Алгоритм распознавания малоразмерных воздушных целей по траекторным признакам в полуактивной РЛС

   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. 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. 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. 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. 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.

1. UAV 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.2019.8898935

2. Макаренко С. И. Противодействие беспилотным летательным аппаратам СПб.: Наукоемкие технологии, 2020. 204 с.

3. 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.2018.2800640

4. Как 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)

5. 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).72-77

6. 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: 10.36724/2072-8735-2022-16-3-4-10

7. 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-z

8. Liu 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.2021.3130231

9. Коновалов А. А. Основы траекторной обработки радиолокационной информации. Ч. 2. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2014. 180 с.

10. 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/ElConRus54750.2022.9755753

11. Дао В. Л. Распознавание малоразмерных воздушных РЛЦ по траекторным признакам с использованием методов машинного обучения // СПбНТОРЭС : тр. ежегодной НТК. 2023. № 1. С. 58–61.

12. Субботин С. А. Построение деревьев решений для случая малоинформативных признаков // Радіоелектроніка, інформатика, управління. 2019. № 1 (48). С. 122–131. doi: 10.15588/1607-3274-2019-1-12

13. 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.

14. 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/RadarConf2043947.2020.9266371

15. Донской В. И. Алгоритмические модели обучения классификации. Симферополь: ДИАЙПИ, 2014. 228 с.

16. Чистяков С. П. Случайные леса : обзор // Тр. Карельского науч. центра Российской академии наук. 2013. №. 1. С. 117–136.

17. 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:1007607513941

18. Machine 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)