Распознавание низколетящих малоскоростных радиолокационных целей по траекторным признакам тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Дао Ван Лук

• Дао Ван Лук
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Дао Ван Лук

ВВЕДЕНИЕ

ГЛАВА 1. РАСПОЗНАВАНИЕ В РАДИОЛОКАЦИИ. ПРИНЦИПЫ И МЕТОДЫ РАДИОЛОКАЦИОННОГО РАСПОЗНАВАНИЯ

1.1. Постановка задачи распознавания в радиолокации

1.2. Классификация принципов и методов радиолокационного распознавания

1.3. Обзор информативных признаков радиолокационного распознавания

1.3.1. Траекторные признаки распознавания

1.3.2. Сигнальные признаки распознавания

1.4. Обзор алгоритмов принятия решений

1.4.1. Оценка эффективности радиолокационного распознавания

1.4.2. Обзор алгоритмов принятия решений

1.5 Выводы по первой главе

ГЛАВА 2. РАДИОЛОКАЦИОННОЕ ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ КОММЕРЧЕСКИХ БВС И ПТИЦ. ПАССИВНЫЙ КОГЕРЕНТНЫЙ ЛОКАТОР КАК СРЕДСТВО ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ МАЛОРАЗМЕРНЫХ ЦЕЛЕЙ

2.1. Методы и современные системы обнаружения коммерческих БВС и птиц

2.2. Обзор методов радиолокационного распознавания коммерческих БВС и птиц

2.3. Пассивный когерентный локатор как средство обнаружения и распознавания малоразмерных целей. Экспериментальное оборудование

2.3. Работа ПКЛ по распознаванию малых воздушных целей. Необходимость распознавания коммерческих БВС и птиц

2.4. Выводы по второй главе и постановка задачи

ГЛАВА 3. КОММЕРЧЕСКИЕ БВС И ПТИЦЫ КАК РАДИОЛОКАЦИОННЫЕ ЦЕЛИ. КИНЕМАТИКА ПОЛЕТА. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ТРАЕКТОРНЫХ ПРИЗНАКОВ ПТИЦ И БВС

3.1. Коммерческие БВС как радиолокационные цели. Кинематика полета

3.2. Птицы как радиолокационные цели. Кинематика полета

3.3.Необходимость распознавания БВС и птиц с использованием траекторных признаков

3.4. Экспериментальное исследование траекторных признаков малых воздушных целей

3.4.1. Результат анализа траекторных признаков БВС

3.4.2. Результат анализа траекторных признаков птиц

3.4.3. Сравнение траекторных признаков птиц и БВС на основе результата эксперимента

3.5.Выводы по третьей главе

ГЛАВА 4. РАЗРАБОТКА АЛГОРИТМА РАСПОЗНАВАНИЯ ПТИЦ И КОММЕРЧЕСКИХ БВС ПО ТРАЕКТОРНЫМ ПРИЗНАКАМ. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ ПРИНЯТИЯ РЕШЕНИЯ

4.1. Алгоритм распознавания птиц и БВС по траекторным признакам

4.2. Алгоритмы траекторной фильтрации маневрирующей цели

4.3. Выбор и оценка траекторных признаков распознавания малоразмерных воздушных целей

4.4. Обоснование выбора алгоритма распознавания (решающего устройства)

4.4. Экспериментальные исследования эффективности алгоритмов принятия

решения при распознавании малоразмерных воздушных целей по траекторным признакам

4.5. Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

БВС Беспилотное воздушное судно

БПФ Быстрое преобразование Фурье

ВФН Взаимная функция неопределенности

ВЦ Воздушная цель

ДП Дальностный портрет

ДР Дерево решений

ИММ Интерактивый многомодельный фильтр

ИНС Искусственная нейронная сеть

ЛА Летательный аппарат

ОС Отраженный сигнал

ПАРЛС Полуактивная радиолокационная система

ПКЛ Пассивный когерентный локатор

СК Системa координат

СКО Среднеквадратическое отклонение

ФК Фильтр Калмана

РЛС Радиолокационная система

РЛП Радиолокационный портрет

ТО Траекторная обработка

ЦЭТВ Цифровое эфирное телевидение

ЭПР Эффективная площадь рассеяния

AI Artificial intelligence

CV Constant Velocity

CА Constant Acceleration

CT Constant Turn

k-NN k-nearest neighbors algorithm

ML Machine learning

MLP Мulti-layer perceptron

SVM Support vector machine

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Распознавание низколетящих малоскоростных радиолокационных целей по траекторным признакам»

Актуальность темы исследования

В настоящее время одним из основных направлений развития систем и средств контроля воздушного пространства является расширение их возможностей и совершенствование системы обработки радиолокационной информации. В связи с этим, постоянно уделяется внимание повышению качества распознавания целей, поскольку реализация режимов распознавания обеспечивает повышение адекватности радиолокационной информации, что позволяет оптимизировать принимаемые решения. В этом контексте наиболее актуально распознавание воздушных целей, среди которых наиболее значительного прогресса с точки зрения количества и технологического оснащения добились коммерческие беспилотные воздушные суда (БВС).

Коммерческие БВС сегодня находят все большее применение в различных сферах жизнедеятельности человека. Благодаря малым размерам и дистанционному управлению они облегчают решение многих задач, таких как наблюдение за ростом посевов, оперативная доставка грузов, даже в труднодоступные участки, отслеживание речных заторов, дорожных пробок, спасение пострадавших и ликвидация последствий стихийных бедствий, прогнозирование чрезвычайных ситуаций и постоянный мониторинг потенциально опасных районов и т.д. [1,2,3].

Но технический прогресс в области подобных разработок имеет и другую сторону — осуществление контроля за порядком использования воздушного пространства постоянно усложняется в связи бурным развитием БВС различного класса и назначения. За последние несколько лет существенно возросла опасность причинения вреда с применением БВС, например, появление БВС-нарушителя на взлетно-посадочной полосе. С использованием беспилотных средств совершившие их лица смогли причинить потерпевшим большие финансовые убытки. Это выводит задачи

по своевременному обнаружению и противодействию беспилотникам на актуальный и насущный уровень [4,5].

