Система оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей Российский патент 2021 года по МПК G01S15/04 G01S13/12 

Изобретение относится к гидроакустике и может быть использовано для построения интеллектуальных автоматизированных систем классификации морских целей, обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов.

Принцип работы параметрических антенн основан на использовании естественных нелинейных свойств морской среды (см. Новиков Б.К., Тимошенко В.И. Параметрические антенны в системах гидролокации. - Л.: Судостроение. - 1990. - С. 17-40,203-225; Мироненко М.В., Малашенко А.Е., Карачун Л.Э., Василенко A.M. Низкочастотный просветный метод дальней гидролокации гидрофизических полей морской среды: монография. -Владивосток: СКБ САМИ ДВО РАН, 2006. - 173 с.; Пятакович В.А., Василенко A.M., Филиппова А.В. Технология создания автоматизированной системы дальнего приема и нейросетевой классификации гидрофизических полей морских акватории. - Известия Тульского государственного университета. Технические науки. Вып.7. Тула: Изд-во ТулГУ, 2017. - С. 247-258; Пятакович В.А., Василенко A.M., Рычкова В.Ф. Интеллектуальная система нейросетевой классификации морских целей. - Морские интеллектуальные технологии. - СПб.: 2018. №2 (40). том 2. - С. 115-120; Пятакович В.А., Рычкова В.Ф., Филиппов Е.Г. Нейронные сети как вариант вычислительной структуры системы классификации морских целей. -Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 163-174; Пятакович В.А., Суров А.Б., Рычкова В.Ф. Расчет эффективности классификации целей интеллектуальной системой ВМФ, использующей комплекс вычислительных операций нейронных сетей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 175-185; Пятакович В.А., Николаев А.В., Костиков Е.А. Автоматизация обработки информации в интеллектуальной системе морского мониторинга. - Проблемы машиностроения и автоматизации. - М.: 2020. №4. - С. 72-79). При использовании буксируемых за морскими судами многоэлементных параметрических антенн, дополнительно к естественным свойствам среды, используются нелинейные свойства кильватерного следа.

Исследованиями и испытаниями параметрических антенн, использующих высокочастотную накачку морской среды (десятки-сотни кГц) показано, что их недостатками, как измерительных систем, являются малая дальность параметрического приема волн (сотни метров и только в отдельных случаях 1-2 километра) и ограниченная возможность измерения пространственно-временных характеристик сигналов, что особенно проявляется при приеме волн различной физической природы низкого, инфразвукового и дробного диапазонов частот.

Параметрические антенны, работа которых основана на низкочастотной подсветке (накачке) среды слабозатухающими сигналами с частотой десятки-сотни герц, представляют собой сформированные в морской среде протяженные объемные зоны нелинейного взаимодействия и параметрического преобразования сигналов. Что приводит к увеличению дальности параметрического приема волн в десятки-сотни раз, относительно высокочастотных параметрических антенн (см. Мироненко М.В., Малашенко А.Е., Василенко A.M. и др. Нелинейная просветная гидроакустика и средства морского приборостроения в создании Дальневосточной радиогидроакустической системы освещения атмосферы, океана и земной коры, мониторинга их полей различной физической природы: монография. -Владивосток: Изд-во Дальневост. ун-та, 2014. - 404 с.; Малашенко А.Е., Мироненко М.В., Чудаков М.В., Пятакович В.А. Дальний параметрический прием электромагнитных волн, формируемых техническими источниками в морской среде. Датчики и системы - М.: 2016. - №8-9 (206). - С. 14-18; Мироненко М.В., Василенко A.M., Пятакович В.А. Дальний параметрический прием и классификация морских целей. Морской сборник. - М: 2017. Т. 2048. №11. - С. 72-75; Пятакович В.А., Василенко A.M., Рычкова В.Ф. Способ классификации подводных технических объектов экспертной интеллектуальной системой с приемной параметрической антенной. Морские интеллектуальные технологии. - СПб.: 2018. №2 (40). том 2. - С. 121-126; Пятакович В.А., Василенко A.M., Рычкова В.Ф. Перспективные методы решения научной проблемы классификации целей нейросетевой экспертной системой при мониторинге морской обстановки. Морские интеллектуальные технологии. -СПб.: 2018. №4 (42) Том 5. С. 139-148; Пятакович В.А., Рычкова В.Ф., Филиппов Е.Г. Нейронные сети как вариант вычислительной структуры системы классификации морских целей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 163-174; Пятакович В.А., Суров А.Б., Рычкова В.Ф. Расчет эффективности классификации целей интеллектуальной системой ВМФ, использующей комплекс вычислительных операций нейронных сетей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 175-185; Пятакович В.А., Николаев А.В., Костиков Е.А. Автоматизация обработки информации в интеллектуальной системе морского мониторинга. - Проблемы машиностроения и автоматизации. - М: 2020. №4. - С. 72-79).

Низкочастотные пространственно-развитые параметрические антенны формируются и функционируют на основе закономерностей многолучевого распространения просветных акустических волн (сигналов накачки морской среды стабилизированной частоты в диапазоне десятки-сотни герц) в протяженном гидроакустическом канале с переменными характеристиками среды и его границ. Дальний параметрический прием информационных волн основан на закономерностях нелинейного взаимодействия и параметрического преобразования излученных просветных волн с волнами, генерируемыми техническими объектами (морскими целями), при их совместном распространении в морской среде. Диапазон частот принимаемых волн составляет десятки-единицы килогерц, сотни-десятки-единицы-доли герц, включая сверхнизкочастотные (СНЧ) колебания движущихся объектов.

Наиболее близкой по технической сущности к заявляемому изобретению является Интеллектуальная система (пат.№2681242 С1 РФ, МПК G01S 15/04 (2018.08) «Интеллектуальная система обнаружения и классификации морских целей». Опубл. 05.03.2019. Бюл. №7), включающая в себя сформированную в морской среде рабочую зону нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн, причем длина рабочей зоны равна протяженности контролируемого участка морской среды, для чего излучающий и приемный преобразователи размещены на противоположных границах участка, при этом вход излучающего преобразователя соединен подводным кабелем с выходом тракта излучения сигналов накачки, который содержит последовательно соединенные генератор сигналов накачки стабилизированной частоты, усилитель мощности и блок согласования его выхода с подводным кабелем, а выход приемного преобразователя соединен подводным кабелем с входом тракта приема, обработки и регистрации информационных сигналов, который содержит последовательно соединенные широкополосный усилитель, преобразователь частотно-временного масштаба, спектроанализатор и функционально связанный с ним регистратор, а также тракт нейросетевого распознавания и классификации, содержащий блок распознавания класса цели по амплитудно-частотным характеристикам, охваченный обратной связью с блоком обучения; при этом выход спектроанализатора тракта приема, обработки и регистрации информационных сигналов соединен с входом блока распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации, на выходе которого формируется сигнал по типу цели согласно степени принадлежности исследуемой области спектра объекту классификации.

