запропоновано алгоритм розпізнавання типу джерела радіовипромінювання (ІРІ) з ускладненою частотно-часової структурою. Алгоритм заснований на розбитті класів навчальних даних радіотехнічного контролю на підкласи і використанні їх для прийняття рішення про тип ІРІ. Представлений результат тестування на модельних даних.

Анотація наукової статті з електротехніки, електронної техніки, інформаційних технологій, автор наукової роботи - Коротков Володимир Федорович, Зирянов Роман Сергійович


Source Type Recognition Algorithm of Radio Emission using Radial Basis Functions

This paper deals with the radio source type detection algorithm with a complicated time-frequency structure. The algorithm is based on splitting training data classes into sub-classes, and using them for making a decision about the type of radio source. Result of testing on simulated data is presented.


Область наук:

  • Електротехніка, електронна техніка, інформаційні технології

  • Рік видавництва: 2017


    Журнал

    Известия вищих навчальних закладів Росії. Радіоелектроніка


    Наукова стаття на тему 'АЛГОРИТМ РОЗПІЗНАВАННЯ ТИПУ джерело радіовипромінювання З ВИКОРИСТАННЯМ РАДІАЛЬНИХ БАЗИСНИХ ФУНКЦІЙ'

    Текст наукової роботи на тему «Алгоритм РОЗПІЗНАВАННЯ ТИПУ джерело радіовипромінювання З ВИКОРИСТАННЯМ РАДІАЛЬНИХ БАЗИСНИХ ФУНКЦІЙ»

    ?5. Ermolayev V. T., Semenov V. Yu., Sorokin I. S., Flaksman A. G., Yastrebov A. V. Regularization of the Weight Vector of an Adaptive Antenna Array by limiting the Number of Basis Vectors. Izvestiya vuzov. Radiophisika [Ra-diophysics and Quantum Electronics]. 2015-го, vol. 58, no. 3, pp. 235-243. (In Russian)

    6. Ermolayev VT, Semenov V. Yu., Sorokin IS, Flaksman AG, Yastrebov AV Effektivnost 'podalvenija shi-rokopolosnoy pomehi v avtokompensatore na osnove metoda stepennyh vektorov [The Effectiveness of Broadband Interference Suppressing in the Auto Compensator based on a Method of Power Vectors]. 9-ya Vseros. nauch. konf. "Radiolo-kaciya I radiosvjaz". Moskva, 23-25 ​​noyabrja 2015 [9th All Russian scien.-tech. conf. "Radar and radio communications". Moscow, Nov. 23-25, 2015]. IRE im. V. A. Kotelnikova RAN

    [Radio Electronics Institute n. a. V. A. Kotelnikov RAS]. Moscow, 2015-го, pp. 100-105. (In Russian)

    7. Widrow B., Stearns S. D. Adaptive Signal Processing. Prentice-Hall Inc. Englewood Cliff, N.Y. 1985, 219 p.

    8. Tikhonov A. I., Arsenine V. Ya. Metody resheniya nekorrektnyh zadach [Methods of Solving Ill-Posed Problems]. Moscow, Nauka, 1979, 288 p. (In Russian)

    9. Abramovich Yu. I. Regularized method of adaptive filter optimization by the criterion of maximum signal-to-interference ratio. Radiotehnika I elektronika [Radio Engineering and electronics]. 1981, vol. 26, no. 3, pp. 543-551. (In Russian)

    10. Voevodine V. V. Lineynya algebra [Linear algebra]. Moscow, Nauka, 1980, 400 p. (In Russian)

    Received November, 18, 2016

    For citation: Yastrebov A. V. Adaptive Matched Filter Based on Power Vector Method. Izvestiya Vysshikh Uchebnykh Zavedenii Rossii. Radioelektronika [Journal of the Russian Universities. Radioelectronics]. 2017, no. 1, pp. 5-11. (In Russian)

    Andrey V. Yastrebov - Master of Science in Radio engineering (2012), Ph.D. student of information radio systems department of Nizhny Novgorod State Technical University n. a. R. E. Alekseev. Area of ​​expertise: radar; adaptive antenna array; digital signal processing. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

    УДК 621.396.96

    В. Ф. Коротков

    ТОВ "Спеціальний технологічний центр" (Санкт-Петербург)

