radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2023-26-5-76-88radioelectronics-801Research ArticleРАДИОЛОКАЦИЯ И РАДИОНАВИГАЦИЯRADAR AND NAVIGATIONАлгоритм распознавания малоразмерных воздушных целей по траекторным признакам в полуактивной РЛСAlgorithm for Recognition of Small Air Targets by Trajectory Features in Passive Bistatic Radarhttps://orcid.org/0000-0001-8006-3076ЛукДао ВанLucDao Van

Дао Ван Лук, специалист по направлению "Радиоэлектронные системы и комплексы" (2016), аспирант. Автор пяти научных публикаций

Сфера научных интересов – радиолокация; радиолокационное распознавание; вторичная и третичная обработка радиолокационной информации

район Бак Ты Лием

ул. Хоанг Куок Вьет, д. 236

Ханой

Dao Van Luc, Specialist in "Radioelectronic systems and complexes" (2016), Postgraduate student. The author of 5 scientific publications

Area of expertise: radiolocation; secondary and tertiary processing of radar information

Bac Tu Liem

236, Hoang Quoc Viet St.

Ha Noi

daolucvtl01@gmail.comhttps://orcid.org/0009-0004-1943-5394КоноваловА. А.KonovalovA. A.

Александр Анатольевич Коновалов, кандидат технических наук (2015), старший научный сотрудник. Автор более 60 научных работ

Сфера научных интересов − вторичная и третичная обработка радиолокационной информации; объединение данных; многопозиционная радиолокация; бистатические радиотехнические системы

197002

ул. Профессора Попова, д. 5 Ф

Санкт-Петербург

Aleksandr A. Konovalov, Cand. Sci. (Eng.) (2015), Senior Researcher. The author more than 60 scientific publications

Area of expertise: secondary and tertiary processing of radar information; data fusion; multi-position radar; bistatic radio systems

197022

5 F, Professor Popov St.

St. Petersburg

al_an_kon@mail.ruhttps://orcid.org/0000-0001-8913-3296ХоангЛе МиньHoangLe Minh

Ле Минь Хоанг, специалист по направлению "Радиоэлектронные системы и комплексы" (2017), аспирант. Автор пяти научных публикаций

Сфера научных интересов – радиолокация; вторичная и третичная обработка радиолокационной информации

район Бак Ты Лием

ул. Хоанг Куок Вьет, д. 236

Ханой

Le Minh Hoang, Specialist in "Radioelectronic Systems and Complexes" (2017), Postgraduate student. The author of 5 scientific publications

Area of expertise: radiolocation; secondary and tertiary processing of radar information

Bac Tu Liem

236, Hoang Quoc Viet St.

Ha Noi

lehoang.navy@gmail.comГосударственный технический институт им. Ле Куй ДонаВьетнамLe Quy Don Technical UniversityViet NamНИИ "Прогноз"РоссияResearch Institute "Prognoz"Russian Federation2023281120232657688Copyright © Лук Д.В., Коновалов А.А., Хоанг Л.М., 20232023Лук Д.В., Коновалов А.А., Хоанг Л.М.Luc D.V., Konovalov A.A., Hoang L.M.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/801   Введение

   Введение. В последние несколько лет бурное развитие и широкое применение беспилотных воздушных средств (БВС) для решения самых разных задач формирует и новые угрозы. Особую значимость приобретает проблема обеспечения безопасности, особенно в зоне критически важных охраняемых объектов или в местах со сложной орнитологической обстановкой (аэропорты, объекты ветроэнергетики). В связи с этим возрастает актуальность обнаружения малоразмерных воздушных целей, распознавания их типа и степени опасности. В данной статье приведен алгоритм распознавания воздушных целей по траекторным признакам на основе технологии искусственного интеллекта. Представлены результаты сравнительного анализа качества методов классификации БВС и птиц на основе их траекторных признаков.

   Цель работы

   Цель работы. Разработка алгоритма распознавания малоразмерных воздушных целей по траекторным признакам на основе методов машинного обучения. Реализация и оценка качества методов принятия решения в заданной задаче распознавания.

   Материалы и методы

   Материалы и методы. Используются экспериментальные данные траекторий БВС и птиц, полученные в полуактивной радиолокационной системе (РЛС). Рассчитаны траекторные параметры целей, их статистические характеристики, сформирован набор признаков для распознавания. С помощью пакета MATLAB разработана программа для реализации алгоритма распознавания и анализа качества методов принятия решения.