Известно, что результатом параметрического преобразования взаимодействующих волн является их взаимная амплитудно-фазовая модуляция. Малое отличие частот (в пределах одного порядка) просветных волн и волн, генерируемых объектом, обеспечивает наиболее интенсивное их взаимодействие. Амплитуда взаимодействующих волн и индекс фазовой модуляции могут быть представлены в следующем виде

где γ - коэффициент нелинейности морской среды; ω_n, ω_с - частота волны накачки и полезного сигнала, соответственно; Р_n,Р_c - затухание волны накачки и полезного сигнала, соответственно; V - объем среды нелинейного взаимодействия и параметрического преобразования волн; R - расстояние от точки излучения до точки расположения объекта; ρ₀ - плотность, с₀ -скорость звука в морской среде.

Сформированные в результате преобразования просветных волн параметрические составляющие суммарной и разностной частоты при обработке широкополосных сигналов выделяются как признаки амплитудно-фазовой модуляции, что обосновано математическими зависимостями и подтверждено результатами морских экспериментов (см. Мироненко М.В., Малашенко А.Е., Карачун Л.Э., Василенко A.M. Низкочастотный просветный метод дальней гидролокации гидрофизических полей морской среды: монография. - Владивосток: СКБ САМИ ДВО РАН, 2006. - 173 с.; Пятакович В.А., Василенко A.M., Мироненко М.В.; Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: - монография. - Владивосток: Дальневост. федерал, ун-т, 2016 190 с. ISBN 978-5-7444-3790-9; Мироненко М.В., Пятакович В.А., Василенко A.M. Результаты экспериментальных исследований способа определения профиля морского объекта и реализующей его системы. - Мониторинг. Наука и технологии. 2017. - №2(31) - С. 64-69).

Спектр взаимодействующих волн состоит из бесконечного числа боковых составляющих, частоту и амплитуду которых можно найти из известного выражения

Где - результирующее и мгновенное значения давления модулированной волны, соответственно; 2ω_с - удвоенная частота модулированной волны; Ω - волна, генерируемая объектом; t - время; J_n- функции Бесселя n-го порядка; А_n - амплитуда модулированной волны; m_р - коэффициент модуляции. Как видно из выражения, значения частот боковых составляющих отличаются от удвоенной центральной частоты 2ω (равной сумме частот взаимодействующих волн) на величину ±n⋅Ω, где n -любое целое число. Амплитуды боковых составляющих для соответствующих частот (2ω±nΩ) определяются величиной множителя При малых значениях коэффициента модуляции m_р спектр взаимодействующих волн приближенно состоит из удвоенной центральной частоты 2ω и ее боковых частот 2ω+Ω и 2ω-Ω.

Недостатком системы-прототипа является отсутствие в структурной схеме тракта регулирования параметров формирования и редукции выборок, который должен обеспечивать комплексное сокращение размерности данных при автоподстройке базы правил, исходя из выборки значений параметров объекта классификации, формирование сигнала с номером продукционного правила и типа функции принадлежности типу цели для оптимизации вычислительных процессов, выполняемых в тракте нейросетевого распознавания и классификации, обеспечивающем конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект), что ограничивает функциональные возможности системы-прототипа. Задача, на решение которой направлено заявляемое изобретение, заключается в дальнейшей разработке структурной схемы системы-прототипа для ее реализации как системы оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, которая должна распознавать класс цели по амплитудно-частотным характеристикам сигналов в автоматизированном режиме работы.

Техническим результатом предлагаемого изобретения является автоматизация процесса распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов, комплексное сокращение размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов математических моделей морских целей, осуществляемой при помощи тракта регулирования параметров формирования и редукции выборок, необходимых для реализации конечного процесса классификации в тракте нейросетевого распознавания и классификации, что обеспечивает повышение вероятности правильной классификации морской цели на 7-9% больше, чем при использовании прототипа.

Указанный технический результат достигается путем формирования и редукции выборки эталонных образцов математических моделей морских целей трактом регулирования параметров формирования и редукции выборок, самостоятельно производящим автоподстройку своей базы правил и ее нейро-нечеткую коррекцию, с применением вычислительных операций нечетких нейронных сетей с генетической настройкой параметров, для оперативно обновляемой библиотеки спектрограмм морских целей блока обучения тракта нейросетевого распознавания и классификации, обеспечивающего конечное классификационное решение по обнаруженным морским целям.

Для решения поставленной задачи система оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, содержит сформированную в морской среде рабочую зону нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн, причем длина рабочей зоны равна протяженности контролируемого участка морской среды, для чего излучающий и приемный преобразователи размещены на его противоположных границах, при этом вход излучающего преобразователя соединен подводным кабелем с выходом тракта излучения сигналов накачки, который содержит последовательно соединенные генератор сигналов накачки стабилизированной частоты, усилитель мощности и блок согласования его выхода с подводным кабелем, а выход приемного преобразователя соединен подводным кабелем с входом тракта приема, обработки и регистрации информационных сигналов, который содержит последовательно соединенные широкополосный усилитель, преобразователь частотно-временного масштаба, спектроанализатор и функционально связанный с ним регистратор. При этом выход спектроанализатора тракта приема, обработки и регистрации информационных сигналов соединен с входом блока распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации, охваченного обратной связью с блоком обучения тракта нейросетевого распознавания и классификации.

Принципиальным отличием от прототипа является то, что дополнительно введен тракт регулирования параметров формирования и редукции выборок, содержащий блок нечетких правил и функций, вход которого соединен с выходом блока обучения тракта нейросетевого распознавания и классификации, а выход соединен с входом логического устройства формирования и редукции выборок, функцию которого выполняет комбинированная распознающая сеть, состоящая из сетей Кохонена -Гросберга и адаптивной нейро-нечеткой сети ANFTS, использующая гибридный алгоритм обучения, и охваченный обратной связью с блоком фаззификации, при этом выход логического устройства формирования и редукции выборок соединен с входом блока фаззификации, выход которого соединен с входом блока дефаззификации и автоматического регулирования базы правил, самостоятельно производящего автоподстройку своей базы правил, исходя из выборки математических моделей морских целей, на выходе которого формируется сигнал номера нового продукционного правила, а также новый тип функции принадлежности типу цели для блока обучения тракта нейросетевого распознавания и классификации, далее на выходе блока распознавания и классификации цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации, обеспечивающего конечное классификационное решение по обнаруженным морским целям, формируется сигнал по типу цели согласно степени принадлежности исследуемой области спектра объекту классификации.

