книги / Обнаружение, распознавание и пеленгация объектов в ближней локации
..pdfРис. 5.32. Ошибка тестирования робастной нейронной сети с пороговой активационной функцией:
1— 4 нейрона; 2 — 2 нейрона
в диапазоне относительных среднеквадратических значений шума от
Одо 10 % нейросети с пороговой и логистической активационными функциями практически лишены ошибок распознавания.
При дальнейшем увеличении шума средняя ошибка тестиро вания начинает возрастать. Следует отметить, что обучение с до бавлением шума снижает общую среднюю ошибку тестирования в присутствии шума по сравнению с исследованиями, проведенными ранее. Также менее заметно влияние на ошибку тестирования ко личества нейронов первого слоя нейросети и вида активационной функции в диапазоне изменения относительных среднеквадрати ческих значений шума от 0 до 10 %.
Основным результатом данных исследований явилась возмож ность применения процесса робастного обучения для улучшения ха рактеристик распознавания и обеспечения робастности нейросети.
Анализ полученных результатов позволяет сделать вывод о том, что в рассматриваемом случае при малом объеме обучающего множества и малом относительном уровне среднеквадратического значения шума (до 10 %) количество нейронов в первом слое при логистической и пороговой функциях активации можно выбрать равным двум.
Рис. 5.33. Ошибка тестирования робастной нейронной сети с логистической активационной функцией:
1— 4 нейрона; 2 — 2 нейрона
Структура нейросети может быть достаточно простой, напри мер содержать 32 входа, 2 нейрона в первом слое с пороговой функцией активации и 2 нейрона в выходном слое со ступенчатой функцией активации.
Нейросетевой тракт обработки интервалов между нулями входных реализаций
В качестве примера рассмотрим электрическую принципиаль ную схему нейросети для распознавания объектов по их акустиче ским излучениям (рис. 5.34). Схема нейросетевого блока распозна вания включается в работу на короткие моменты времени (равные 1с при пеленгации объекта) по сигналу «Упр.», поступающему с при емного устройства пеленгатора. Одновременно с этим сигнал «Вх.» поступает на счетчик длительности интервалов между нуля ми. Этот счетчик формирует шестиразрядный двоичный код, соот ветствующий весовому коэффициенту, который поступает на шину адреса постоянного запоминающего устройства (ПЗУ). В соответ ствии с двоичным кодом из ячейки ПЗУ выбирается восьмибитное слово, которое поступает на вход цифроаналогового преобразова теля (ЦАП), преобразующего цифровой код в соответствующее напряжение, пропорциональное весу связи нейрона. ПЗУ и ЦАП е данной схеме работают в импульсном режиме, а сама схема вклю-
чается лишь на одну секунду. Импульсный режим работы ПЗУ и ЦАП реализуется при помощи управляемого генератора, сигнал запуска которого поступает со схемы выделения интервалов меж ду нулями в конце каждого интервала. Далее напряжение, пропор циональное весу связи нейросети, поступает на вход цифроанало гового коммутатора, разветвляющего это напряжение по сигналу управляемого генератора на первый и второй нейроны за период 8 мкс. Каждый из нейронов построен по одинаковой схеме. Отли чие заключается лишь в весе связи, подключенном к каждому из нейронов.
Входной слой нейронов реализован на суммирующих интегра торах, построенных на базе микромощных операционных усили телей (ОУ) типа К140УД12. Подсчет количества интервалов задан ной длительности осуществляется высокоточным интегрированием напряжения по времени с определенным весом, выбор которого для первого и второго нейронов первого слоя осуществляется при помощи коммутатора. Пороговая активационная функция нейро нов первого слоя выполнена на усилителях-ограничителях, реали зованных на операционных усилителях К140УД12. С выходов усилителей-ограничителей (нейронов первого слоя) сигналы через весовую резистивную матрицу поступают на входы нейронов вто рого слоя, реализованные на базе суммирующих усилителей К140УД12, с выходов нейронов второго слоя сигналы поступают на входы выходных компараторов. Логическая единица на выходе первого компаратора свидетельствует о наличии в зоне действия пеленгатора самолета, логическая единица на выходе второго ком паратора — о наличии вертолета. Ток, потребляемый разработан ным трактом нейросети от источника напряжением 5 В в активном режиме («Объект есть»), составляет 420 мкА.
В рассматриваемом случае максимальная ошибка представ ления весовых коэффициентов первого слоя составила 5,7 %. Ос новное количество ошибок лежит в диапазоне от 0 до 2,5 %. Для оценки влияния изменения весовых коэффициентов на качество распознавания нейронной сети была исследована зависимость средней ошибки тестирования от относительного изменения ве совых коэффициентов (рис. 5.35). Как видно из рис. 5.35, измене ние ошибки представления весовых коэффициентов в рассматри ваемой системе от 0 до 10 % не приводит к увеличению средней ошибки распознавания нейросети. Поэтому хранение значений
Рис. 5.34. Схема электрическая принципиальная
нейросетевого тракта распознавания сигналов
Рис. 5.35. Зависимость ошибки тестирования от относитель ного изменения весов нейронов первого слоя
весовых коэффициентов в ПЗУ в рассматриваемом случае не будет сказываться на качестве распознавания сети.
