяти научных публикаций. Сфера научных интересов – радиолокационные системы, распознавание воздушных объектов.

ул. Жигарева, д. 50, г. Тверь-22, 170022, Россия

Ilya A. Sozontov – Adjunct of Military Aerospace Defense Academy. He graduated from Zhukovsky Air Force Engineering Academy (2008). The author of 9 scientific publications. Area of expertise: radar systems, recognition of airborne objects.

50 Zhigareva Str., Tver-22 170022, Russia

ilya.sozontov@gmail.comНаучно-исследовательский центр ЦНИИ ВВС Минобороны РоссииРоссияCentral Research Institute of the Air Force of the Russian Ministry of DefenseRussian FederationВоенная академия воздушно-космической обороныРоссияMilitary Aerospace Defense AcademyRussian Federation2019041220192255260Copyright © Бескостый Д.Ф., Боровиков С.Г., Ястребов Ю.В., Созонтов И.А., 20192019Бескостый Д.Ф., Боровиков С.Г., Ястребов Ю.В., Созонтов И.А.Beskostyi D.F., Borovikov S.G., Yastrebov Y.V., Sozontov I.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/375Введение

Введение. Существующая в настоящее время необходимость получения актуальной, полной и достоверной информации о воздушных объектах определяет постоянное совершенствование современных систем радиолокационного распознавания (СРЛР), входящих в состав систем управления. Развитие современных СРЛР создает объективные предпосылки для использования прогрессивных и разработки новых методов и алгоритмов обработки сигналов с помощью нейронных сетей. Применение искусственных нейронных сетей, обладающих свойством обучаемости, позволяет расширить множество признаков распознавания за счет использования полученной в процессе контроля воздушного пространства информации.

Цель работы

Цель работы. Формулировка задачи и разработка предложений по использованию апостериорной информации для контроля воздушного пространства в системах радиолокационного распознавания при применении нейросетевых технологий.

Материалы и методы

Материалы и методы. На основе анализа структуры единого информационного пространства сформулирован подход к развитию СРЛР на основе обучающих технологий. С применением метода синтеза предложены примеры технических решений, позволяющие использовать современные методы и алгоритмы обработки сигналов на основе апостериорной информации, формируемой системой управления.

Результаты

Результаты. Сформулированы принципы обучения нейронной сети при решении задачи распознавания в процессе функционирования радиоэлектронных средств (РЭС). Предложены технические решения, учитывающие функционирование интегрированной радиолокационной системы и позволяющие в едином информационном поле получать требуемые для обучения СРЛР информационные параметры. Показано, что снятие ограничений, связанных с автономностью функционирования РЭС, позволяет использовать апостериорную информацию при реализации систем радиолокационного распознавания. Этот факт дает возможность увеличить количество используемых в алгоритмах признаков распознавания и пополнить базы портретов.

Заключение

Заключение. СРЛР может развиваться посредством обучения за счёт снятия ограничений, связанных с автономностью функционирования РЭС. Это позволяет повысить адекватность оценки обстановки и оптимизировать принимаемые управленческие решения.

Introduction

Introduction. The current need to obtain relevant, complete and reliable information about airborne objects has led to the continuous improvement of modern radar recognition systems (MRRS) as part of control systems. The development of modern MRRS has created objective prerequisites for the use of progressive and new methods and algorithms for the processing of signals using neural networks. The use of artificial neural networks with learning ability permits expansion to include many signs of recognition by using information obtained in the process of monitoring airspace.

Aim

Aim. To formulate the problem and develop proposals for the use of posterior information for airspace control in radar recognition systems using neural network technologies.

Materials and methods

Materials and methods. Based on an analysis of the structure of a unified information network, an approach was formulated to facilitate the development of MRRS based on training technologies. Using the synthesis method, examples of technical solutions were proposed, which will allow the use of modern methods and signal processing algorithms using a posteriori information generated by the control system.

Results

Results. The study identified the principles of neural network training in solving the recognition problem in the process of functioning of radio electronic equipment (REE). The technical solutions pro-posed take the functioning of the integrated radar system into account, allowing the information parameters required for training MRRS in a single information field to be obtained. It is shown that the removal of restrictions associated with the functional autonomy of REE, allows the use of posterior information in the implementation of radar recognition systems. This also allows for an increase in the number of recognition signs used in the algorithms and for the database of portraits to be replenished.

Conclusion

Conclusion. MRRS can be developed via training by removing the restrictions associated with the autonomous functioning of RES. This allows for the situational assessment to be enhanced and management decisions to be optimised.