Введение тракта регулирования параметров формирования и редукции выборок обеспечивает комплексное сокращение размерности данных при автоподстройке базы правил, исходя из выборки значений параметров объекта классификации, формирование сигнала с номером продукционного правила и типа функции принадлежности типу цели для оптимизации вычислительных процессов, выполняемых в тракте нейросетевого распознавания и классификации, обеспечивающем конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект). Как известно, извлечение полезной информации из гидроакустических сигналов определяет основы алгоритмизации обработки данных в системе оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей. Для формирования вектора признаков, являющегося входным информационным массивом распознающей сети, используется метод масок. Процесс формирования информационных массивов необходим для решения двух задач, первая из которых представляет собой процесс формирования эталонных образцов, необходимых для реализации процесса обучения распознающей сети, и вторая для распознавания целей (см. Пятакович В.А., Богданов В.И., Назаренко П.К. Принцип автоматического распознавания образа цели: материалы Международной конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов». - Ульяновск: УГУ, 2003. - С. 31, 32; Пятакович В.А., Василенко A.M., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Мор. гос. ун-т, 2017. - 255 с; Пятакович В.А., Василенко A.M., Хотинский О.В. Нейросетевые технологии в интеллектуальных системах обнаружения и оперативной идентификации морских целей: монография. - Владивосток: Мор. гос. ун-т, 2018. - 263 с.; Пятакович В.А., Василенко A.M., Пашкеев СВ. Автоматизированная система мониторинга морской среды для решения задач обнаружения технического объекта. - Двойные технологии. - М.: 2018. №4 (85). - С. 85-88; Пятакович В.А., Рычкова В.Ф. Параметрическая оптимизация нейросетевой системы классификации морских целей по критерию надежности. - Морские интеллектуальные технологии. - СПб.: 2018. №4 (42) Том 5. - С. 153-162; Пятакович В.А. Опытная модель разработанного образца распознающего модуля системы классификации морских целей на базе нейросетевых технологий. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2018. - Вып.98. - С. 176-181; Пятакович В.А. Решение задачи классификации морской цели с использованием нейронных нечетких сетей на основе модели вывода Мамдани-Заде. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2019. - Вып. 101. - С. 275-284; Пятакович В.А., Филиппов Е.Г. Метод формирования и редукции выборок для решения задач классификации морских целей нейроклассификатором. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2019. -Вып. 101. - С. 312-320; Пятакович В.А. Обучение глубоких нейронных сетей системы оперативной идентификации морских целей ВМФ РФ. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2020. - Вып. 104. - С. 177-186; Пятакович В.А., Рычкова В.Ф., Филиппов Е.Г. Нейронные сети как вариант вычислительной структуры системы классификации морских целей. -Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 163-174; Пятакович В.А., Суров А.Б., Рычкова В.Ф. Расчет эффективности классификации целей интеллектуальной системой ВМФ, использующей комплекс вычислительных операций нейронных сетей. - Морские интеллектуальные технологии. - СПб.: 2020. №1 (47) Том 2. - С. 175-185; Пятакович В.А., Николаев А.В., Костиков Е.А. Автоматизация обработки информации в интеллектуальной системе морского мониторинга. - Проблемы машиностроения и автоматизации. - М: 2020. №4. - С. 72-79).

Идея метода состоит в том, что для каждой маски ищется максимальное амплитудное значение, которое и является ортом вектора классификационных признаков. Для автоматизации процесса поиска экстремума в зоне одной маски использовалась сеть поиска максимума MAXNET. Итерации сети завершаются после того, как выходные нейроны сети перестают меняться. Тип элементов входных сигналов - целые или действительные числа, тип элементов выходных сигналов - действительные числа. Размерности входных и выходных сигналов совпадают. Тип активационной функции - линейная с насыщением (используется линейный участок). Число синапсов в сети равно N (N-1). Формирование синаптических весов происходит согласно формуле

где W_ij - i-й синаптический вес j-гo нейрона; N - число элементов входного сигнала (количество нейронов в сети). Функционирование сети задается выражением где x_j - элемент (орт) входного сигнала сети; у_i - выход j-гo нейрона.

Нормализация входного вектора признаков, полученного после анализа масок сетью MAXNET, производится согласно выражения

Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.

Обучение распознающей сети производится на основе алгоритма обратного распространения ошибки, реализующего градиентный метод оптимизации функционала вида: , где Т - вектор синаптических весов сети; (X*,Y*) - обучающие пары; ||…|| - норма вектора (см. Пятакович В.А., Василенко A.M., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Морской гос. ун-т им. Г.И. Невельского, 2017. - 255 с.; Пятакович В.А., Василенко A.M. Перспективы и ограничения использования геометрических методов распознавания акустических образов морских объектов применительно к задаче управления нейросетевой экспертной системой. - Фундаментальные исследования. - М: 2017. - №7. - С. 65-70.; Пятакович В.А., Василенко A.M. Мироненко М.В. Обучение нейронной сети как этап разработки экспертной системы для классификации источников физических полей при мониторинге акваторий. - Вестник Инженерной школы Дальневосточного федерального университета. - Владивосток: Дальневост. федерал, ун-т, 2017. №3(32). - С. 138-149. DOI.org/10.5281/zenodo.897021.; Пятакович В.А. Система классификации морских целей на базе нейросетевых технологий. - Морские интеллектуальные технологии. - СПб.: 2018. №4 (42) Том 5. - С. 169-176).

Для автокоррекции и регулирования алгоритма обратного распространения ошибки при обучении распознающей сети используется тракт регулирования параметров формирования и редукции выборок, сочетающий в себе адаптивные подходы самообучения и опыт эксперта, что при наличии неопределенных параметрических возмущений, позволяет оперативно осуществлять коррекцию значений, соответствующих новым условиям классификации морской цели.

Изобретение поясняется чертежами, где на фиг. 1 показана функциональная схема системы оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, содержащая следующие элементы:

1. Излучающий преобразователь (подводный звуковой маяк марки ПЗМ-400 излучающий сигналы на частоте около 400 Гц).

2. Приемный преобразователь.

3. Морская среда.

4. Рабочая зона нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн.

5. Объекты (морские цели, генерирующие акустические, электромагнитные и гидродинамические излучения).

6. Тракт излучения сигналов накачки.

6.1. Генератор сигналов накачки стабилизированной частоты.

6.2. Усилитель мощности.

6.3. Блок согласования.

7. Тракт приема, обработки и регистрации информационных сигналов.

