1. Горелик Скрипкин Методы Распознавания Скачать
2. Горелик Методы Распознавания
3. Горелик Скрипкин Методы Распознавания

Автоматическое распознавание лиц специальной программой Теория распознава́ния о́бразов — раздел, развивающий теоретические основы и методы и, и т. п., которые характеризуются конечным набором некоторых и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно или нельзя переходить улицу в данный момент. Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой.

Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 1984.

Необходимость в таком распознавании возникает в самых разных областях — от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов. Традиционно задачи распознавания образов включают в круг задач. Содержание. Направления в распознавании образов Можно выделить два основных направления:. Изучение способностей к распознаванию, которыми обладают живые существа, объяснение и моделирование их;.

• Скрипкин Методы распознавания Предисловие Введение Глава 1.
• И Скрипкин В. Методы распознавания. Пособие для вузов.

Развитие теории и методов построения устройств, предназначенных для решения отдельных задач в прикладных целях. Формальная постановка задачи Распознавание образов — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных. При постановке задач распознавания стараются пользоваться математическим языком, стараясь, в отличие от теории, где основой является получение результата путем эксперимента, заменить эксперимент логическими рассуждениями и математическими доказательствами. Классическая постановка задачи распознавания образов: Дано множество объектов. Относительно них необходимо провести классификацию.

Множество представлено подмножествами, которые называются классами. Заданы: информация о классах, описание всего множества и описание информации об объекте, принадлежность которого к определенному классу неизвестна. Требуется по имеющейся информации о классах и описании объекта установить - к какому классу относится этот объект. Наиболее часто в задачах распознавания образов рассматриваются, что дает возможность рассматривать изображение как функцию на плоскости.

Если рассмотреть точечное множество на плоскости, где функция выражает в каждой точке изображения его характеристику — яркость, прозрачность, оптическую плотность, то такая функция есть формальная запись изображения. Множество же всех возможных функций на плоскости — есть модель множества всех изображений. Вводя понятие сходства между образами можно поставить задачу распознавания. Конкретный вид такой постановки сильно зависит от последующих этапов при распознавании в соответствии с тем или иным подходом. Некоторые методы распознавания графических образов Для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями и т. д. Для букв нужно перебирать шрифт, свойства шрифта и т. д. Второй подход — найти контур объекта и исследовать его свойства (связность, наличие углов и т. д.) Ещё один подход — использовать.

Этот метод требует либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи. Персептрон как метод распознавания образов Ф. Розенблатт вводя понятие о, задача которой состоит в том, чтобы показать, как в некоторой физической системе, структура и функциональные свойства которой известны, могут возникать психологические явления — описал простейшие эксперименты по различению. Данные эксперименты целиком относятся к методам распознавания образов, но отличаются тем, что алгоритм решения не детерминированный.

Простейший эксперимент, на основе которого можно получить психологически значимую информацию о некоторой системе, сводится к тому, что модели предъявляются два различных стимула и требуется, чтобы она реагировала на них различным образом. Целью такого эксперимента может быть исследование возможности их спонтанного различения системой при отсутствии вмешательства со стороны экспериментатора, или, наоборот, изучение принудительного различения, при котором экспериментатор стремится обучить систему проводить требуемую классификацию. В опыте с обучением персептрону обычно предъявляется некоторая последовательность образов, в которую входят представители каждого из классов, подлежащих различению. В соответствии с некоторым правилом модификации правильный выбор реакции подкрепляется. Затем персептрону предъявляется контрольный стимул и определяется вероятность получения правильной реакции для стимулов данного класса. В зависимости от того, совпадает или не совпадает выбранный контрольный стимул с одним из образов, которые использовались в обучающей последовательности, получают различные результаты:.

Если контрольный стимул не совпадает ни с одним из обучающих стимулов, то эксперимент связан не только с чистым различением, но включает в себя и элементы обобщения. Если контрольный стимул возбуждает некоторый набор сенсорных элементов, совершенно отличных от тех элементов, которые активизировались при воздействии ранее предъявленных стимулов того же класса, то эксперимент является исследованием.

Персептроны не обладают способностью к чистому обобщению, но они вполне удовлетворительно функционируют в экспериментах по различению, особенно если контрольный стимул достаточно близко совпадает с одним из образов, относительно которых персептрон уже накопил определенный опыт. Примеры задач распознавания образов. Распознавание. Распознавание. Распознавание изображений. Распознавание локальных участков земной коры, в которых находятся месторождения. См.

Также. Примечания. Ту Дж., Гонсалес Р. Принципы распознавания образов, М. 1978. Файн В. С. Опознавание изображений, М. 1970.

Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. – М.: Наука, 1978, вып.

Литература. Горелик А. Л., Скрипкин В.

Методы распознавания. — 4-е изд. — М.: Высшая школа, 1984, 2004. — 262., Теория распознавания образов. — М.: Наука, 1974. — 416. Васильев В. Распознающие системы. Справочник. — 2-е изд. — К.: Наукова думка, 1983. — 424.

