Алгоритмы многомодельной фильтрации радиолокационной информации с применением искусственных нейронных сетей при сопровождении маневрирующих целей Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.396.96

Н. П. Богомолов Сибирский федеральный университет, Россия, Красноярск

В. Г. Сидоров

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

АЛГОРИТМЫ МНОГОМОДЕЛЬНОЙ ФИЛЬТРАЦИИ РАДИОЛОКАЦИОННОЙ ИНФОРМАЦИИ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ СОПРОВОЖДЕНИИ МАНЕВРИРУЮЩИХ ЦЕЛЕЙ

Рассмотрены возможности использования новых динат маневрирующих воздушных объектов.

В настоящее время при сопровождении аэродинамических воздушных объектов известно значительное количество методов вторичной обработки радиолокационной информации, основанных на алгоритмах фильтрации Калмана [1—3]. При этом эффективными адаптивными алгоритмами фильтрации оценки вектора состояния при слежении за целями, способными совершать маневры с высокой интенсивностью, являются такие, в которых предусмотрена возможность обнаруживать начало маневра и его параметры, а также возможность изменения размерности вектора состояния (увеличение его при начале маневра и уменьшение при его окончании) [2; 3].

Традиционные адаптивные (одномодельные) способы оценки параметров траектории маневрирующей цели состоят из двух следующих друг за другом этапов: принятия решения о наличии (интенсивности) маневра и оценки параметров траектории с учетом маневра. Иначе говоря, каждый раз сначала принимается решение о соответствии характера движения цели некоторой модели, затем происходит оценка параметров траектории при помощи единственного фильтра, соответствующего данной модели. Эти способы обладают несколькими очевидными недостатками [4]. Во-первых, при фильтрации параметров траектории не принимается во внимание возможная ошибка при принятии решения о выборе модели. Во-вторых, окончательное решение о выборе модели принимается до фильтрации, хотя учет ее результатов может быть полезен при выборе модели.

Многомодельные (ММ) алгоритмы решают эти проблемы, используя в каждый момент времени не одну, а сразу несколько моделей движения цели. Основываясь на представлении движения цели в виде последовательной смены моделей, многомодельные алгоритмы включают в свой состав набор из N моделей - кандидатов на соответствие характеру движения цели в данный момент, а также банк элементарных фильтров, соответствующих каждой из этих моделей. Результирующая оценка вычисляется на основе использования результатов работы всех элементарных фильтров. Таким образом достигается совме-

алгоритмов для повышения точности оценок коор-

стное решение задач принятия решения и фильтрации. Адаптивные алгоритмы зависят исключительно от характеристик одиночного «лучшего» фильтра, выбранного до того, как он выдаст результат. Многомодельные алгоритмы опрашивают все работающие одновременно элементарные фильтры и формируют результирующее значение параметров траектории после того, как они выдадут результаты. Преимущество многомодельных алгоритмов выражается в уменьшении запаздывания обнаружения начала маневра, что приводит к снижению среднеквадратических ошибок оценивания как положения, так и скорости цели на участке маневра по сравнению с адаптивными алгоритмами [5] при несущественном увеличении вычислительных затрат [6]. Многомодельные алгоритмы предполагают наличие следующих элементов [4; 5]:

- набор моделей - совокупность траекторных фильтров, в максимально возможной степени соответствующая характеру движения сопровождаемой цели. Стратегия взаимодействия, определяющая количество предыдущих шагов фильтрации, результаты которых участвуют в фильтрации текущего значения, а также способ их учета;

- условная фильтрация - рекуррентная фильтрация непрерывной случайной компоненты смешанного процесса, осуществляемая для каждой из моделей в предположении ее истинности. Концептуально это то же самое, что и фильтрация в обычных адаптивных алгоритмах;

- объединенное выходное значение - результирующая оценка параметров траектории, образующаяся с учетом результатов выходных значений всех фильтров. Может осуществляться при помощи весового объединения оценок всех фильтров или выбора наилучшей.