7.1. Широкополосный усилитель.

7.2. Преобразователь частотно-временного масштаба.

7.3. Спектроанализатор.

7.4. Регистратор.

8. Тракт нейросетевого распознавания и классификации.

8.1. Блок распознавания класса цели по амплитудно-частотным характеристикам.

8.2. Блок обучения.

9. Тракт регулирования параметров формирования и редукции выборок.

9.1. Блок нечетких правил и функций.

9.2. Блок фаззификации.

9.3. Логическое устройство формирования и редукции выборок.

9.4. Блок дефаззификации и автоматического регулирования базы правил.

Общая структура модифицированной комбинированной распознающей сети, состоящей из сетей Кохонена и Гросберга представлена на фиг. 2.

Модификация сети состоит в добавлении к сети Кохонена и Гросберга сети MAXNET, что весьма важно для решаемой задачи.

На каждый нейрон первого слоя через синапсы с весами {Т_ij⁽¹⁾}, i=1,2, 3; j=1, 2, 3, подаются все компоненты входного вектора

Число нейронов во втором (скрытом) слое определяется взаимным расположением и формой разделяемых множеств.

На каждый нейрон второго слоя через синапсы с весами {Т_ij⁽²⁾}, i=1, 2, 3; j=1, 2, 3, подаются выходные сигналы первого слоя. Число нейронов третьего (выходного) слоя определяется числом рассматриваемых классов, подлежащих распознаванию.

На каждый нейрон третьего слоя через синапсы с весами {Т_ij⁽³⁾}, i=1,2, 3; j=1, 2, 3, подаются выходные сигналы второго слоя. Значения выходных сигналов третьего слоя образуют вектор решений. Нейроны, составляющие сеть, одинаковы и имеют функцию активации известного типа где x_2n^(l), у_n⁽¹⁾ и I_n^(l) - значения r-го входного сигнала, выходного сигнала и внешнего смещения n-го нейрона i-го слоя; N_i - число нейронов в i-м слое; i=1, 2, 3.

Предварительная обработка входных векторов производится нормализацией входного вектора признаков, полученного после анализа масок сетью MAXNET или после получения статистических оценок согласно выражения Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.

Предварительная обработка данных, один из самых трудозатратных шагов, необходима, чтобы последующие алгоритмы обучения смогли извлечь из выборки максимум знаний.

Процедура архитектурной самонастройки и настройки весовых коэффициентов (синапсов) сети Кохонена включает в себя следующие этапы.

1. Вводится произвольное число нейронов L=L0 со случайным образом нормализованными векторами синапсов, равномерно распределенными на интервале [-1, 1].

2. На слой подается один из обучающих векторов входных сигналов (очевидно, что предварительно обработанный), определяются потенциалы на выходах всех нейронов и номер L*-нейрона «победителя».

3. Определяется угол β* между обучающим вектором признаков и вектором синапсов (весовых коэффициентов) нейрона "победителя".

4. Если выполнено условие β*<β, то осуществляется настройка синапсов нейрона "победителя" путем усреднения по всем шагам обучения, на которых он оказался нейроном "победителем" и последующей нормализации.

Если β*>β, то в слой директивным порядком вводится L+1 нейрон, синапсом которого (весам связей) присваиваются значения компонентов соответствующего обучающего вектора.

5. Выбирается очередной входной вектор обучающей выборки и повторяются процедуры 2, 3, 4.

Обучение слоя Гросберга является традиционным обучением с учителем и может производиться как одновременно с архитектурной самоорганизацией и настройкой слоя Кохонена по каждому входному вектору выборки, так и автоматно (после обучения слоя Кохонена). Во всех случаях правило обучения можно представить следующим алгоритмом: 1=1,2. где - l-й компонент желаемого выходного вектора классификатора; - выходной сигнал j-гo нейрона слоя Кохонена, при обучении S-му входному вектору признаков.

Функционирование рассматриваемого распознающего устройства. Предварительно обработанный вектор входных признаков наблюдаемого объекта {xi} подается на вход сети и распределяется через весовые коэффициенты связей (синапсы) на нейроны слоя Кохонена. Входные потенциалы нейронов

После этого слой Кохонена начинает функционировать как конкурирующая сеть с латеральными связями. В результате на выходе слоя формируется вектор с одним единичным компонентом, соответствующим нейрону «победителю» и с нулевыми остальными коэффициентами. Через синапсы вектор входа поступает на нейроны выходного слоя Гросберга, которые функционируют согласно следующего алгоритма: 1=1,2, где 10 () - функция единичного скачка. На фиг. 3 представлена нейросетевая интерпретация алгоритма многомерной классификации.

На фиг. 4 приведена таблица интерпретации трехмерного выходного вектора распознавания гидроакустических сигналов по амплитудно-частотной характеристике.

На фиг. 5 представлен метод масок, используемый для распознавания по амплитудно-частотной характеристике.

В каждой маске по реальной характеристике определяется максимальное амплитудное значение сигнала А₁, А₂, …, A_j, …, A_k. Выбор величины Δ, а, следовательно, и числа масок определяется возможностями распознающей сети (реально 10÷100). Увеличение числа масок приводит к повышению достоверности входной информации и к повышению сложности (увеличению числа нейронов входного слоя) распознающего устройства, то есть имеет место классический конфликт между качеством и сложностью. Возможен вариант исследования шумового портрета по частям, то есть низкочастотной, среднечастотной и высокочастотной составляющих отдельно.

На фиг. 6 представлена сравнительная характеристика методов классификации морской цели по времени обучения и классификации.

Наиболее скоростным методом по качеству классификации является модифицированный метод потенциальных функций на основе НС (фиг. 6. Табл. 2). НС обладают более сильными аппроксимационными способностями, чем другие методы классификации целей, а алгоритм многомерной классификации, в отличие от методов потенциальных функций, учитывает значимость признаков посредством учета частных значимостей двупризнаковых классификаций.

На фиг. 7 и фиг. 8 представлены результаты вычислительного эксперимента по определению коэффициента распознавания (классификации), определяемого как отношение числа распознанных объектов к общему числу испытаний в процентах, для надводных и подводных объектов в условиях зашумления сигнала в диапазоне от - 10 до 20 дБ. Как видно из рисунков, распознавание и классификация морских целей с помощью вычислительных операций комбинированной распознающей сети, состоящей из сетей Кохонена (конкурирующая сеть) и Гросберга и адаптивной нейро-нечеткой сети ANFTS, использующей гибридный алгоритм обучения, позволяет повысить вероятность классификации как надводных, так и подводных целей на 7-9%.