Джордж Стокман, Линда Шапиро. Компьютерное зрение = Computer Vision. — М.: Бином. Лаборатория знаний, 2006. — 752 с. —. Форсайт Дэвид А., Понс Джин. Компьютерное зрение. Современный подход = Computer Vision: A Modern Approach. — М.: Вильямс, 2004. — 928 с. —.

Чэн Ш.-К. Принципы проектирования систем визуальной информации. — М.: Мир, 1994. — 408. Ссылки. Юрий Лифшиц. Курс — лекции по статистическим методам распознавания образов, распознаванию лиц, классификации текстов.

(Журнал исследования распознавания образов) Философия. Смотреть что такое 'Теория распознавания образов' в других словарях:. — научное направление, основывающееся на данных психологии и физиологии, теории вероятностей и связанное с разработкой принципов и построением систем (в т.ч. На базе ЭВМ), предназначенных для определения принадлежности данного обьекта к одному из Энциклопедический словарь по психологии и педагогике.

— научное направление, связанное с разработкой принципов и построением систем, предназначенных для определения принадлежности данного объекта к одному из заранее выделенных классов объектов. Под объектами в Р. Понимают различные предметы Большая советская энциклопедия. — раздел математич. Кибернетики, разрабатывающий принципы и методы классификации, а также идентификации предметов, явлений, процессов, сигналов, ситуаций всех тех объектов, к рые могут быть описаны конечным набором нек рых признаков или свойств, Математическая энциклопедия. — Автоматическое распознавание лиц специальной программой. Теория распознавания образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п.

Объектов, Википедия. — Автоматическое распознавание лиц специальной программой. Теория распознавания образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. Объектов, Википедия. — раздел прикладной математики и кибернетики, связанный с математич. Описанием и оценкой качества передачи, хранения, извлечения и классификации информации.

Т., возникший в 50 х гг. 20 в., до сих пор (к 1978) не имеет единого Математическая энциклопедия. — (англ. Unsupervised learning, самообучение, спонтанное обучение) один из способов машинного обучения, при решении которых испытуемая система спонтанно обучается выполнять поставленную задачу, без вмешательства со стороны Википедия. — У этого термина существуют и другие значения, см.

Горелик Скрипкин Методы Распознавания Скачать

Нейронная сеть (значения). Схема простой нейросети.

Зелёным цветом обозначены входные нейроны, голубым скрытые нейроны, жёлтым выходной нейрон Википедия. — I Кибернетика (от греч.

Kybernetike искусство управления, от kybernáo правлю рулём, управляю) наука об управлении, связи и переработке информации (См. Предмет кибернетики. Основным объектом исследования в К. Являются Большая советская энциклопедия.

— I Кибернетика (от греч. Kybernetike искусство управления, от kybernáo правлю рулём, управляю) наука об управлении, связи и переработке информации (См. Предмет кибернетики. Основным объектом исследования в К. Являются Большая советская энциклопедия. В монографии дается современное изложение теории проектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и.,.

В книге предлагается новая теория признаков распознавания образов на основе стохастической геометрии и функционального анализа, которая позволяет формировать конструктивные признаки., Федотов Н.Г. В книге предлагается новая теория признаков распознавания образов на основе стохастической геометрии и функционального анализа, которая позволяет формировать конструктивные признаки.

Перечень сокращений и условных обозначений. Постановка задачи и анализ алгоритмов распознавания радиолокацион- 16 пых целей 1.1. Постановка задачи проектирования систем распознавания целей. Основы проектирования систем распознавания цели в пространст- 16 венно-разнесенном многодиапазонном радиолокационном комплексе (МДРК). Формирование алфавитов классов воздушных целей. Признаки распознавания целей в МДРК.

Выбор признаков при распознавании целей в МДРК. Анализ алгоритмов распознавания радиолокационных воздушных це- 31 лей.

Байесовские одноэтапные и близкие к ним алгоритмы распознава- 32 ния. Непараметрические алгоритмы распознавания. Многоэтапные алгоритмы распознавания. Нейросетевые алгоритмы. Выбор алгоритма распознавания.

Характеристики распознавания целей по диаграммам рассеяния (ДР). Основные особенности функционирования многодиапазонного радио- 48 локационного комплекса. Определения и классификация.

Преимущества многодиапазонного радиолокационного комплекса 2.2. Характеристики распознавания целей по ДР в МДРК. Многопозиционная эффективная площадь рассеяния. Статистические модели входных сигналов в МДРК. Распознавание целей по ДР в МДРК. Разработка алгоритма распознавания целей на основе иейросетевых 66 технологий при использовании в качестве признака диаграмм рассеяния 3.1.

Разработка алгоритма распознавания целей на основе нейросетевых 66 технологий. Понятие, классификация и прикладные возможности нейронных сетей 3.1.2. Структуры и принципы функционирования нейронных сетей для рас- 70 познавания. Алгоритм распознавания воздушных целей на основе нейросетевых 74 технологий.' Проектирование системы распознавания воздушных целей в МДРК 87 на базе нейронных сетей.

