Методы распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей тема диссертации и автореферата по ВАК РФ 05.12.14, кандидат технических наук Чинь Суан Шинь

• Чинь Суан Шинь
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Чинь Суан Шинь

Перечень сокращений и условных обозначений.

Введение.1.

1. Постановка задачи и анализ алгоритмов распознавания радиолокацион- 16 пых целей

1.1. Постановка задачи проектирования систем распознавания целей.

1.1.1. Основы проектирования систем распознавания цели в пространст- 16 венно-разнесенном многодиапазонном радиолокационном комплексе (МДРК).

1.1.2 . Формирование алфавитов классов воздушных целей.

1.1.3. Признаки распознавания целей в МДРК.

1.1.4. Выбор признаков при распознавании целей в МДРК.

1.2. Анализ алгоритмов распознавания радиолокационных воздушных це- 31 лей.

1.2.1. Байесовские одноэтапные и близкие к ним алгоритмы распознава- 32 ния.

1.2.2. Непараметрические алгоритмы распознавания.

1.2.3. Многоэтапные алгоритмы распознавания.

1.2.4. Нейросетевые алгоритмы.

1.2.5. Выбор алгоритма распознавания.

2. Характеристики распознавания целей по диаграммам рассеяния (ДР).

2.1. Основные особенности функционирования многодиапазонного радио- 48 локационного комплекса.

2.1.1. Определения и классификация.

2.1.2. Преимущества многодиапазонного радиолокационного комплекса

2.2. Характеристики распознавания целей по ДР в МДРК.

2.2.1. Многопозиционная эффективная площадь рассеяния.

2.2.2. Статистические модели входных сигналов в МДРК.

2.2.3. Распознавание целей по ДР в МДРК.

3. 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.

3.1.1. Понятие, классификация и прикладные возможности нейронных сетей

3.1.2. Структуры и принципы функционирования нейронных сетей для рас- 70 познавания.

3.1.3. Алгоритм распознавания воздушных целей на основе нейросетевых 74 технологий.'.

3.1.4. Проектирование системы распознавания воздушных целей в МДРК 87 на базе нейронных сетей.

3.2. Методы использования ДР при распознавании целей в МДРК

3.2.1. Моделирование исходных данных для проектирования.

3.2.2. ДР как векторы признака при распознавании.

3.2.3. Методы использования ДР при распознавании.

4. Моделирование процесса распознавания и оценка результатов.

4.1. Методы определения характеристик вторичного излучения.

4.2. Варианты распознавания по ДР.

4.3. Выбор программных средств.

4.4. Условия моделирования.

4.5. Процесс моделирования.

4.6. Результаты моделирования распознавания.

4.7. Анализ результатов моделирования.

Введение диссертации (часть автореферата) на тему «Методы распознавания радиолокационных целей по диаграммам рассеяния в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей»

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. [32]. 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).

2. Сравнительный анализ существующих алгоритмов распознавания в радиолокации, разработку алгоритмов распознавания целей по диаграммам рассеяния в многодиапазонном радиолокационном комплексе.

3. Разработка нейросетевых алгоритмов распознавания.

4. Сравнительный анализ эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам в МДРК.

5. Сравнение эффективности алгоритмов распознавания при использовании в качестве признаков диаграмм рассеяния и дальностных портретов (ДП) на основе моделирования.

6. 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.

2. Структура системы радиолокационного распознавания, синтезированная на основе совершенствования её технических характеристик и применяемых сигналов.

3. 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.

4. 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.

2. 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.

3. 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.

4. Оценка эффективности алгоритмов распознавания целей с использованием диаграммы рассеяния в качестве признака по одному, двум и трем радарам на основе моделирования.

5. Произведен сравнительный анализ эффективности распознавания радиолокационных целей по диаграммам рассеяния и по дальностным портретам при использовании нейросетевых алгоритмов распознавания.

6. 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.

2. Выработаны рекомендации по выбору параметров структуры радиолокационной системы, типам используемых сигналов.

3. 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. 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].

Публикации. 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.

Заключение диссертации по теме «Радиолокация и радионавигация», Чинь Суан Шинь

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. Ле Куи Дона.