Система оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей

Излучающий преобразователь 1 и приемный преобразователь 2 размещают в морской среде 3 с учетом закономерностей многолучевого распространения волн в протяженном гидроакустическом канале, что обеспечивает формирование и эффективное использование пространственно-развитой рабочей зоны 4 нелинейного взаимодействия и параметрического преобразования просветных волн и волн различной физической природы, генерируемых объектами 5 (см. Свидетельство о государственной регистрации программы для ЭВМ «Расчет лучевой картины» №2016616822. 21.06.2016; Свидетельство о государственной регистрации программы для ЭВМ «Программа имитационного моделирования процесса распространения гидроакустических сигналов» №2017664296. 20.12.2017; Свидетельство о государственной регистрации программы для ЭВМ «Программно-вычислительный комплекс имитационного моделирования морской информационной ситуации при идентификации целей» №2018612944 01.03.2018. Бюл. №3; Свидетельство о государственной регистрации программы для ЭВМ «Специализированный нейросетевой комплекс классификации зашумленных сигналов морских целей» №2018619739 РФ. 10.08.2018. Бюл. №8; Свидетельство о государственной регистрации программы для ЭВМ «Программа проектирования и обучения искусственных нейронных сетей персептронного типа» №2019611559 РФ. 29.01.2019. Бюл. №2).

Сформированный генератором 6.1 сигнал накачки стабилизированной частоты поступает на вход усилителя мощности 6.2, тракта излучения сигналов накачки 6, затем на вход блока согласования 6.3, выход которого соединен с подводным кабелем, соединяющим выход тракта излучения сигналов накачки 6 и вход излучающего преобразователя 1.

Излучающий преобразователь 1 озвучивает среду сигналами накачки стабилизированной частоты в диапазоне десятки-сотни герц.

На различных режимах движения объекты 5 генерируют излучения, приводящие к изменению величины характеристик проводящей жидкости (плотности и (или) температуры и (или) теплоемкости и т.д.), которые в зависимости от их физической сущности модулируют низкочастотные сигналы накачки морской среды. В спектре информационной волны появляются низкочастотные и высокочастотные составляющие, как результат модуляции амплитуды и фазы низкочастотной волны накачки излучениями и полями объектов 5. Являясь неразрывно связанной компонентой просветной волны модуляционные составляющие переносятся на большие расстояния и обнаруживаются в блоках тракта приема, обработки и регистрации информационных сигналов 7.

Сигнал приемного преобразователя 2 по кабельной линии подается на вход широкополосного усилителя 7.1 тракта приема, обработки и регистрации информационных сигналов 7. Задачей блоков, входящих в состав тракта приема, обработки и регистрации информационных сигналов 7, является измерение признаков проявления информационных волн источников.

Сигнал с выхода широкополосного усилителя 7.1 подается на вход преобразователя частотно-временного масштаба 7.2. Преобразователь частотно-временного масштаба сигнала обеспечивает увеличение концентрации энергии просветных сигналов и эффективность выделения из них признаков полей, формируемых объектами.

Сигнал с выхода преобразователя частотно-временного масштаба 7.2 поступает на вход спектроанализатора 7.3. Задачей спектрального анализа является выделение дискретных составляющих суммарной или разностной частоты в узкополосных спектрах преобразованных информационных сигналов, по которым восстанавливают характеристики волн объектов 5.

Далее сигнал с выхода спектроанализатора 7.3 передается на вход регистратора 7.4 и на вход блока распознавания класса цели по амплитудно-частотным характеристикам 8.1, связанного обратной связью с блоком обучения 8.2 тракта нейросетевого распознавания и классификации 8.

Сигнал с выхода блока обучения 8.2 тракта нейросетевого распознавания и классификации 8 поступает в блок нечетких правил и функций 9.1, тракта регулирования параметров формирования и редукции выборок 9.

Сигнал с выхода блока продуктивных правил и функций 9.1, охваченного обратной связью с блоком фаззификации 9.2, поступает на вход логического устройства формирования и редукции выборок 9.3, и далее на блок фаззификации 9.2, а затем на вход блока дефаззификации и автоматического регулирования базы правил 9.4 тракта регулирования параметров формирования и редукции выборок 9, самостоятельно производящего автоподстройку своей базы правил, исходя из выборки математических моделей морских целей, на выходе которого формируется сигнал номера нового продукционного правила, а также новый тип функции принадлежности типу цели для блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, далее на выходе блока распознавания и классификации цели по амплитудно-частотным характеристикам 8.1, тракта нейросетевого распознавания и классификации 8 формируется сигнал по типу цели, согласно степени принадлежности исследуемой области спектра объекту классификации.

Задача распознавания и классификации надводных и подводных источников гидроакустических сигналов решается с помощью трехслойной нейронной сети, которая распознает семь объектов и позволяет выделить один неизвестный класс, что в перспективе позволит значительно расширить круг распознаваемых морских технических объектов.

Анализ низкочастотной, среднечастотной и высокочастотной составляющих амплитудно-частотной характеристики производится раздельно, так как генеральные признаки для различных типов объектов могут находиться в различных частотных диапазонах.

Как показано на фиг.2, 3, на каждый нейрон первого слоя через синапсы с весами {Т_ij⁽¹⁾}, i=1, 2, 3; j=1, 2, 3 подаются все компоненты входного вектора . На каждый нейрон второго слоя через синапсы с весами {Т_ij⁽²⁾}, i=1, 2, 3; j=1, 2, 3 подаются выходные сигналы первого слоя. На каждый нейрон третьего слоя через синапсы с весами {Т_ij⁽³⁾}, i=1, 2, 3; j=1, 2, 3 подаются выходные сигналы второго слоя.

Алгоритм многомерной классификации имеет нейросетевую интерпретацию на основе трехслойного перцептрона, являющегося частным случаем многослойной нейронной сети (МНС) и используется для классификации образов, характеризующихся не очень большим количеством признаков (от 3 до 20), там, где желательно добиться более высокой (в крайнем случае такой же) точности классификации, чем методы потенциальных функций за конечное, заранее известное, количество итераций в процессе обучения, чего нельзя сделать методом нейросетевой классификации.

Применение нейронных сетей для решения задачи классификации по признакам целесообразно, поскольку они обладают высокими адаптивными способностями, способны обучаться аппроксимировать многомерные функции, то есть, могут извлекать, в неявном для пользователя виде, знания из исследуемой предметной области. Процесс обучения МНС является итерационным и, в общем случае, достаточно длительным, поскольку заранее нельзя определить количество итераций, необходимых для обучения НС.

Для нейросетевой реализации сравнения расстояний и определения значения K_jj можно использовать следующее выражение:

где ψ(x) - логистическая функция.