   Результаты

   Результаты. Представлен алгоритм распознавания воздушных целей на основе технологии искусственного интеллекта. Проведен сравнительный анализ шести наиболее распространенных методов распознавания на основе машинного обучения (наивный байесовский метод, решающие деревья, метод k-ближайших соседей, нейросетевой алгоритм распознавания, метод опорных векторов, метод случайных лесов), который показал, что в условиях данной задачи наиболее эффективными являются метод k-ближайших соседей и метод опорных векторов.

   Заключение

   Заключение. Полученные результаты свидетельствуют о том, что предложенные методы позволяют определить класс целей по набору отметок их траекторий. Дальнейшие исследования будут направлены на разработку и реализацию алгоритма распознавания в реальном времени.

   Introduction

   Introduction. In the past few years, the rapid development and widespread use of unmanned aerial vehicles (UAVs) for solving a variety of tasks has created new threats. The problem of ensuring the safety of protected objects, especially in the area of critically important objects or in places with difficult ornithological conditions (airports, wind power facilities), is of particular importance. In this regard, the issue of detecting small air targets and recognizing their type and degree of danger is acquiring greater importance. This paper presents an algorithm for recognizing air targets based onartificial intelligence technology. The results of a comparative analysis of decision-making methods for recognizing small UAVs and birds based on their trajectory features are presented. The results obtained can be used in the development of systems for recognizing classes of small airborne targets in existing and future radar stations.

   Aim

   Aim. Development of an algorithm for recognizing small air targets by trajectory features based on machine learning. Implementation and evaluation of the quality of decision-making methods in a given recognition problem.

   Materials and methods

   Materials and methods. Experimental data on the trajectories of UAVs and birds obtained in a passive bistatic radar system are used. The trajectory parameters of the targets and their statistical characteristics are calculated; a set of features for recognition is formed. Using the MATLAB software package, a program for implementing the recognition algorithm and analyzing the quality of decision-making methods was developed.

   Results

   Results. An algorithm for recognizing air targets based on artificial intelligence technology is presented. A comparative analysis of the six most common recognition methods based on machine learning (Naïve Bayes, decision trees, k-nearest neighbors, neural network recognition algorithm, support vector machine, random forests) was carried out, which showed that, under the conditions of this problem, the most effective are k-nearest neighbor method and support vector machine.

   Conclusion

   Conclusion. The presented methods can be used to directly determine the class of targets from a set of marks of their trajectories. Further research will be aimed at developing and implementing a real-time recognition algorithm.