    Р. С. Зирянов

    Санкт-Петербурзький державний електротехнічний університет "ЛЕТІ" ім. В. І. Ульянова (Леніна)

    Алгоритм розпізнавання типу джерела радіовипромінювання з використанням радіальних базисних функцій

    Запропоновано алгоритм розпізнавання типу джерела радіовипромінювання (ІРІ) з ускладненою частотно-часової структурою. Алгоритм заснований на розбитті класів навчальних даних радіотехнічного контролю на підкласи і використанні їх для прийняття рішення про тип ІРІ. Представлений результат тестування на модельних даних.

    Нейронна мережа, радіально-симетрична базисна функція, розпізнавання типу джерела радіовипромінювання

    При аналізі та обробці даних радіотехнічного контролю (РТК) методи розпізнавання типу джерела радіовипромінювання (ІРІ) займають одне з центральних місць [1] - [3]. Алгоритми розпізнавання [1], [2], реалізовані в існуючих засобах РТК, вимагають від оператора завдання ряду параметрів, що визначають кількість типів (класів) ІРІ і форму і розмір областей в просторі ознак, відповідних окремих класах. 12

    На практиці оператори, як правило, не мають апріорної інформації, необхідної для вибору цих параметрів. Крім того, прості математичні моделі, що лежать в основі застосовуваних алгоритмів, не дозволяють виділяти класи з ускладненою частотно-часової структурою (ЧВС), найбільш адекватно відображають реальні дані. Зазначені недоліки часто призводять до незадовільних результатів розпізнавання.

    © Коротков В. Ф., Зирянов Р. С. 2017

    Як відомо [1], для обробки даних РТК найбільш адекватний статистичний підхід. Відповідно до нього передбачається, що вибіркове простір даних є безліч реалізацій випадкової величини, щільність розподілу (ПР) якої невідома. Для оцінювання невідомої ПР доцільно використовувати непараметричні оцінки [3], [4]. Перевага алгоритмів розпізнавання, основних на таких оцінках, полягає в тому, що вони не накладають обмежень на розмір і форму областей аналізованих класів в просторі ознак.

    У цій статті запропоновано непараметрический алгоритм розпізнавання типу ІРІ з ускладненою ЧВС.

    Постановка завдання і метод її вирішення. Уявімо випромінювання на вході станції РТК у вигляді ^ -мірною вибірки

    X = (X2, хі

    N

    елементи якої пов'язані з одним з розпізнаються типів ІРІ (т - символ транспонування). тут

    хп = (ХП1, хп2, •••, гпк, •••, ГПК)

    є К-мірний вектор параметрів п-го імпульсу сигналу (дескриптора імпульсу). У просторі ознак ХП представляється точкою. Покладемо, що ІРІ може швидко змінювати параметри випромінювання від імпульсу до імпульсу і від пачки до пачки в залежності від розв'язуваної задачі. Щільність розподілу р (хп \ Ят) для

    Ят-го типу ІРІ (класу) невідома (т = 1, М).

    У цих умовах для оцінювання р (хп) доцільно скористатися методом Парзена [4]. Відповідно до цього методу оцінка щільності має вигляд

    1

    N.

    Р (хп \&т) = - ?

    т т = 1

    Ф

    х - х,

    шар 0

    Блок прийняття I ешеніуНомер ІРІ

    х, ук //

    де К - розмір дескриптора імпульсу; Мт - число вибіркових точок в класі Ят; І - параметр довільній парної функції (ядра) Ф (хп),

    приймає позитивні значення, що є функцією від числа спостережень N.

    В якості опції ядра можна вибрати гауссоіду.

    Структурна схема пристрою розпізнавання (класифікатора), виконаного у вигляді нейронної мережі і реалізує метод потенційних функцій, представлена ​​на рис. 1.

    Класифікатор складається з трьох шарів нейронів [3], [5].

    Шар 0 - вхідний. Число нейронів шару 0 дорівнює числу параметрів дескриптора імпульсу До.

    Вихід до-го нейрона шару 0 ук = хк, к = 1, К. Кожен нейрон цього шару пов'язаний своїм виходом ук зі входами всіх нейронів шару 1.