Если функция ψ(х) будет дискретной, например, пороговой:

то K_ij будет принимать значение 0 или 1.

Если функция ψ(x) будет вещественной, например, сигмоидной:

то K_ij будет принимать значения на интервале [0,1], чем ближе значение этой функции будет к 0, тем ближе экземпляр будет к классу, которому сопоставлено значение 0, и, соответственно, наоборот, чем ближе значение этой функции будет к 1, тем ближе экземпляр будет к классу, которому сопоставлено значение 1.

Использование сигмоидной функции может быть более предпочтительным на практике, поскольку она позволяет не только определить к какому классу ближе экземпляр, но и на сколько ближе.

Для вычисления разности расстояний подставляются соответствующие выражения:

После математических преобразований получаем: где

Выражения для и вычисляются на основе формального нейрона, имеющего один вход, на который подается значение x_t или x_j, вес которого равен или соответственно.

Порог нейрона (нулевой вес) в этом случае будет равен или соответственно.

Правила вычисления параметров алгоритма многомерной классификации в этом случае останутся неизменными, а параметры и функции активации нейронной сети (НС) необходимо определить на их основе по следующим правилам. Функция активации ψ^(μ,k) k-гo нейрона μ-го слоя:

Весовой коэффициент р-го входа k-го нейрона μ-гo слоя:

Значения выходных сигналов третьего слоя образуют вектор решений элементы которого представлены в табл.1. на фиг. 4.

Набор выходных сигналов блока распознавания класса цели по амплитудно-частотным характеристикам 8.1 поступает в память блока обучения 8.2, где происходит сравнение результатов с математическими образами спектрограмм морских объектов и их коррекция на основе сигналов, поступающих от тракта регулирования параметров формирования и редукции выборок 9, для формирования вывода о степени принадлежности исследуемой области спектра объекту классификации, а настройка весовых коэффициентов распознающей сети определяется алгоритмом обратного распространения ошибки.

Сигнал с выхода блока обучения 8.2 тракта нейросетевого распознавания и классификации 8 поступает в блок нечетких правил и функций 9.1, тракта регулирования параметров формирования и редукции выборок 9. Сигнал с выхода блока нечетких правил и функций 9.1, охваченного обратной связью с блоком фаззификации 9.2, поступает на вход логического устройства формирования и редукции выборок 9.3, и далее на блок фаззификации 9.2, а затем на вход блока дефаззификации и автоматического регулирования базы правил 9.4, тракта регулирования параметров формирования и редукции выборок 9, самостоятельно производящего автоподстройку своей базы правил, исходя из выборки математических моделей морских целей, на выходе которого формируется сигнал номера нового продукционного правила, а также новый тип функции принадлежности типу цели для блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, далее на выходе блока распознавания и классификации цели по амплитудно-частотным характеристикам 8.1, тракта нейросетевого распознавания и классификации 8 формируется сигнал по типу цели, согласно степени принадлежности исследуемой области спектра объекту классификации.

Функцию логического устройства формирования и редукции выборок 9.3 в системе нечеткого управления тракта регулирования параметров формирования и редукции выборок 9 выполняет комбинированная распознающая сеть, состоящая из сетей Кохонена - Гросберга и адаптивная нейро-нечеткая сеть ANFIS, использующая гибридный алгоритм обучения.

В ситуации неопределенности, т.е. влияния случайных внешних и параметрических возмущений, блок дефаззификации и автоматического регулирования базы правил осуществляет их компенсацию в базе правил, а также компенсацию функций принадлежности нового вида (с другими универсумом Е и E*). Таким образом, логическое устройство формирования и редукции выборок определяет номер правила (N), необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила.

Алгоритм работы логического устройства формирования и редукции выборок

Исходная выборка, будучи отображенной в одномерное пространство, позволит выделить на одномерной оси интервалы ее значений, соответствующие кластерам разных классов в исходном N-мерном пространстве. Определив границы интервалов на одномерной оси, можно найти ближайшие к ним экземпляры, которые и составят формируемую подвыборку.

Этап инициализации. Задать исходную выборку данных x=<х,у>. Этап анализа характеристик выборки. Определить и - соответственно, минимальное и максимальное значения j-го признака, j=1,2, …, N. Определить число интервалов для каждого признака: k=K 1n S, а также длины интервалов:

Этап расчета обобщенных признаков. Для каждого s-гo экземпляра, s=1,2, …, S: определить k_j - номер интервала значений по каждому j-му признаку, j=1,2, …, N, в который попадает s-й экземпляр рассчитать координату s-гo экземпляра по обобщенной оси

Это позволяет отобразить исходную выборку на одномерную обобщенную ось I (заметим, что при этом произойдет потеря части информации вследствие неявного квантования пространства признаков при преобразовании).

Этап анализа обобщенной оси. Сформировать набор кортежей I={<I^s,y^s,s>}. Упорядочить набор I в порядке неубывания значений I^s. Просматривая обобщенную ось в порядке увеличения ее значений, определить граничные значения ее интервалов<l_q, r_q>, в которых номер класса у^s остается неизменным, где l_q, r_q - соответственно левое и правое граничные значения q-гo интервала обобщенной оси. Обозначим: K_q - номер класса, соответствующий q-му интервалу обобщенной оси; k_I - число интервалов обобщенной оси.

Этап анализа характеристик интервалов. Для каждого q-гo интервала обобщенной оси, k_q=1,2, …, k_I, определить S_q - число попавших в него экземпляров, а также номера этих экземпляров.

Этап формирования обучающей выборки. Среди экземпляров q-гo интервала включить в обучающую выборку X* все экземпляры:

- класса, находящиеся на одной из границ интервала

X*=X*U{<x^s, y^s>|y^s=K_q,x^s=l_qvx^s=r_q}, s=1,2, …, S, q=1,2, …, k_I;

- класса, ближайшие к одной из границ интервала

X*=X*U{<x^s,y^s>|y^s=K_q, ((x^s-l_q)<α)∨((r_q-x^s)<α)}, 0<α<1, s=1,2, …, S, q=1,2, …, k_I, где α - пороговый коэффициент, регулирующий близость экземпляров к границам интервала (например, можно задать: α=0,1(r_q-l_q)); интервалов с малым числом экземпляров:

s=1,2, …, S, q=1,2, …, k_I, где β - некоторый пороговый коэффициент, 0<β<1 (например, можно задать: β=0,1); - среднее число экземпляров в интервале обобщенной оси.

Этап устранения избыточности обучающей выборки. Определить расстояния между всеми экземплярами, вошедшими в сформированную обучающую выборку, сформировав матрицу расстояний R (для упрощения и ускорения вычислений будем оперировать квадратами расстояний):

Заметим, что R(s, р)=R(p, s), а R(s, s)=0.