В последние десятилетия орнитологическое обеспечение безопасности полетов в аэропортах остается актуальным направлением современных исследований. Во время полёта могут происходить столкновения самолётов с птицами, по официальным данным Международной Организации Гражданской Авиации (ИКАО) ежегодно регистрируется порядка 5400 столкновений воздушных судов (ВС) с птицами, большинство из них происходит вблизи аэродромов на высотах до 100 м (в момент взлета и посадки самолета), что составляет 84% [6]. Как следствие, возможны повреждения самолетов, что снижает безопасность полетов и приводит к огромным экономическим потерям, а в наиболее тяжелых случаях авиакатастрофы, включая человеческие жертвы. Таким образом, является актуальной разработка оперативных технических средств оценки и контроля орнитологической обстановки в зоне аэропорта с использованием радиолокаторов разных типов, в том числе пассивный когерентный локатор (ПКЛ), который показывает себя как эффективное устройство.

Так, особый интерес представляет обнаружение и распознавание таких низколетящих малоскоростных радиолокационных целей, как малые коммерческие БВС и птицы, поскольку они имеют схожие информативные признаки (эффективная площадь рассеяния, скорость и высота полета), что затрудняет решение задачи распознания целей этих классов. Технологии развиваются, БВС становятся все меньше, функциональнее и «умнее». Их малая эффективная площадь рассеивания (ЭПР), высокая манёвренность, трудно отличимые признаки создают большие трудности в обнаружении и распознавании. Кроме того, отражения от птиц зачастую являются помехами для РЛС. И в период миграции птиц такие помехи бывают особенно интенсивными и могут создавать серьезные проблемы. Стаи птиц могут порождать помехи, которые бывает трудно селектировать из-за их схожести, по некоторым характеристикам, с летательными аппаратами, т.е. по многим

признакам класс БВС пересекается с классом птиц, поэтому возникает задача распознавания БВС и птиц.

Распознавание в радиолокации - это процесс принятия радиолокационной системой решения о принадлежности цели к определенному классу, то есть группе объектов схожих по тактико-техническим характеристикам или конструктивным признакам. В нашем случае алфавит классов будет состоять из классов «коммерческие БВС», «птица».

В настоящее время основное внимание при распознавании сосредоточено на анализе сигнальных признаков (дальностного портрета, микродоплеровской сигнатуры). Однако эти методы не всегда применимы: для построения дальностного портрета необходимо иметь высокое разрешение по дальности, микродоплеровская сигнатура при обычно используемых на БВС мультикоптерного типа пластмассовых винтах различима в основном на малых дальностях.

В связи с этим возрастает актуальность извлечения данных, пригодных для распознавания, из анализа других атрибутов цели. Одним из перспективных направлений повышения качества распознавание БВС представляется использование траекторных признаков, под которыми понимаются параметры целей, оцениваемые по результатам анализа их траекторий (т.е. результатов вторичной, или траекторной, обработки радиолокационной информации).

Степень разработанности темы. Вопросами радиолокационного распознавания занимались А. Л. Горелик, С. А. Горшков, Я.Д. Ширман, В. Г. Небабин, Е.В. Егорова, В. Е. Макаев, В.И. Веремьев, В.П. Бердышев, Д.В. Хрестинин и другие. Среди зарубежных авторов следует отметить Tait P., Thayaparan T., Kim K. T., Liu H., Feng B., Jiang W. и другие. Распознаванию малоразмерных воздушных целей посвящены работы Flock W. L., Gong J., Yan J., Liu Y., Liao L., Е. С. Плотницкой, Е. Н Воробьева, Д.А. Пальгуева, Л.А. Диневича, и другие. Для решения задачи распознавания воздушных

целей различных классов (в том числе малоразмерные воздушные цели) в пассивном когерентном локаторе Е. Н. Воробьев предложил алгоритм использования траекторных признаков для разделения наблюдаемых целей на различные группы классов, после чего алгоритм переходит к работе по сигнальным признакам.

Цель и задачи диссертационного исследования. Целью работы является разработка алгоритма распознавания малоразмерных воздушных целей на основе траекторных признаков в пассивном когерентном локаторе.

Поставленная цель достигается путем решения следующих основных задач:

1. Сбор и анализ экспериментальных сведений, анализ характерных участков траекторий коммерческих БВС и птиц с целью выявления траекторных признаков, пригодных для распознавания.

2. Формирование алфавита признаков и выбор информативных траекторных признаков для коммерческих БВС и птиц.

3. Разработка алгоритма распознавания малоразмерных воздушных целей в пассивных когерентных радиолокационных системах по траекторным признакам.

4. Экспериментальные исследования эффективности алгоритмов принятия решения при распознавании целей классов коммерческих БВС и птиц с использованием технологии искусственного интеллекта.

Объектом исследования является система автоматического распознавания целей для РЛС мониторинга воздушного пространства.

Предметом исследования являются способы и алгоритмы повышения эффективности распознавания воздушных целей многопозиционной радиосистемы.

Методы исследования. При решении поставленных задач в диссертационной работе были использованы: методы теоретических основ радиолокации, теории распознавания образов; методы теории вероятностей и математической статистики; алгоритмы машинного обучения. Для получения

экспериментальных данных использовался опытный образец полуактивного локатора, разработанный в Санкт-Петербургском электротехническом университете "ЛЭТИ", обработка данных проведена в математическом пакете Матлаб.

Научная новизна диссертации состоит в том, что в ней:

1. Теоретически и экспериментально проанализированы траекторные признаки коммерческих БВС и птиц, выбраны информационные признаки и показана их возможность использования для решения задачи распознавания.