радиолокационное распознаваниеалгоритм распознаваниямашинное обучениемалые БВСтраекторные признакиполуактивная РЛСradar target recognitionrecognition algorithmmachine learningsmall UAVstrajectory featurespassive bistatic radarReferencesUAV Target Detection Algorithm Using GNSS-Based Bistatic Radar / H. Zeng, H. Zhang, J. Chen, W. Yang // IGARSS 2019 – IEEE Intern. Geoscience and Remote Sensing Symp., Yokohama, Japan, 28 July – 02 Aug. 2019. IEEE, 2019. P. 2167–2170. doi: 10.1109/IGARSS.2019.8898935Zeng H., Zhang H., Chen J., Yang W. UAV Target Detection Algorithm Using GNSS-Based Bistatic Radar. IGARSS 2019 – IEEE Intern. Geoscience and Remote Sensing Symp. Yokohama, Japan, 28 July – 02 Aug. 2019. IEEE, 2019, pp. 2167–2170. doi: 10.1109/IGARSS.2019.8898935Макаренко С. И. Противодействие беспилотным летательным аппаратам СПб.: Наукоемкие технологии, 2020. 204 с.Makarenko S. I. Protivodeistvie bespilotnim letatelnim apparatam [Countermeasures Against Unmanned Aerial Vehicles]. SPb, Naukoemkie tekhnologii, 2020, 204 p. (In Russ.)Magnitude and spectrum of electromagnetic wave scattered by small quadcopter in X-band / A. V. Khristenko, M. O. Konovalenko, M. Rovkin, V. Khlusov, A. V. Marchenko, A. A. Sutulin, N. Malyutin // IEEE Trans. on Antennas and Propagation. 2018. Vol. 66, № 4. P. 1977–1984. doi: 10.1109/TAP.2018.2800640Khristenko A. V., Konovalenko M. O., Rovkin M., Khlusov V., Marchenko A. V., Sutulin A. A., Malyutin N. Magnitude and Spectrum of Electromagnetic Wave Scattered by Small Quadcopter in X-band. IEEE Trans. on Antennas and Propagation. 2018, vol. 66, no. 4, pp. 1977–1984. doi: 10.1109/TAP.2018.2800640Как противодействовать применению беспилотных летательных аппаратов в террористических целях. URL: https://www.tbforum.ru/blog/kak-protivodejstvovat-primeneniyu-bespilotnyh-letatelnyh-apparatov-v-terroristicheskih-celyah (дата обращениия 23. 05. 2023)How to Counter the Use of Unmanned Aerial Vehicles for Terrorist Purposes. Available at: https://www.tbforum.ru/blog/kak-protivodejstvovat-primeneniyu-bespilotnyh-letatelnyh-apparatov-v-terroristicheskih-celyah (accessed 23. 05. 2023) (In Russ.)Воробьев Е. Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС // Вестн. Новгородского гос. ун-та им. Ярослава Мудрого. 2019. № 4 (116). С. 72–77. doi: 10.34680/2076-8052.2019.4(116).72-77Vorobyov E. N. Investigation of Distinctive Features for Recognition of Small UAVs in Passive Radar. Vestnik NovSU. Iss.: Engineering Sciences. 2019, no. 4 (116), pp. 72–77. doi: 10.34680/2076-8052.2019.4(116).72-77 (In Russ.)Алгоритм распознавания малоразмерных воздушных объектов на основе анализа радиолокационных спектральных портретов / И. Д. Петров, В. П. Шкодырев, А. А. Сенцов, С. А. Иванов // T-Comm: Телекоммуникации и транспорт. 2022. Т. 16, № 3. С. 4–10. doi: 10.36724/2072-8735-2022-16-3-4-10Petrov I. D., Shkodyrev V. P., Sentsov A. A., Ivanov S. A. Algorithm for Recognition of Small Sized Aerial Objects Based on Analysis of Spectrums Obtained by Radar. T-Comm. 2022, vol. 16, no. 3, pр. 4–10. doi: 10.36724/2072-8735-2022-16-3-4-10 (In Russ.)Dinevich L., Leshem Y. Algorithmic system for identifying bird radio-echo and plotting radar ornithological charts // The Ring. 2007. Vol. 29, № 1–2. С. 3–39. doi: 10.2478/v10050-008-0040-zDinevich L., Leshem Y. Algorithmic System for Identifying Bird Radio-Echo and Plotting Radar Ornitho-Logical Charts. The Ring. 2007, vol. 29, no. 1–2, pp. 3–39. doi: 10.2478/v10050-008-0040-zLiu J., Xu Q. Y., Chen W. S. Classification of Bird and Drone Targets Based on Motion Characteristics and Random Forest Model Using Surveillance Radar Data // IEEE Access. 2021. Vol. 9. С. 160135–160144. doi: 10.1109/access.2021.3130231Liu J., Xu Q. Y., Chen W. S. Classification of Bird and Drone Targets Based on Motion Characteristics and Random Forest Model Using Surveillance Radar Data. IEEE Access. 2021, vol. 9, pp. 160135–160144. doi: 10.1109/access.2021.3130231Коновалов А. А. Основы траекторной обработки радиолокационной информации. Ч. 2. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2014. 