Нейровизионное распознавание сигнальных радиоизображений

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.

1. Терлецкий А.С., Терлецкая Е.С. Нейронные сети и искусственный интеллект: Основы нейронных сетей на языке Python. Липецк: Липецкий государственный педагогический университет имени П.П. Семенова-Тян-Шанского; 2023, 76 с. https://www.elibrary.ru/ugipee

2. Торгаев С.Н., Лежнина И.А., Шульга И.Д. Практическое руководство по цифровой обработке сигналов: цифровые фильтры и обработка ЭКГ сигналов. Томск: ООО «СТТ»; 2020, 112 с. https://www.elibrary.ru/rupfct

3. Царегородцев М.А. Многопотоковая численная реализация криптографических алгоритмов параллельного действия для защиты конфиденциальной информации в оборонно-промышленных комплексах при ее обработке, хранении и передачи в облачное хранилище больших данных. Альманах Пермского военного института войск национальной гвардии. 2023;4(12):104–112. https://www.elibrary.ru/vvtbii

4. Курушин А.А. Гибридное моделирование в HFSS ANSYS: учебное пособие. М.: СОЛОН-Пресс; 2023, 292 с.

5. Банков С.Е., Курушин А.А. Расчет антенн и СВЧ структур с помощью HFSS Ansoft. М.: ЗАО «НПП «РОДНИК»; 2009, 256 с.

6. Кожемяко В.А. Получение отклика сигнала от объекта в САПР Ansys. В сб.: Актуальные проблемы и перспективы развития радиотехнических и инфокоммуникационных систем («Радиоинфоком-2024»): Сборник научных статей по материалам VIII Международной научно-практической конференции. Москва, 18–22 ноября 2024 г. М.: РТУ МИРЭА; 2024. С. 381–384. https://www.elibrary.ru/mwzoxe

7. Иванова В.Ю., Соловьев Д.О. Обзор методов обработки больших данных с использованием Apache Spark, библиотеки Pandas и SQL. Наукосфера. 2024;5(1):43–47. https://doi.org/10.5281/zenodo.11241367, https://www.elibrary.ru/uljwcm

8. Хабиб Ж.М.Т., Погуда А.А. Сравнение методов анализа настроений глубокого обучения, включая LSTM и машинное обучение. Открытое образование. 2023;27(4):60–71. https://doi.org/10.21686/1818-4243-2023-4-60-71

9. Казанцев Т. Искусственный интеллект и машинное обучение. Основы программирования на Python. ЛитРес: Самиздат; 2020, 123 с.

10. Большаков Н.И., Сидорова Е.В. Сравнительный анализ методов машинного обучения для задач классификации данных. Математические методы в технологиях и технике. 2023;8:66–71. https://elibrary.ru/zdgmrk

11. Kouemou G., Opitz F. Impact of Wavelet-Based Signal Processing Methods on Radar Classification Systems Using Hidden Markov Models. In: 2008 International Radar Symposium. Wroclaw, Poland. 2008. https://doi.org/10.1109/IRS.2008.4585763

12. Шевченко А.С., Самарин В.А. Нейронные сети: учебное пособие. М.: Ай Пи Ар Медиа; 2025, 181 с.

13. Смирнов Е.Е., Костылева В.В., Муртазина А.Р., Разин И.Б. Сравнение сверточных и полносвязных нейронных сетей применительно к задачам распознавания изображений. Известия высших учебных заведений. Технология текстильной промышленности. 2023;5(407):236–242. https://elibrary.ru/gvpmpa

14. Парамонов А.А., Нгуен В., Нгуен М. Многозадачная нейронная сеть в задаче распознавания вида QAM- и PSK-модуляции в условиях параметрической априорной неопределенности. Russian Technological Journal. 2023;11(4):49–58. https://doi.org/10.32362/2500-316X-2023-11-4-49-58

15. Абдулкадиров Р.И., Алиханов А.А., Айдамиров Н.О., Бабаян Р.А., Дадалян А.А., Давыдов Н.М. Сравнительный анализ алгоритмов оптимизации на примере различных тестовых функций. В сб.: Высокопроизводительные вычисления для решения прикладных задач: Сборник материалов XII (69-й) ежегодной научно-практической конференции студентов, преподавателей и молодых ученых Северо-Кавказского федерального университета, Ставрополь, 14–27 апреля 2025 года. Ставрополь; 2025. С. 17–21. https://elibrary.ru/dqdcfh

16. Гаунов С.Р., Баймурадов У.Г., Ситников С.Ю. Машинное обучение на Python: использование библиотек Tensorflow и ScikitLearn. Экономика и управление: проблемы, решения. 2024;8(12-153):72–81. https://doi.org/10.36871/ek.up.p.r.2024.12.08.009