До тех пор, пока выполнять в цикле действия:

найти в матрице расстояний два экземпляра с наименьшим расстоянием между собой:

если два ближайших экземпляра принадлежат к одному и тому же классу, то оставить в обучающей выборке только тот из них, который находится ближе к экземплярам других классов, а другой исключить из нее:

Скорректировать соответствующим образом элементы матрицы R, установив: R(s,q)=R(q,s)=-1; если два ближайших экземпляра принадлежат к разным классам, то перейти к выполнению этапа дополнения (уточнения) обучающей выборки. Этап дополнения (уточнения) обучающей выборки. Определить разность исходной и сформированной выборок X'=Х/Х*.

Последовательно для каждого s'-гo экземпляра<x^s',y^s'>выборки X', s'=1,2, …, S' относительно экземпляров сформированной выборки Х*найти расстояние (квадрат расстояния) от него до каждого экземпляра выборки Х*:

если ближайший к s'-му экземпляру экземпляр сформированной выборки принадлежит к другому классу, то включить его в выборку X*:

В результате выполнения данного метода для исходной выборки X получаем сформированную обучающую выборку X', которая будет обладать основными топологическими свойствами исходной выборки. При этом из исходной выборки можно получить тестовую выборку как разность исходной и сформированной обучающей выборок. Разбиение признакового пространства для выборки эмпирических наблюдений необходимо для определения нечетких термов признаков как проекций соответствующих блоков на координатные оси. Формирование разбиения предлагается осуществлять путем их выполнения в приведенной ниже последовательности.

Шаг 1. Инициализация. Задать обучающую выборку<х,у>.

Шаг 2. По оси каждого признака j=1,2, …,N определить одномерные расстояния между экземплярами:

Среди полученных расстояний найти минимальное расстояние, большее нуля:

Шаг 3. Для каждого признака определить количество интервалов разбиения диапазона его значений:

а также определить длину интервала наблюдаемых значений каждого признака: r_j=max(x_j) - min(x_j),j=1,2, …,N.

Шаг 4. Разбить ось j-го признака на n_j интервалов. Определить координаты левых и правых границ для каждого р-го интервала j-го признака по формулам:

Шаг 5. Сформировать блоки-кластеры и задать номера их классов путем выполнения шагов 5.1-5.8.

Шаг 5.1. Сформировать прямоугольные блоки в N-мерном пространстве признаков на пересечении соответствующих интервалов значений признаков. Занести в B_q,j номер интервала j-го признака, который соответствует q-му блоку.

Шаг 5.2. Определить номера классов для прямоугольных блоков в N-мерном пространстве признаков:

Установить коэффициент уверенности классификации для блоков:

Шаг 5.3. Для тех блоков, у которых K_q=-1, q=G+1, G+2, …, G+Q, установить:

где - количество экземпляров к-го класса, попавших в q-й блок-кластер.

Шаг 5.4. Для тех блоков, у которых номер класса K_q=0, q=G+1, G+2, …, G+Q, определить расчетный номер класса, для чего предлагается использовать модифицированный нерекуррентный метод потенциальных функций.

Шаг 5.5. Вычислить расстояние между q-м и р-м блоками, q=G+1, G+2, …, G+Q,P=q+1, …, G+Q, как:

Или где При этом R(B_q, В_р)=R(B_p; B_q).

Шаг 5.6. Определить потенциал, наводимый совокупностью блоков, принадлежащих к k-му классу, на р-й блок с неизвестной классификацией:

где L_k - количество блоков, принадлежащих к k-му классу, S_q - количество экземпляров обучающей выборки, попавших в q-й блок.

Шаг 5.7. Установить номер класса для р-го блока с неизвестной классификацией (K_p=0) по формуле: р=G+1, G+2, …, G+Q.

Шаг 5.8. Модифицировать значения коэффициентов уверенности для блоков:

Шаг 6. Выполнить объединение смежных блоков-кластеров.

Выполнить объединение смежных блоков, принадлежащих к одному и тому же классу: для G+2, …, G+Q; q≠р: если тогда

объединить блоки q и р по j-му признаку:

- установить:

- удалить р-й блок: K_р=0, α_р=0, В_р,i=0, i=1,2, …, N.

Шаг 7. Из объединенного множества (ОМ) выделить подмножество экземпляров, относящихся к блокам-кластерам, номера классов которых не совпадают с номерами классов экземпляров. Применить для полученного разбиения и выделенного подмножества процедуру уточнения разбиения и дообучения модели

Шаг 8. Останов.

Уточнение разбиения и дообучение модели. Если имеется разбиение признакового пространства, которое нужно уточнить (дообучить) на основе новых наблюдений s*=1,2, …, S*; то необходимо из набора новых наблюдений исключить те наблюдения, которые попадают в блоки имеющегося разбиения и соответствуют им по номеру класса, скорректировав соответствующим образом S*. Для тех наблюдений, которые не совпадают с классами блоков, целесообразно сформировать отдельные точечные кластеры.

Для каждого нового наблюдения сформировать интервалы по признакам и занести в B_G+Z+S* номера интервалов для каждого j-гo признака, соответствующие новому кластеру, а также определить:

где γ - некоторая константа, γ ∈.

Для определения целесообразности применения предложенного метода для конкретной задачи на практике используем нотацию Ландау в так называемом «мягком виде» и оценим сложность этапов предложенного метода. Для этапа инициализации вычислительной сложностью можно пренебречь, а пространственная сложность может быть оценена как O(NS). Для этапа анализа характеристик выборки вычислительная сложность составит 0(2NS), а пространственная - 0(4N). Для этапа расчета обобщенных признаков вычислительная сложность может быть оценена как 0(9NS), а пространственная - 0(N+S). Для этапа анализа обобщенной оси вычислительная сложность может быть оценена как 0(2S²+2S), а пространственная - 0(3S+3K1nS). Для этапа анализа характеристик интервалов вычислительная сложность может быть оценена как 0(3KS1nS), а пространственная - O(KlnS). Для этапа формирования обучающей выборки вычислительная сложность может быть оценена как 0(20KSlnS), а пространственная в виде 0(0,2KlnS+0,2S). Для этапа устранения избыточности ОВ вычислительная и пространственная сложность могут быть оценены соответственно как 0(0,0016S⁴+(0,44+0,08N)S²) и 0(0,04S²). Для этапа дополнения (уточнения) обучающей выборки вычислительная и пространственная сложность оцениваются соответственно как 0((0,48N+0,32)S²) и 0(0,8S). Таким образом, общая сложность метода может быть оценена как: вычислительная - 0(0,0016S⁴+0,56NS²+2,76S²+11NS+2S++23KS1nS); пространственная - 0(0,04S²+NS+5N+5S+4,2K1nS).