Целесообразно продолжить работу по дальнейшему уточнению модели радиолокационного распознавания в МДРК применительно к конкретным районам использования и решения различных задач.

Общий вывод. 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.

ГО ч сг л >. 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). Рис. 1. Диаграмма рассеяния при приеме

270 275 280

Азимутальный угол (град).

Рис. 2. Диаграмма рассеяния цели после предварительной обработки

L

1 и М\Л м

О 20 40 60 80

Отсчёты по дальности а. Дальностннй портрет

100

270 275

Азимутальный угол

280 б. Диаграмма рассеяния (град.)

Рис. 3. ДП и ДР использованные при сравнении качества распознавания г<8Н

Вход сигнала

НЧФ

90°

Опорная частота

НЧФ

Программа «RADAR TARGET BACKSCATTERING SIMULATION» 1

Измерение энергии сигала и создание соответствующего шума з

Генератор «белого» шума С2 4 —>

Данные для обучения и проверки НС

Рис. 4. 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.

2. 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).

3. 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.

4. Выполнен анализ необходимого числа нейронов в скрытом слое при распознавании по ДР целей. Показано, что число нейронов должно быть в пределах от 100-^-700.

5. 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.

6. 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.

Список литературы диссертационного исследования кандидат технических наук Чинь Суан Шинь, 2007 год

1. Аверьянов, В.А. Разнесенные радиолокационные станции и системы. М.: Наука и техника, 1978.- 184с.

2. Аганин, А.Г. Распознавание воздушной цели класса "самолет с винтовым двигателем"/ А.Г. Аганин , О.В. Васильев, В.Е. Макаев// Радиотехника, 2001.-N8.-С. 69-73.

3. Бакулев, П.А. Радиолокационные и радионавигационные системы/ П.А. Бакулев, A.A. Сосоновский. М.: Радио и связь, 1994. - 296с.

4. Бакулев, П.А. Методы и устройства селекции движущихся целей/ П.А. Бакулев, В.М. Степин. М.: Радио и связь, 1986. - 288с.

5. Барабаш, Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224с.

6. Барабаш, Ю.Л. Вопросы статистической теории распознавания/ Ю.Л.Барабаш, Б.В. Барский, В.Т. Зиновьев и др.; под ред. Б.В. Барского.-М.: Сов. радио, 1967. 400с.

7. Башкиров, Л.Г. Радиолокационное распознавание воздушных объектов по радиоакустическим спектральным портретам с использованием обучаемых нейронных сетей/ Л.Г. Башкиров, Б.Н. Саблин, Б.Б. Чапурский, А.П. Шей-ко// Полет. 2002 .- N8.- С. 23 - 33.

8. 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. 62-68.

9. Веремьев, В.И. Моделирование алгоритмов распознавания целей в пространственно-разнесенном многодиапазонном радиолокационном комплексе с использованием аппарата нейронных сетей/ В.И. Веремьев, Чинь Суан

10. Шинь// Изв. СПб ГЭТУ "ЛЭТИ".- Сер. Радиотехника и телекоммуникации,-2006.- Вып.2.- С. 3-11.

11. Виноградов, H.A. Справочник по устройствам цифровой обработки информации/ H.A. Виноградов, В.Н. Яковлев, В.В. Воскресенский и др.; под ред.

12. B.Н. Яковлева. Киев: Техника, 1988. - 415с.

13. Винокуров, В.И. Морская радиолокация/ В.И. Винокуров, В.А. Генкин ,

14. C.П. Калениченко, под ред. В.И. Винокуров.- Л.: Судостроение, 1986.- 256с.

15. Галушкин, А.И. Нейрокомпьютеры. Кн. 3: учеб. пособие для вузов/ под ред. А.И. Галушкин. М.:ИПРЖР, 2000. - 528с.

16. Гиголо, Л.А. Распознавание сигналов со сложными спектрами при изменении его масштаба.-М.: Радиотехника и электроника, 2003.- Т.48, N7.- С. 810-817.

17. Головко, В.А. Нейронные сети: обучение, организация и применение /под ред. А.И. Галушкина.- М.: ИПРЖР, 2001. -256с.