    Шар 1 (прихований) складають радіальні нейрони з гауссовской функцією активації

    У1 = е

    ? (Хк к = 1 2СТ; 2к

    де м>1к - ваговий коефіцієнт зв'язку 1-го нейрона

    (/ = 1, Ь) шару 1 з до-м нейроном шару 0; ст / к - поріг 1-го нейрона шару 1, з'єднаного з до-м нейроном 0-го шару; Ь - число нейронів шару 1. Вагові коефіцієнти / -го нейрона шару 1 позначимо у вигляді вектора

    = (М>ц,, ...,) >

    а його пороги - як вектор

    = (Ст / 1, ст / к, ст / К).

    Нейрони шару 2 (вихідного) виконують лінійне перетворення (зважене підсумовування) вектора стану прихованого шару:

    Ь

    Мал. 1

    Ут =? М'т / У /, т = 1, М, / = 1

    де м>т1 - ваговий коефіцієнт зв'язку т-го нейрона шару 2 с / -м нейроном шару 1; М - число нейронів вихідного шару.

    Відповідно до геометричної інтерпретацією задачі розпізнавання класифікатор подібної структури ділить К-мірний простір ознак на ряд областей (підкласів), кожна з яких містить точки, що належать

    тільки одного класу ІРІ. Розділяють області повністю визначені L радіально-симметрич-ними функціями Гаусса (Ь - число областей, на яке необхідно розбити простір ознак, щоб розділити M класів). Кордон розділу є гіперсфера, координати центру якій

    Rl (l = 1, L) зберігаються в класифікаторі як ваги / -го нейрона проміжного шару, а радіус гіперсфери - як поріг цього нейрона.

    Таким чином, завдання синтезу классифицирующего пристрої на базі функцій Гаусса полягає у визначенні за певним алгоритмом числа нейронів і їх параметрів (ваг і порогів), а також в налаштуванні ваг нейронів вихідного шару. Число нейронів вихідного шару дорівнює числу розпізнаваних типів ІРІ.

    Як приклад на рис. 2 показано розбиття двовимірного простору ознак на області, відповідні класам Rl і R2 (позначені круглими і хрестовими маркерами відповідно). Як видно з малюнка, 2 класу можуть бути розділені при покритті простору ознак колами зі змінним діаметром і з центрами в точках, що належать

    Мал. 2

    зазначених класiв.

    Опис алгоритму. Алгоритм (рис. 3) можна описати як послідовність кроків.

    1. Модифікації ваг нейронів прихованого шару. Процедура починається з подачі на нейрони шару 0 першого вхідного вектора Х1, обчислення виходів нейронів 0-го шару і визначення першого нейрона шару 1 з вагами, рівними компонентам вектора Х1. Цьому нейрона присвоюється мітка області, що є полем впливу даного нейрона. Під полем впливу 1-го нейрона шару 1 розуміються всі точки багатовимірного простору ознак, що входять в гіперсферу з центром Wl і радіусом, рівним .

    Мал. 3

    Потім на вхід мережі подається черговий вхідний вектор хп і визначається його приналежність до раніше освіченою областям Я1:

    хп е ^: IIхп -Wl \\ <| Iхп -W>|| <I ° 1 | ,

    I,] = 1, 2, ..., J, / Ф7,

    де J - число нейронів (областей), утворених на п-му кроці алгоритму; || - || - позначення міри близькості двох векторів, в якості якої використовується евклідова відстань. Якщо таку нерівність виконується, т. Е. Вхідний вектор потрапляє в поле впливу одного з нейронів прихованого шару, проводиться модифікація ваг даного нейрона. В іншому випадку формується новий нейрон, ваги якого рівні компонентів вхідного вектора, а мітка відповідає новій області багатовимірного простору ознак.

    Рівняння модифікації ваг нейрона, в поле впливу якого потрапляє вхідний вектор, має вигляд

    w7 (п +1) = w7 (п) +

    х 7 ~ w 7 (п)

    N7 +1:

    X

    2

    1

    де Nу - число вхідних векторів, що потрапили в

    поле впливу у'-го нейрона.