В работах [4; 5] показано, что основой многомодельных алгоритмов является банк элементарных фильтров Калмана. В исследовании рассматривается возможность применения в качестве банка элементарных фильтров алгоритмов, основанных на нейрокомпьютерных технологиях, разработанных авторами данной работы [7]. В алгоритмах вторичной обработки с применением искусствен-

Решетневские чтения

ных нейронных сетей не изменяются соответствующие размерности векторов и матриц. Вместе с тем вышеназванные алгоритмы, как показали результаты исследований [7], имеют значительно лучшие точностные характеристики при сопровождении как неманеврирующей, так и маневрирующей цели.

Библиографический список

1. Кузьмин, С. З. Основы проектирования систем цифровой обработки радиоэлектронной информации / С. З. Кузьмин. М. : Радио и связь, 1986.

2. Зингер, Р. А. Оценка характеристик оптимального фильтра для слежения за пилотируемой целью / Р. А. Зингер // Зарубежная радиоэлектроника. 1971. № 8.

3. Фарина, А. Цифровая обработка радиолокационной информации / А. Фарина, Ф. Студер. М. : Радио и связь, 1993.

4. Li, X. R. F survey maneuvering target tracking -part V: multiple-model methods / X. R. Li, V. P. Jilkov // Signal and Data Processing Small Target : proc. 2003 SPIE Conf. (August 2003, San Diego, CA). Vol. 5204. San Diego, 2003.

5. Бакулев, П. А. Сопровождение маневрирующей цели с помощью интерактивного многомодельного алгоритма / П. А. Бакулев, М. И. Сычев, Н. Ч. Лыю // Радиотехника. 2004. № 1.

6. Бочкарев, А. М. Цифровая обработка радиолокационной информации при сопровождении целей / А. М. Бочкарев, А. Н. Юрьевич, М. Н. Долгов и др. // Зарубежная радиоэлектроника. 1991. № 3.

7. Богомолов, Н. П. Сопровождение маневрирующей цели с применением искусственных нейронных сетей / Н. П. Богомолов, А. В. Новиков, В. Г. Сидоров // Вестник СибГАУ. Вып. 2. 2006.

N. P. Bogomolov Siberian Federal University, Russia, Krasnoyarsk V. G. Sidorov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

ALGORITHMS OF THE MULTIMODELLING FILTRATION OF THE RADAR-TRACKING INFORMATION WITH APPLICATION OF ARTIFICIAL NEURAL NETWORKS AT SUPPORT OF THE MANEUVERING PURPOSES

The possibilities to use new algorithms for increase of estimation accuracy of maneuvering air object coordinates are considered.

© Богомолов Н. П., Сидоров В. Г., 2009

УДК 629.056.8

А. С. Будников

Балтийский государственный технический университет «Военмех» имени Д. Ф. Устинова, Россия, Санкт-Петербург

КОМПЬЮТЕРНАЯ МОДЕЛЬ ОЦЕНКИ ТОЧНОСТИ ОПРЕДЕЛЕНИЯ КООРДИНАТ ОБЪЕКТА С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ ГЛОНАСС

Рассматривается модель определения координат заданного объекта спутниковой системой навигации ГЛОНАСС при использовании различных методов. Проводится оценка точности позиционирования объекта.

Спутниковая система навигации (ССН) ГЛОНАСС - это комплексная электронно-техническая система, состоящая из совокупности наземного и космического оборудования, предназначенная для определения местоположения (географических координат и высоты), а также параметров движения (скорости и направления движения и т. д.) для наземных, водных и воздушных объектов.

Принцип работы спутниковых систем навигации основан на измерении расстояния от антенны на объекте (координаты которого необходимо получить) до спутников, положение которых известно с большой точностью. Таблица положений всех спутников называется альманахом, им должен располагать любой спутниковый приемник до начала измерений. Обычно приемник сохраняет альманах в памяти со времени последнего вы-