Распознавание образов на радиолокационных изображениях
Аннотация
В работе рассматриваются современные проблемы распознавания радиолокационных изображений пространственно-распределенных целей (ПРЦ) средствами космического мониторинга. Работа содержит обзор современного состояния проблемы распознавания радиолокационных изображений ПРЦ и обоснование необходимости разработки новых эффективных методов классификации.
Предлагается адаптивный алгоритм классификации ПРЦ, который включает в себя математическую модель цели и отраженного сигнала, а также многоальтернативную проверку гипотез относительно различных классов ПРЦ.
В работе сравниваются классческие подходы к классификации, параметрические методы обучения и методы, основанные на машинном обучении в задачах определения ракурса и размера ПРЦ. Рассматриваются следующие методы: метод максимальной суммы в задаче определения ракурса ПРЦ, метод наименьших квадратов в задаче определения ракурса ПРЦ, искусственные нейронные сети в задаче определения ракурса ПРЦ (архитектура CNN), Байесовский классификатор в задаче определения типа ПРЦ, параметрические методы в задаче определения типа ПРЦ и искусственные нейронные сети в задаче определения типа ПРЦ (архитекрутры CNN и FFNN).
По итогам разработана и проверена на практике математическая модель цели и отраженного сигнала, позволяющая учитывать сложные физические процессы, влияющие на формирование радиолокационных изображений ПРЦ. Разработан и апробирован на модельных и реальных РЛИ адаптивный алгоритм классификации ПРЦ, обеспечивающий высокую точность классификации при изменяющихся условиях наблюдения. Предложен оригинальный метод определения ракурса ПРЦ на основе преобразования двумерного радиолокационного изображения к одномерному сигналу, показана его эффективность и высокая точность. Показано, что что среди всех алгоритмов распознавания типа ПРЦ Байесовский классификатор обеспечивает максимальную точность при известном отношении сигнал-шум с точностью до 15%. Получена оценка минимального количества отсчетов ПРЦ в задаче определения ракурса с шагом 10° и точностью не менее 95% при различных условиях наблюдения: метод максимальной суммы ― 20, метод наименьших квадратов ― 30, CNN ― 15. Таким образом, разрешающая способность устройства должна быть около 5–7 м для эффективного использования современных РСА.
В перспективе планируется разработка более сложных математических моделей для учета дополнительных факторов, влияющих на формирование радиолокационных изображений ПРЦ. Кроме того, будет исследовано применение методов глубокого машинного обучения для классификации ПРЦ с учетом дополнительных признаков, таких как спектральные характеристики сигналов. Также планируется дальнейшее совершенствование адаптивных алгоритмов для автоматического определения параметров наблюдения и адаптации к изменяющимся условиям.
The work examines modern problems of recognizing radar images of spatially distributed targets (SDT) using space-based monitoring means. The work provides an overview of the current state of the problem of recognizing radar images of SDT and justifies the need to develop new effective classification methods.
An adaptive algorithm for SDT classification is proposed, which includes a mathematical model of the target and the reflected signal, as well as a multiple hypothesis test for different SDT classes.
The work compares classical approaches to classification, parametric learning methods, and machine learning methods in the tasks of determining the aspect angle and size of SDT. The following methods are considered: the maximum sum method for determining the aspect angle of SDT, the least squares method for determining the aspect angle of SDT, artificial neural networks for determining the aspect angle of SDT (CNN architecture), Bayesian classifier for determining the SDT type, parametric methods for determining the SDT type, and artificial neural networks for determining the SDT type (CNN and FFNN architectures).
As a result, a mathematical model of the target and the reflected signal has been developed and tested in practice, which allows taking into account complex physical processes that influence the formation of radar images of SDT. An adaptive algorithm for SDT classification has been developed and tested on model and real radar images, providing high classification accuracy under changing observation conditions. An original method for determining the aspect angle of SDT based on transforming a two-dimensional radar image into a one-dimensional signal is proposed, and its effectiveness and high accuracy are shown. It is shown that among all algorithms for recognizing the SDT type, the Bayesian classifier provides maximum accuracy at a known signal-to-noise ratio with an accuracy of up to 15%. An estimate of the minimum number of SDT samples in the task of determining the aspect angle with a step of 10° and an accuracy of at least 95% under various observation conditions is obtained: the maximum sum method ― 20, the least squares method ― 30, CNN ― 15. Thus, the resolution of the device should be about 5-7 m for effective use of modern SAR.