    2. Установка порогів нейронів прихованого шару. Вважаємо, що дисперсії елементів вектора параметрів вхідного імпульсу для різних режимів випромінювання ІРІ розрізняються незначно. В цьому випадку пороги нейронів шару 1 можуть бути встановлені однаковими у вигляді константи

    C =

    А

    X ° 2,

    к = 1

    де стк - середньоквадратичне відхилення к-го параметра вхідного імпульсу.

    3. Модифікації ваг нейронів вихідного шару. Вважаємо, що відомі апріорні ймовірності розподілу підкласів ІРІ. В цьому випадку ваги нейронів шару 2 можуть бути визначені за правилом: / -й нейрон шару 2 з'єднується з одиничним вагою тільки з нейронами прихованого шару, що відносяться до / -го типу ІРІ; з усіма іншими нейронами прихованого шару даний нейрон має нульове з'єднання. Іншими словами, вихідний нейрон просто складає відгуки нейронів прихованого шару, що належать до / -го типу ІРІ. При такому підході вихідне значення класифікатора можна інтерпретувати як умовну за типами ІРІ оцінку ПР вхідних даних.

    4. Прийняття рішення про тип ІРІ. На вхід класифікатора надходить вибірка X. По кожному імпульсу він пророкує тип ІРІ. Дане рішення виражено у вигляді відгуку активного

    нейрона вихідного шару ym, m = 1, M. Відгуки накопичуються за часом в блоці прийняття рішень згідно з прийнятими рішеннями про приналежність до класів (ІРІ).

    Блок прийняття рішень являє собою тимчасову пам'ять, що складається з M елементів (по числу розпізнаваних типів ІРІ), з можливістю накопичувати виходи класифікатора.

    При ініціалізації вектор S рішень про типах ІРІ встановлюється рівним нулю. Виходи активних нейронів y = ((У2, |||, Розум) класифікатора накопичуються відповідно до формули S = ​​S + у.

    Тип ІРІ визначається після обробки останнього імпульсу групи по формулі

    m = argmax \ Sm: m = 1, M}.

    m

    Результати експериментальних досліджень.

    Запропонований алгоритм програмно реалізований в середовищі МЛТЬЛБ. Для роботи алгоритму необхідно задати значення порогів ст / к.

    Для оцінки порівняльної ефективності розробленого методу проведено 2 експерименту по розпізнаванню контрольної вибірки з 21 ІРІ з ускладненою ЧВС, що належать десяти класів (типам ІРІ). Перший експеримент проведений на простої моделі, яка описує кожен клас у вигляді області з одним центром, другий - на запропонованої моделі на базі радіальних базисних функцій. У першому експерименті отримано 20% правильних відповідей, у другому - близько 70%.

    Мал. 4 ілюструє результати розпізнавання у другому експерименті в просторі трьох ознак - частота, тривалість імпульсу і період їх повторення. Випромінювання, віднесені до кожного типу ІРІ, позначені маркерами окремого виду.

    т, мс 0.2 0

    1.01.5 2.0 2 5 Рис. 4

    зПТТо 4.5 •

    ; ГГц

    Результат експерименту показує можливість збільшення якості розпізнавання з використанням описаного алгоритму.

    Представлений в цій статті алгоритм розпізнавання типу ІРІ з ЧВС не вимагає апріорних знань щодо параметричної структури радіотехнічних сигналів, забезпечуючи при цьому високу якість результатів. При проведенні розпізнавання від оператора вимагається задати пороги ст / к, а при виявленні сигналу раніше невідомого ІРІ - привласнити йому умовний номер класу і підкласу. Використання класифікатора з радіальними базисними функціями описаної архітектури найбільш ефективно в разі, коли висуваються жорсткі вимоги до ймовірності помилкових класифікацій. Виконання цієї вимоги досягається збільшенням числа підкласів і зміною порогів.

    СПИСОК ЛІТЕРАТУРИ

    1. Мельников Ю. П. Повітряна радіотехнічна розвідка (методи оцінки ефективності). М .: Радіотехніка, 2005. 304 с.

    2. Смирнов Ю. А. Радиотехническая розвідка. М .: Воениздат, 2001. 452 с.

    3. Коротков В. Ф. Розпізнавання РЕМ з використанням нейронних мереж / ВУС. СПб., 2003. 156 с.