2. Разработан алгоритм распознавания малоразмерных воздушных целей в пассивных когерентных радиолокационных системах по траекторным признакам.

3. Экспериментально исследована эффективность алгоритмов принятия решения при распознавании двух классов (коммерческих БВС и птиц) с использованием методов машинного обучения.

Практическая значимость работы

1. Сформирован набор траекторных признаков для распознавания целей классов коммерческих БВС и птиц.

2. Разработан алгоритм распознавания малоразмерных воздушных целей по траекторным признакам.

3. Разработана методика оценки эффективности алгоритмов принятия решения для задачи распознавания коммерческих БВС и птиц по траекторным признакам.

Научные положения, выносимые на защиту:

1. Для решения задачи распознавания классов коммерческих БВС и птиц в качестве информационных траекторных признаков целесообразно использовать средние значения и СКО оценок их скорости, ускорения, курса, скорости поворота.

2. Различение траекторий полета коммерческих БВС и птиц может быть основано на выделении разных режимов полета у целей данных типов: движение по ветру и против ветра, режимы кружения.

3. Использование методов машинного обучения и набора траекторных признаков позволяет осуществлять эффективное распознавание воздушных целей классов коммерческих БВС и птиц, вероятность правильного распознавания может превысить 90 %.

Соответствие паспорту научной специальности. Основная область исследования соответствует паспорту специальности 2.2.16 - «Радиолокация и радионавигация», а именно пунктам: 5 - «Синтез и анализ алгоритмов обработки сигналов и информации в радиолокационных и радионавигационных системах и устройствах», 11 - «Разработка и исследование новых информационных технологий, в том числе цифровых, для обнаружения, распознавания и сопровождения объектов в радиолокационных системах и устройствах при использовании методов распознавания образов, включая искусственные нейронные сети». Обоснованность и достоверность научных результатов Обоснованность научных положений обеспечивается корректностью постановки задачи исследования и использованием адекватных методов исследования; применением современных вычислительных средств и прикладных программ; достоверность теоретических положений подтверждается проведенными экспериментальными исследованиями.

Апробация результатов работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях:

- Конференция молодых исследователей в области электротехники и электроники (IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering) « 2024 ElConRus», Санкт-Петербург (2024

г.);

- XXIX Международной научно-технической конференция, посвященная 70-летию кафедры радиофизики ВГУ «Радиолокация, навигация, связь - RLNC2023», Воронеж (2023 г.).

- 78-я Научно-техническая конференция Санкт-Петербургского НТО РЭС им. А.С. Попова, посвященная Дню радио, Санкт-Петербург, 2630 апреля, 2023 г.;

- XII международная научно-техническая и научно-методическая конференция «Актуальные проблемы инфотелекоммуникаций в науке и образовании - АПИНО», Санкт-Петербург (2023 г.);

- Конференция молодых исследователей в области электротехники и электроники (IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering) «2023 ElConRus», Санкт-Петербург (2023 г.);

- Конференция молодых исследователей в области электротехники и электроники (IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering) «2022 ElConRus», Санкт-Петербург (2022 г.);

- XI международная научно-техническая и научно-методическая конференция «Актуальные проблемы инфотелекоммуникаций в науке и образовании - АПИНО», Санкт-Петербург (2022 г.); Публикации по теме диссертации.

По результатам диссертационной работы опубликовано 9 научных работ, в том числе 3 статьи в ведущих рецензируемых изданиях, рекомендованных в действующем перечне ВАК, 3 публикации в изданиях, индексируемых в базах научного цитирования Scopus, 3 публикации в других изданиях, индексируемых РИНЦ.

Личный вклад автора. Постановка задач исследования осуществлялась совместно с научным руководителем. Все основные теоретические исследования, моделирование и обработка экспериментальных данных выполнены автором диссертационной работы самостоятельно.

Структура и объем диссертации

Диссертационная работа состоит из введения, 4 глав с выводами, заключения, списка использованных источников. Общий объем диссертации составляет 112 страниц машинописного текста, включая 39 рисунков и 9 таблиц. Список использованных источников содержит 83 наименований.

ГЛАВА 1. РАСПОЗНАВАНИЕ В РАДИОЛОКАЦИИ. ПРИНЦИПЫ И МЕТОДЫ РАДИОЛОКАЦИОННОГО РАСПОЗНАВАНИЯ.

1.1 Постановка задачи распознавания в радиолокации

Радиолокационные системы с момента своего появления широко применяются как наиболее эффективные устройства для контроля обстановки и обеспечения безопасности в воздушном пространстве. При этом одним из важнейших направлений развития радиолокационных систем различного назначения является совершенствование характеристик соответствующих систем распознавания. Поэтому проблемы, связанные с распознаванием воздушных целей, особенно привлекают внимание исследователей, что отражается во многих современных исследованиях в области радиолокации [7].

Радиолокационное распознавание - это процесс принятия радиолокационной системой решения о принадлежности цели к определенному классу, то есть группе объектов схожих по тактико-техническим характеристикам или конструктивным признакам [8, 9].

Распознавание в радиолокации имеет критическое значение для обеспечения безопасности и эффективности в различных сферах, где радиолокационные системы используются для обнаружения и отслеживания объектов [9, 10].

Задача радиолокационного распознавания заключается в установлении факта принадлежности наблюдаемого объекта к определенному классу [10]. Значимость распознавания в радиолокации обусловлена необходимостью решения ряда важных задач:

- повышение эффективности управления воздушным движением в гражданской авиации; информация о различных типах целей обычно используется для разных устройств, поэтому необходимо точно определить тип цели для передачи на соответствующее вторичное устройство.

- определение параметров движения цели и предсказание её будущего поведения;

- повышение безопасности движения на водном, наземном и воздушном транспорте. Каждый тип цели в конкретном случае имеет разный уровень предупреждения и различные методы обработки.

