Кожемяко Владислав Александрович, ассистент, кафедра радиоволновых процессов и технологий, Институт радиоэлектроники и информатики
119454, Москва, пр-т Вернадского, д. 78
Vladislav A. Kozhemyako, Assistant, Department of Radio Wave Processes and Technologies, Institute of Radio Electronics and Informatics
78, Vernadskogo pr., Moscow, 119454
Ярлыков Алексей Дмитриевич, к.т.н., старший преподаватель, кафедра радиоволновых процессов и технологий, Институт радиоэлектроники и информатики
Scopus Author ID 57290652000
119454, Москва, пр-т Вернадского, д. 78
Alexey D. Yarlykov, Cand. Sci. (Eng.), Senior Lecturer, Department of Radio Wave Processes and Technologies, Institute of Radio Electronics and Informatics
Scopus Author ID 57290652000
78, Vernadskogo pr., Moscow, 119454
Цели. Целями работы являются: создание комбинированного нейровизионного алгоритма распознавания сигнальных радиоизображений объектов в режиме реального времени с использованием технологий машинного обучения и нейронной сети с полносвязной архитектурой и аугментацией данных; повышение вероятности правильной классификации при нейровизионной обработке сигналов.
Методы. В работе применены методы электродинамического моделирования, машинного обучения (линейная регрессия, классификация, случайный лес) и глубокого обучения (полносвязные нейронные сети). Применена техника бэггинга. Проведена оценка показателей точности классификации объектов и статистических критериев воспроизводимости радиоизображений.
Результаты. Разработан комбинированный нейровизионный метод распознавания объектов, показавший вероятность правильной классификации любого из переданных к обучению объектов с заданными форм-факторами не менее 0.97 при использовании аугментированных данных. Показано, что аугментация данных повышает вероятность правильной классификации нейронной сетью на 0.04. Полученные результаты подтвердили адекватность нейросетевых методов для задач нейровизионного распознавания объектов по сравнению с методами машинного обучения, прежде всего, при ограниченной базовой выборке объектов для обучения нейронной сети. Предложенный метод исследован для базисной классификации сферических и кубических моделей объектов в сантиметровом радиочастотном диапазоне частот.
Выводы. Нейронные сети с аугментацией данных демонстрируют вероятность правильной классификации свыше 0.97 в задачах нейровизионного распознавания радиоизображений в сравнении с нейронными сетями без аугментации данных (ниже на 0.04) и методами машинного обучения (ниже на 0.13). Методы машинного обучения уступают нейросетям в воспроизводимости радиоизображений, однако являются незаменимыми при ограниченных ресурсах вычислительной мощности. Для применения в реальных условиях требуются расширение базы данных за счет натурных экспериментов и применение гибридных архитектур нейронных сетей.
Objectives. The study set out to solve the problem of radiovision classification of objects based on identified features by developing a combined neurovision algorithm for real-time recognition of signal radio images of objects using machine learning (ML) technologies and a fully connected neural network with data augmentation, as well as to improve the probability of correct classification in neurovision signal processing.
Methods. In the study, several methods were used: electrodynamic modeling, machine learning (linear regression, classification, and Random Forest), and deep learning (fully connected neural networks). The bootstrap aggregating (bagging) technique was also employed. An assessment of object classification accuracy metrics and statistical criteria for the reproducibility of radio images was carried out.
Results. A combined neurovision object recognition method was developed that demonstrated a probability of correct classification of at least 0.97 for any of the objects transmitted for training with specified form factors when using augmented data. Data augmentation was shown to increase the neural network’s probability of correct classification by 0.04. The obtained results confirm the adequacy of neural network approaches compared to classical ML methods for neurovision object recognition, particularly when dealing with a limited base dataset of objects for neural network training. The proposed method was tested for basic classification of spherical and cubic object models in the centimeter radio frequency range.
Conclusions. Neural networks with data augmentation demonstrate a probability of correct classification exceeding 0.97 for neurovision recognition of radio images as compared to neural networks without data augmentation (0.04 lower) and traditional ML methods (0.13 lower). Although ML methods are inferior to neural networks in radio image reproducibility, they remain indispensable in cases where computational resources are limited. For real-world applications, database expansion through field experiments and the implementation of hybrid neural network architectures are required.
The authors declare that there are no conflicts of interest present.