In the future, it is planned to develop more complex mathematical models to account for additional factors influencing the formation of radar images of SDT. Additionally, the application of deep machine learning methods for SDT classification taking into account additional features, such as signal spectral characteristics, will be investigated. Further improvement of adaptive algorithms for automatic determination of observation parameters and adaptation to changing conditions is also planned.
Предлагается адаптивный алгоритм классификации ПРЦ, который включает в себя математическую модель цели и отраженного сигнала, а также многоальтернативную проверку гипотез относительно различных классов ПРЦ.
В работе сравниваются классческие подходы к классификации, параметрические методы обучения и методы, основанные на машинном обучении в задачах определения ракурса и размера ПРЦ. Рассматриваются следующие методы: метод максимальной суммы в задаче определения ракурса ПРЦ, метод наименьших квадратов в задаче определения ракурса ПРЦ, искусственные нейронные сети в задаче определения ракурса ПРЦ (архитектура CNN), Байесовский классификатор в задаче определения типа ПРЦ, параметрические методы в задаче определения типа ПРЦ и искусственные нейронные сети в задаче определения типа ПРЦ (архитекрутры CNN и FFNN).
По итогам разработана и проверена на практике математическая модель цели и отраженного сигнала, позволяющая учитывать сложные физические процессы, влияющие на формирование радиолокационных изображений ПРЦ. Разработан и апробирован на модельных и реальных РЛИ адаптивный алгоритм классификации ПРЦ, обеспечивающий высокую точность классификации при изменяющихся условиях наблюдения. Предложен оригинальный метод определения ракурса ПРЦ на основе преобразования двумерного радиолокационного изображения к одномерному сигналу, показана его эффективность и высокая точность. Показано, что что среди всех алгоритмов распознавания типа ПРЦ Байесовский классификатор обеспечивает максимальную точность при известном отношении сигнал-шум с точностью до 15%. Получена оценка минимального количества отсчетов ПРЦ в задаче определения ракурса с шагом 10° и точностью не менее 95% при различных условиях наблюдения: метод максимальной суммы ― 20, метод наименьших квадратов ― 30, CNN ― 15. Таким образом, разрешающая способность устройства должна быть около 5–7 м для эффективного использования современных РСА.
В перспективе планируется разработка более сложных математических моделей для учета дополнительных факторов, влияющих на формирование радиолокационных изображений ПРЦ. Кроме того, будет исследовано применение методов глубокого машинного обучения для классификации ПРЦ с учетом дополнительных признаков, таких как спектральные характеристики сигналов. Также планируется дальнейшее совершенствование адаптивных алгоритмов для автоматического определения параметров наблюдения и адаптации к изменяющимся условиям.
The work examines modern problems of recognizing radar images of spatially distributed targets (SDT) using space-based monitoring means. The work provides an overview of the current state of the problem of recognizing radar images of SDT and justifies the need to develop new effective classification methods.
An adaptive algorithm for SDT classification is proposed, which includes a mathematical model of the target and the reflected signal, as well as a multiple hypothesis test for different SDT classes.
The work compares classical approaches to classification, parametric learning methods, and machine learning methods in the tasks of determining the aspect angle and size of SDT. The following methods are considered: the maximum sum method for determining the aspect angle of SDT, the least squares method for determining the aspect angle of SDT, artificial neural networks for determining the aspect angle of SDT (CNN architecture), Bayesian classifier for determining the SDT type, parametric methods for determining the SDT type, and artificial neural networks for determining the SDT type (CNN and FFNN architectures).
As a result, a mathematical model of the target and the reflected signal has been developed and tested in practice, which allows taking into account complex physical processes that influence the formation of radar images of SDT. An adaptive algorithm for SDT classification has been developed and tested on model and real radar images, providing high classification accuracy under changing observation conditions. An original method for determining the aspect angle of SDT based on transforming a two-dimensional radar image into a one-dimensional signal is proposed, and its effectiveness and high accuracy are shown. It is shown that among all algorithms for recognizing the SDT type, the Bayesian classifier provides maximum accuracy at a known signal-to-noise ratio with an accuracy of up to 15%. An estimate of the minimum number of SDT samples in the task of determining the aspect angle with a step of 10° and an accuracy of at least 95% under various observation conditions is obtained: the maximum sum method ― 20, the least squares method ― 30, CNN ― 15. Thus, the resolution of the device should be about 5-7 m for effective use of modern SAR.
In the future, it is planned to develop more complex mathematical models to account for additional factors influencing the formation of radar images of SDT. Additionally, the application of deep machine learning methods for SDT classification taking into account additional features, such as signal spectral characteristics, will be investigated. Further improvement of adaptive algorithms for automatic determination of observation parameters and adaptation to changing conditions is also planned.