Объекты, наблюдаемые РЛС различного назначения, представляют собой определенные совокупности типов целей — воздушных, космических, надводных, наземных, подземных. Для средств воздушного мониторинга, существенно различать самолеты, вертолеты, классы малых воздушных объектов (птицы, БВС).

Таким образом, одно из важнейших направлений современной радиолокации - это создание методов получения наиболее полной информации, содержащейся в радиолокационных сигналах и помехах. Радиолокационное распознавание является частью данного направления. Это процесс установления принадлежности воздушного объекта, наблюдаемого средствами радиолокации, к одному из заранее определенных классов (типов, состояний), входящих в заданный алфавит. Сложность ее решения обусловлена высокой динамикой изменения воздушной обстановки и низкой стабильностью измеренных значений информационных признаков распознаваемых объектов.

Радиолокационными характеристиками объектов при активной радиолокации являются: эффективная площадь рассеяния (ЭПР), спектральные и временные характеристики отраженных от цели сигналов, содержащие информацию о форме цели, размерах, модуляции, вызванной вращением турбин, винтов, а также поляризационные характеристики сигналов, отраженных от воздушных объектов.

Формальные аспекты задачи распознавания [10,11]: цели,

обнаруженные РЛС, разделяются на конкретные классы {А\,Л^...,Ак}, соответствующие их признакам распознавания (х\,...,хм). В пространстве

мониторинга РЛС обнаруживает некоторое множество целей {у\, У2..., УN} •

Формально алгоритм радиолокационного распознавания записывается в следующем виде:

А1 = (x1,■■■, хтX 1 = 1,2,■■■,К

Так, задача распознавания «классификации с учителем» состоит в определении класса цели Уj по его информативным признакам (х\,..,хт).

Таким образом, для решения задачи распознавания требуется получить результаты обработки отраженных сигналов от цели (включая результаты траекторной обработки), проводить вычисление и формирование оценок системы информативных признаков X£, на основе которых правильно определить, к какому классу принадлежит цель (т.е. установить уj е А1, j = 1,..., N, 1 = 1,..., К) с использованием алгоритмом принятия

решений с априорной информацией о классах целей.

Типовая схема алгоритма распознавания ВЦ представлена на рис. 1.1.

Приемник Формирование п Формирование и оценка X Решающее к. це

РЛС РЛ портрета информационных признаков устройство

Рисунок 1.1 - Схема распознавания радиолокационных целей После обработки принимаемых сигналов осуществляется формирование РЛ портрета (РЛП), который используется далее для извлечения информативных признаков, объединяемых в вектор Х. Классификатор (решающее устройство) реализует соотнесение образа с одним из классов в соответствии с принятым критерием.

Постановка задачи распознавания сводится к решению целого ряда подзадач:

- Анализ путей использования информации для распознавания и формирование алфавита классов целей;

- выделение числа наиболее информативных признаков в данной задаче распознавания;

- разработка методов оценки информативных признаков: произвести оценку выбранных информационных признаков;

- выбор алгоритмов принятия решения, обеспечивающих максимальную достоверность радиолокационного распознавания целей.

Далее в диссертации последовательно рассматривается решение указанных подзадач.

1.2 Классификация принципов и методов радиолокационного распознавания.

Существуют различные способы классификации методов радиолокационного распознавания, два из наиболее распространенных в научной литературе - это классификация в зависимости от вида используемой радиолокационной информации и от типа зондирующих сигналов, используемых в РЛС.

Рисунок 1.2 - Классификация методов распознавания в зависимости от вида используемой радиолокационной информации [8].

На рисунке 1.2 показана классификация методов распознавания в зависимости от вида используемой радиолокационной информации [8].

Распознавание может выполняться по траекторным, сигнальным признакам или по радиоизлучению самой цели (может рассматриваться как один из видов сигнальных признаков, часто используемых в пассивных системах радиолокации). Для повышения производительности работы, система распознавания может использовать одновременно различные типы признаков (комплексные характеристики целей). В пассивной радиолокации используется радиоизлучение бортовых источников радиосигналов (радиовысотомер, бортовой радиолокатор, радиосвязь), станций помех, и т.д.

Классификация методов распознавания по типу зондирующих сигналов часто применяется в системах активной радиолокации. На рисунке 1.3 показана классификация методов распознавания в зависимости от типа зондирующих сигналов [8]:

Рисунок 1.3 - Методы распознавания по типу зондирующих сигналов [8] На основе ширины полосы зондирующего сигнала выделяют четыре группы параметров распознавания: при узкополосном, широкополосном, многочастотном и многодиапазонном зондировании, для каждого

используются различные сигнальные признаки для решения задачи распознавания.

1.3 Обзор информативных признаков радиолокационного распознавания

Как упоминалось выше в разделе 1.2, все информативные признаки распознавания воздушных целей можно разделить на две группы. Одна группа - сигнальные признаки, которые содержат информацию о структуре отраженных сигналов. Сигнальные признаки будут зависеть от размера, формы, материала составляющих элементов, а также от особенностей движения отдельных частей наблюдаемой цели. Другая группа признаков -траекторные характеристики [8].

1.3.1. Траекторные признаки распознавания

Среди траекторных признаков выделяют координатные признаки, характеризующие пространственное положение цели (дальность, высота, угловое положение) и скорость, ускорение, направление (курс) движения [12,13,14]. Координатные признаки и вектор скорости оцениваются непосредственно в ходе траекторной обработки[8, 10, 14]:

- вектор координат цели [х, у, 2];

- вектор скорости цели V = [ух, уу, у2].

Кроме того, можно оценивать скорость поворота. Скорость поворота связана с линейной скоростью по формуле:

V

(д = — Я

где V - линейная скорость цели, Я - радиус цели относительно оси вращения.

