Способ классификации морских объектов на основе весовых коэффициентов их классификационных признаков

Предлагаемое изобретение относится к области радиоэлектроники и гидроакустики, а именно - к устройствам классификации шумов и сигналов морских целей. Устройство позволяет с заданной точностью для каждого временного интервала с момента обнаружения классифицировать шумы и сигналы целей. Изобретение основано на применении искусственной нейронной сети с рассчитанными заранее весовыми коэффициентами входных синапсов. Отличительной особенностью способа является возможность определения точности автоматической классификации на каждом временном интервале с момента обнаружения цели. Техническим результатом является возможность автоматической (автоматизированной) классификации шумов и сигналов морских целей в сроки, соответствующие нормативам операторов гидроакустических средств подводных лодок, а также повышение точности классификации за счет использования дополнительных классификационных признаков. 14 ил., 10 табл.

 

Настоящее изобретение относится к области гидроакустики и может быть использовано для построения систем автоматической (автоматизированной) классификации объектов, обнаруженных в различных трактах гидроакустического комплекса.

Поставленная задача решается за счет создания матрицы классификационных признаков, выявляемых в основных трактах гидроакустического комплекса (таких как шумопеленгование, гидролокация, миноискание, обнаружения гидроакустических сигналов, связь и опознавание, классификации (спектральный анализ огибающей и несущей сигнала), система контроля помех, а так же в слуховом канале) обладающих наибольшей информативностью.

Достигаемый технический результат заключается в определении весовых коэффициентов классификационных признаков на основе частоты их появления для различных классов целей. Высокая эффективность данного устройства дает возможность с минимальными временными затратами с высокой точностью определить следующие классы целей:

- залп торпедного оружия (ЗТО);

- мина (М);

- боевой пловец (БП);

- старт ракетного оружия (СРО);

- взрыв (В);

- подводная лодка (ПЛ);

- имитатор ПЛ (ИПЛ);

- прибор гидроакустического подавления (ГАП);

- шум биологического характера (ШБХ);

- рыболовный траулер (РТ);

- транспорт (TP);

- боевой надводный корабль (БНК);

- противолодочный вертолет (ВТ);

- противолодочный самолет (СМ);

- групповая цель (ГР);

- айсберг (А);

- полынья, разводье, кромка ледяного поля (Л);

- стационарные сооружения на море, буровые платформы (СТ);

- подводное навигационное препятствие (НП);

- собственная помеха (П).

Прототип. В настоящее время для решения этой задачи наибольшее распространение получил способ частотно-временной обработки сигнала принятого антенной тракта шумопеленгования [1, 3, 4]. Из предшествующих способов наиболее интересен способ получения информации о шумящем в море объекте (прототип; патент №2156984 от 27.09.2000 г.). Схема работы устройства приведена на Фиг. 1,

Этот способ содержит следующие операции:

- прием гидроакустического шумового сигнала с помощью сформированных характеристик направленности антенны;

- частотно-временная обработка сигнала, включающая формирование частотных диапазонов, детектирование, временное осреднение;

- индикация на экране трассы сигналов шумящего объекта в каждом частотном диапазоне.

Способ обеспечивает возможность одновременного обнаружения, классификации и определения дистанции до шумящего объекта.

Для решения задачи классификации в способ получения информации о шумящем объекте, содержащий прием гидроакустического шумового сигнала, частотно-временную обработку сигнала с формированием частотных диапазонов, детектирование и осреднение сигналов в частотных диапазонах, индикацию трассы сигналов в каждом частотном диапазоне, введены следующие операции:

- перед индикацией сигнал каждого частотного диапазона кодируют своим цветом, при этом яркость каждой цветовой компоненты определяется уровнем сигнала в соответствующем частотном диапазоне, а соединение цветовых компонент в цветное представление производят, например, так же, как на экране цветного кинескопа;

- производят индикацию цветового изображения сигнала шумящего объекта во времени, при этом результирующий цвет в каждой точке экрана при индикации определяется соотношением уровней сигнала в частотных диапазонах (индикаторная трасса цели);

- определение класса шумящего объекта и оценка дистанции до него путем сопоставления цвета индикаторной трассы сигнала объекта с цветовыми шкалами шумящих объектов разных классов по дистанции.