    4. Дуда Р., Харт П. Розпізнавання образів і аналіз сцен. М .: Світ, 1976. 509 с.

    5. Осовский С. Нейронні мережі для обробки інформації. М .: Фінанси і статистика, 2002. 344 с.

    Стаття надійшла до редакції 28 листопада 2016 р.

    Для цитування: Коротков В. Ф., Зирянов Р. С. Алгоритм розпізнавання типу джерела радіовипромінювання з використанням радіальних базисних функцій // Изв. вузів Росії. Радіоелектроніка. 2017. № 1. С. 12-16.

    Коротков Володимир Федорович - доктор технічних наук (2005), старший науковий співробітник (1998), провідний інженер ТОВ "Спеціальний Технологічний Центр" (Санкт-Петербург). Автор 57 наукових робіт. Сфера наукових інтересів - пасивна радіолокація; аналіз і обробка радіолокаційних сигналів. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

    Зирянов Роман Сергійович - бакалавр за напрямом "Нанотехнології та мікросистемна техніка" (2015), студент 2-го курсу магістратури Санкт-Петербурзького державного електротехнічного університету "ЛЕТІ" ім. В. І. Ульянова (Леніна). Автор шести наукових публікацій. Сфера наукових інтересів -Обробка великих обсягів даних, інтелектуальний аналіз даних; фрактальний аналіз зображень. E-mail: roman.tm.z@gmail. com

    V. F. Korotkov Special Technology Center Ltd. (Saint Petersburg)

    R. S. Zyryanov Saint Petersburg Electrotechnical University "LETI"

    Source Type Recognition Algorithm of Radio Emission using Radial Basis Functions

    Abstract. This paper deals with the radio source type detection algorithm with a complicated time-frequency structure. The algorithm is based on splitting training data classes into sub-classes, and using them for making a decision about the type of radio source. Result of testing on simulated data is presented.

    Key words: Neural Network, Radially Symmetric Basis Function, Radio Source Recognition

    REFERENCES

    1. Mel'nikov Yu. P. Vozdushnaya radiotehnicheskaya razvedka (metody otsenki effektivnosti) [Aerial electronic reconnaissance (performance assessment methods)]. Moskow, Radio and svjaz ', 2005, 304 p. (In Russian)

    2. Smirnov Yu. A. Radiotekhnicheskaya razvedka [Electronic reconnaissance]. Moskow, Voenizdat, 2001., 452 p. (In Russian)

    3. Korotkov V. F. Raspoznavanie RES s ispol'zovaniem nei-ronnykh setei [RES recognition using neural networks]. St. Petersburg, VUS, 2003 156 p. (In Russian)

    4. Duda R. O., Khart P. E. Pattern classification and scene analysis. N. Y., John Wiley & Sons, 1973, 482 p.

    5. Osovskii S. Neironnye seti dlya obrabotki informatsii [Neural networks for information processing]. Moskow, Finansy I statistika, 2002 344 p. (In Russian)

    Received November, 28, 2016

    For citation: Korotkov V. F., Zyryanov R. S. Source type recognition algorithm of radio emission using radial basis functions. Izvestiya Vysshikh Uchebnykh Zavedenii Rossii. Radioelektronika [Journal of the Russian Universities. Radioelectronics]. 2017, no. 1, pp. 12-16. (In Russian)

    Vladimir F. Korotkov - D.Sc. in engineering (2005), SRF (1998), lead engineer of "Special Technology Center" Ltd (Saint Petersburg). The author of 57 scientific publications. Area of ​​expertise: passive location; analysis and processing of location signals. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

    Roman S. Zyryanov - bachelor on nanotechnologies and micro system technics (2015), 2nd year Master's Degree student of Saint Petersburg Electrotechnical University "LETI". The author of six scientific publications. Area of ​​expertise: big data; data mining; image fractal analysis. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.


    Ключові слова: НЕЙРОННА МЕРЕЖА /NEURAL NETWORK /РАДІАЛЬНО-симетричних БАЗИСНА ФУНКЦІЯ /RADIALLY SYMMETRIC BASIS FUNCTION /РОЗПІЗНАВАННЯ ТИПУ джерело радіовипромінювання /RADIO SOURCE RECOGNITION

    Завантажити оригінал статті:

    Завантажити