Применение искусственного интеллекта для оптимизации алгоритмов обработки сигналов радиолокационных систем

Искусственный интеллект, особенно методы глубокого обучения, могут существенно улучшить способность РЛС обнаруживать цели на фоне помех. Применение искусственного интеллекта в задаче классификации РЛИ объектов военной техники продемонстрировало высокую точность, к примеру нейронные сети могут обрабатывать большие объемы данных и выявлять эффективный способ решения характерных задач проектирования, которые сложно уловить традиционными методами [1, с. 71-81].

На основе разработанного композиционного метода получены алгоритмы пространственно-временной обработки сигналов в многолучевых РЛС. Проблема защиты радиоэлектронных средств от различного рода помех как естественного, так и искусственного происхождения имеет исключительно важное значение. В связи с непрерывным развитием средств радиопротиводействия, совершенствованием тактики их применения, ответственности и сложности решаемых радиоэлектронными средствами надгоризонтной радиолокации задач актуальность указанной проблемы постоянно возрастает.

Среди задач, подлежащих решению современными и перспективными средствами радиолокации, к важнейшим следует отнести:

• обнаружение и сопровождение в сложной помеховой обстановке большого числа воздушных целей, обладающих широким диапазоном скоростей и эффективностью маневра;
• увеличение дальности обнаружения; обеспечение высоких точных характеристик и скорости обновления информации о целях.

Наиболее полно эти задачи могут быть решены в многоканальных адаптивных радиолокационных системах, которым в настоящее время уделяется большое внимание благодаря их многофункциональности и высоким потенциальным возможностям. Однако, реализация многоканальных адаптивных систем на базе традиционных подходов, предусматривающих использование параллельного весового суммирования входных сигналов, приводит на практике к резкому снижению основных технических характеристик таких систем особенно по мере увеличения числа приемных каналов и усложнения сигнально-помеховой обстановки.

Принципиально новые возможности при решении задачи повышения эффективности функционирования многоканальных адаптивных систем в указанных условиях дает использование разработанного авторами композиционного метода пространственно-временной обработки сигналов. Преимущества композиционного метода по сравнению с традиционными подходами были рассмотрены в применительно к однолучевым многоканальным адаптивным системам защиты от активных шумовых помех [2, с. 66-69].

Задача распознавания является одной из самых распространенных для нейросетевой технологии. Именно в задачах распознавания впервые были применены нейронные сети и в этих же задачах они находят наиболее широкое применение в практических приложениях. В этом направлении ведутся интенсивные работы по самым различным направлениям. Полученные результаты свидетельствуют о высокой эффективности систем распознавания, реализованных на нейросетевых принципах. При этом достигается гибкость работы системы распознавания и обеспечивается устойчивость при изменениях внешней обстановки.

В качестве признаков, на основе которых обычно проводится распознавание, используются сигнальные и траекторные признаки, радиолокационные портреты, получаемые на этапе первичной обработки.

Оценка замены традиционных жестких алгоритмов нейросетями показывает, что с их помощью теоретически возможно обеспечить увеличение вероятностей распознавания сложных классов целей приблизительно в 1,5 раза [3].

В настоящее время помимо задач распознавания класса цели, реализованных в современных РЛС, может рассматриваться задача распознавания ситуаций. В отличие от традиционной системы распознавания при этом в качестве распознаваемых категорий выступают не только классы целей, но и типовые ситуации (накопление и анализ информации о воздушной обстановке, полученной РЛС, например, при ежедневной работе по графику). Это позволяет, с одной стороны, уже на этапе вторичной обработки информации осуществлять контроль использования воздушного пространства и выявлять нарушения, а с другой – повысить вероятности распознавания класса цели в некоторых случаях типа за счет более полного учета взаимоувязанных факторов. Часть признаков, которые могут быть использованы при распознавании, носят нечеткий характер. Реализация их обработки в традиционных системах распознавания затруднена. При этом нечеткие признаки или принудительно преобразуются в четкие со значительной потерей информативности, или вообще не используются. Нейронные сети способны свободно оперировать нечеткой информацией, используя при этом задаваемую потребителем алгебру операций. Реализация таких систем для распознавания классов целей позволяет значительно повысить качество распознавания.

Во время обучения система корректирует свои параметры для повышения точности алгоритмов, связанных с оценкой положения и траектории объектов. После достаточного обучения ИИ может обрабатывать новые, ранее неизвестные ему данные в том же формате, что и файлы, на которых обучалась модель. Наиболее впечатляющее преимущество технологий ИИ заключается в том, что их можно использовать для автоматизации повторяющихся задач.

В заключении хотелось бы сказать, что внедрение ИИ в обработку сигналов РЛС открывает новые горизонты для повышения точности и качество обнаружения, классификацию целей, надежности и адаптивности этих систем, а так же повысив общую эффективность работы РЛС. Российские исследователи активно работают в области развитии ИИ, предлагая новые подходы и методики, что подчёркивает важность и актуальность применения ИИ в военных и гражданских целях.