радиолокационное распознаваниеапостериорная информациянейросетьобучениерадиолокационное средствоинформационное пространствоradar recognitionaposteriori informationneural networktrainingradarinformation spaceReferencesКобан А. Я., Самотонин Д. Н. Научно-технические проблемы развития федеральной системы разведки и контроля воздушного пространства Российской Федерации и пути их решения // Военная мысль. 2017. № 4. С. 14–19.Coban A. Y., Samotokin D. N. Scientific-Technical Problems of Development of the Federal System Exploration and Control of the Airspace of the Russian Federation and Ways to Solve Them. Military Thought. 2017, no. 4, pp. 14–19. (In Russ.)Tait P. Introduction to Radar Target Recognition / Institution of Electrical Engineers, London, 2005. IET radar series. № 18. 396 p.Tait P. Introduction to Radar Target Recognition. London: Institution of Electrical Engineers. 2005 IET radar series, no. 18, 396 p.Радиолокационные системы воздушной разведки, дешифрирование радиолокационных изображений / Л. А. Школьный, Е. Ф. Толстов, А. Н. Детков, О. А. Карпов; ВВИА им. Н. Е. Жуковского, М., 2008. 531 с.Shkolnyi L. A., Tolstov E. F., Detkov A. N., Karpov O. A. Radar System of Aerial Reconnaissance, Interpretation of Radar Images. Moscow, VVIA n. a. N. E. Zhukovsky. 2008. 531 p. (In Russ.)Методы радиолокационного распознавания и их моделирование / Я. Д. Ширман, С. А. Горшков, С. П. Лещенко, Г. Д. Братченко, В. М. Орленко // Радиолокация и радиометрия. 2000. № 2. С. 5–65.Shirman Ya. D, Gorshkov S. A., Leshchenko C. P., Bratchenko G. D., Orlenko V. M. Methods of Radar Recognition and their Modeling. Radar and Radiometry. 2000, no. 2, pp. 5–65. (In Russ.)Татузов А. Л. Нейронные сети в задачах радиолокации. М.: Радиотехника, 2009. 432 с.Tatuzov A. L. Neural Networks in Radar Problems. Moscow, Radio engineering, 2009, 432 p. (In Russ.)Толстикова Е. В. Параметрическая оптимизация нелинейных нейронных сетей // Науч. записки Украинского НИИ связи. 2014. № 1. С. 16–21.Tolstikova E. B. Parametric Optimization of Nonlinear Neural Networks. Scientific notes of the Ukrainian research Institute of communications. 2014, no. 1, pp. 16–21. (In Russ.)Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.Haikin. S. Neural networks: full course. Moscow, Williams, 2006, 1104 p. (In Russ.)Барский А. Б. Нейронные сети. Распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.Barsky A. B. Neural Networks. Recognition, Management, Decision-Making. Mosow, Finance and statistics, 2004, p. 176. (In Russ.)Осовский С. Нейронные сети для обработки информации / пер. с польск. И. Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.Osovsky S. Neural Networks for Information Processing. Trans. from Polish by I. D. Rudinsky. Moscow, Finance and Statistics, 2002, 344 p. (In Russ.)Тархов Д. А. Нейронные сети. Модели и алгоритмы. Кн. 18. Сер. Нейрокомпьютеры и их применение. М.: Радиотехника, 2005. 256 с.Tarkhov D. A. Neironnye seti. Modeli i algoritmy [Neural Networks. Models and Algorithms]. Мoscow, Radiotekhnika, 2005, 256 p. (In Russ.)Математические модели радиолокационных сигналов, отраженных от воздушных целей разных классов / В. А. Абатуров, О. В. Васильев, В. А. Ефимов, В. Е. Макаев // Радиотехника. 2006. № 7. С. 28–33.Abaturov V. A., Vasiliev O. V., Efimov V. A., Makaev V. E. Mathematical Models of Radar Signals Reflected from Air Targets of Different Classes. Radio engineering. 2006, no. 7, p. 28–33. (In Russ.)Построение и обучение радиально-базисных нейросетей для приема телеграфно-кодовых конструкций / Д. А. Чистопрудов, В. А. Козлов, М. Р. Бибарсов, Д. А. Потягов, Н. Я. Карасик // Изв. вузов России. Радиоэлектроника. 2017. № 6. С. 28–35.Chistoprudov D. A., Kozlov V. A., Bibarsov M. R., Potyagov D. A., Karasik N. Ya. Construction and Training of Radial-Based Neural Networks for Receiving Telegraph and Code Structures. Journal of the Russian Universities. Radioelectronics. 2017, no. 6, pp. 28–35. (In Russ.)Макаев В. Е., Васильев О. В. Метод радиолокационного распознавания воздушной цели по турбинному эффекту // Радиотехника. 2000. № 11. С. 30–33.Makaev V. E., Vasiliev O. V. Method of Radar Recognition of Air Targets by Turbine Effect. Radio engineering. 2000, no. 11, pp. 30–33. (In Russ.)Жердев Д. А., Казанский Н. Л., Фурсов В. А. Распознавание объектов по диаграммам электромагнитного рассеяния электромагнитного излучения на основе метода опорных пространств // Компьютерная оптика. 2014. № 38. С. 503–510.Zherdev D. A., Kazansky N. L., Fursov V. A. Recognition of Objects by Electromagnetic Scattering Diagrams of Electromagnetic Radiation Based on the Method of Reference Spaces. Computer Optics. 2014, no. 38, pp. 503–510. (In Russ.)Митрофанов Д. Г. Применение нейросетевой технологии для распознавания целей по радиолокационным изображениям // Нейрокомпьютеры: разработка и применение, 2006. № 3. C. 60–68.Mitrofanov D. G. Application of Neural Network Technology for Target Recognition by Radar Images. Neurocomputers: development and application, 2006, no. 3, pp. 60–68. (In Russ.)Костоусов В. Б., Костоусов А. В. Моделирование процесса наведения движущихся объектов по радиолокационным изображениям // Гироскопия и навигация. 2004. Т. 2. С. 37–47.Kostousov V. B., Kostousov A.V. Modeling of the Process of Guidance of Moving Objects by Radar Images. Gyroscopy and Navigation. 2004, vol. 2, pp. 37–47. (In Russ.)

The authors declare that there are no conflicts of interest present.