На основании данных вектора координат и вектора скорости цели остальные параметры вычисляются как (для к-го шага оценивания):

- модуль горизонтальной скорости :

Ч = \/*х,к + *у,к

курс цели по двум значениям координат:

г \

-1

Фк = ^

V у У

вектор горизонтального ускорения цели ^ ах, ау J :

М к)- М к-1). а,. Уу( к)- Уу( к-1).

ах( к )= А?к ' ау( к )= А?к '

модуль горизонтального ускорения:

ак = ах( к )2 + ау( к )2.

изменения курса и скорость поворота (угловая скорость):

. Фк -фк-1

Аа = фк -Фк-1.«к = 1

Ак

рывок:

ак - ак-1

Ук

Ак

Кроме того, траекторные признаки цели определяются маневренными характеристиками сопровождаемых целей; энергетической высотой

V 2

(Нэ =--ъ Н, где V - скорость цели, g - ускорение силы тяжести, Н -

2 ё

высота полета цели) и скоростью изменения энергетической высоты; особенностями поведения цели и другие признаки.

Для анализа численных значений угловых величин (курса и азимута) возникает задача корректировки. Прежде, чем анализировать численные значения угловых величин (в первую очередь измеренных и оцененных -курса и азимута), следует решить одну задачу. Измеренный курс представлен в градусах числами в диапазоне -180... 180. При выходе угла за эти пределы происходит автоматическая корректировка значения. В результате угол,

находившийся в районе 178° при увеличении на 3° вместо 181° принимает значение -179°. Этот скачок портит всю статистику и по средним углам, и по дисперсии. Надо убрать скачки, развернув угол в непрерывную последовательность. Но сначала изменим диапазон углов на более привычный 0...360° (это достигается прибавлением 360° к отрицательным значениям углов). Развертка угла осуществляется следующим образом. Найдем разность между двумя соседними значениями углов. Если эта разность больше некоторого (положительного) значения, фиксируем переход нижней границы и отнимаем от текущей разницы 360°. Если, напротив, эта разность меньше некоторого (отрицательного) значения, к вычисленной разности прибавляется 360°. Ниже приведена формула корректировки курса с порогом разности углов равна 180 градусов:

Ук + 360°, если фк - Ф£-1 >180°;

Фк = 1 Ф'к - 360°, если фк - фк-1 < -180°; ф'к, если -180°< фк - фк-1 < 180°,

Координатные признаки цели во многих случаях могут содержать информацию для решения задачи распознавания. РЛС может быть предназначена для специализированного мониторинга в определенной области, где появляется только определенная группа целей. Например, на морской поверхности могут присутствовать только цели в виде кораблей или воздушных целей (возможно использование высоты для распознавания), на дорогах - только транспортные средства или пешеходы (возможно использование скорости для распознавания), на площадях или в аэропортах, вероятно, целями будут птицы, коммерческие БВС или самолеты.

Использование значений высоты может служить для распознавания между группами воздушных и наземных или надводных целей. Если цель находится на высоте более 7 км, то высока вероятность, что это воздушное судно или аэростат. Если цель летит в городских условиях на высоте менее 100 м в течение длительного времени, то вероятно, что это небольшой

объект, например, птица или коммерческое беспилотное воздушное судно (БВС). Если в прибрежной области цель находится на нулевой высоте, это может указывать на корабль, отличая его от воздушных судов.

Скорость - это траекторный признак, несущий много информации для распознавания. Это определяется техническими характеристиками каждого типа цели. Например, группа реактивных самолетов может достигнуть скорости, превышающей скорость звука, а вертолеты имеют меньшую максимальную скорость, обычно в пределах 300 км/ч.

Параметры высоты могут использоваться для разделения воздушных и наземных или надводных целей, а также для определения класса ЛА. Наряду с высотой одним из основных траекторных признаков распознавания является скорость цели. Если, например, цель в акватории имеет нулевую высоту и малую скорость, то пространство распознаваемых классов можно сузить до целей класса БВС или судна.

Параметры скорости и высоты используются вместе, что обеспечивает более эффективные результаты из-за корреляции между ними. Например, если класс целей, таких как реактивные самолеты и воздушные шары, находятся на высоте более 7 км, использование скорости позволяет распознавать их.

Значения скорости и высоты для разных классов могут перекрываться. Для полного решения задачи распознавания необходимо использовать набор из множества траекторных признаков или привлекать наряду с ними сигнальные признаки. В данном исследовании будет представлено использование набора траекторных признаков для распознавания классов малых целей.

Список литературы диссертационного исследования кандидат наук Дао Ван Лук, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Абрамов М. М. Новые и перспективные направления применения беспилотных летательных аппаратов //Известия Тульского государственного университета. Технические науки. - 2022. - №. 3. - С. 227-232.

2. Алексей Бойко. Области применения беспилотников [Электронный ресурс]// URL: https://robotrends.ru/robopedia/oblasti-primeneniya-bespüotnikov (дата обращения 25.02.2024)

3. Федосеева Н. А., Загвоздкин М. В. Перспективные области применения беспилотных летательных аппаратов //Научный журнал. - 2017. - №. 9 (22). - С. 26-29.

4. Как противодействовать применению беспилотных летательных аппаратов в террористических целях [Электронный ресурс] // URL: https://www.secuteck.ru/articles/kak-protivodejstvovat-primeneniyu-bespilotnyh-letatelnyh-apparatov-v-terroristicheskih-celyah (дата обращения 25.02.2024)

5. Противодействие БПЛА. Защита от дронов и квадрокоптеров. [Электронный ресурс] // URL: https://www.ao-avtomatika.ru/media/blog/protivodeystvie-bpla-zashchita-ot-dronov-i-kvadrokopterov/ (дата обращения 25.02.2024)

6. Маликов С. В., Чучаев А. И. Птицы как угроза для безопасности полётов //Вестник Московского государственного областного университета. Серия: Юриспруденция. - 2021. - №. 2. - С. 104-115.