Блок дефаззификации и автоматического регулирования базы правил 9.4 самостоятельно производит автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, осуществляя формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей для блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, обеспечивающего конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект), (см. Свидетельство о государственной регистрации программы для ЭВМ «Специализированный нейросетевой комплекс классификации зашумленных сигналов морских целей» №2018619739 РФ. 10.08.2018. Бюл. №8; Свидетельство о государственной регистрации программы для ЭВМ «Программный комплекс моделирования и обучения ИНС» №2019611455 РФ. 28.01.2019. Бюл. №2; Свидетельство о государственной регистрации программы для ЭВМ «Программа проектирования и обучения искусственных нейронных сетей персептронного типа» №2019611559 РФ. 29.01.2019. Бюл. №2; см. Пятакович В.А. Обучение глубоких нейронных сетей системы оперативной идентификации морских целей ВМФ РФ. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2020. - Вып. 104. - С. 177-186; Пятакович В.А. Обучение нечеткой нейронной сети системы классификации морских целей с подстройкой весовых коэффициентов. Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: Сб. статей. - Владивосток: ТОВВМУ, 2020. - Вып. 104. - С. 187-192).

Основная задача алгоритма обратного распространения ошибки состоит в распространении сигналов ошибки от выходов сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Для возможности применения метода обратного распространения ошибки необходимо, чтобы передаточная функция нейронов была дифференцируема.

Алгоритм коррекции значений настроек регулятора тракта регулирования параметров формирования и редукции выборок реализован для нахождения номера нечеткого правила вида:

(ЕСЛИ Tpi Условие_j и G_j Условие_j ТО N^k «Заключение»)

при наличии обучающего множества ((D¹, N¹), …, (D^N, N^N)), ((D¹, ФП¹), …, (D^N, ФП^М)).

Для моделирования неизвестного отображения f используется алгоритм нечеткого вывода, применяются предикатные правила: П_i: ЕСЛИ е₁ есть A_i1 И Т_р1 есть A_i2 И G₁ есть A_in, ТО N=S_i; i=1,2, …, m, где А_ij - нечеткие множества, описывающие высказывания: «отрицательная», «нулевая», «положительная», «малое», «среднее», «большое» и т.д. S_i - вещественные числа (номер правила). Степень истинности μ. правила I - определяется с помощью операции умножения Ларсена (Larsen):

для моделирования логического оператора «И», выход нечеткой системы U^k определяется методом центра тяжести: Функция ошибки для i-го предъявленного значения вида: Е_k=0.5(U^k - N^k) позволяет использовать градиентный метод для подстройки параметров заданных предикатных правил, а величина S_i корректируется по соотношению:

где η - константа, характеризующая скорость обучения сети. Аналогичным образом определяются параметры функции принадлежности.

Таким образом, обнаружив цель по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объекта, и используя при регулировании параметров формирования и редукции выборок адаптивную нейро-нечеткую коррекцию с комплексным сокращением размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей, а также архитектуру распознающей нейронной сети в виде комбинированной распознающей сети, состоящей из сетей Кохонена (конкурирующая сеть) и Гросберга и адаптивной нейро-нечеткой сети ANFIS, использующей гибридный алгоритм обучения, можно в автоматизированном режиме распознавать класс цели по амплитудно-частотным характеристикам и делать вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).

Техническим результатом предлагаемого изобретения является автоматизация процесса распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов, комплексное сокращение размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов математических моделей морских целей, осуществляемой при помощи тракта регулирования параметров формирования и редукции выборок, необходимых для реализации конечного процесса классификации в тракте нейросетевого распознавания и классификации.

Система оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей промышленно применима, так как для ее создания используются распространенные компоненты и изделия радиотехнической промышленности и вычислительной техники.

Изобретение относится к гидроакустике и может быть использовано для построения интеллектуальных автоматизированных систем классификации морских целей, обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов. Техническим результатом предлагаемого изобретения является автоматизация процесса распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов, комплексное сокращение размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов математических моделей морских целей, осуществляемой при помощи тракта адаптивной нейро-нечеткой коррекции, необходимых для реализации конечного процесса классификации в тракте нейросетевого распознавания и классификации, что обеспечивает повышение вероятности правильной классификации морской цели (надводный или подводный объект) на 7-9%. 8 ил.

Система оперативной идентификации морских целей по их информационным полям на базе нейро-нечетких моделей, содержащая сформированную в морской среде рабочую зону нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн, причем длина рабочей зоны равна протяженности контролируемого участка морской среды, для чего излучающий и приемный преобразователи размещены на противоположных границах участка, при этом вход излучающего преобразователя соединен подводным кабелем с выходом тракта излучения сигналов накачки, который содержит последовательно соединенные генератор сигналов накачки стабилизированной частоты, усилитель мощности и блок согласования его выхода с подводным кабелем, а выход приемного преобразователя соединен подводным кабелем с входом тракта приема, обработки и регистрации информационных сигналов, который содержит последовательно соединенные широкополосный усилитель, преобразователь частотно-временного масштаба, спектроанализатор и функционально связанный с ним регистратор, при этом выход спектроанализатора тракта приема, обработки и регистрации информационных сигналов соединен с входом блока распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации, охваченного обратной связью с блоком обучения, отличающаяся тем, что дополнительно введен тракт регулирования параметров формирования и редукции выборок, содержащий блок нечетких правил и функций, вход которого соединен с выходом блока обучения тракта нейросетевого распознавания и классификации, а выход соединен с входом логического устройства формирования и редукции выборок, функцию которого выполняет комбинированная распознающая сеть, состоящая из сетей Кохонена-Гросберга и адаптивной нейро-нечеткой сети ANFIS, использующая гибридный алгоритм обучения, и охваченный обратной связью с блоком фаззификации, при этом выход логического устройства формирования и редукции выборок соединен с входом блока фаззификации, выход которого соединен с входом блока дефаззификации и автоматического регулирования базы правил, самостоятельно производящего автоподстройку своей базы правил, исходя из выборки математических моделей морских целей, на выходе которого формируется сигнал номера нового продукционного правила, а также новый тип функции принадлежности типу цели для блока обучения тракта нейросетевого распознавания и классификации, далее на выходе блока распознавания и классификации цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации, обеспечивающего конечное классификационное решение по обнаруженным морским целям, формируется сигнал по типу цели согласно степени принадлежности исследуемой области спектра объекту классификации.