Недостатками данного способа является использование для классификации только тракта шумопеленгования, игнорируя информацию от трактов гидролокации, миноискания, обнаружения гидроакустических сигналов, связи и опознавания, классификации (спектрального анализа огибающей и несущей сигнала), системы контроля помех, а так же в слухового канала. Кроме того, в тракте шумопеленгования используется всего 2 классификационных признака - частотный диапазон и отношение сигнала к помехе, игнорируя такие классификационные признаки, как протяженность цели, величина изменения пеленга, устойчивость автоматического сопровождения цели, количества углов характеристики направленности, где наблюдается цель.

Таким образом, в данном способе классификация в общем случае производится по двум классам - сильношумящий объект и слабошумящий объект, что не дает достоверной картины оператору гидроакустического комплекса о надводной, подводной и воздушной обстановке.

Аналог. Также известен способ, распознавания (классификации) морских объектов, т.е. определение класса шумящего объекта, основанный на формировании признаковых описаний сигналов с использованием особенностей спектрального состава шумоизлучения объектов различных классов с представлением оператору результатов спектрального, корреляционного, взаимокорреляционного и взаимоспектрального анализов принятого сигнала в различных частотных диапазонах гидроакустических станций

Данный способ (аналог) [2, с. 141], реализующий указанный способ классификации, приведен на Фиг. 2,

Принцип действия данного устройства заключается в следующем:

Система распознавания (классификации) основывается на использовании оператором-гидроакустиком в процессе принятия решения об анализируемом объекте результатов распознавания автоматической системы.

Для формирования признаковых описаний гидроакустических сигналов используются такие методы измерения и анализа случайных процессов, как спектральный, корреляционный, статистический, взаимокорреляционный, взаимоспектральный анализы. Выбор признаков производят путем анализа всей информации в n-мерном пространстве признаков, из которого в другом пространстве получают минимизированное описание.

Устройство, реализующее данный способ, не отвечает основным техническим требованиям - надежности и времени распознавания объекта.

Предлагаемый способ. Как правило, во всех задачах классификации используется сочетание различных признаков, так как каждый в отдельности не обеспечивает требуемой вероятности правильного распознавания целей. Тракт классификации целей использует информацию как от систем первичной и вторичной обработки, так и собственные устройства для выделения необходимых признаков.

В процессе классификации необходимо выбрать те признаки, которые обладают большей информативностью. Количество используемых признаков определяется вероятностью правильной классификации.

Классификационные признаки могут принимать различные значения. Исходя из опыта эксплуатации гидроакустических комплексов, данные значения можно разбить на четыре диапазона для каждого классификационного признака. Для удобства применения в цифровой обработке они формализуем их цифровыми значениями от 0 до 3. Возможные варианты принятия значений отражены в таблице 1.

Из соображений защиты государственной тайны диапазоны обозначены буквами А, В, С и Д для каждого признака. Данные значения представлены в [5].

Матрицы классификационных признаков для групп целей по степени опасности представлены в таблице 2, таблице 3 и таблице 4 соответственно. Так в таблице 2 представлена матрица классификационных признаков для целей с признаками применения оружия.

В таблице 3 представлена матрица классификационных признаков боевых кораблей и авиации.

В таблице 4 представлена матрица классификационных признаков гражданских судов и шумов, создающих помехи работе гидроакустического комплекса.

Для определения весовых коэффициентов классификационных признаков морских целей необходимо определить частоту использования каждого значения классификационных признаков. Чем реже встречается значение признака, тем выше точность классификации и тем соответственно выше весовой коэффициент. Частота использования значений классификационных признаков приведена в таблице 5.

Расчет весовых коэффициентов осуществляется в следующей последовательности:

1. Определяются все факторы, для которых нужно определить весовой коэффициент.

2. Каждому фактору присваивается определенный ранг в зависимости от степени значимости фактора.

3. Суммируются ранговые значения всех факторов.

4. Ранг каждого фактора делится на сумму всех ранговых значений

Факторами, для которых нужно определить весовой коэффициент, являются классификационные признаки целей. Как уже было сказано ранее - чем реже встречается значение признака, тем выше точность классификации и тем соответственно выше ранг значимости фактора. Примем за ранг значимости дисперсию частоты встречаемости классификационного признака. Чем выше дисперсия частоты встречаемости классификационного признака, тем выше ранг значимости, тем точнее классификация.

где D(x_i) - дисперсия частоты встречаемости i-го классификационного признака, рассчитанная по данным таблицы 5 и представленная в таблице 6;

X_i - частота использования варианта значения i-го классификационного признака, представленная в таблице 5;

- математическое ожидание частоты использования варианта значения i-го классификационного признака;

n - количество вариантов значений классификационного признака.