7. Бердышев В. П. Радиолокационные системы / В.П. Бердышев, Е.Н. Гарин, А.Н. Фомин. - Красноярск: Сибирский Федеральный Университет, 2011. - 400 с. - ISBN 978-5-7638-2479-7.

8. Ширман, Я.Д. Методы радиолокационного распознавания и их моделирование / Я.Д. Ширман, С.А. Горшков, С.П. Лещенко, Г.Д. Братченко 113 и др. // Радиолокация и радиометрия, №3, Радиолокационное распознавание и методы математического моделирования. - 2000. - С.5-64.

9. Ширман Я. Д. и др. Радиолокационное распознавание //Харьков. ВУ. - 1994. - С. 4-58.

10. Горелик, А.Л. Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн; под ред. А.Л. Горелика. - M.: Радио и связь, 1990. - 282 c.

11. Журавлёв, Ю.И. Распознавание. Mатематические методы. Программная система. Практические применения / Ю.И. Журавлёв, В.В. Рязанов, О.В. Сенько. - M.: Фазис, 2005. - 159 с.

12. Небабин, В. Г. Mетоды и техника радиолокационного распознавания / В. Г. Небабин, В. В. Сергеев. - M.: Радио и связь, 1984. - 152 с.

13. Надточий В. Н. Исследование особенностей описания признаков радиолокационного распознавания воздушных целей в бортовых радиолокационных системах //Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2017. - №. 10. - С. 20-24

14. А Tait, P. Introduction to Radar Target Recognition / P. Tait. London: IET, 2005. - 428 p.

15. Радиотехнические системы: учебник для студ. высш. учеб. заведений / Под ред. Ю. M. Казаринова. - M.: Academia, 2008. - 592 с.

16. Соколов А. В. Объекты радиолокации: обнаружение и распознавание //коллективная монография. Издательство Радиотехника. -2006. - 176 с. ISBN: 5-88070-096-8

17. Киселева Т. В., Mаслова Е. В., Бычков А. Г. Mашинное обучение для решения задач распознавания образов //ИТНОУ: Информационные технологии в науке, образовании и управлении. - 2021. - №. 2 (18). - С. 1924.

18. Татузов, А.Л. Нейронные сети в задачах радиолокации / А.Л. Татузов. - M.: Радиотехника, 2009. - 432 с.

19. Системы и средства для обнаружения беспилотников (БПЛА) [Электронный ресурс] // URL: https://anti-dron.ru/blog/sistemy-i-sredstva-dlya-

obnaruzheniya-bespilotnikov-i-effektivnost-ikh-primeneniya.html (дата

обращения 25.02.2024)

20. Обнаружение БПЛА [Электронный ресурс] // URL: https://uav-bpla.com/obnaruzhenie_bpla/(Aara обращения 25.02.2024)

21. Семенец В.О., Трухин М.П. Способы противодействия беспилотным летательным аппаратам // Наукоемкие технологии в космических исследованиях Земли. 2018. Т. 10. № 3. С. 4-12.

22. Ваградян В. Г. и др. Обнаружение и распознавание искусственных и естественных летающих объектов //Тринадцатая годичная научная конференция. - 2019. - С. 34.

23. Сенцов А. А., Григорьев Е. К., Ненашев С. А. Радиооптический комплекс обнаружения и определения координат воздушных объектов. -2021.

24. Макаренко С. И. Противодействие беспилотным летательным аппаратам. - 2020.

25. Ананенков А. Е. и др. К вопросу о наблюдении малоразмерных беспилотных летательных аппаратов //Труды МАИ. - 2016. - №. 91. - С. 19.

26. Купряшкин И. Ф., Соколик Н. В. Алгоритм обработки сигналов в радиолокационной системе с непрерывным частотно-модулированным излучением в интересах обнаружения малозаметных воздушных объектов, оценки их дальности и скорости движения //Известия высших учебных заведений России. Радиоэлектроника. - 2019. - Т. 22. - №. 1. - С. 39-55.

27. Ang H. S., Xiao T. H., Duan W. B. Flight mechanism and design of biomimetic micro air vehicles //Science in China Series E: Technological Sciences. - 2009. - Т. 52. - С. 3722-3728.

28. Mohajerin N. et al. Feature extraction and radar track classification for detecting UAVs in civillian airspace //2014 IEEE Radar Conference. - IEEE, 2014. - С. 0674-0679.

29. Zhao, C.; Luo, G.; Wang, Y.; Chen, C.; Wu, Z. UAV Recognition Based on Micro-Doppler Dynamic Attribute-Guided Augmentation Algorithm. Remote Sens. 2021, 13, 1205.

30. Narayanan, R.M.; Tsang, B.; Bharadwaj, R. Classification and Discrimination of Birds and Small Drones Using Radar Micro-Doppler Spectrogram Images. Signals 2023, 4, 337-358.

31. Torvik B., Olsen K. E., Griffiths H. Classification of birds and UAVs based on radar polarimetry //IEEE geoscience and remote sensing letters. - 2016. -Т. 13. - №. 9. - С. 1305-1309.

32. Бархатов, А. В. Пассивная когерентная радиолокация / А. В. Бархатов, В. И. Веремьев, Е. Н. Воробьев, А. А. Коновалов и др. - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2016. - 163 с.

33. Бархатов А. В. и др. Радиолокация по сигналам сторонних источников. Часть 1: современное состояние //Инновации. - 2013. - №. 9 (179). - С. 114-119.

34. В.И. Веремьев, Е.Н. Воробьев, А.А. Коновалов, В.М. Кутузов, А.С. Маругин, В.Н. Михайлов, В.К. Орлов. Радиоэлектронные системы и комплексы: Учеб. пособие: в 2-ух ч., ч. 1: СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2022, 167 с.

35. В.И. Веремьев, Е.Н. Воробьев, А.А. Коновалов, В.М. Кутузов, А.С. Маругин, В.Н. Михайлов, В.К. Орлов. Радиоэлектронные системы и комплексы: учеб. пособие в 2-ух ч., ч. 2. СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2022. 149 с.