Методы использования ДР при распознавании целей в МДРК 3.2.1. Моделирование исходных данных для проектирования. ДР как векторы признака при распознавании. Методы использования ДР при распознавании. Моделирование процесса распознавания и оценка результатов. Методы определения характеристик вторичного излучения. Варианты распознавания по ДР.

Выбор программных средств. Условия моделирования. Процесс моделирования.

Результаты моделирования распознавания. Анализ результатов моделирования. Разработка систем распознавания и, в частности радиолокационного распознавания (РЛР), сопряжена с решением целого ряда задач.

Центральным является вопрос о словаре признаков, на языке которых производятся как априорные описания классов объектов, так и апостериорное описание распознаваемых объектов. Связано это с тем, что рабочий словарь признаков определяет состав и технические характеристики измерительных средств системы распознавания, в данном случае РЛС, которые являются наиболее ресурсоемкими элементами системы 14, 33, 39. Развитие радиолокации в последние десятилетия шло под знаком резкого повышения требований к основным характеристикам радиолокационных станций. Это и увеличение дальности действия и значительное увеличение точности, пропускной способности, эффективности защиты от разного рода помех и др. Возросли требования к так называемой 'сигнальной' информации, используемой для распознавания целей. Несмотря на значительный прогресс в технике основных элементов и устройств РЛС, возросшие требования во многих случаях не удается удовлетворить в рамках традиционного построения РЛС.

Необходимо совершенствовать принципы построения радиолокационных станций и систем. Одно из перспективных направлений - разработка и распознавание информации в многодиапазонном радиолокационном комплексе (МДРК), состоящем из разнесенных в пространстве радиолокационных позиций, совместно ведущих радиолокационное наблюдение целей. Основная идея МДРК состоит в том, чтобы более эффективно использовать информацию, заключенную в пространственных характеристиках электромагнитного поля. Как известно, при облучении цели поле рассеяния создается во всем пространстве. Однопозиционная РЛС извлекает информацию только из одного малого участка поля, соответствующего апертуре приемной антенны 49, 55, 56. В МДРК информация извлекается из нескольких разнесенных в пространстве участков поля рассеяния цели (или поля излучения источников сигналов), что позволяет существенно повысить информативность, помехозащищенность и ряд других важных характеристик. Развитие МДРК соответствует общей тенденции в технике - объединению отдельных технических средств в системы, в которых благодаря совместному функционированию и взаимодействию элементов значительно улучшаются новые возможности.

Диаграммы рассеяния (ДР) цели - типичный признак радиолокационных измерений, которые часто используются как для классификации самолетов, так и судов, и наземных транспортных средств 21, 27, 29. При облучении цели электромагнитной волной часть приходящей энергии поглощается, превращаясь в тепло, а остальная переизлучается (рассеивается) в различных направлениях. Наибольший интерес для радиолокации представляет та часть переизлучаемой энергии, которая рассеивается или отражается в обратном направлении.

Однако в некоторых случаях важное значение имеет также энергия, рассеиваемая в других направлениях, как, например, для разнесенного, или интерференционного, радиолокатора с непрерывным излучением колебаний, в котором приемник расположен отдельно от передатчика. ДР имеют множество свойств, соответствующих классификации цели, и могут быть измерены относительно быстро в любой ориентации самолета.

Кроме того, для получения ДР необходимы РЛС, обладающие определенными характеристиками. Использование ДР для классификации самолета имеет недостатки, так как ДР сильно зависят от курса, частоты и поляризации. Однако, в МДРК используются радиолокационные системы, которые работают на разных частотах, в разных поляризациях и расположены в разных местах. Каждая РЛС в МДРК получает значение ДР, потом данные поступают на электронную вычислительную машину ( ЭВМ).

ЭВМ сравнивает и оценивает полученные данные. В качестве признака распознавания в диссертации исследуется диаграмма рассеяния цели, являющаяся интегральной характеристикой эффективной площади рассеяния ( ЭПР) цели. Нейронной сетью (НС) является громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки.

Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура выстраивает в определенном порядке синаптические веса НС для обеспечения необходимой структуры взаимосвязей нейронов. Использование перечисленных свойств на фоне развития устройств со сверхбольшой степенью интеграции (VLSI) и повсеместного применения вычислительной техники вызвало в последние годы огромный рост интереса к нейронным сетям и существенный прогресс в их исследовании. Создана база для выработки новых технологических решений, касающихся восприятия, искусственного распознавания и обобщения видеоинформации, управления сложными системами, обработки речевых сигналов и т.п.

13, 15, 26, 31, 54. Аппарат нейронных сетей, в частности, нейросетевой логический базис, нашел путь своего применения, прежде всего, благодаря тому, что появились мощные и сверхмощные пакеты математического моделирования (MATLAB, StatSoft и др.), которые позволили при проведении исследований сосредоточиться именно на вопросах применения нейронных сетей, освободиться от необходимости построения собственно нейронных сетей доказательства их корректности, стабильности и работоспособности для всех условий решаемых проблем. При решении вех сформулированных задач главными стали выбор и обоснование нужного типа нейронной сети, ее обучение и правильная интерпретация результатов, так как возможность решения с помощью нейронной сети задач прогнозирования, оценки рисков, идентификации, которые относятся к классу 'практически безнадежных', принципиально повышает ответственность за полученные результаты. В отличие от классических методов обработки информации, базирующихся на изучении и априорном задании более или менее сложной модели процесса или системы, нейросети сами формируют модель явления в процессе обучения, т.е. Практически не требуют априорных данных о модели. После обучения такие системы могут достигать потенциальных пределов качества функционирования при решении задач обнаружения, разрешения - сверхразрешения, оценки параметров сигналов, распознавания образов. Таким образом, применение НС является одним из наиболее перспективных путей для повышения эффективности и сокращения сложности системы распознавания РЛЦ.

Современный этап развития информационных технологий проходит в условиях резкого изменения геополитической ситуации и критериев решения различных проблем в условиях ограничения ресурса. Прибрежная зона становится ареной сосредоточения ресурсных, экологических, оборонных усилий государств. В этой зоне сосредоточено 60% населения и 90% мегаполисов и стратегических объектов, причём тенденция роста этих данных продолжается.

Необходимость решения важнейших задач в этой зоне сопряжена с резким снижением информативности существующих систем наблюдения в связи с резким усложнением информационной обстановки. Это связано со сложными условиями формирования информационных полей различной физической природы, обусловленными интенсивными возмущениями естественного и антропогенного происхождения. Необходимость совершенствования систем мониторинга окружающей среды и объектов и способов их применения, оптимизация требований к информационному обеспечению являются важной составной частью проблемы повышения эффективности систем освещения воздушной обстановки и комплексного управления прибрежной зоной Социалистической Республики Вьетнам. Решение проблемы включает ряд направлений, включающих научные и практические задачи разработки алгоритмов обработки сигналов в радиолокационных системах обнаружения, определения координат и распознавания воздушных целей 17, 18, 32.

Всё вышеизложенное является основанием для проведения исследований, направленных на разработку способов повышения качества алгоритмов распознавания воздушных целей в радиолокационных системах. Известно, что повышение качества информационных структур непосредственно связано с уточнением моделей сигнально-помеховой обстановки, которая над морской поверхностью имеет специфические особенности. Интенсивно развиваемое направление « Комплексное управление прибрежной зоной», где сосредоточены основные противоречия не только прибрежных, но и других государств в условиях прогнозируемого развития систем мониторинга окружающей среды и объектов привело к интенсивной разработке многих вопросов в этой области.

Применительно к рассматриваемому направлению можно указать на работы исследователей ряда организаций: Аганина А.Г., Васильева О.В., Макаева В.Е. 2, Давыдова B.C. 18; Гилого JI.A.

14; Горелика A. JI., Барабаша Ю.Л., Кривошеева О.В. 17; Черняка B.C. 55-57; Небабина В.Г., Сергеева В.В. 33; Фархата Н.Х. 51; Ширмана Я.Д. И его школы 61-65; Митрофанова Д.Г., Ермоленко В.П.

Из зарубежных исследователей следует указать на работы: August W. Rihaczek, Stephen J. Hershkowitz 67; Chamberlain N., Walton E., Garber E. 70; Ray Smith C., Paul M.

Goggans 82. Однако существуют резервы, одним из которых определяется факт, что^) улучшение качества структур радиолокационного распознавания и используе-Ч мых ими сигналов определяются всё более точными моделями сигнально-помеховой обстановки в информационном канале и характеристиками канала, влияющими на отношение сигнал/помеха в точке приёма отражённого от цели сигнала, а также более сложными алгоритмами, соотносящимися с интеллектуальными возможностями человека. В такой постановке, по мнению автора, задача решается впервые. Основная цель диссертационного исследования: Основной целью диссертационного исследования является разработка методов распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесённом многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей. Указанная цель достигается решением ряда задач: 1.

Анализ, обобщение и уточнение модели распознавания, выбор признаков при распознавании радиолокационных целей (РРЦ). Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработку алгоритмов распознавания целей по диаграммам рассеяния в многодиапазонном радиолокационном комплексе.

Диабло 2 скачать. Разработка нейросетевых алгоритмов распознавания. Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК. Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков диаграмм рассеяния и дальностных портретов (ДП) на основе моделирования.

Исследование зависимости вероятности правильного распознавания от величины сектора наблюдения и выборки угловой дискретизации сигнала, а также определение влияния числа нейронов в скрытом слое на качество распознавания. Объект и предмет исследования. Объектом исследования является система радиолокационного распознавания целей в МДРК по диаграммам рассеяния на основе аппарата нейронных сетей. Предметом исследования являются нейросетевые алгоритмы, методы использования ДР при распознавании, обеспечивающие структурно-параметрическое обучение и повышающие вероятность правильного распознавания. Основные методы исследований. Основными методами исследований являлись анализ и обобщение данных, аналитический расчёт, алгоритмизация и программирование, имитационное моделирование и статистический анализ.

Основным инструментом реализации указанных методов явилось применение общей теории радиолокации, теории рассеяния радиоволн воздушными объектами, теории распознавании радиолокационных целей, теории обработки сигналов, теории искусственных нейронных сетей, объектно-ориентированное моделирование, имитационный машинный эксперимент и сопоставление его результатов с данными, соответствующими реальным условиям использования радиолокационной системы в прибрежной зоне Социалистической Республики Вьетнам. Научной новизной обладают следующие результаты, полученные автором в процессе выполнения работы: 1. Модель распознавания радиолокационных целей по диаграмме рассеяния основанная на использовании аппарата нейронных сетей. Структура системы радиолокационного распознавания, синтезированная на основе совершенствования её технических характеристик и применяемых сигналов. Методики использования диаграммы рассеяния при распознавании целей в МДРК на основе нейронных сетей; сравнение эффективности распознавания при использовании в качестве признака диаграмм рассеяния и дальностных портретов. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК. Научные положения, выносимые на защиту: 1.

Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе применения аппарата НС. Разработан алгоритм распознавания воздушных целей на основе анализа диаграмм рассеяния в многопозиционных многодиапазонных радиолокационных системах с использованием сигмоидальной функции возбуждения нейронов. Выработана рекомендация к выводу числа нейронов в скрытом слое при распознавании по ДР целей. Исследовано влияние размера сектора наблюдения и влияние угловой дискретизации сигнала на вероятность распознавания целей по ДР в МДРК. Полученные в процессе исследования результаты подтверждают возможность обеспечения необходимых требований при решении задачи радиолокационного распознавания. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования.

Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов распознавания. Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, также предложена структурная схема предварительной диаграммы рассеяния с высоким разрешением. К основным практическим результатам относятся: 1. Выработаны рекомендации по построению систем радиолокационного распознавания в многопозиционных многодиапазонных радиолокационных системах применительно к задачам, решаемым в системах воздушного наблюдения. Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов.

Полученные теоретические результаты могут быть использованы в учебном процессе технических вузов России и Вьетнама. Внедрение результатов работы.

Полученные результаты могут быть использованы при разработке технических средств радиолокационного мониторинга воздушного пространства Социалистической Республики Вьетнам. Научная новизна заключается в разработке объектно-ориентированной модели информационного канала и использования как инструмента оценки качества и обоснования предложений по улучшению качества систем распознавания при наличии нескольких типов помех. Теоретическая значимость состоит в дальнейшем развитии методов объектно-ориентированного моделирования информационных систем. Практическая значимость состоит в разработке объектно-ориентированной модели применительно к конкретным реальным условиям. Автор участвовал в ряде работ в Социалистической Республике Вьетнам применительно к теме диссертационного исследования. Апробация работы.

(4922) 34-94-95, 34-98-49 e-mail:; icq 290-467-745 Отдел распространения: (4922) 34-94-93 e-mail: Отдел рекламы: Баскакова Лидия Петровна: (4922) 34-90-43 e-mail: Все издания отпечатаны в собственной типографии ООО «ВладимирПолиграф»: г.Владимир, ул. Приемная: (4922) 34-91-14 Заключение договоров, общие вопросы распространения и продвижения: Осипова Елена Тел./факс (4922) 34-94-93 Тел. Газета крот японские кроссворды. Группа компаний 'ВЛАДИМИР ПРЕСС' Адрес редакции: 600015, г.Владимир, ул.Даргомыжского, д.6. Главный редактор: Розенков Игорь Викторович Тел.

Основные результаты работы докладывались на: ежегодных научно-технических конференциях профессорско-преподавательского состава СПб ГЭТУ « ЛЭТИ» в 2005-2007гг; научно-технических конференциях НИИ 'Прогноз' СПб ГЭТУ «ЛЭТИ» 25, 44, 58. По теме диссертации опубликовано 5 научных работ, из них - 4 статьи 9, 10, 59, 60, 1 работа - в трудах научно-практической конференции 8. Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, двух приложений и списка литературы, включающего 90 наименований.

Основная часть работы изложена на 125 страницах машинописного текста. Работа содержит 45 рисунков и 4 таблицы. Результаты работы предполагается реализовать по следующим направлениям:. разработка предложений по перспективному развитию технических средств радиолокации;. в научно-исследовательских работах, научно-исследовательских учреждениях СРВ;.

в учебном процессе Ханойского технического университета им. Целесообразно продолжить работу по дальнейшему уточнению модели радиолокационного распознавания в МДРК применительно к конкретным районам использования и решения различных задач.

Полученные в диссертационной работе результаты исследования позволяют проанализировать и оценить возможность распознавания целей в МДРК на основе признака ДР, оценить возможность применения аппарата нейронных сетей при распознавании целей в МДРК. Для внедрения алгоритмов НС в практических системах распознавания целей требуется дополнительная информация о статистических моделях исследуемых объектов, обоснование целесообразности и полезности применения НС при распознавании РЛЦ и решение задачи выбора параметров и схемных реализаций при проектировании системы распознавания РЛЦ в МДРК. С 2 5 500 5 000 4 500 4 000 3 500 ООО 500 ООО 1 500 1 ООО 500 А 1 1 J О 20 40 60 80 100 120 140 1Б0 180 200 220 240 260 280 300 320 340 Азимутальный угол (град). Диаграмма рассеяния при приеме 270 275 280 Азимутальный угол (град).

Диаграмма рассеяния цели после предварительной обработки L 1 и М Л м О 20 40 60 80 Отсчёты по дальности. Дальностннй портрет 100 270 275 Азимутальный угол 280 б. Диаграмма рассеяния (град.) Рис.

ДП и ДР использованные при сравнении качества распознавания г Данные для обучения и проверки НС Рис. Структурная схема создания дальностных портретов для обучения и проверки НС ЗАКЛЮЧЕНИЕ Основной целью диссертационного исследования являлась разработка методов распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесённом многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей. В результате исследований в работе получены следующие научные результаты: 1. Разработана модель системы распознавания целей по ДР в зависимости от частоты, ракурса и поляризации, разработан способ распознавания целей в МДРК на основе аппарата НС. Сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов обработки. Результаты показывают, что использование в качестве признака распознавания ДР в МДРК является боле эффективным, чем по ДП (1 дБ для распознавания по группе целей и 3 дБ - по одной цели). Произведен анализ использования разработанных алгоритмов некогерентного накопления сигналов, который показывает возможность повышения вероятности распознавания по ОСШ на 3.

5 дБ (для распознавания по группе целей) и на 2 4 дБ (для распознавания по одной цели) при числе накопленных импульсов от 9 до 15. Выполнен анализ необходимого числа нейронов в скрытом слое при распознавании по ДР целей.

Показано, что число нейронов должно быть в пределах от 100-^-700. Исследовано влияние размера сектора наблюдения на вероятность правильного распознавания. Полученные результаты подтверждают возможность обеспечить требования к качеству распознавания. При решении задачи радиолокационного распознавания следует выбирать величину сектора наблюдения в диапазоне 5^30 градусов.

Методом цифрового статистического моделирования исследовано влияние угловой дискретизации сигнала на вероятность распознавания в МДРК. Полученные результаты исследования подтверждают возможность обеспечить необходимые требования при решении задачи радиолокационного распознавания. Показано, что предпочтительнее выбирать число элементов угловой дискретизации сигнала порядка 100 -т- 700.

Аверьянов, В.А. Разнесенные радиолокационные станции и системы.

М.: Наука и техника, 1978.- 184с. Распознавание воздушной цели класса 'самолет с винтовым двигателем'/ А.Г. Васильев, В.Е.

Макаев// Радиотехника, 2001.-N8.-С. Бакулев, П.А.

Радиолокационные и радионавигационные системы/ П.А. Бакулев, A.A. М.: Радио и связь, 1994. Бакулев, П.А. Методы и устройства селекции движущихся целей/ П.А.

Бакулев, В.М. М.: Радио и связь, 1986. Барабаш, Ю.Л.

Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. Барабаш, Ю.Л. Вопросы статистической теории распознавания/ Ю.Л.Барабаш, Б.В. Барский, В.Т. Зиновьев и др.; под ред. Барского.-М.: Сов.

Башкиров, Л.Г. Радиолокационное распознавание воздушных объектов по радиоакустическим спектральным портретам с использованием обучаемых нейронных сетей/ Л.Г. Башкиров, Б.Н. Чапурский, А.П.

Шей-ко// Полет. 2002.- N8.- С. Веремьев, В.И.

Использование диаграммы рассеяния цели в задачах радиолокационного распознавания/ В.И. Веремьев, Чинь Суан Шинь// Изв. Вузов России,- Радиоэлектроника.- 2006,- Вып.5.- С. Веремьев, В.И. Моделирование алгоритмов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей/ В.И. Веремьев, Чинь Суан 10.

СПб ГЭТУ ' ЛЭТИ'.- Сер. Радиотехника и телекоммуникации,-2006.- Вып.2.- С. Виноградов, H.A.

Справочник по устройствам цифровой обработки информации/ H.A. Виноградов, В.Н.

Яковлев, В.В. Воскресенский и др.; под ред. Киев: Техника, 1988. Винокуров, В.И.

Морская радиолокация/ В.И. Винокуров, В.А. Калениченко, под ред. Винокуров.- Л.: Судостроение, 1986.- 256с. Галушкин, А.И. Пособие для вузов/ под ред. М.:ИПРЖР, 2000.

Распознавание сигналов со сложными спектрами при изменении его масштаба.-М.: Радиотехника и электроника, 2003.- Т.48, N7.- С. Головко, В.А. Нейронные сети: обучение, организация и применение /под ред. Галушкина.- М.: ИПРЖР, 2001. Горелик, А.Л.