Выше приведен пример применения нейросетевой технологии для решения задачи обработки сигналов на базе нейросетевого ал горитма распознавания объектов. Методика решения задачи дана на примере синтеза тракта распознавания типа аэродинамического объекта по их акустическому излучению.
Рассмотренная нейросетевая система распознавания и алго ритм ее построения являются достаточно универсальными. Они могут быть применены в других задачах распознавания, где апри орная неопределенность, отсутствие аналитической модели и ма лое количество реализаций реального сигнала не позволяют при менить классические методы синтеза систем обработки сигналов для получения высококачественного алгоритма распознавания объектов с малыми вероятностями ошибок распознавания.
Контрольные вопросы и задания
1. Составьте методику вычисления КМНР для векторов входных реализаций при помощи нейросетевых алгоритмов.
2.Составьте методику выбора информативных признаков и сокра щения размерности векторов входных реализаций в АИС БЛ, обрабаты вающих нецентрированные параметры сигналов, которая основана на регрессионных статистических характеристиках.
3.Сравните классические и регрессионный методы анализа раздели мости классов при распознавании образов в АИС БЛ.
4.Охарактеризуйте обусловленность вычислительной задачи и мат риц корреляционных моментов информативных признаков.
5.Опишите особенности робастного обучения нейросетей в АИС БЛ.
6.Сравните влияние времени обучения нейросети различных видов функций активации и количества нейронов входного и скрытых слоев.
7.Как изменяется время обучения при применении робастного под
хода?
8.Охарактеризуйте возможности технической реализации элементов нейросетевых трактов обработки сигналов в АИС БЛ.
6. МНОГОКАНАЛЬНЫЕ ПЕЛЕНГАТОРЫ ЛОКАЛИЗОВАННЫХ ИСТОЧНИКОВ ИЗЛУЧЕНИЯ
НА ФОНЕ РАСПРЕДЕЛЕННЫХ
ВПРОСТРАНСТВЕ ПОМЕХ
6.1.Методы формирования диаграмм направленности антенн и принципы построения
приемных каналов информационных систем
Визирование объекта относительно опорного направления в пеленгаторах локализованных источников излучений может быть осуществлено следующими методами: амплитудным, фазовым, амплитудно-фазовым, частотным и др. [26]. На практике чаще ис пользуются первые два, которые и будут рассмотрены далее.
Амплитудные методы основаны на использовании направленных свойств приемных антенн. Их подразделяют на методы максимума (рис. 6.1, а), минимума (рис. 6.1, б) и сравнения (рис. 6.1, в). Послед ние два предполагают наличие двух антенн для каждой из плоско стей, в которых осуществляется определение пеленга на объект. Суть перечисленных амплитудных методов ясна из их названия.
Фазовые методы пеленгации основаны на измерении разности фаз принимаемых колебаний двумя антеннами, разнесенными в пространстве на расстояние d (рис. 6.2):
A<p = (27c/A,)</sin0,
где X — длина волны колебаний; d — база; 0 — угол между нор малью к базе антенн и направлением на объект.
Допущения, при которых получена приведенная выше зави симость, будут рассмотрены ниже. Измеряя разность фаз, опреде ляют направление на объект:
0 = arcsin [Дф/(2nd/X)].
Рис. 6.1. Амплитудные методы формирования опорного на правления:
а— метод максимума; б— метод минимума; в — метод сравнения
Вкачестве фазочувствительного элемента используют фазо вый детектор, напряжение на выходе которого пропорционально
косинусу разности фаз (Un =к cos Дф). Полученная таким образом пеленгационная характеристика является четной.
Для определения направления смещения объекта от нормали к базе антенн в один из каналов вводят фазовращатель на я/2. Пеленгационная характеристика (7(6) при этом становится нечетной функцией:
£/(6) = Ядт[(2я/А.) rfsin 0],
где К — коэффициент усиления. Крутизна пеленгационной ха
рактеристики определяется отно шением d/X, т.е. точность пелен
4(О .Л (0 — реализация сигналов гации растет с увеличением от ношения d/X, однако при этом вследствие периодичности пелен
гационной характеристики возникает неоднозначность определе ния угла Дбщах- В некоторых случаях неоднозначность устраня ют, применяя направленные антенны. Фазовые методы имеют существенные преимущества перед амплитудными по стабиль ности характеристик и точности пеленгации, поэтому на прак тике чаще применяют разновидности фазового метода пеленга ции, в особенности для широкополосных сигналов: корреляци онный и спектральный методы, которым и уделено основное внимание в данной главе.
6.2. Математические модели и взаимные статистические характеристики сигналов
от локализованных объектов и распределенных в пространстве помех
Для обоснования потенциальных характеристик пеленгаторов локализованных источников широкополосных излучений на фоне распределенных в пространстве помех исследуем взаимные стати стические характеристики сигналов на выходах широкополосных антенн А\ и А2(см. рис. 6.2).