36. Воробьев Е. Н., Веремьев В. И., Холодняк Д. В. Распознавание винтомоторных летательных аппаратов в пассивной бистатической РЛС //Известия высших учебных заведений России. Радиоэлектроника. - 2018. -№. 6. - С. 75-90.

37. Е. Н. Воробьев Распознавание воздушных целей в пассивном когерентном локаторе. Автореферат дисс. на соискание степени к.т.н. СПб: СПбГЭТУ «ЛЭТИ», 2022. 18с.

38. Воробьев, Е.Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС / Е.Н. Воробьев // Вестник Новгородского государственного университета. Сер.: Технические науки. -2019. - № 4. - С.72-77.

39. R Ritchie M., FioranelH F., Griffiths H., & Torvik B., "Monostatic And Bistatic Radar Measurements Of Birds And Micro-Drone," in 2016 IEEE Radar Conference, RadarConf 2016, 2016.

40. Zabalza, J., Clemente, C., Di Caterina G., Ren J., Soraghan, J. J., and Marshall, S., "Robust PCA Micro-Doppler Classification Using SVM On Embedded Systems," IEEE Trans. Aerosp. Electron. Syst., vol. 50, no. 3, pp. 2304-2312, 2014.

41. Макаренко С. И., Тимошенко А. В., Васильченко А. С. Анализ средств и способов противодействия беспилотным летательным аппаратам. Часть 1. Беспилотный летательный аппарат как объект обнаружения и поражения // Системы управления, связи и безопасности. 2020. № 1. С. 109146.

42. Каршов Р. С. Классификация беспилотных летательных аппаратов //Проблемы современной науки и образования. - 2016. - №. 11 (53). - С. 38-40.

43. Петров И. И. и др. Алгоритм распознавания малоразмерных воздушных объектов на основе анализа радиолокационных спектральных портретов //T-Comm-Телекоммуникации и Транспорт. - 2022. - Т. 16. - №. 3. - С. 4-10.

44. Карташов В. М. и др. Особенности обнаружения и распознавания малых беспилотных летательных аппаратов. - 2018.

45. Бондарев А. Н., Киричек Р. В. Обзор беспилотных летательных аппаратов общего пользования и регулирования воздушного движения БВС в разных странах //Информационные технологии и телекоммуникации. 2016. Т. 4, № 4. С. 13-23.

46. Mehta V. et al. Tracking and classification of drones and birds at a far distance using radar data //NATO-OTAN, STO-MP-MSG-SET-183. - 2021. - C. 1-10.

47. H. Zeng, H. Zhang, J. Chen, W. Yang. UAV Target Detection Algorithm Using GNSS-Based Bistatic Radar // 2019 IEEE Int. Geoscience and Remote Sensing Symp. 2019 (IGARSS 2019), Yokohama, Japan, 28 July - 2 Aug. 2019, pp. 2167-2170.

48. Chan J. J. X. et al. Small flying object classifications based on trajectories and support vector machines //Journal of Robotics and Mechatronics. -2021. - T. 33. - №. 2. - C. 329-338.

49. Mohajerin N. et al. Feature extraction and radar track classification for detecting UAVs in civillian airspace //2014 IEEE Radar Conference. - IEEE, 2014. - C. 0674-0679.

50. Molchanov P. et al. Classification of small UAVs and birds by micro-Doppler signatures //International Journal of Microwave and Wireless Technologies. - 2014. - T. 6. - №. 3-4. - C. 435-444.

51. Hou H. A., Wang L. C., Lin H. P. Micro-doppler shift and its estimation in rotary-wing UAV Sub-6 GHz communications //IEEE Wireless Communications Letters. - 2021. - T. 10. - №. 10. - C. 2185-2189.

52. Ji G., Song C., Huo H. Detection and identification of low-slow-small rotor unmanned aerial vehicle using micro-Doppler information //IEEE Access. -2021. - T. 9. - C. 99995-100008.

53. Lee, M. Park, I. Eo, B. Koo. An X-Band FMCW Radar for Detection and Tracking of Miniaturized UAVs // 2017 Int. Conf. on Computational Science and Computational Intelli-gence (CSCI), Las Vegas, USA, 14-16 Dec. 2017, pp. 1844-1845.

54. Coluccia A., Parisi G., Fascista A. Detection and Classifica-tion of Multirotor Drones in Radar Sensor Networks: A Re-view // Sensors. 2020. Vol. 20, iss. 15. P. 4172.

55. Coluccia A., Fascista A., Schumann A., et al. Drone-vs-Bird Detection Challenge at IEEE AVSS2021 // 2021 17th IEEE Intern. Conf. on Advanced Video and Signal Based Surveillance (AVSS). Washington, USA, 1619 November 2021. IEEE, 2021. P. 1-8.

56. Patel J. S., Fioranelli F., Anderson D. Review of Radar Classi-fication and RCS Characterisation Techniques for Small UAVs or Drones // IET Radar, Sonar & Navigation. 2018. Vol. 12, iss. 9. P. 911-919.

57. Liu J., Xu Q. Y., Chen W. S. Classification of bird and drone targets based on motion characteristics and random forest model using surveillance radar data //IEEE Access. - 2021. - Т. 9. - С. 160135-160144.

58. Ritchie M. et al. Monostatic and bistatic radar measurements of birds and micro-drone //2016 IEEE Radar Conference (RadarConf). - IEEE, 2016. - С. 1-5. Doi: 10.1109/RADAR.2016.7485181.

59. Chen W. S., Liu J., Li J. Classification of UAV and bird target in low-altitude airspace with surveillance radar data //The Aeronautical Journal. - 2019. -Т. 123. - №. 1260. - С. 191-211.

60. Gong J. et al. Using radar signatures to classify bird flight modes between flapping and gliding //IEEE Geoscience and Remote Sensing Letters. -

2019. - Т. 17. - №. 9. - С. 1518-1522.