18. Горелик, А.Л. Селекция и распознавание на основе радиолокационной информации/ А.Л. Горелик , Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн ; под ред. А.Л. Горелика. М.: Радио и связь, 1990. - 240с.

19. Горелик, А.Л. Методы распознавания/ А.Л. Горелик, В.А. Скрипник.- М.: Высш. шк., 2004.- 261с.

20. Давыдов, B.C. Распознавание сложных целей в радиолокации. Учебное пособие.- Санкт-Петербург, Издательство СПб ГЭТУ "ЛЭТИ", 2002.- 80с.

21. Калан, Р. Основные концепции нейронных сетей.- М.: Издательский дом «Вильяме», 2001.-288с.

22. Кетков, Ю.Л. Мат1аЬ 6.x: программирование численных методов/ Ю.Л. Кетков, А.О. Кетлов, М.М. Шульц.- Санкт-Петербург "БХВ-Петербург", 2004.- 672с.

23. Кобак, В.О. Радиолокационные отражатели. Под редакцией О.Н. Леоньев-ского.- Москва "Советское радио", 1975г.- 248с.

24. Конторов, Д.С. Введение в радиолокационную системотехнику. М.: Сов. Радио, 1971.-365с.

25. Кузьмин, С.З. Цифровая радиолокация,- Киев, 2000. 428 с.

26. Кузьмин, С.З. Основы проектирования систем цифровой обработки радиолокационной информации. М.: Радио и связь, 1986. - 352с.

27. Леоненков, A.B. Нечёткое моделирование в среде MATLAB и FuzzyTech.-Санкт-Петербург, 2003. 736 с.

28. Леонтьев, В.В. Информативность статистик ЭПР локальных отражателей в задачах классификации.- Изв. ЛЭТИ, выпуск 427, Ленингр. 1990.- С. 26-31.

29. Леонтьев, В.В. Критерии дальней зоны для измерения эффективной площади рассеяния морских объектов.- Радиотехника и электроника, том48, номер 12.- "Наука" МАИК "Наука/интерпериодика", 12. 2003.- С. 1443-1447.

30. Леонтьев, В.В. Характеристики радиолокационного рассеяния морских объектов: учебное пособие.- Санкт-петербург 1999.- 160с.

31. Медведев, B.C. Нейронные сети в MATLAB в./ B.C. Медведев, В.Г. Потемкин.- М: Диалог-Мифи, 2002. 496 с.

32. Минаев, О.Н. Методы и алгоримы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе/ О.Н. Минаев, О.Ю. Филимонова, Бенамеур Лиес// Москва "Горячая линия-Телеком" 2003.- 205с.

33. Митрофанов Д.Г. Распознавание воздушных целей за счет измерения их пространственной протяженности/ Д.Г. Митрофанов, В.П. Ермоленко// Москва "Зарубежная радиоэлектроника", 1996.- N1.- С. 53 56.

34. Небабин, В.Г. Методы и техника радиолокационного распознавания/ В.Г. Небабин, В.В. Сергеев.- М.: Радио и связь, 1984 .- 154с.

35. Оссовский, С. Нейронные сети для обработки информации: пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344с.

36. Патрик, Э. Основы теории распознавания образов: пер. с англ. М.: Сов. Радио, 1980.-408с.

37. Под ред. И.Б. Гуревича. Распознавание образов, состояние и перспективы: пер. с англ.- М.: радио и связь, 1985.- 104с.

38. Под ред. Д.А. Поспелова. Нечёткие множества в моделях управления и искусственного интеллекта. -М.: Наука, 1986.-312с.

39. Под ред. A.B. Соколова. Вопросы перспективной радиолокации. -М.: Радиотехника, 2003.- 512с.

40. Под ред. А.Г. Ивахненко. Система распознавания образов- Киев: Наук, думка, 1975.-432с.

41. Под ред. Ю.Б. Кобзарева. Современная радиолокация: анализ, расчёт и проектирование систем.- М.: «Советское радио», 1969. 675с.

42. Под ред. JT.T. Тучкова. Радиолокационные характеристики летательных аппаратов.- М.: Радио и связь, 1985. 236с.

