ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2022, № 11 · МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ЗАДАЧАХ РАДИОЭЛЕКТРОНИКИ

О применении теории массового обслуживания к задачам оценки признакового пространства источников радиоизлучения в машинном обучении

А.В. Кваснов1

1 Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия
Полный текст DOI: 10.30898/1684-1719.2022.11.19 УДК 621.376.52 EDN ZDVNPZ

Аннотация

Оценка признакового пространства для анализа радиосигналов, источниками которых являются искусственные объекты (самолеты, корабли, навигационные станции т.д.), является важным элементом машинного обучения. С точки зрения теории массового обслуживания математическая модель сложного детектированного сигнала может быть представлена как простейший поток событий, описываемый распределением Пуассона для случайно изменяющихся параметров радиосигнала. В работе демонстрируется ортогональность признакового пространства источников радиоизлучения на основе оценки энтропии. Мы показываем, что информационная мера расхождения (расхождение Кульбака-Лейблера) между сигналами с внутриимпульсной модуляции и частотно-модулированными сигналами сокращается при увеличении длительности импульса. Таким образом, в распознавании источников радиоизлучений, использующих методы машинного обучения, можно ограничиваться признаками без алгоритмов обработки внутриимпульсной модуляции.

  • источник радиоизлучения
  • теория массового обслуживания
  • расхождение Кульбака-Лейблера
  • машинное обучение
Abstract (in English)

Application of queuing theory to the estimation of the feature space for radar sources in machine learning

The estimation of the feature space in analysis of radar signals (airplanes, ships, navigation stations, etc.), is an important element of machine learning. From the point of view of queuing theory, a mathematical model of a complex detected signal can be represented as the ordinary flow of events described by a Poisson distribution for randomly varying parameters of a signal. The paper demonstrates the orthogonality of the characteristic space of radar sources based on the entropy estimation. We show that the information measure of the discrepancy (Kullback-Leibler divergence) between intra-pulse modulation signals and frequency-modulated signals decreases with increasing pulse duration. Thus, in the recognition of radar sources using methods of machine learning, it is possible to limit ourselves to features without algorithms for processing intra-pulse modulation

Для цитирования

Кваснов А.В. О применении теории массового обслуживания к задачам оценки признакового пространства источников радиоизлучения в машинном обучении // Журнал радиоэлектроники. – 2022. – № 11. https://doi.org/10.30898/1684-1719.2022.11.19

Литература

  1. Kvasnov A.V. Methodology of classification and recognition of the radar emission sources based on Bayesian programming. IET Radar, Sonar & Navigation. 2020. V.14. №8. P.1175-1182. DOI: 10.1049/iet-rsn.2019.0380
  2. Кваснов А.В. Применения байесовского программирования в задачах распознавания и классификации источников радиоизлучения. Радиотехника. 2020. Т.84. №3(5). С.5-14.
  3. Richard G. Wiley. ELINT: The Interception and Analysis of Radar Signals. Artech House. 2006. 451 p.
  4. Соколова А.В. Пассивная радиолокация: методы обнаружения объектов. Москва, Радиотехника. 2008. 320 с.
  5. Dudczyk J. A method of feature selection in the aspect of specific identification of radar signals. Bulletin of the polish academy of sciences technical sciences. 2017. V.65. №1. P.113.
  6. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. Москва, ДМК. 2018. 652 с.
  7. Chenxi W., Xiaobo W. A Target Recognition Method of Multi-radar. Fifth International Conference on Fuzzy Systems and Knowledge Discovery 2008. P.162-166.
  8. Кваснов А.В. Определение дальности до источника радиоизлучения по энергопотенциалу принимаемого сигнала. Датчики и системы. 2020. Т.243. №1. С.29-34. DOI: 10.25728/datsys.2020.1.5
  9. Аджемов С.С., Кленов Н.В., Терешонок М.В., Чиров Д.С. Методы распознавания видов цифровой модуляции сигналов в когнитивных радиосистемах. Радиофизика, электроника, акустика. 2015. №6. С.19-27.
  10. Аджемов С.С., Терешонок М.В., Чиров Д.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей. ВМУ. Физика. Астрономия. 2015. №1. 2015. С.23.
  11. Jiang Q.Network Radar Countermeasure Systems. Heidelberg New York Dordrecht London, Springer. 2016. 315 p.
  12. Мельников Ю.П. Воздушная радиотехническая разведка (методы оценки эффективности). Москва, Радиотехника. 2005. 304 с.
  13. Смирнов Ю.А. Радиотехническая разведка. Москва, Воениздат. 2001. 456 с.
  14. Kuschel H., Cristallini D. and Olsen K.E. Tutorial: Passive radar tutorial. IEEE Aerospace and Electronic Systems Magazine. 2019. V.34. №2. P.2-19.
  15. Кваснов А.В. Исследование информационной полноты радиолокационных данных в задачах классификации точечных воздушных объектов. Журнал радиоэлектроники [электронный журнал]. 2021. №11. https://doi.org/10.30898/1684-1719.2021.11.13
  16. Кваснов А.В. Повышение информационной полноты классификатора в задачах дистанционного зондирования воздушных точечных объектов. Датчики и системы. 2022. Т.262. №3. С.9-14. DOI 10.25728/datsys.2022.3.2.
  17. Ивченко Г.И., Каштанов В.А., Коваленко И.Н. Теория массового обслуживания. Учебное пособие для вузов. Москва, Высшая школа. 1982. 256 с.
  18. Кваснов А.В. Оценка построения трассы радиолокационной цели неподвижным лучом АФАР в дальней зоне наблюдения. Радиотехника. 2017. №2. С.4-12.