Сравнительный анализ нейросетевых архитектур в задаче обнаружения и различения сигналов цели и уводящей помехи


Авторы

Коваль Н. А.

Московский авиационный институт (национальный исследовательский университет), Волоколамское шоссе, 4, Москва, A-80, ГСП-3, 125993, Россия

e-mail: niki-kov@yandex.ru

Аннотация

Рассмотрено применение аппарата искусственных нейронных сетей в задаче обнаружения и разрешения сигналов цели и уводящей помехи. Показано, что данную задачу в контексте машинного обучения можно свести к задаче обработки временных последовательностей. Приведены результаты обучения и сопоставительного анализа ряда соответствующих нейросетевых архитектур.

Ключевые слова:

уводящая помеха, радиолокационный сигнал, глубокое обучение, нейронные сети, спектр

Библиографический список

  1. Леонов А.И., Фомичев К.И. Моноимпульсная радиолокация. - М.: Советское Радио, 1970. - 392 с.

  2. Берикашвили В.Ш., Черепанов А.К. Радиотехнические системы извлечении и обработки информации: монография. – М.: МГТУ МИРЭА, 2011. – 272 с.

  3. Богданов А.В., Закомолдин Д.В., Докучаев Я.С., Новичёнок В.А., Кочетов И.В. Алгоритм идентификации уводящих по дальности и скорости помех в импульсно-доплеровских РЛС в интересах формирования достоверных оценок дальности и скорости при сопровождении воздушной цели // Журнал Сибирского федерального университета. Техника и технологии. 2019. Т. 12. № 1. С. 30-40. DOI: 10.17516/1999-494X-0103

  4. Xiong W., Wang X., Zhang G. Cognitive waveform design for anti-velocity deception jamming with adaptive initial phases // 2016 IEEE Radar Conference (RadarConf), Philadelphia, PA, USA, 2016, pp. 1-5. DOI: 10.1109/RADAR.2016.7485306

  5. Ya Yang, Jian Wu, Guolong Cui, Liang Li, Lingjiang Kong and Yulin Huang. Optimized phase-coded waveform design against velocity deception // 2015 IEEE Radar Conference (RadarCon), Arlington, VA, 2015, pp. 0400-0404. DOI: 10.1109/RADAR.2015.7131032

  6. Liu Z., Sui J., Wei Z., Li X. A Sparse-Driven Anti-Velocity Deception Jamming Strategy Based on Pulse-Doppler Radar with Random Pulse Initial Phases // Sensors, 2018, vol. 18, pp. 1249. DOI: 10.3390/s18041249

  7. Подстригаев А.С., Смоляков А.В. Исследование спектра сигнала при двукратном частотном преобразовании // Труды МАИ. 2020. № 114. URL: https://trudymai.ru/published.php?ID=118984. DOI: 10.34759/trd-2020-114-11

  8. Малыгин И.В., Бельков С.А., Тарасов А.Д., Усвяцов М.Р. Применение методов машинного обучения для классификации радиосигналов // Труды МАИ. 2017. № 96. URL: https://trudymai.ru/published.php?ID=85797

  9. Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // Труды МАИ. 2015. № 82. URL: https://trudymai.ru/published.php?ID=58786

  10. Ефимов Е.Н., Шевгунов Т.Я. Разработка и исследование методики построения нейронных сетей на основе адаптивных элементов // Труды МАИ. 2012. № 51. URL: https://trudymai.ru/published.php?ID=29159

  11. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. - СПб.: Питер, 2018. - 480 с.

  12. Bai Shaojie, J. Zico Kolter, and Vladlen Koltun. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling // Computer Science, 2018. URL: https://doi.org/10.48550/arXiv.1803.01271

  13. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation, 1997, vol. 9 (8), pp.1735–1780. DOI: 10.1162/neco.1997.9.8.1735

  14. Cho Kyunghyun, Bart Van Merriënboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk, and Yoshua Bengio. Learning phrase representations using RNN encoder-decoder for statistical machine translation // Computer Science, 2014. URL: https://doi.org/10.48550/arXiv.1406.1078

  15. Bishop C.M. Pattern Recognition and Machine Learning, Springer, New York, NY, 2006.

  16. Kingma Diederik, Jimmy Ba. Adam: A method for stochastic optimization // Computer Science, 2014. URL: https://doi.org/10.48550/arXiv.1412.6980

  17. Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, Massachusetts, 2012.

  18. Pascanu R., Mikolov T., Bengio Y. On the difficulty of training recurrent neural networks // Proceedings of the 30th International Conference on Machine Learning, 2013, vol. 28 (3), pp. 1310–1318.

  19. Bottou Léon, Bousquet Olivier. The Tradeoffs of Large Scale Learning // Conference: Advances in Neural Information Processing Systems 20, Proceedings of the Twenty-First Annual Conference on Neural Information Processing Systems, Vancouver, British Columbia, Canada, December 3-6, 2007.

  20. Bottou Léon. Online Algorithms and Stochastic Approximations. Online Learning and Neural Networks, Cambridge University Press, Cambridge, UK, 1998.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход