Анализ и идентификация радиолокационных дальностных портретов воздушных целей на основе технологий вычислительного интеллекта тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Фам Фыонг Кыонг

• Фам Фыонг Кыонг
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Фам Фыонг Кыонг

Список сокращений

Введение

Глава 1. Задача радиолокационного распознавания

летательных аппаратов

1.1. Радиолокационная система наблюдения воздушных целей

1.2. Радиолокационные дальностные портреты летательных аппаратов

1.3. Инструментарий моделирования дальностных портретов

Выводы

Глава 2. Алгоритмические схемы распознавания

воздушных целей

2.1. Общие положения теории распознавания образов

2.2. Ретроспектива проблемы идентификации дальностных портретов воздушных целей

2.3. Формальные аспекты задачи распознавания

2.4. Задача формирования информативных признаков воздушных целей

2.5. Секторный принцип построения систем распознавания

воздушных целей

2.6. Эффекты неробастности характеристик и неразличимости дальностных портретов

2.7. Концепция динамического распознавания воздушных целей

Выводы

Глава 3. Классификация воздушных целей на основе аппарата деревьев решений

3.1. Схемы распознавания воздушных целей на основе аппарата деревьев решений

3.2. Структура деревьев решений

3.3. Алгоритм построения деревьев классификации CART

3.4. Организация вычислительных экспериментов

3.5. Статическая схема распознавания воздушных целей

3.6. Двухступенчатая схема распознавания воздушных целей

Выводы

Глава 4. Нейросетевые алгоритмы классификации

воздушных целей

4.1. Ощие положения теории искусственных нейронных сетей

4.2. Нейросетевые схемы распознавания воздушных целей

4.3. Применение классификаторов персептронного типа

4.4. Классификаторы на основе RBF-сетей

Выводы

Глава 5. Вейвлет-технологии в задачах обработки и анализа дальностных портретов воздушных целей

5.1. Ретроспектива исследований в области вейвлет-анализа радиолокационных сигналов

5.2. Вейвлет-преобразование сигналов

5.3. Многоуровневый вейвлет-анализ

5.4. Задача очистки дальностьных портретов от шумов и помех

5.5. Вейвлет-сглаживание дальностных портретов

5.6. Корреляционный метод распознавания воздушных целей

5.7. Проблема выбора базисного вейвлета

Выводы

Заключение

Список литературы

Приложение 1. Метод радиолокации с внутриимпульсной

линейно-частотной модуляцией

Приложение 2. Программа моделирования дальностных

портретов BSS

Приложение 3. Акты внедрения результатов работы

Список сокращений

АД - агрегирование данных

АЦП - аналого-цифровой преобразователь

БД - база данных

ВП - вейвлет-преобразование

ВЦ - воздушная цель

ДОР - диаграмма обратного рассеяния

ДП - дальностный портрет

ДР - дерево решений

ИД - информационный датчик

ИК - истинный курс

ИП - истинный пеленг

ИСЗ - искусственный спутник Земли

КМА - кратномасштабный анализ

КУ - курсовой угол

КУР - курсовой угол радиостанции

ЛА - летательный аппарат

ЛЧМ - линейная частотная модуляция

НС - нейронная сеть

ОЛ - объект радиолокации

ОН - объект наблюдения

РЛС - радиолокационная станция

ТАКФ - тройная автокорреляционная функция

УОИ - устройство отображения информации

ФП - формирование признаков

ШПС - широкополосный сигнал

ЭВМ - электронная вычислительная машина ЭПР - эффективная площадь рассеяния BP - back propagation

BSS - программа «Radar Target Back Scattering Simulation»

CART - classification and regression tree

LVQ - learning vector quantization

MLP - multi-layer perceptron

MSE - mean squared error

PNN - probabilistic neuron network

RBF - radial basis function

TSVQ - tree structured vector quantizer

Введение диссертации (часть автореферата) на тему «Анализ и идентификация радиолокационных дальностных портретов воздушных целей на основе технологий вычислительного интеллекта»

Введение

Современный этап развития автоматики характеризуется широким применением методов и технологий вычислительного интеллекта для алгоритмизации процессов обработки информации и принятия решений. Это в полной мере относится к классу систем автоматического распознавания образов.

Вычислительный интеллект (Computational Intelligence) - ответвление искусственного интеллекта [71], развиваемое как альтернатива классическому искусственному интеллекту, основанному на строгом логическом выводе.

Существует несколько определений термина вычислительный интеллект [20]. Впервые данный термин был введен Бездеком [67], который определил его так: «система является интеллектуальной вычислительно, если она: оперирует только с цифровыми данными; имеет компоненты распознавания образов; не использует знания в смысле искусственного интеллекта и вдобавок когда она проявляет: а) вычислительную адаптивность; б) вычислительную отказоустойчивость; в) уровень ошибок, аппроксимирующий характеристики человека». В дальнейшем, это определение уточнялось и расширялось.

Достаточно подробное разъяснение понятия вычислительного интеллекта дано в книге [84]: «Вычислительный интеллект является наследником искусственного интеллекта. Он основывается на эвристических алгоритмах, применяемых в нечетких системах, искусственных нейронных сетях (НС) и эволюционных вычислениях. Кроме того вычислительный интеллект также включает инструменты, использующие роевой интеллект, фракталы и теорию хаоса, искусственные иммунные системы, вейвлеты и др. Вычислительный интеллект является комбинацией процессов обучения, адаптации и эволюции... Исследования в области вычислительного интеллекта не отвергают статистические методы, но предоставляют дополнительный аспект для их применения. Вычислительный интеллект связан с технологией мягких вы-

числений, которая объединяете искусственные НС, нечеткую логику и генетические алгоритмы».

Тема диссертации - анализ и идентификация радиолокационных дальностных портретов воздушных целей на основе технологий вычислительного интеллекта.

Радиолокация решает задачи радиолокационного наблюдения - обнаружение объектов (целей) и определение их местоположения и параметров движения в пространстве с помощью радиотехнических средств и методов [3]. Устройствами такого назначения являются радиолокационные станции (РЛС). В области активной радиолокации с пассивным ответом объект облучается радиоволнами, посылаемыми РЛС, в результате чего возникают отраженные от него сигналы.

Завершающим этапом радиолокационного наблюдения является распознавание целей. Оно осуществляется на основе анализа характеристик эхо-сигналов при их обработке в РЛС. Устройство РЛС зависит от используемого принципа радиолокационного наблюдения. Для распознавания радиолокационных объектов используются характерные свойства отраженных сигналов, обусловленные специфическими свойствами этих объектов. В современных РЛС осуществляется цифровая обработка информации.

Актуальность. Задачи распознавания объектов радиолокационного наблюдения относятся к числу важнейших задач радиолокации. Одно из актуальных направлений в теории и практике радиолокационного распознавания протяженных объектов (целей) основано на анализе их радиолокационных дальностных портретов (ДП), называемых в англоязычной литературе «range profile».

РЛС с высокой разрешающей способностью и точностью по дальности позволяют воспроизвести профиль цели по дальности. К примеру, возможно распознавать корабли по их длине и контуру надстроек при определенных ракурсах относительно РЛС. При этом необходима разрешающая способ-

ность по дальности порядка единиц метров, наличие библиотеки образцов профилей различных целей для разных ракурсов.

Разрабатываются различные подходы к решению проблемы анализа радиолокационных дальностных портретов воздушных целей (ВЦ). Эта область научных исследований в настоящее время активно развивается и представлена в работах следующих авторов: C.R.Smith, P.M.Goggans (1993), H.J.Li, S.H.Yang (1993), A.Zyweck, R.E.Bogner (1996), S.P.Jacobs (2000 г.), D.Zhoum, G.Liu, J.Wang (2000), С.П.Лещенко (2001, 2009), А.В.Тоцкий, П.А.Молчанов, Б.Б.Поспелов (2010) и др.

Данная область находится в стадии развития, в связи с чем теоретический и прикладной интерес представляет расширение ее методологической базы. В диссертационной работе акцент сделан на применении методов и технологий вычислительного интеллекта.

Процесс радиолокационного распознавания включает решение двух задач:

1) формирование по данным радиолокационного наблюдения информативных признаков, позволяющих отличать радиолокационные объекты друг от друга;

2) идентификация объектов по совокупности полученных признаков. Надежность распознавания в значительной мере зависит от выбора комплекса информативных признаков.

Диссертационное исследование направлено на алгоритмизацию задач анализа и идентификации дальностных портретов протяженных воздушных целей на основе технологий вычислительного интеллекта: искусственных нейронных сетей, деревьев решений и вейвлет-преобразования сигналов.

Цель диссертации состоит в решении следующего комплекса теоретических задач:

1) исследование проблемы формирования информативных признаков ВЦ на основе анализа их дальностных портретов;

2) рациональный выбор и комплексирование информативных признаков ВЦ;

3) динамическое распознавание в процессе сопровождения ВЦ;

4) идентификация ДП ВЦ на основе технологии искусственных нейронных сетей и деревьев решений;

5) анализ перспектив применения аппарата вейвлет-анализа в алгоритмах распознавания ВЦ.

Научная новизна. В диссертации получен ряд оригинальных результатов, имеющих научную ценность:

1. Предложен комплекс новых информативных признаков воздушных целей, представляющих спектральные, морфологические и геометрические характеристики ДП и обеспечивающих эффективное распознавание воздушных целей на основе анализа их ДП.

2. Предложен многосекторный принцип решения задачи распознавания ВЦ, основанный на разбиении полного интервала изменения курсовых углов ВЦ на сектора и построение банка секторных распознавателей.

3. Выявлены эффекты неробастности характеристик и потери различимости ДП ВЦ. Обоснована необходимость применения методологии динамического распознавания движущихся ВЦ с учетом особенностей их радиолокационного сопровождения.

4. Разработана концепция и схемы динамического распознавания ВЦ на основе агрегировании данных, полученных для разных курсовых углов в процессе радиолокационного сопровождения обнаруженной ВЦ.

5. Разработаны и исследованы методы и алгоритмы распознавания ВЦ с использованием аппарата деревьев решений, построенных на основе алгоритма CART.

6. Разработаны нейросетевые методы и алгоритмы распознавания ВЦ на основе многослойных персептронов (MLP-сети) и радиально-базисных нейронных сетей (PNN-сети).

7. Вычислительные эксперименты подтвердили работоспособность и эффективность предложенных решений. Показано, что для рассматриваемого класса задач MLP-сети имеют существенные преимущества по сравнению с PNN-сетями и алгоритмом CART.

8. Исследованы перспективы применения аппарата вейвлет-преобразования в системах распознавания ВЦ по трем направлениям: очистка ДП от шумов и помех; сглаживание импульсной структуры ДВ с целью повышения степени робастности алгоритмов распознавания ВЦ; разработка корреляционного метода распознавания с использованием вейвлет-коэффициентов ДП.

Технические приложения. В диссертации рассматриваются и решаются задачи радиолокационного распознавания летательных аппаратов на основе методов и технологий вычислительного интеллекта.

Краткая характеристика содержания работы. Диссертация включает 5 глав и два приложения.

Глава 1. Изложены принципы радиолокационного наблюдения ВЦ и устройство современных РЛС. Формулируется научно-техническая задача распознавания ВЦ по их радиолокационным дальностным портретам. Анализируется структура и механизм формирования ДП, основанный на представлении ВЦ множеством точечных рассеивателей и учета действия интерференционных эффектов.

Глава 2. Излагаются общие положения теории распознавания образов. Исследуются вопросы формирования информативных признаков ВЦ на основе анализа спектральных, морфологических и геометрических характеристик их ДП. Рассмотрены алгоритмические аспекты распознавания ВЦ. Исследован эффект потери различимости ДП ВЦ. Поставлена задача динамического распознавания ВЦ и предложены подходы для ее решения.

Глава 3 посвящена вопросам применения аппарата деревьев решений в задачах распознавания ВЦ. Разработаны и исследованы алгоритмы распознавания ВЦ на основе метода CART (Classification And Regression Tree).

Главе 4. Обсуждаются вопросы применения искусственных нейронных сетей для решения задачи распознавания ВЦ. Предложены и исследованы алгоритмы распознавания на основе нейронных сетей двух типов - многослойных персептронов (MLP-сети) и радиально-базисных нейронных сетей (PNN-сети).

Глава 5 посвящена вопросам применения аппарата вейвлет-преобразований для цифровой обработки и анализа дальностных портретов ВЦ. Рассмотрены три направления применения вейвлет-преобразований: очистка ДП от шумов и помех; вейвлет-сглаживание ДП с целью повышения степени робастности алгоритмов распознавания ВЦ; корреляционный подход к задачам распознавания ВЦ с использованием вейвлет-коэффициентов ДП и методологии многокритериального принятия решений. Также рассматривается и решается вопрос о рациональном выборе базисного вейвлета для применяемых процедур вейвлет-преобразования ДП.

Приложение 1. Излагаются принципы радиолокации с внутриимпуль-сной линейно-частотной модуляцией, используемые в радиолокационных системах для получения ДП ВЦ.

Приложение 2. Описаны возможности и особенности используемого в диссертации программного симулятора ДП «Radar Target Back Scattering Simulation», разработанного под руководством Я.Д.Ширмана [70].

Приложение 3. Представлены копии актов внедрения результатов диссертационной работы.

Практическая ценность. Результаты теоретических исследований, предлагаемые методы, алгоритмы и рекомендации могут быть использованы при разработке математического и алгоритмического обеспечения радиолокационных комплексов различного назначения.

Полученные в диссертации результаты могут также найти применение и в других областях науки и техники для решения задач обработки информации и автоматической классификации на основе методов и технологий вычислительного интеллекта.

Реализация и внедрение. Материалы диссертации приняты к использованию в научно-исследовательских и проектно-конструкторских разработках Академии технологий Вьетнама и Центра информационных технологий службы шифрованной правительственной связи Вьетнама.

Публикации. Основные результаты выполненных диссертационных исследований отражены в 10 опубликованных работах [48-57] - из них 3 статьи в рецензируемых изданиях, рекомендованных ВАК Министерства образования и науки РФ.

Глава 1

Задача радиолокационного распознавания летательных аппаратов

1.1. Радиолокационная система наблюдения воздушных целей

Радиолокация - это обнаружение и распознавание объектов с помощью радиоволн, а также определение их местоположения и параметров движения в пространстве [3, 7].

Объекты радиолокации (ОЛ) называются радиолокационными целями или просто целями. В радиолокации обычно используются отраженные от цели сигналы или сигналы, излучаемые самой целью и радиоустройствами, установленными на ней. Радиотехнические системы и устройства, решающие задачи радиолокации, называются радиолокационными системами и устройствами, а также радиолокационными станциями (РЛС).

РЛС относятся к классу радиотехнических систем извлечения информации об объектах из принимаемого радиосигнала. Таким образом, они осуществляют поиск и обнаружение радиосигнала с последующим измерением его параметров, содержащих полезную информацию. В РЛС задачи обнаружения и определения местоположения цели решаются, как правило, без помощи аппаратуры объекта.

Определение местоположения ОЛ посредством РЛС требует измерения координат объекта (цели). В некоторых ситуациях необходимо также знание составляющих вектора скорости объекта (цели). Геометрические или механические величины, которые характеризуют положение и перемещение объекта или цели, называют локационными элементами.

Радиолокационные системы обычно используются в качестве датчиков информации в более сложных структурах - комплексах. Радиолокационные комплексы - это совокупность функционально связанных датчиков, систем и устройств, предназначенная для решения конкретной тактической задачи,

например, при управлении воздушным движением, обеспечении полета и посадки самолетов.

В радиолокационный комплекс могут входить:

• информационные датчики (ИД), как радиоэлектронные, так и нерадиотехнические (например, инерциальные);

• вычислительная система (процессор) на базе одной или нескольких электронных вычислительных машин (ЭВМ) или на базе специализированных вычислителей, закрепленных за отдельными датчиками, в которой обрабатывается и преобразуется информация ИД в сигналы для внешних систем, например, системы управления объектом;

• система связи и обмена информацией, состоящая из кабельных, оптоволоконных и других устройств связи между частями комплекса;

• система отображения информации (индикации) и управления комплексом, связывающая человека-оператора и комплекс;

• система контроля, предназначенная для исключения возможности использования неисправного комплекса.

Основой радиолокации является рассеяние радиоволн объектами, отличающимися своими электрическими характеристиками (электрической проницаемостью, диэлектрической проницаемостью и электропроводностью) от соответствующих характеристик окружающей среды при их облучении.

Интенсивность рассеяния или отражения радиоволн (интенсивность вторичного поля) зависит от степени отличия электрических характеристик объекта и среды, от формы объекта, от соотношения его размеров и длины волны и от поляризации радиоволн. Результирующее вторичное электромагнитное поле состоит из поля отражения, распространяющегося в сторону облучающего первичного поля, и теневого поля, распространяющегося за объект (в ту же сторону, что и первичное поле).

С помощью приемной антенны и приемного устройства можно принять часть рассеянного сигнала, преобразовать и усилить его для последующего

обнаружения. Таким образом, простейшая РЛС (рис. 1.1) может состоять из передатчика, формирующего и генерирующего радиосигналы, передающей антенны, излучающей эти радиосигналы, приемной антенны, принимающей отраженные сигналы, и радиоприемника, усиливающего и преобразующего сигналы.

Рис. 1.1. Принцип действия простейшей РЛС

Устройство современной РЛС поясняет рис. 1.2. В ее структуру кроме приемника и передатчика входят синтезатор частот, аналого-цифровой преобразователь, процессор сигналов, процессор данных, устройство отображения информации (УОИ) [3].

Рис. 1.2. Устройство современных РЛС

После обработки принимаемых сигналов осуществляется процесс распознавания ОЛ в блоке «Процессор данных». Цель распознавания заключается в получении радиолокационных характеристик ОЛ, выбором информативных и устойчивых признаков и принятием решения о принадлежности этих объектов к тому или иному классу (типу).

Классификация радиолокационных систем

По назначению РЛС подразделяют на два типа: обзорные и следящие. Обзорные РЛС применяют для обнаружения и измерения координат всех целей в данной области пространства или земной поверхности, а также для управления воздушным движением, получения метеорологической информации и т.п. Следящие РЛС выполняют функцию точного и непрерывного определения координат одной или ряда целей.

РЛС также классифицируют по следующим признакам [40]:

• происхождению принимаемого радиосигнала - активные (с активным и пассивным ответом), полуактивные и пассивные РЛС;

• используемому радиоволновому диапазону - декаметровый, метровый, дециметровый, сантиметровый и миллиметровый диапазоны;

• виду зондирующего сигнала (РЛС с непрерывным (немодулированным или частотно-модулированным) и импульсным (некогерентным, когерентно-импульсным с большой и малой скважностью, с внутриимпульс-ной частотной или фазовой модуляцией) излучением;

• числу и виду измеряемых координат - одно-, двух- и трехкоординатные;

• месту установки РЛС - наземные, корабельные, самолетные, спутниковые.

В работе рассматриваются наземные активные РЛС с пассивным ответом. В данных РЛС излучаемые антенной передающего устройства радиоволны фокусируются и направляются на цель. Приемное устройство той же РЛС принимает отраженные волны и преобразует их так, что выходное

устройство с помощью опорных сигналов извлекает содержащуюся в отраженном сигнале информацию: наличие цели, ее дальность, направление, скорость и др.

В радиолокации сигналы, облучающие цель, называются зондирующими, а сигналы, приходящие от цели, - отраженными (эхо-сигналами).

Принципы и методы радиолокационного распознавания воздушных целей

В задачи радиолокации входит не только обнаружение цели и определение ее координат, но и распознавание (опознавание) цели.

Попытки решения задачи радиолокационного распознавания воздушных целей предпринимались с самого зарождения практической радиолокации.

Воздушные цели (ВЦ) могут иметь различную физическую природу: самолёты, ракеты, метеозонды, облака, дождь, турбулентности атмосферы и т.п.

При распознавании ЛА в активной РЛС используются характеристики создаваемого целями поля вторичного излучения в дальней зоне РЛС. Эти характеристики, как правило, зависят от ориентации ЛА, параметров его движения, размеров, типов установленных двигателей и режимов их работы, параметров вибраций корпуса, а также от характеристик зондирующих сигналов, способа обработки принимаемых сигналов и т.д. [39].

Радиолокационными характеристиками объектов при активной радоло-кации являются: эффективная площадь рассеяния, спектральные и временные характеристики отраженных от цели сигналов, содержащие информацию о параметрах движения цели, ее форме, размерах, модуляции, вызванной вращением винтов турбин, а также колебаниями различных частей ЛА, поляризационные характеристики сигналов, отраженных от целей.

Распознавание радиолокационных целей осуществляется на основе анализа характеристик отраженных от цели сигналов при их обработке в РЛС. При этом используют связь статических, динамических и статистических характеристик радиолокационного рассеяния различных объектов с характеристиками сигналов, принимаемых РЛС. Анализ отраженных сигналов при определенных условиях позволяет классифицировать обнаруженные объекты, т.е. установить вид обнаруженного объекта: отличить истребитель от бомбардировщика, военный корабль от танкера, баллистическую ракету от ИСЗ.

Для распознавания радиолокационных объектов используются различные изменения характеристик отраженных сигналов, обусловленные специфическими свойствами этих объектов. Периодические изменения амплитуды сигналов, связанные с вращением винтов самолетов или вертолетов, позволяют отличить их друг от друга и от реактивных самолетов. Отраженные сигналы от последних также могут быть модулированы по амплитуде, если в зоне облучения оказываются турбины турбореактивных двигателей. Частоты модуляции при этом существенно выше, чем в случае винтомоторных самолетов.

Траектория движения объектов, скорость их перемещения по траектории также могут служить признаком для распознавания целей при их сопровождении на достаточно большом интервале времени.

Для распознавания целей используются самые разнообразные эффекты, изменяющие спектр отраженных сигналов. Тонкий анализ спектра возможен при высоком быстродействии и большом объеме памяти цифровых устройств обработки РЛС. Параметры зондирующих сигналов РЛС должны обеспечивать ее высокую пространственную, временную и частотную селективности.

Современная радиолокация основана на использовании широкополосных сигналов (ШПС) [38]. РЛС с широкополосными зондирующими сигналами обладают рядом преимуществ по основным техническим характеристи-

кам перед традиционными узкополосными системами: точности измерения расстояния до объекта и разрешающей способности по дальности; помехоустойчивости относительно пассивных помех; устойчивости РЛС к воздействию внешних электромагнитных излучений и помех.

Сигналы с линейным законом изменения частоты несущей внутри импульса (ЛЧМ сигналы) являются наиболее распространенными ШПС, используемыми в радиолокации [10]. Частотная модуляция дает возможность сжимать импульсы по времени в согласованных фильтрах. В результате этого удается достичь и большой энергии излучения, свойственной длинному зондирующему импульсу, и высокого разрешения целей по дальности, свойственного короткому сжатому импульсу.

Предпочтение, отдаваемое ЛЧМ сигналам, также объясняется относительно простой схемой их формирования и обработки. В частности, достаточно проста конструкция согласованного фильтра с дисперсионной линией задержки и упрощается схема гетеродинной обработки сигнала [42].

В РЛС с использованием узкополосного зондирования разрешающая способность по дальности определяется длительностью сигнала, а при широкополосном зондировании обратно пропорциональна ширине спектра сигнала. Использование ШПС 150-300 МГц, дает разрешающую способность по дальности около 0,5-1 м, что позволяет разрешать два блестящих элемента цели, находящиеся на удалении около 1 метра вдоль линии визирования.

1.2. Радиолокационные дальностные портреты ЛА

Достоверность и информативность распознавания воздушных целей при использовании широкополосных сигналов (ЛЧМ) достаточно высока и существенно превышает аналогичные показатели узкополосных сигнальных признаков. При этом позволяется воспроизводить контур цели.

Одно из актуальных направлений в теории и практике радиолокационного распознавания протяженных объектов (целей) основано на анализе их

радиолокационных дальностных портретов (ДП), называемых в англоязычной литературе «range profile» [27].

Дальностный портрет является одномерной характеристикой радиолокационных целей. Это отклик объекта наблюдения во временной области, полученный при его облучении широкополосным импульсом. Структуру радиолокационного дальностного портрета летательного аппарата (ЛА) поясняет рис. 1.3.

Дальностный отсчет определяет удаленность зондирующего радиоимпульса в момент его отражения от ВЦ. Фактически ДП это эпюра амплитуд принятого эхо-сигнала, развернутая по пространственной координате - дальности рассеивателей.

На каждом дальностном отсчете амплитуда полученного сигнала дает мощность отраженного сигнала. На рис. 1.3 показаны основные части самолета, которые создают дальностный портрет.

Волны с высоким разрешением

Аде

л/ V .

/ 1 Крь 1 -ЛЬЯ Хвост

Фонарь Двигатели кабины

Рис. 1.3. Дальностный портрет ЛА

Отметим, что длина объекта отображена на сигнале не как его физическая длина из-за двух эффектов. Сигнал, отражающийся прямо на сторону РЛС, может отражаться между другими рассеивателями цели, поэтому повышается временная задержка, которая появляется на дальностном портрете

дольше, чем цель. Второй эффект обусловлен скрытием различных частей самолета. Он проявляется, когда некоторая часть самолета скрыта большой частью, который находится между ней и РЛС. Следовательно, уменьшается энергия радиоволн, которые дойдут до цели и также рассеются обратно к РЛС. Например, фюзеляжи или крылья самолета может скрывать хвост.

Особенности рассеяния радиоволн воздушными целями

Радиолокационные цели обладают, как правило, достаточно сложной конфигурацией. Вследствие этого в точку приема одновременно приходит совокупность парциальных сигналов, отраженных от различных частей или различных локальных центров отражения цели. На входе приемника происходит векторное сложение этих сигналов. При некоторых положениях ОЛ возникает увеличение результирующей амплитуды - так называемый эффект блестящей точки, соответствующий зеркальному отражению радиоволн от какого-либо элемента цели, а при других положениях - уменьшение амплитуды - провал в диаграмме обратного рассеяния цели (ДОР) [4].

Отметим, что согласно [44] под блестящей понимается такая точка на поверхности объекта, для которой нормаль к поверхности совпадает с направлением на РЛС.

Радиолокационные цели могут рассматриваться как множество точечных рассеивателей радиоволн [64] таких как поверхности, края, углы (двугранные углы), трехгранники, впадины и пр., каждый из которых характеризуется определенным типом обратного рассеяния, что может использоваться для распознавания цели. Вследствие этого дальностный портрет цели правомерно рассматривать как суперпозицию отражений от ряда отдельных рассеивателей, каждый из которых соответствует некоторой детали цели. Согласно [86] у каждого самолета имеется 30 основных рассеивателей.

Список литературы диссертационного исследования кандидат наук Фам Фыонг Кыонг, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Алешин С.В. Распознавание динамических образов. М.: Изд-во МГУ. 1996. - С. 97.

2. Ахиезер Н.И. Классическая проблема моментов и некоторые вопросы анализа. связанные с нею. М.: Физматлит. 1961. - 311 с.

3. Бакулев П.А. Радиолокационные системы. Учебник для вузов М.: Радиотехника. 2007. - 376 с.

4. Бакулев П.А. Радиолокационные системы. Учебник для вузов. М.: Радиотехника. 2004. - 320 с.

5. Барсегян А.А.. Куприянов М.С.. Степаненко В.В.. Холод И.И. Технологии анализа данных: Data Mining. Visual Mining. Text Mining. OLAP. СПб.: Изд-во БХВ-Петербург. 2007. - 384 с.

6. Бахвалов Н.С. Численные методы (анализ, алгебра, обыкновенные дифференциальные управления). М: Наука. 1973 - 631с.

7. Белоцерковский Г.Б. Основы радиолокации и радиолокационные устройства. М.: Советское радио. 1975. - 336 с.

8. Блаттер К. Вейвлет-анализ. Основы теории. М.: РИЦ Техносфера. 2004. -280 с.

9. Браун В.О., Долгушин В.П., Лоза В.Н., Пампуха И.В. Исследование возможностей и характеристик методов снижения уровня шума при обработке сигналов. основанных на применении вейвлет-технологии // Журнал радиоэлектроники. 2014. №7. [Электронный ресурс]. URL: http: //j re.cplire.ru/iso/j ul 14/6/text.html.

10. Варакин Л.Е. Теория сложных сигналов. М.: Советское радио. 1970. - 376 с.

11. Васильев В.И. Распознающие системы. Справочник. Киев: Наукова думка. 1983. - 423 с.

12. Вержбицкий В.М. Основы численных методов. М.: Высшая школа. 2002. - 840 с.

13. Верхаген К., Дёйн Р., Грун Ф., Йостен Й., Вербек П. Распознавание образов состояние и перспективы. М.: Радио и связь. 1985. - 103 с.

14. Галушкин А.И. Теория нейронных сетей. Кн. 1. М.: ИПРЖР. 2000. - 416 с.

15. Горелик А.А.. Скрипкин В.А. Методы распознавания. М. Высш. шк..

1989. - 232 с.

16. Горелик А.Л., Барабаш Ю.Л., Кривошеев О.В., Эпштейн С.С. Селекция и распознавание на основе локационной информации. М.: Радио и связь.

1990. - 240 с.

17. Деревья решений - CART математический аппарат: [Электронный ресурс]. URL: https://basegroup.ru/community/articles/math-cart-part1.

18. Долгушин В.П., Лоза В.Н., Борзак А.Н., Жиров Б.Г. Распознавание класса целей методом оценки статистических параметров вектора вейвлет-декомпозиции сигнала // Сборник научных трудов Военного инст. Киевского национального университета им. Т.Шевченко. Киев: ВИКНУ. 2014. № 45. - С. 24-33.

19. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир. 1976. -511 с.

20. Зайченко Ю., Згуровский М. Системный анализ направлений вычислительного интеллекта // International Journal «Information Content and Processing». 2014. Vol. 1. N. 3. - P. 221-238.

21. Коротков А.В. Частотно-временной анализ сигналов малозаметных радиолокационных станций с использованием вейвлет-преобразования // Научно-техн. вестник СПбУ ИТМО. 2011. № 5. - С 44-47.

22. Красников А.В., Андоющенков Е.Е., Соколов А.В. Алгоритм обработки сигнала в двухпозиционных РЛС с применением вейвлет анализа // До-

клады 8-й Междунар. конф. «Цифровая обработка сигналов и ее применение». М.: РНТОРЭС им. А.С.Попова. 2006. - С 303-306.

23. Красовский Н.Н. Теория управления движением. Линейные системы. М.: Наука. 1968. - 476 с.

24. Кудрявцев В.Б. Кафедра Математической теории интеллектуальных систем (МаТИС) // Интеллектуальные системы. Теория и приложения. 2014. № 2 (18). - С. 5-30.

25. Ле Д.Ф. Распознавание радиолокационных целей по дальностному портрету с использованием аппарата нейронных сетей в целях мониторинга воздушного пространства: Автореф. дис. канд. техн. наук. СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2006. - 17 с.

26. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций. Таганрог: Изд-во ТТИ ЮФУ. 2009. - 155 с.

27. Лещенко С.П. Развитие теории и техники радиолокационного распознавания воздушных целей // Прикладная радиоэлектроника. 2009. Том 8. № 4.

- с. 490-496.

28. Лисьев В.П. Теория вероятностей и математическая статистика. М: МГУЭСИ. 2006. - 199 с.

29. Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решений. М.: МАКС Пресс. 2008. - 197с.

30. Малла С. Вейвлеты в обработке сигналов. М.: Мир. 2005. - 671 с.

31. Медведев В.С. Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ

- МИФИ. 2002. - 496 с.

32. Местецкий Л.М. Математические методы распознавания образов. М.: Интернет-Университет информационных технологий. 2008. - 119 с.

33. Небабин В.Г., Сергеев В.В. Методы и техника радиолокационного распознавания. М.: Радио и связь. 1984. - 152 с.

34. Орленко В.М., Ширман Я.Д. Нейрокомпьютерное распознавание радиолокационных целей с учетом мешающих факторов // Радиолокация и радиометрия. 2000. № 2. Вып. III. - C. 82-85.

35. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика. 2002. - 344 с.

36. Патрик Э.А. Основы теории распознавания образов. М.: Советское радио. 1972. - 408 с.

37. Потапов А.С. Распознавание образов и машинное восприятие: Общий подход на основе принципа минимальной длины описания. СПб.: Политехника. 2007. - 548 с.

38. Радиолокационные системы/ В.П.Бердышев, Е.Н.Гарин, А.Н.Фомин [и др.]; под общ. ред. В.П.Бердышева. Красноярск: СФУ. 2011. - 400 с.

39. Радиолокация и радиометрия: [Электронный ресурс]. URL: http://radiolocate.com. (Дата обращения 7.04.2016).

40. Радиотехнические системы. /Ю.П.Гришин, В.П.Ипатов, Ю.М.Казаринов и др.; Под ред. Ю.М.Казаринова. М.: Высш. шк.. 1990. - 496 с.

41. Рунион Р. Справочник по непараметрической статистике. М.: Финансы и статистика. 1982. - 198 с.

42. Свистов В.М. Радиолокационные сигналы и их обработка. М.: Советское радио. 1977. - 448 с.

43. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. М.: ДМК Пресс. 2005. - 304 с.

44. Сосулин Ю.Г. Теоретические основы радиолокации и радионавигации. М.: Радио и связь. 1992. - 304 с.

45. Татузов А.Л. Нейронные сети в задачах радиолокации. М.: Радиотехника. 2009. - 432 с.

46. Тоцкий А.В., Молчанов П.А., Поспелов Б.Б. Распознавание летательных аппаратов по радиолокационным дальностным профилям // Авиационно-космическая техника и технология. 2010. № 5 (72). - С. 77-82.

47. Фаворская М.Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений. Автореф. дис. д-ра. техн. наук. Краснорск: СибГАУ. 2010. -35 с.

48. Фам Ф.К. Задача анализа движений в системах видеонаблюдения // XXXIX Гагаринские чтения: Сб. науч. тр. междунар. молодеж. науч. конф. М.: МАТИ. 2013. Т.4. - С. 111-112

49. Фам Ф.К. Нейросетевая схема распознавания воздушных целей по радиолокационным дальностным портретам // Междунанородный научно -исследовательский журнал: Сб. науч. тр. Екатеринбург. 2016 - С. 204210.

50. Фам Ф.К. Радиолокационное распознавание воздушных целей на основе технологии деревьев решений // Искусственный интеллект: философия. методология. инновации: Сб. науч. тр. М.: МТУ. 2015. - С. 39-41.

51. Филимонов А.Б., Фам Ф.К. Анализ данных на основе технологии деревьев решений // Вестник молодых ученых МГУПИ. 2014. № 16. - С. 15-22.

52. Филимонов А.Б., Фам Ф.К. Динамическое распознавание воздушных целей по радиолокационным дальностным портретам // Информационные технологии. 2016. №6. - С. 424-430.

53. Филимонов А.Б., Фам Ф.К. Задача анализа движений в системах видеонаблюдения // Современные технологии проектирования управляющих и мехатронных систем: Материалы междунар. научн. техн. конф. Севастополь: СевНТУ. 2013. - С. 216-218.

54. Филимонов А.Б., Фам Ф.К. Методы вейвлет-анализа в задачах обработки радиолокационной информации // Вестник молодых ученых МГУПИ. 2014. № 14. - С. 52-57.

55. Филимонов А.Б., Фам Ф.К. Применение деревьев решений в задаче распознавания воздушных целей // Перспективные системы и задачи управления: Сб. науч. тр. Ростов-на-Дону. 2016. - С. 139-142.

56. Филимонов А.Б., Фам Ф.К. Формирование информативных признаков радиолокационных дальностных портретов // Мехатроника. Автоматизация. Управление. 2016. № 4. - С. 273-282.

57. Филимонов А.Б., Фам Ф.К. Проблема формирования классификационных признаков для дальностных портретов радиолокационных целей // Интеллектуальные системы. управление и мехатроника: Сб. науч. тр. Севастополь. 2015. - С. 136-138.

58. Фор А. Восприятие и распознавание образов. М.: Машиностроение. 1989.

- 272 с.

59. Хайкин С. Нейронные сети: полный курс. М.: Изд. дом «Вильямс». 2006.

- 1104 с.

60. Чабан Л.Н. Теория и алгоритмы распознавания образов. Учебное пособие. М.: МИИГАиК. 2004. - 70 с.

61. Чубукова И.А. Data Mining. М.: Интернет-университет INTUIT. 2006. -326 с.

62. Чуи Ч. Введение в вэйвлеты. М.: Мир. 2001. - 412 с.

63. Ширман Я.Д., Горшков С.А., Лещенко С.П., Братченко Г.Д., Орленко В.М. Методы радиолокационного распознавания и их моделирование // Радиолокация и радиометрия. 2000. № 2. Вып. III. - 97 с.

64. Rihaczek A.W., Hershkowitz S.J. Theory and practice of radar target identification. Artech House. 2000. - 738 p.

65. Baras J.S., Wolk S.I. Wavelet based progressive classification of high range resolution radar returns // SPIE Wavelet Applications. 1994. Vol. 2242. - P. 967-977.

66. Bemi A. J. Target identification by natural resonance estimation // IEEE Transaction on Aerospace and electronic systems. 1975. Vol. AES-11. March. - P. 147-154.

67. Bezdek. J.C. What is computational intelligence? / Computational Intelligence: Imitating Life. Edited by J. Zurada. R. Marks. and C. Robinson. New York: IEEE Press. 1994. - P. 1-12.

68. Bishop CM. Neural Networks for Pattern Recognition. Oxford: Oxford University Press. 1995. - 482 p.

69. Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Monterey. CA: Wadsworth & Brooks. 1984. - 358 p.

70. Computer Simulation of Aerial Target Radar Scattering. Recognition. Detection. and Tracking/ Y.D.Shirman, S.A.Gorshkov, S.P.Leshchenko, V.M.Orlenko, S.Y.Sedyshev, O.I.Sukharevskiy / Y.D.Shirman editor. BostonLondon: Artech house. 2002. - 294 p.

71. Engelbrecht A.P. Computional intelligence: introduction. John Wiley&Sons Ltd. 2007. - 597 p.

72. Huang S. Application of generalized radial basis networks to recognition of radar targets // Int. J. Pattern Recognit. Artif. Intell. (Singapore). Sept. 1996. Vol. 13. No. 6. - P. 945-962.

73. Hudson S., Psaltis D. Corelation filters for aircraft identification from radar range profiles // IEEE Transaction on aerospace and electronic systems. 1993. Vol. 29. July. - P. 741-748.

74. Hunt E.B., Mann I., Stone P.T. Experiments in Induction. New York: Academic Press. 1966.

75. Inggs M.R., Robinson A.D. Ship target recognition using low resolution radar and neural network // IEEE Trans. on AES. 1999. Vol. 35. No. 2. - P. 386-393.

76. Jouny I., Garber F.D., Moses R.L. Radar Target Identification using the Bispectrum // IEEE transactions on aerospace and electronic systems. 1995. Vol. 31. No. 1. - P. 69-77.

77. Jouny I., Kanapathipillai M. Neural network adaptive wavelet classification of radar targets // Proceedings of the 1994 International Geoscience and Remote Sensing Symposium. 1994. Vol. 4. - P. 1889-91.

78. Li H.J., Yang S.H. Using Range Profiles as Feature Vectors to Identify Aerospace Objects // IEEE transactions on antennas and propagation. 1993. Vol. 41. No. 3. - P. 261-268.

79. Michie D., Spiegelhalter D.J.. Taylor C.C. Machine learning. neural and statistical classification New Delhi: Overseas Press India. 2009. - 290 p.

80. Nigrin A. Neural Networks for Pattern Recognition. Cambridge. MA: The MIT Press. 1993. - 413 p.

81. Ripley B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press. 1996. - 403 p.

82. Rokach L., Maimom O. Data mining with decision trees: Theory and applications. -New Jersey: World Scientific. 2008. - 305 p.

83. Stirman C., Nachman A. Applications of wavelets to radar data processing.// Defense Technical Inform Center. Technical Report. 1991. -P. 239-297.

84. Sumathi S., Surekha P. Computational intelligence paradigms: Theory and application using MATLAB. Boca Raton: CRC Press. 2010. - 821 p.

85. Swiercz E. Automatic classification of LFM signals for radar emitter recognition using wavelet decomposition and LVQ classifier // Acta Physica Polonica A. 2011. Vol. 119. - P. 488-494.

86. Tait P. Introduction to radar target recognition. London: Institution of Electrical Engineers. 2005. IET radar series. No. 18. - 396 p.

87. Yan W., Zhu Z., Hu R. A hybrid genetic/BP algorithm and its application for radar target classification // IEEE NAECON 1997. Dayton. OH. USA. 1997 (14-17 July). Vol. 2. - P. 981-984.

88. Zhao Q., Bao Z. Radar target recognition using a radial basis function neural network / Neural network. 1996. Vol. 9. No.4. - P. 709-720.

89. Zwart J.P. Aircraft Recognition from Features Extracted from Measured and Simulated Radar Range Profiles. PhD thesis. 2003. - 120 p.

Метод радиолокации с внутриимпульсной линейно-частотной модуляцией

Сигналы с линейным законом изменения частоты несущей внутри импульса (ЛЧМ-сигналы) являются наиболее распространенными сложными сигналами, используемыми в радиолокации. Частотная модуляция дает возможность сжимать импульсы по времени, что повышает разрешающую способность РЛС по дальности. Предпочтение, отдаваемое ЛЧМ сигналам, объясняется относительной простотой схем их формирования и обработки. В частности, в случае применения ЛЧМ сигналов достаточно проста конструкция согласованного фильтра с дисперсионной линией задержки и упрощается схема гетеродинной обработки принимаемого эхо-сигнала [42].

В [44] показано, что для увеличения потенциальной точности измерения дальности нужно использовать сигналы с широким спектром. Заметим, что ширина спектра радиоимпульса с постоянной частотой заполнения обратно пропорциональна его длительности. Для повышения разрешающей способности по дальности необходимо укорачивать зондирующий импульс, что сопряжено с расширением его спектра. Однако при ограничении пиковой мощности импульса уменьшение его длительности ведет к уменьшению излучаемой энергии и, следовательно, к снижению дальности действия РЛС.

Это противоречие можно устранить, если расширять спектр зондирующего сигнала не за счет его укорочения, а за счет введения внутриимпульс-ной фазовой или частотной модуляции, т.е. если перейти к сложным сигналам.

Для простых сигналов база сигнала В, т.е. произведение ширины его спектра А^ на длительность Ах, удовлетворяет условию

В = А/ • Ах * 1. (1)

В частности, прямоугольный радиоимпульс с постоянной частотой заполнения относится к классу простых сигналов, так как для него

А/* 1/ти, А = Ти,

где ти - длительность импульса, и, следовательно, для него выполняется условие (1).

Для сложных сигналов величина В значительно больше единицы:

В = А/ • & >>1.

Упрощенная блок-схема РЛС с линейно-частотно модулированным излучающим радиоимпульсом изображена на рис. 1

Рис. 1. Блок-схема РЛС с внутриимпульсной линейной частотной модуляцией

Передающее устройство формирует радиоимпульсы большой длительности х и. Частота внутри импульса изменяется по линейному закону:

/ = /0 + а,

где а - скорость изменения частоты. Каждой частотной составляющей / спектра радиоимпульса отвечает достаточно продолжительный синусоидальный импульс, облучающий цель.

Отраженные от цели сигналы принимаются приемником станции и подаются на специальный сжимающий (согласованный) фильтр. Структура фильтра показана на рис. 2.

а)

б) в)

Рис. 2. Структура согласованного фильтра

В качестве сжимающего фильтра используется линия задержки, время задержки которой линейно зависит от частоты (рис. 2,б). В таком фильтре высокие частоты импульса, пришедшие раньше, задерживаются больше, а низкие частоты, пришедшие позже, задерживаются меньше (рис. 2,а). В результате все частотные составляющие импульса смещаются во времени к концу импульса (рис. 2,в), т.е. импульс сжимается во времени. Степень сжатия зондирующего импульса полностью определяется пределами изменения частоты в импульсе (девиацией частоты):

А/ = ахи.

Длительность импульса на выходе сжимающего фильтра равна

1

хс = —. с А/

Коэффициент сжатия импульса

х

к = ^ = А/ хи.

хс

Мощность импульса на выходе сжимающего фильтра возрастает в к раз. Так, например, для сжатия импульса длительностью 500 мкс в 100 раз необходимо, чтобы девиация частоты в импульсе была А/ = 200 КГц, скорость изменения частоты а = 400 МГц/сек.

Будем рассматривать цель как совокупность «блестящих точек» (рис. 3). Поскольку в силу различного запаздывания радиоимпульсов они отображаются в принятом сигнале последовательно по времени и, следовательно, по дальности 4, то сигнал на выходе сжимающего фильтра будет представлять дальностный портрет цели п(4).

(3)

РЛС

Рис. 3. Отражение радиоволн от «блестящих точек» самолета

Разрешающая способность радиолокатора по расстоянию определяется длительностью сжатого импульса согласно формуле [44]:

АЯ = СХс

2

о

где с = 3.10 м/с - скорость распространения радиоволн. Отсюда с учетом (2) находим

с

АЯ

2А/

Программа моделирования ДП BSS

Программа «Radar Target Back Scattering Simulation» (BSS) разработана под руководством Я.Д.Ширмана и предназначена для компьютерного моделирования вторичного излучения ВЦ 10 типов [70]: бомбардировщики B-1B и B-52, истребитель F-15, вертолет AH-64, ракеты ALCM и GLCM (Америка); самолет с изменяемой геометрией крыла TORNADO (Англия); истребитель МИГ-21, военно-транспортный самолет АН-26, многоцелевой самолет ТУ-16 (Россия).

Функциональные возможности программы:

• Выбор типа ВЦ для моделирования из списка 10 существующих моделей целей.

• Изменение геометрических параметров моделей и параметров двигателей.

• Создание новых моделей целей, которые могут быть включены в список существующих целей.

• Настройка произвольной ориентации цели соответственно к РЛС путем ввода любых значений КУ, угла тангажа и крена.

• Моделирования полета целей над (сферической формы) Землей и случайных вариаций ориентации целей в зависимости от атмосферной турбулентности.

• Установление режимов работы РЛС (сопровождение и слежение) и параметров РЛС (длина волны, тип, длительность и поляризация сигналов излучения, частота повторения импульсов или пачек импульсов).

В диссертационном исследовании в качестве исходных данных при разработке алгоритмов распознавания ВЦ использовались ДП воздушных целей указанных выше 10-и типов.

Программа BSS открывается диалогом для ввода исходных данных. Соответствующие экранные формы представлены на рис. 1-3.

Рис. 1. Выбор тип цели

Вкладка «Цель» (рис. 1) позволяет выбрать тип цели из предлагаемого списка ВЦ.

Рис. 2. Параметры движения ВЦ

На вкладке «Движение» выбирается один из 2-х режимов моделирования: режим полета и исследовательский режим.

В режиме полета моделируется полет цели над Землей сферической формы. При этом может учитываться влияние турбулентности атмосферы, которые вызывают случайные рыскания ЛА.

В диссертационной работе использовался исследовательский режим моделирования (см. экранную форму на рис. 3). Предполагается, что углы тангажа и крена ВЦ не изменяются и, следовательно, ДП ВЦ зависят только от изменения КУ.

Рис. 3. Ввод параметров ориентации цели

Target Motion [Д?с|аг.

Signal T Pulse

* Chirp pulse (rectangular) t" Chirp pulse (gaussian) i Stepped frequency

Stepped frequency signal—

Bandwidth [MHz] flOO

Number of frequencies |50

PFiF (Hz) |1000

Number of pulses per frecuency |T~

Polarization j Horizontal

Pulse duration [lls] [30

Pulse bandwidth (MHz) |l 60

Wavelength (cm) [з

PRF(Hz) 12000

(V Surveillance Radar

-Scan parameters

Amplitude distribution

•Amplitude distribution (• Cos С Gaussian

1100

Field level on ther aperture edge {%%)

W

К

Tracking

pToü ~[ Dimension (m) |200

Antenna pattern

115 1.15 25 0.251

A

Aperture dimension (m) Scan rate (DPS) Scan period (s)

Number of samples

pRange tracking-]

(5" On I Г Off Parameters of the trac kin q

Рис. 4. Параметры РЛС

Вкладка «Радар» (рис. 4) позволяет задавать:

• вид и параметры модуляции сигнала в передатчике;

• параметры модуляции отраженного сигнала для обзорной РЛС;

• параметры дискретизации приятого сигнала, используемого для сопровождения ВЦ;

• вид и параметры поляризации зондирующего сигнала и приемной антенны.

Акты внедрения результатов работы

электронной технологии Вьетнама Адрес: 2, Ханой, ул. Чан Тхай Тонг, 80 Тел:[phone]

Институт

СОЦИАЛИСТИЧЕСКАЯ РЕСПУБЛИКА ВЬЕТНАМ Независимость - Свобода - Счастье

Ханой, «С^» июня 2016 г.

АКТ

о внедрении результатов диссертационной работы Фам Фыонг Кыонга, выполненной на тему «Анализ и идентификация радиолокационных дальностных портретов на основе методов и технологий вычислительного интеллекта»

Результаты теоретических исследований, разработанные методы и алгоритмы соискателя в области цифровой обработки радиолокационной информации предполагается использовать в научно-исследовательских и опытно-конструкторских разработках института, связанных с проектированием математического, алгоритмического и информационного обеспечения создаваемых радиолокационных комплексов нового поколения.

Директор института

\яиопскиГ1 госуя.яpcTEfiiiiLift уиipm-fn'iiiсг социалистичеёкад республика bliktel

Tifinft.iiij нвдекнй yHH&eçcKTiT-

1 i CT-1B litll г. - СьобОД! - C"WÎT>

Исследовательский ц^м i p

иснтрфки fi тыскоимуникаинб A.niiit: tKOÛ,yjL XnwF Thuy ! 44 Тел: -S^^d) 373i -77-28

JÎSnOHh iiajtmîQl^f-

АКТ

о внедрения результатов дисеертацвднной работы Фям Фыопг Кыонга, выполненной на тем>- «Анализ л идентификации радиолокационных далыгостных портретов на основе методов и ТЕХНОЛОГИЙ БЬ1чцелительного интеллекта»

Результаты теоре111ческих исследований соискагелн, направленные ira применение методов и технологий вычислительного интеллект области радиолокационного распознания вй.з.щ'Шнщ целей, представляют научный интерес для решения Аадач автоматизации видеомонйторннгй автотранспортный поюкой на городских мапгетралнк и будут исггользованы Вьетнамским тегшодогическом институтом при проектировании систем автоматического распознавания номеров автомобилей, движущихся с высокой скоростью.

Директор исследовательского центра

Бач м;а Зыонг