Селекция и распознавание на основе радиолокационной информации/ А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн; под ред. М.: Радио и связь, 1990. Горелик, А.Л.

Методы распознавания/ А.Л. Горелик, В.А. Скрипник.- М.: Высш. Шк., 2004.- 261с. Давыдов, B.C.

Распознавание сложных целей в радиолокации. Учебное пособие.- Санкт-Петербург, Издательство СПб ГЭТУ 'ЛЭТИ', 2002.- 80с.

Основные концепции нейронных сетей.- М.: Издательский дом « Вильяме», 2001.-288с. Мат1аЬ 6.x: программирование численных методов/ Ю.Л.

Шульц.- Санкт-Петербург 'БХВ-Петербург', 2004.- 672с. Радиолокационные отражатели. Под редакцией О.Н. Леоньев-ского.- Москва 'Советское радио', 1975г.- 248с.

Конторов, Д.С. Введение в радиолокационную системотехнику. Радио, 1971.-365с. Кузьмин, С.З. Цифровая радиолокация,- Киев, 2000. Кузьмин, С.З.

Основы проектирования систем цифровой обработки радиолокационной информации. М.: Радио и связь, 1986.

Леоненков, A.B. Нечёткое моделирование в среде MATLAB и FuzzyTech.-Санкт-Петербург, 2003. Леонтьев, В.В. Информативность статистик ЭПР локальных отражателей в задачах классификации.- Изв.

ЛЭТИ, выпуск 427, Ленингр. Леонтьев, В.В. Критерии дальней зоны для измерения эффективной площади рассеяния морских объектов.- Радиотехника и электроника, том48, номер 12.- 'Наука' МАИК 'Наука/интерпериодика', 12. Леонтьев, В.В. Характеристики радиолокационного рассеяния морских объектов: учебное пособие.- Санкт-петербург 1999.- 160с.

Медведев, B.C. Нейронные сети в MATLAB в./ B.C. Медведев, В.Г. Потемкин.- М: Диалог-Мифи, 2002. Методы и алгоримы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе/ О.Н. Филимонова, Бенамеур Лиес// Москва 'Горячая линия-Телеком' 2003.- 205с.

Митрофанов Д.Г. Распознавание воздушных целей за счет измерения их пространственной протяженности/ Д.Г. Митрофанов, В.П.

Ермоленко// Москва 'Зарубежная радиоэлектроника', 1996.- N1.- С. Небабин, В.Г. Методы и техника радиолокационного распознавания/ В.Г. Небабин, В.В. Сергеев.- М.: Радио и связь, 1984.- 154с. Оссовский, С.

Нейронные сети для обработки информации: пер. С польского И.Д. М.: Финансы и статистика, 2002. Основы теории распознавания образов: пер. Радио, 1980.-408с.

Распознавание образов, состояние и перспективы: пер. С англ.- М.: радио и связь, 1985.- 104с. Нечёткие множества в моделях управления и искусственного интеллекта.М.: Наука, 1986.-312с. Для explay vegan.

Вопросы перспективной радиолокации.М.: Радиотехника, 2003.- 512с. Система распознавания образов- Киев: Наук, думка, 1975.-432с. Современная радиолокация: анализ, расчёт и проектирование систем.- М.: « Советское радио», 1969. Радиолокационные характеристики летательных аппаратов.- М.: Радио и связь, 1985. Радиоэлектронные системы: основы построения и теории.- Справочник. М.: АОЗТ 'МАКВИС'.- 1998.

Теоретические основы радиолокации.- М., изд-во « Советское радио», 1970. Самойлов, С.И. Измерения бистатических эффективных поверхностей рассеяния сложных объектов.- Электромагнитные волны и радиоэлектронные системы,- №2- Т5.- 2000г.- С.

Сергиенко, А.Б. Цифровая обработка сигналов: учебник для вузов.- Моско-ва, Санкт-Петербург, Нижний Новгород, Воронеж, Ростов-на-Дону, Екатеринбург, Самара, Новосибириск, Киев, Харьков, Минск 2005.- 603с.

Горелик Методы Распознавания

Введение в технику радиолокационных систем.- Издательство 'Мир'.- Москва 1965,- 747с. Сосулин, Ю.Г. Теоретические основы радиолокации и радионавигации: учеб.

Пособие для вузов. М.: Радио и связь, 1992. Справочник по радиолокации, перевод с английского в 4-х томах. Том 1.Основы радиолокации,. Ицхоки.- М.: Сов. Радио, 1976.- 456с. Терехов, В.А.

Нейросетевые системы управления: кн. 8.- Нейрокомпьютеры и их применение: учеб.

Пособие для вузов./ В.А. Терехов, Д.В.

Тюкин// Общая ред. М: ИПРЖР, 2002. Формирование радиолокационных изображений методом разнесения в диапазоне СВЧ и автоматизированная идентификация целей, основанная на использовании моделей нейронных сетей.- ТИИЭР. № 5, 1989.- С. Статистическая теория распознавания образов/ Я.А. М.: Радио и связь, 1986.