61. Пальгуев Д. А. и др. Распознавание воздушных объектов типа «птицы» по траекторным признакам //Радиотехнические и телекоммуникационные системы. - 2022. - №. 4. - С. 39-50.

62. Liu, Y., Liao, L., Wu, H., Qin, J., He, L., Yang, G., ... & Zhang, J. (2021). Trajectory and image-based detection and identification of UAV. The Visual Computer, 37, 1769-1780.

63. Gong J. et al. Comparison of radar signatures based on flight morphology for large birds and small birds //IET Radar, Sonar & Navigation. -

2020. - Т. 14. - №. 9. - С. 1365-1369.

64. Мацюра А. В. Миграция птиц и метеорологические параметры: краткий обзор. Часть 1 // Acta Biologica Sibiri-ca. 2015. Т. 1, № 1-2. С. 117131. doi: 10.14258/abs.v1i1-2.854

65. Osadchyi V. V., Yeremeev V. S., Matsyura A. V. Cluster analy-sis, fuzzy sets, and fuzzy logic models in bird identification // Ukrainian Journal of Ecology. 2017. Vol. 7. № 2. P. 96-103. doi: 10.15421/2017_25

66. Malsev K., Yaroslavsky L., Leshem Y. Processing of Weather Radar Images for Bird Detection and Tracking //The Seventh IASTED Intern. Conf. on Visualization, Imaging and Image Processing. Palma de Mallorca, Spain, 29-31 August 2007. С. 106-111.

67. Скорость полета птиц таблица [Электронный ресурс]. URL: https://cyberlesson.ru/skorost-poleta-ptic-tablica/ (дата обращения 25.02.2024)

68. Dao L. V., Konovalov A. A., Le H. M. Analysis of Trajectory Features for Small UAVs Recognition //2022 Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). - IEEE, 2022. -С. 1341-1345.

69. Лук Д. В., Коновалов А. А., Хоанг Л. М. Экспериментальное исследование траекторных признаков для распознавания низколетящих малоскоростных радиолокационных целей в полуактивной РЛС //Известия высших учебных заведений России. Радиоэлектроника. - 2022. - Т. 25. - №. 3. - С. 39-50.

70. Лук Д. В., Коновалов А. А., Хоанг Л. М. Алгоритм распознавания малоразмерных воздушных целей по траекторным признакам в полуактивной РЛС //Известия высших учебных заведений России. Радиоэлектроника. -2023. - Т. 26. - №. 5. - С. 76-88.

71. L. V. Dao, A. A. Konovalov and H. M. Le, Small Aerial Target Recognition for Passive Bistatic Radar System Using Trajectory Features, 2024 Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElCon24), St. Petersburg, Russia, 28-31 January 2024.

72. Дао Л. В.. Использование метода деревьев решений и случайных лесов для распознавания малозаметных радиолокационных целей на основе траекторных признаков / Дао Л. В., Коновалов А. А., Ле Х. М. // Сборник докладов XII международной научно-технической и научно-методической конференции «Актуальные проблемы инфотелекоммуникаций в науке и образовании». - СПбГУТ, Санкт-Петербург, 28 февраля - 1 марта 2023 г.

73. Дао Ван Лук. Распознавание малоразмерных воздушных РЛЦ по траекторным признакам с использованием методов машинного обучения // Сборник трудов 78-ой научно-технической конференция санкт-петербургского НТО РЭС им. А.С. Попова, посвященная дню радио, Санкт-Петербург, 24-27 апреля 2023 г. - С. 58-61.

74. Коновалов А. А. Основы траекторной обработки радиолокационной информации. Часть 1 // СПб.: Изд-во СПбГЭТУ "ЛЭТИ",

2013. 164 с.

75. Коновалов А. А. Основы траекторной обработки радиолокационной информации. Часть 2 // СПб.: Изд-во СПбГЭТУ "ЛЭТИ",

2014. 180 с.

76. Хоанг Л. М., Коновалов А. А., Лук Д. В. Слежения надводных маневрирующих целей на основе интерактивного многомодельного алгоритма //Вестник Новгородского государственного университета им. Ярослава Мудрого. - 2023. - №. 3 (132). - С. 394-404.

77. Д. В. Лук. Многомодельный алгоритм с переключением набора моделей / Л. М. Хоанг, А. А Коновалов , Д. В. Лук // Сборник трудов XXIX Международной научно-технической конференции, посвященной 70-летию кафедры радиофизики ВГУ «Радиолокация, навигация, связь», Воронеж, 1820 апреля 2023 г. Том 2. - С. 317-322.

78. Минь Х. Л., Коновалов А. А., Ван Л. Д. Сопровождение маневрирующих целей с использованием многомодельного алгоритма с переменной структурой //Известия высших учебных заведений России. Радиоэлектроника. - 2023. - Т. 26. - №. 3. - С. 77-89.

79. Barbaresco F., Brooks D., Adnet C. Machine and Deep Learning for Drone Radar Recognition by Mi-cro-Doppler and Kinematic criteria // 2020 IEEE Radar Conf. (RadarConf20). Florence, Italy, 21-25 September 2020. IEEE, 2020. P. 1-6.

80. Донской В. И. Алгоритмические модели обучения классификации. Монография. Симферополь: ДИАЙПИ, 2014. 228 с.

81. Субботин С. А. Построение деревьев решений для случая малоинформативных признаков // Радиоэлектроника, информатика, управление. 2019. № 1 (48). С. 122-131.

82. Machine Learning Metrics: How to Measure the Per-formance of a Machine Learning Model. URL: https://www.altexsoft.com/blog/machine-learning-metrics/ (дата обращениия 23.03.2024)

83. Dietterich T. G. An experimental comparison of three methods for constructing ensembles of decision trees: Bagging, boosting, and randomization // Machine learning. 2000. Vol. 40, № 2. P. 139-157.