Тогда весовой коэффициент i-го классификационного признака будет равен

Проранжированные данные весовых коэффициентов представлены в Таблице 6

Присвоение дискретному значению классификационного признака весового коэффициента позволяет решать неоднозначность классификации при противоречивости выявленных классификационных признаков. Данные представленного в статье ранжирования целесообразно использовать как в автоматической, так и в автоматизированной классификации шумов и сигналов морских целей.

Работает изобретение следующим образом:

Схематично работа изобретения представлена на Фиг. 3. Информация об окружающей подводной, надводной и воздушной обстановке поступает с антенн гидроакустического комплекса на соответствующие тракты в которых вырабатывается 31 классификационный признак, указанный в таблице 1, соответственно:

- 6 признаков в тракте шумопеленгования;

- 2 признака в тракте гидролокации;

- 6 признаков в тракте миноискания;

- 3 признака в тракте обнаружения гидроакустических сигналов;

- 2 признака в тракте связи и опознавания;

- 2 признака в системе контроля помех;

- 6 признаков в аппаратуре спектрального анализа;

- 4 признака в слуховом канале.

31 признак, представленные наборами данных о соответствии каждому из возможных вариантов значений признака за исключением варианта когда данные по признаку отсутствуют (в сумме 69 значений) попадает на 69 входов искусственной нейронной сети (в составе тракта классификации), представленной на Фиг. 4, Фиг. 5, Фиг. 6, Фиг. 7, Фиг. 8, Фиг. 9, Фиг. 10, Фиг. 11 и Фиг. 13. Значения на 20-и выходах искусственной нейронной сети представленной на Фиг. 12, являются числами от 0 до 1, отражающими оценку искусственной нейронной сети соответствия между наборами данных о признаках подаваемых на входы и 20-и классами целей представленных в таблице 2, таблице 3 и таблице 4. Далее эти значения подаются на (устройство построения диаграммы значений классификационных признаков), где классы целей группируются согласно таблицы 7, для отображения цветовым кодом. Затем информация о классах цели подается на индикатор, где отображаются в виде столбчатой диаграммы, представленной на Фиг. 14.

При подготовке обучающих выборок для обучения искусственной нейронной сети были применены частоты использования значений классификационных признаков представленных в таблице 5. В качестве искусственной нейронной сети используется многослойный перцептрон, с входным слоем, содержащим 69 искусственных нейронов, одним скрытым слоем, содержащим 31 искусственный нейрон, и выходным слоем, содержащим 20 искусственных нейронов. Структура сети представлена на Фиг. 13., параметры искусственных нейронов обученной сети представлены в Таблице 8

Весовые коэффициенты входов нейронов скрытого слоя представлены в Таблице 9

Весовые коэффициенты входов нейронов выходного слоя представлены в Таблице 10

Сравнительный анализ способа классификации морских объектов на основе весовых коэффициентов их классификационных признаков с прототипом и аналогом показал, что предлагаемый подход имеет более точную классификацию, чем у прототипа (31 оцениваемый классификационный признак против 2 классификационных признаков у прототипа), а так же меньшее время принятия решения, чем у аналога.

Список использованных источников

1. Величкин С.М., Миронов Д.Д., Антипов В.А., Зеленкова И.Д., Перельмутер Ю.С. Способ получения информации о шумящем в море объекте и способ получения цветовых шкал для него. Патент на изобретение №2156984 от 27.09.2000 г. (Прототип).

2. Деев В.В., Забродин Ю.Б., Пахомов А.П., Тенетко В.А., Титов М.С. Анализ информации оператором-гидроакустиком. - Л.: Судостроение, 1989, с. 141 (Аналог).

3. Бурдик B.C. Анализ гидроакустических систем. Л.: Судостроение, 1988, с. 377.

4. Евтютов А.П., Колесников А.С., Ляликов А.П. Справочник по гидроакустике. - Л.: Судостроение, 1982, с. 14, 15.

5. Балахонов П.Н. Весовые коэффициенты классификационных признаков морских целей Спб.: Межведомственная НТК, рецензируемый сборник статей и докладов №2(20) - 2017 год, ВМПИ, с. 299-304.

Способ классификации морских объектов на основе весовых коэффициентов их классификационных признаков, содержащий решение задачи автоматизированной (автоматической) классификации морских объектов, отличающийся повышением точности классификации и сокращением времени распознавания объекта, дополнительно используется искусственная нейронная сеть на 69 входов (по количеству значений классификационных признаков) и 20 выходов (по количеству распознаваемых классов целей), при подготовке обучающих выборок для искусственной нейронной сети применяются частоты использования значений классификационных признаков для всех классов целей.