Введение в статистическую теорию распознавания: Пер. М.: Наука, 1979. Хайкин Саймон.

Нейронные сети: полный курс, 2-е издание, исправленное.-Пер. С англ.- Москва, СПб, Киев, 2006. Многопозиционные обнаружители флуктуирующих сигналов на фоне пространственно-коррелированных помех. Радиотехника и электроника.- 1987-Т.32, №2.- С. Предисловие научного редактора. Зарубежная радиоэлектроника.' Многопозиционная радиолокация.- Радио и связи,- Москва 1993.-416с.

Чинь Суан Шинь. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания/ Чинь Суан Шинь, В.И. Веремьев// Изв. СПб ГЭТУ 'ЛЭТИ'. Радиотехника и телекоммуникации, 2006.- Вып. О некоторых алгоритмах классификации объектов по совокупности признаков.- Радиотехника и электроника.- Вып. Разрешение и сжатие сигналов.-М.: Сов.

Методы радиолокационного распознавания и их математическое моделирование/ Я.Д. Горшков и др.; под ред. Ширмана.- Радиолокация и радиометрия.- №2, 2000.- Вып. Теория и техника обработки радиолокационной информации на фоне помех/Я.Д.М.:Радио и связь, 1981.-416с.

Нейрокомпьютерное распознавание радиолокационных целей с учётом мешающих факторов/ Я.Д. Орленко; под ред. Ширмана// Радиолокация и радиометрия- Вып. 3, №2, 2000.- С.

Классификаторы на основе нейронных структур. Зарубежная радиоэлектроника, № 8.- 1992.- С. Theory an practice of radar target identification/ W. Ri-haczek August, Stephen J. Hershkowitz.- Artech House Inc, 2000.- 738p.

JEM Modeling and measurement for radar target identification/ M.R. Grubbs// IEEE Trans.

AES-29, January 1993.- P. Experimental localized radar cross section of aircraft/ Steinberg Bernard, Donald L. Carlson.- IEEE, Fellow, 1989.- P. Chamberlain, N.

Radar target identification of aircraft using polarisation: diverse features/ N. Chamberlain, E. Walton and E. Garber// IEEE Trans. AES-27, Januaiy 1991.- P. The H' optimality of the LMS algorithm/ B. Hassibi, A.H.

Kailath// IEEE Trans. On Signal processing, 1996, vol.44.- P. Neural networks expand SP's horizons.- IEEE Signal Processing Magazine, 13, No.

3, March 1996.- P. Johnston, S.L. Target fluctuation models for radar system and performance analysis/ S.L. Huang// IEEE Trans. AES-33, Part two, February 1997.- P696-720.

Classification of radar targets using synthetic neural networks/1. AhaltII IEEE Trans. AES-29, April 1993.- P. Pulse radar detection using a multilayer neural network/ H.K. Lee//JFCNN-89, 1989, vol. Principles and concepts of multistatic surveillance radar.- Proc. 'Radar' 77'.-London, 1977.- P.

Nadav, Levanon. Radar signals/ Levanon Nadav, Eli Mozeson// Wiley-Interscience, 2004,- 432 p. Backpropagation through time: what it does and how to do it/ Proceedings of the.

10, October 1990.- P. Peter, swerling. Radar probability of detection for some additional fluctuating terget cases.- IEEE Trans. 2, april 1997,- P. Radar signals analysis and modellization in the presence of JEM application to civilian ATC radars.- IEEE AES Magazine, January 1999.- P. Ray, Smith C. Radar target identification/ C.

Smith Ray, M. Paul Goggans// IEEE Antennas and propagation magazine, vol.35, No.2, April 1993.- P. Shirman, Y.D.

Computer simulation of aerial target radar scattering: detection, recognition and tracking.- Boston-London, Artech house, Inc. Shirman, Y.D. Radar target backscattering simulation Sofware and User's Manual/ Y.D. Shirman, S.A. Gorshkov, S.P. Leshchenko, V.M.

Orlenko, S.Yu. Sedy-shev// Boston-London, Artech House, 2002. Steinberg, B.D. Microwave imaging of aircraft.- Proc. 76, December 1988.-P.

Target fluctuation models for radar system design and performance analysis: an overviw of three papers.- IEEE Trans. 2, april 1997.- P. Stevenson, M. Sensitivity of layered neural networks to errors in the weights/ M. Stevenson, Winter and B.

Горелик Скрипкин Методы Распознавания

Widrow// International Joint Conference on Neural Network, 1990, vol. 1, Washington, DC.- P.

Trintinalia, L.C. Joint time-frequency ISAR using adaptive processing/ L.C. Trintinalia, H. Ling// IEEE Trans. Antennas Propagat., vol. Van, der Heiden R.

Aircraft recognition with radar range profiles.- PhD thesis, University of Amsterdam, 1998.- 196p. Xiaojian, Xu. A new RCS statistical model of radar targets/ Xu Xiaojian, Huang-PeikangII IEEE Trans. 2, april 1997.- P.