43. Под ред. Я.Д. Ширмана. Радиоэлектронные системы: основы построения и теории.- Справочник. М.: АОЗТ "МАКВИС".- 1998. - 828 с.

44. Под ред. Я.Д. Ширмана. Теоретические основы радиолокации.- М., изд-во «Советское радио», 1970. 560с.

45. Самойлов, С.И. Измерения бистатических эффективных поверхностей рассеяния сложных объектов.- Электромагнитные волны и радиоэлектронные системы,- №2- Т5.- 2000г.- С. 64-68.

46. 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.

47. Сколник, М. Введение в технику радиолокационных систем.- Издательство "Мир".- Москва 1965,- 747с.

48. Сосулин, Ю.Г. Теоретические основы радиолокации и радионавигации: учеб. пособие для вузов. М.: Радио и связь, 1992. - 304с.

49. Справочник по радиолокации, перевод с английского в 4-х томах. Том 1 .Основы радиолокации, под. ред. Я.С. Ицхоки.- М.: Сов. Радио, 1976.- 456с.

50. Терехов, В.А. Нейросетевые системы управления: кн. 8.- Нейрокомпьютеры и их применение: учеб. пособие для вузов./ В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин// Общая ред. А.И. Галушкина. М: ИПРЖР, 2002. - 480с.

51. Фархат, Н.Х. Формирование радиолокационных изображений методом разнесения в диапазоне СВЧ и автоматизированная идентификация целей, основанная на использовании моделей нейронных сетей.- ТИИЭР. Т. 77. № 5, 1989.- С. 43-56.

52. Фомин, Я.А. Статистическая теория распознавания образов/ Я.А. Фомин, Г.Р. Тарловский. М.: Радио и связь, 1986. - 264с.

53. Фукунага, К. Введение в статистическую теорию распознавания: Пер. с англ. М.: Наука, 1979. - 368с.

54. Хайкин Саймон. Нейронные сети: полный курс, 2-е издание, исправленное.-Пер. с англ.- Москва, СПб, Киев, 2006. 1104 с.

55. Черняк, B.C. Многопозиционные обнаружители флуктуирующих сигналов на фоне пространственно-коррелированных помех. Радиотехника и электроника.- 1987-Т.32, №2.- С. 334-346.

56. Черняк, B.C. Предисловие научного редактора. Зарубежная радиоэлектроника." 1987, №\.-С. 3-8.

57. Черняк, B.C. Многопозиционная радиолокация.- Радио и связи,- Москва 1993.-416с.

58. Чинь Суан Шинь. Методы определения характеристик вторичного излучения воздушных целей в задачах радиолокационного распознавания/ Чинь Суан Шинь, В.И. Веремьев// Изв. СПб ГЭТУ "ЛЭТИ". Сер. Радиотехника и телекоммуникации, 2006.- Вып. 1.- С. 56-60.

59. Ширман, Я.Д. О некоторых алгоритмах классификации объектов по совокупности признаков.- Радиотехника и электроника.- Вып. 7- 1995.- С. 1095 1102.

60. Ширман, Я.Д. Разрешение и сжатие сигналов.-М.: Сов. Радио, 1974. 360с.

61. Ширман, Я.Д. Методы радиолокационного распознавания и их математическое моделирование/ Я.Д. Ширман, С.А. Горшков и др.; под ред. Я.Д. Ширмана.- Радиолокация и радиометрия.- №2, 2000.- Вып. 3.- С. 5 64.

62. Ширман, Я.Д. Теория и техника обработки радиолокационной информации на фоне помех/Я.Д. Ширман, В.Н. Манжос. -М.:Радио и связь, 1981.-416с.

63. Ширман, Я.Д. Нейрокомпьютерное распознавание радиолокационных целей с учётом мешающих факторов/ Я.Д. Ширман, В.М. Орленко; под ред. Я.Д. Ширмана// Радиолокация и радиометрия- Вып. 3, №2, 2000.- С. 74 92.

64. Шишов, С.А. Классификаторы на основе нейронных структур. Зарубежная радиоэлектроника, № 8.- 1992.- С. 135 - 155.

65. August, W. Rihaczek. Theory an practice of radar target identification/ W. Ri-haczek August, Stephen J. Hershkowitz.- Artech House Inc, 2000.- 738p.

66. Bell, M.R. JEM Modeling and measurement for radar target identification/ M.R. Bell, R.A. Grubbs// IEEE Trans. Aerosp. Electron. Syst., vol. AES-29, January 1993.- P. 73-87.

67. Bernard, D. Steinberg. Experimental localized radar cross section of aircraft/ Steinberg Bernard, Donald L. Carlson.- IEEE, Fellow, 1989.- P. 663-669.

68. Chamberlain, N. Radar target identification of aircraft using polarisation: diverse features/ N. Chamberlain, E. Walton and E. Garber// IEEE Trans. Aerosp. Electron. Syst, vol. AES-27, Januaiy 1991.- P. 58-66.

69. Hassibi, B. The H" optimality of the LMS algorithm/ B. Hassibi, A.H. Sayed and T. Kailath// IEEE Trans. On Signal processing, 1996, vol.44.- P. 267-280.

70. Haykin, S. Neural networks expand SP's horizons.- IEEE Signal Processing Magazine, 13, No. 3, March 1996.- P. 24-49.

71. Johnston, S.L. Target fluctuation models for radar system and performance analysis/ S.L. Johnston, P. Swerling, X. Xu, P. huang// IEEE Trans. Aerosp. Electron. Syst., vol. AES-33, Part two, February 1997.- P696-720.

72. Jouny, I. Classification of radar targets using synthetic neural networks/1. Jouny, F.D. Garber, S. AhaltII IEEE Trans. Aerosp. Electron. Syst., vol. AES-29, April 1993.- P. 336-344.

73. Kwan, H.K. Pulse radar detection using a multilayer neural network/ H.K. Kwan, C.K. Lee//JFCNN-89, 1989, vol. 2.- P. 75 80.

74. Milne, K. Principles and concepts of multistatic surveillance radar.- Proc. Intern. Radar conf. "Radar' 77".-London, 1977.- P. 46-52.

75. Nadav, Levanon. Radar signals/ Levanon Nadav, Eli Mozeson// Wiley-Interscience, 2004,- 432 p.

76. Paul, J.W. Backpropagation through time: what it does and how to do it/ Proceedings of the. IEEE., Vol. 78, No. 10, October 1990.- P. 1550-1560.

77. Peter, swerling. Radar probability of detection for some additional fluctuating terget cases.- IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997,- P. 698-709.

78. Piazza, E. Radar signals analysis and modellization in the presence of JEM application to civilian ATC radars.- IEEE AES Magazine, January 1999.- P. 35-40.

79. Ray, Smith C. Radar target identification/ C. Smith Ray, M. Paul Goggans// IEEE Antennas and propagation magazine, vol.35, No.2, April 1993.- P. 27-37.

80. Shirman, Y.D. Computer simulation of aerial target radar scattering: detection, recognition and tracking.- Boston-London, Artech house, Inc. 2002.- 296p.

81. 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.

82. Steinberg, B.D. Microwave imaging of aircraft.- Proc. IEEE, vol. 76, December 1988.-P. 1578-1592.

83. Stephen, L. Johnston. Target fluctuation models for radar system design and performance analysis: an overviw of three papers.- IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997.- P. 696 697.

84. Stevenson, M. Sensitivity of layered neural networks to errors in the weights/ M. Stevenson, Winter and B. Widrow// International Joint Conference on Neural Network, 1990, vol. 1, Washington, DC.- P. 337-340.

85. Trintinalia, L.C. Joint time-frequency ISAR using adaptive processing/ L.C. Trintinalia, H. Ling// IEEE Trans. Antennas Propagat., vol. 45, Feb. 1997.- P. 221-227.

86. Van, der Heiden R. Aircraft recognition with radar range profiles.- PhD thesis, University of Amsterdam, 1998.- 196p.

87. Xiaojian, Xu. A new RCS statistical model of radar targets/ Xu Xiaojian, Huang-PeikangII IEEE Trans. Aerosp. Electron. Syst., vol. 33, No. 2, april 1997.- P. 710714.