Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей

Радиотехника


Авторы

Ефимов Е. Н.*, Шевгунов Т. Я.**

Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4

*e-mail: omegatype@gmail.com
**e-mail: shevgunov@gmail.com

Аннотация

В работе рассмотрено применение искусственных нейронных сетей (ИНС) для решения задачи формирования оценки направления прихода сигнала в пассивных системах радиолокации. Оптимальным методом решения данной задачи является построение оценки по методу максимального правдоподобия, состоящее в максимизации целевой функции, зависящей от направления прихода и данных, вычисленных на основе принятых сигналов. Оптимальный метод обладает высокой точностью получаемой оценки, однако её выражение не имеет явной алгебраической формы, поскольку оценка достигается путём проведения численной оптимизации, реализация которой требует больших вычислительных затрат. В данной работе предлагается альтернативное решение, основанное на применении ИНС типа многослойный персептрон со специальным оконечным нейроном. Такая сеть после своего обучения, проводимого по детерминированной схеме на основе модельных данных, позволяет значительно снизить требуемую вычислительную мощность за счет допустимого снижения точности получаемой оценки.

Ключевые слова:

нейронные сети, многослойный персептрон, математические методы моделирования, радиопеленгация, радиолокация, метод максимального правдоподобия, граница Крамера-Рао

Библиографический список

  1. Дубровин А.В., Сосулин Ю.Г. Одноэтапное оценивание местоположения источника радиоизлучения пассивной системой, состоящей из узкобазовых подсистем // Радиотехника и электроника. 2004. Т. 49. № 2. С. 156–170.

  2. Дубровин А.В., Сосулин Ю.Г. Одноэтапное оценивание местоположения источника радиоизлучения комбинированной пассивной системой // Радиотехника и электроника. 2007. Т. 51. № 4. С. 441 — 457.

  3. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition // Auerbach Publications, 2006, p. 570.

  4. Хайкин С. Нейронные сети: Пер. с англ. — М: ООО «И.Д. Вильямс», 2006. — 1104 с.

  5. Setiono R. Feedforward Neural Network; Construction Algorithm; Maximum Likelihood Function; Quasi-newton Methods., Connection Science, № 7:2, 1995.

  6. Baum E. Supervised Learning of Probability Distributions by Neural Networks, American Institute of Physics, 1988.

  7. Ефимов Е.Н., Шевгунов Т.Я. Построение нейронный сетей прямого распространения с использованием адаптивных элементов // Журнал радиоэлектроники. 2012, № 8: http://jre.cplire.ru/win/aug12/4/text.html

  8. Шевгунов Т.Я. Ефимов Е.Н. Разработка и исследование методики построения нейронных сетей на основе адаптивных элементов // Электронный журнал «Труды МАИ», 2012, № 51: http://www.mai.ru/science/trudy/published.php?ID=29159 (дата публикации 26.03.2012)

  9. Battiti R. First- and Second-Order Methods for Learning: Between Steepest Descent and Newton’s Method. Neural Computation, 1992, Vol. 4, № 2, Pp. 141 — 166.

  10. Levenberg K. A method for the solution of certain problems in least squares, Q. Appl. Math., vol. 2, pp. 164–168, 1944.

  11. Marquardt D. W. An algorithm for least-squares estimation of non-linear parameters, J. Soc. Ind. Appl. Math., vol. 11, pp. 431–441, 1963.

  12. Дубровин А. В. Потенциальная точность пеленгования комплексами с антенными решетками, имеющими конфигурацию в виде набора произвольного числа колец // Радиотехника и электроника. 2006. т. 51. № 13. С. 268–270.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

Вход