180 с.Konovalov A. A. Osnovy traektornoy obrabotki ra-diolokatsyonnoy informatsii [Basic of the Radar Target Tracking]. Part 2. SPb, Izd-vo SPbGETU "LETI", 2014, 180 p. (In Russ.)Dao L. V., Konovalov A. A., Le H. M. Analysis of Trajectory Features for Small UAVs Recognition // 2022 Conf. of Russ. Young Researchers in Electrical and Electronic Engineering (ElConRus). IEEE, 2022. P. 1341–1345. doi: 10.1109/ElConRus54750.2022.9755753Dao L. V., Konovalov A. A., Le H. M. Analysis of Trajectory Features for Small UAVs Recognition. 2022 Conf. of Russ. Young Researchers in Electrical and Electronic Engineering (ElConRus). IEEE, 2022, pp. 1341–1345. doi: 10.1109/ElConRus54750.2022.9755753Дао В. Л. Распознавание малоразмерных воздушных РЛЦ по траекторным признакам с использованием методов машинного обучения // СПбНТОРЭС : тр. ежегодной НТК. 2023. № 1. С. 58–61.Dao V. L. Raspoznavaniye malorazmernukh vozdusnukh RLS po traektornim priznakam s ispolzovanyem metodov masinnovo obuchienya [Recognition of Small Air Radars by Trajectory Features Using Machine Learning Methods]. SPbNTORES: trudi ezegodnoi NTK. 2023, no. 1, pp. 58–61. (In Russ.)Субботин С. А. Построение деревьев решений для случая малоинформативных признаков // Радіоелектроніка, інформатика, управління. 2019. № 1 (48). С. 122–131. doi: 10.15588/1607-3274-2019-1-12Subbotin S. A. Construction of Decision Trees for the Case of Uninformative Features. Radioelectronika, informatika, upravlenia. 2019, no. 1 (48), pp. 122–131. doi: 10.15588/1607-3274-2019-1-12 (In Russ.)Бородинов А. А., Мясников В. В. Сравнение алгоритмов классификации радарных изображений при различных методах предобработки на примере базы MSTAR // Сб. тр. IV Междунар. конф. и молодежной школы "Информационные технологии и нанотехнологии" (ИТНТ-2018). Самара: Новая техника, 2018. С. 586–594.Borodinov А. А., Myasnikov V. V. Sravnhenye algoritmov klassifikatsyy radarnukh izobrazenyy pri raslichnikh metodakh predobrabotka na primere baza MSTAR [Comparison of Radar Image Classification Algorithms for Different Preprocessing Methods Using the MSTAR Database as an Example]. Proc. of the IV Intern. Conf. and Youth School "ITNT-2018". Samara: Novaya Tekhnika, 2018, pp. 586–594. (In Russ.)Barbaresco F., Brooks D., Adnet C. Machine and Deep Learning for Drone Radar Recognition by Micro-Doppler and Kinematic criteria // IEEE Radar Conf. (RadarConf20), Florence, Italy, 21–25 Sept. 2020. IEEE, 2020. P. 1–6. doi: 10.1109/RadarConf2043947.2020.9266371Barbaresco F., Brooks D., Adnet C. Machine and Deep Learning for Drone Radar Recognition by Micro-Doppler and Kinematic criteria. 2020 IEEE Radar Conf. (RadarConf20). Florence, Italy, 21–25 Sept. 2020. IEEE, 2020, pp. 1–6. doi: 10.1109/RadarConf2043947.2020.9266371Донской В. И. Алгоритмические модели обучения классификации. Симферополь: ДИАЙПИ, 2014. 228 с.Donskoy V. I. Algoritmicheskie modeli obucheniya klassifikatsyy [Algorithmic Models for Learning Classification]. Simferopol, DYAIPY, 2014, 228 p. (In Russ.)Чистяков С. П. Случайные леса : обзор // Тр. Карельского науч. центра Российской академии наук. 2013. №. 1. С. 117–136.Chystyakov S. P. Sluchaynie lesa : obzor [ Random Forests : Overview]. Proc. of the Karelian Scientific Center of the Russian Academy of Sciences. 2013, no. 1, pp. 117–136. (In Russ.)Dietterich T. G. An experimental comparison of three methods for constructing ensembles of decision trees: Bagging, boosting, and randomization // Machine learning. 2000. Vol. 40, № 2. P. 139–157. doi: 10.1023/A:1007607513941Dietterich T. G. An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting, And Randomization. Machine learning. 2000, vol. 40, no. 2, pp. 139–157. doi: 10.1023/A:1007607513941Machine Learning Metrics: How to Measure the Performance of a Machine Learning Model. URL: https://www.altexsoft.com/blog/machine-learning-metrics/ (дата обращениия 23. 05. 2023)Machine Learning Metrics: How to Measure the Performance of a Machine Learning Model. Available at: https://www.altexsoft.com/blog/machine-learning-metrics/ (accessed 23. 05. 2023)

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