RELIABILITY IMPROVEMENT OF NEURAL NETWORK CLASSIFICATION FOR RADAR OBJECTS
https://doi.org/10.34822/1999-7604-2020-1-69-76
Abstract
The recognition of types of radar objects by signal characteristics to track their movements in a given area is an important task for ensuring air traffic security. One of the effective tools for solving this problem is the artificial neural networks.
The paper proposes the method for the statistical evaluation of the results of a neural network classification for radar-tracked dynamic objects based on the statistical hypothesis testing. The estimation is carried out by comparing the sample mean of the entire distribution of the results output of the neural network. The results are obtained from a series of observations over objects, with the averaged threshold value of similarity of its output signals, adopted as a hypothetical general average. The increase in the reliability of the neural network classification for a mean of 8% is confirmed during experimental studies of the proposed solutions on the example of the classification of single objects of two types with their Doppler portraits under conditions of significant noise.
The considered method can be used in an independent neural network classification or selection
system for radar-detectable objects and as part of integrated decision support systems for existing
or prospective radar stations.
About the Author
D. V. Marshakov
Don State Technical University, Rostov-on-Don, Russia
Russian Federation
E-mail: daniil_marshakov@mail.ru
Russian Federation
E-mail: daniil_marshakov@mail.ru
References
1. Бердышев В. П., Помазуев О. Н., Савельев А. Н., Смолкин М. А., Копылов В. А., Лой В. В. Распознавание классов и типов воздушных объектов по двумерным радиолокационным изображениям в обзорной РЛС // Журн. СФУ. Техника и технологии. 2019. Т. 12, № 1. С. 18–29.
2. Воробьев Е. Н. Исследование сигнальных признаков распознавания малых БПЛА в полуактивной РЛС // Вест. Новгород. гос. ун-та. Технич. науки. 2019. № 4. С. 72–77.
3. Казачков Е. А., Матюгин С. Н., Попов И. В., Шаронов В. В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестн. Концерна ВКО «Алмаз-Антей». 2018. № 1. С. 93–99.
4. Molchanov P., Egiazarian K., Astola J., Harmanny R. I. A., Wit J. J. M. Classification of Small UAVs and Birds by Micro-Doppler Signatures // Proceedings of the 10th European Radar Conference, Nuremberg, Germany, 9-11 October 2013. IEEE, 2013. Р. 172–175.
5. Романенко А. В. Формирование доплеровских портретов воздушных объектов с использованием метода сверхразрешения // Журн. радиоэлектроники. 2015. № 3. С. 4.
6. Онищенко В. С., Шевченко В. Н. Корреляционный метод классификации подвижных объектов по их спектральным портретам в системах скрытной локации // Радиолокация и радиосвязь: сб. тр. XI Всероссийской науч.-технич. конф., Москва, 27–29 ноября 2017 г. М. : ИРЭ им. В. А. Котельникова РАН, 2017. C. 236–240.
7. Сафонов А. В., Митрофанов Д. Г., Прохоркин А. Г. Нейросетевое распознавание летательных аппаратов по экспериментально сформированным доплеровским спектрам // Нейрокомпьютеры: разработка, применение. 2009. № 10. С. 57–62.
8. Brooks D., Schwander O., Barbaresco F., Schneider J.-Y., Cord M. Temporal Deep Learning for Drone Micro-Doppler Classification // Proccedings of the 19th International Radar Symposium (IRS 2018), Bonn, Germany, 20–22 June 2018. IEEE, 2018. Р. 874–883.
9. Карабаев Б. С. Распознавание летательных аппаратов при помощи нейросетевых технологий // Новости науки Казахстана. 2017. № 1. С. 31-42.
10. Баронин А. М., Демин Д. А. Применение нейронных сетей в современных РЛС // DSPA: Вопросы применения цифровой обработки сигналов. 2017. Т. 7, № 4. С. 205–210.
11. Rajaguru H., Prabhakar S. K. An Approach to Classification of Oral Cancer Using Softmax Discriminant Classifier // Proceedings of the 2nd International Conference on Communication and Electronics Systems (ICCES), Coimbatore, India, 19–20 October, 2017. IEEE, 2017. Р. 420–423.
12. Bayar V., Efe M. Ö. Detection of Smart Phone Position on User Using Artificial Neural Network Classifier // Proceedings of the 26th Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey, 2–5 May, 2018. IEEE, 2018. Р. 345–348.
13. Coşkun M., Uçar A., Yildirim Ö., Demir Y. Face Recognition Based on Convolutional Neural Network // Proceedings of the International Conference on Modern Electrical and Energy Systems (MEES), Kremenchuk, Ukraine, 15–17 November, 2017. IEEE, 2017. Р. 376–379.
14. Wu Y., Liy J., Kongy Y., Fu Y. Deep Convolutional Neural Network with Independent Softmax for Large Scale Face Recognition // Proceedings of the 24th ACM International Conference on Multimedia, Amsterdam, Netherlands, 15–19 October, 2016. Association for Computing Machinery, 2016. Р. 1063–1067.
15. Качайкин Е. И., Иванов А. И., Безяев А. В., Перфилов К. А. Оценка достоверности нейросетевой автоматизированной экспертизы авторства рукописного почерка // Вопр. кибербезопасности. 2015. № 2. С. 43–48.
16. Urgun D., Singh C. Multi Label RBF Classification Method for Composite System Reliability Evaluation // Proceedings of the International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), Boise, Idaho, USA, 24–28 June, 2018. IEEE. Р. 692–696.
17. Savchenko A. V. Statistical Recognition of a Set of Patterns Using Novel Probability Neural Network // International Workshop on Artificial Neural Networks and Pattern Recognition, Lecture Notes in Computer Science. 2012. Vol. 7477. Р. 93–103.
18. Marshakov D. V., Galushka V. V., Fathi V. A., Fathi D. V. Evaluation of Neural Network Output Results Reliability in Pattern Recognition // Proceedings of the Third International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’18). Р. 503–510.
19. Загинайло М. В., Маршаков Д. В. Статистическая оценка выходных результатов искусственной нейронной сети при задаче распознавания образов // ИНФОКОМ-2018 : тр. СКФ МТУСИ по результатам XI Междунар. науч.-практич. конф, Ростов-на-Дону, 19–20 апреля 2018. Ростов н/Д: ПЦ «Университет» СКФ МТУСИ, 2018. С. 137–140.
20. Иванов С. А., Маршаков Д. В. Методика представления входных векторов для нейросетевого классификатора радиолокационно-обнаруживаемых объектов // Системный анализ, управление и обработка информации : тр. VIII Междунар. науч. конф., с. Дивноморское, 8–13 октября 2017, Т. 1. Ростов н/Д : ДГТУ, 2017. С. 137–140.
Review
For citations:
Marshakov D.V. RELIABILITY IMPROVEMENT OF NEURAL NETWORK CLASSIFICATION FOR RADAR OBJECTS. Proceedings in Cybernetics. 2020;(1 (37)):69-76. (In Russ.) https://doi.org/10.34822/1999-7604-2020-1-69-76
Views:
1091
Email this article 