ПРИМЕНЕНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ТЕХНИЧЕСКОГО РАСПОЗНАВАНИЯ ОБЪЕКТОВ В ИНТЕРЕСАХ РАДИОМОНИТОРИНГА
Аннотация
Рассматривается исследование возможности применения свёрточных нейронных сетей (СНС) для технического распознавания объектов (ТРО) в контексте радиомониторинга. Основное внимание уделяется разработке и оптимизации алгоритмов обработки радиолокационных сигна- лов с использованием глубоких нейронных сетей. Исследования показали, что применение СНС позволяет существенно повысить точность классификации радиосигналов по сравнению с тради- ционными методами обработки. Разработанный подход основан на извлечении иерархических признаков из спектральных изображений радиосигналов и их последующей классификации с помо- щью обученной нейронной сети. В работе представлены результаты экспериментальных исследо- ваний, проведённых на наборе данных, включающем более 10 000 образцов радиосигналов различ- ных типов. Показано, что предложенная методика обеспечивает точность распознавания до 93% при работе с зашумлёнными сигналами и вероятность ложной тревоги не более 0,05. Особое вни- мание уделено вопросам выбора архитектуры нейронной сети под специфику задачи радиомони- торинга. Также было детально рассмотрены варианты преобразования в спектральное изобра- жение радиосигналов, для обработки в режиме реального времени. Разработаны методы предва- рительной обработки данных, включающие нормализацию амплитуды, частотную коррекцию и устранение помех. Результаты исследования могут найти применение в системах контроля ра- диоэфира и обеспечения электромагнитной совместимости радиоэлектронных средств. Получен- ные результаты демонстрируют перспективность использования СНС в задачах технического распознавания объектов радиомониторинга и открывают новые возможности для развития ме- тодов интеллектуальной обработки радиолокационной информации. Перспективные направления дальнейших исследований включают разработку адаптивных методов обучения нейронных сетей в условиях изменяющейся радиообстановки и создание гибридных систем, сочетающих традици- онные методы обработки сигналов с современными нейросетевыми алгоритмами
Список литературы
1. Радиоэлектронная борьба в Вооруженных силах США: военно-теоретический труд. – СПб.:
ООО Наукоемкие технологии, 2018. – 131 с.
2. РЛС военного назначения: Всевидящее Око в эпоху информационной войны // Серия углуб-
ленных отчетов по информатизации национальной обороны. – 2015. – № 2. – С. 25.
3. Грендер У. Лекции по теории образов. Т. 2. – М.: Мир, 1981. – C. 63-74.
4. Мазуров В.Д. Математические методы распознавания образов: учеб. пособие. – 2-е изд. – Ека-
теринбург: Урал, 2010. – C. 101-103.
5. Каргашин В.Л. Проблемы обнаружения и идентификации радиосигналов средств негласного
контроля // Специальная техника. – 2000. – № 3–5. – C. 45-48.
6. Ильин И.С. Материалы II Конференции «Стратегия развития технологий в области искусствен-
ного интеллекта для обеспечения национальной безопасности Российской Федерации» // Ис-
кусственный интеллект и направления его развития. Кубинка, 2018. – С. 29-33.
7. Ведяхин А.А., Бурцев М.С., Витяев Е.Е. Сильный искусственный интеллект: на подступах к
сверхразуму. – М.: 2021. – C. 205-215.
8. Нейронная сеть // Большая российская энциклопедия. Гл. ред. 5-е изд. – М.: Мир, 2016.
– С. 189-196.
9. Зорин А.В. Распознавание лиц на основе нейронных сетей. – 43-е изд. – СПб.: Синергия Наук,
2020. – C. 510-520.
10. Bengio Y., LeCun Y., Hinton G. Deep Learning // Nature. – 2015. – No. 521. – P. 436-444.
11. Bengio Y. Foundations and Trends in Machine Learning. – 2nd ed. Vol. 2. // Learning Deep Architectures
for AI / ed by Bengio Y. – Pekin: Resors, 2009. – P. 1-127.
12. Макаренко С.И. Справочник научных терминов и обозначений. – СПб.: Наукоемкие техноло-
гии, 2019. – 254 с.
13. Шумков Д.В. Классификация роя неконтролируемых дронов с использованием радиочастот на
основе методов машинного обучения в интересах РЭБ // Электронный рецензируемый сборник
научных статей по материалам секционного заседания. – Воронеж, 2023. – С. 153-159.
14. Богомолов Л.Ю. Контроль. Диагностика. – 4-е изд. Т. № 4. – СПб.: Мир, 2013. – C. 41-45.
15. Бутырский Е.Ю. Математическое моделирование: монография. – Lambert, Oslo, 2017.
16. Quinlan J.R. Induction of Decision Trees // Machine Learning. – 1986. – No. 1. – P. 81-106.
17. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Vol. 61 // Neural Networks.
– Dalas, 2015. – P. 85-117.
18. Han J., Pei J., Kamber M. Data Mining: Concepts and Techniques. – New York: Elsevier, 2011.
– P. 740-742.
19. Song L. Neural Information Processing. – Kentuki: Bangma, 2013. – P. 36-44.
20. Haghighat M., Zonouz S., Abdel–Mottaleb M. CloudID: Trustworthy Cloud–based and Cross–
Enterprise Biometric Identification // Expert Systems with Applications. – 2015. – Vol. 42, No. 21.
21. Zadeh L. Fuzzy Logic, Neural Networks, and Soft Computing // Communications of the ACM.
– 2004. – P. 77-84.
22. Glauner P. Deep Convolutional Neural Networks for Smile Recognition (MSc Thesis). – Imperial
College London, Department of Computing, 2018. – URL: arXiv.com (дата обращения: 15.03.2023).
23. de Castro, Timmis J. Artificial Immune Systems: A New Computational Intelligence Approach.
– Springer, 2002. – P. 57-58.
