Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (04.2022) : Распознавание 3D объектов в однопозиционной системе лазерной локации методами интеллектуального анализа импульсных отражательных характеристик

Распознавание 3D объектов в однопозиционной системе лазерной локации методами интеллектуального анализа импульсных отражательных характеристик

DOI: 10.17586/1023-5086-2022-89-04-40-51

Переводная версия: https://doi.org/10.1364/JOT.89.000217

УДК 535.36

Леонид Витальевич Лабунец1*, Андрей Борисович Борзов2, Ильдар Маратович Ахметов3

Московский государственный технический университет им. Н.Э. Баумана, Москва, Россия

1labunets@bmstu.ru;     https://orcid.org/0000-0002-9151-3420

2borzov@rambler.ru;     https://orcid.org/0000-0003-037-0040

3akhmetov.im@gmail.com;          https://orcid.org/0000-0003-1649-110X

Аннотация

Предмет исследования. Предложена физически обоснованная экспертная модель исходных признаков для распознавания антропогенных 3D объектов в однопозиционной лазерной локационной системе. Метод. Модель основана на интеллектуальном анализе данных, полученных методом имитационного цифрового моделирования временных профилей импульсных отражательных характеристик объекта. Формирование информативных признаков реализовано методом главных компонент. Основные результаты. Продемон-стрировано наличие и исследована кластерная структура пространства главных признаков. Машинными методами обучения идентифицированы параметры нескольких алгоритмов кластеризации и классификации 3D объектов и протестировано их качество в информативном пространстве. Практическая значимость. В хронологической последовательности представлены этапы решения задач кластеризации и классификации антропогенных объектов системой однопозиционной лазерной локации.

Ключевые слова: имитационное цифровое моделирование, импульсная эффективная площадь рассеяния 3D объекта, информативные признаки, алгоритмы кластеризации и классификации, машинные методы обучения

Ссылка для цитирования:  Лабунец Л.В., Борзов А.Б., Ахметов И.М. Распознавание 3D объектов в однопозиционной системе лазерной локации методами интеллектуального анализа импульсных отражательных характеристик // Оптический журнал. 2022. Т. 89. № 4. С. 40–51. DOI: 10.17586/1023-5086-2022-89-04-40-51

Код OCIS:  070.5010.

 

СПИСОК ИСТОЧНИКОВ

1.    Лабунец Л.В. Цифровые модели изображений целей и реализаций сигналов в оптических локационных системах: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2007. 216 с.

2.   Лабунец Л.В. Цифровое моделирование оптических отражательных характеристик целей в режиме реального времени: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2013. 211 с.

3.   Лабунец Л.В, Борзов А.Б., Ахметов И.М. Модели реального времени импульсных отражательных характеристик 3D объектов в однопозиционной системе лазерной локации // Оптический журнал. 2020. Т. 87. № 9. С. 12–23.

4.         L.V. Labunets, A.B. Borzov, I.M. Akhmetov. Real-time models of pulsed reflectance profiles of 3D objects in a monostatic laser location system // Journal of Optical Technology. 2020. V. 87. No. 9. P. 513–520.

5.   Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.

6.   Куличков С.Н., Чуличков А.И., Демин Д.С. Морфологический анализ инфразвуковых сигналов в акустике. М.: Новый Акрополь, 2010. 132 с.

7.    Чуличков А.И., Цыбульская Н.Д., Куличков С.Н. Исследование возможности классификации инфразвуковых сигналов методами проверки статистических гипотез // Вестник Московского университета. Серия 3. Физика. Астрономия. 2012. № 2. С. 20–22

8.   Лабунец Л.В. Цифровая обработка переходных характеристик 3D объектов в однопозиционной системе оптической локации // Радиотехника и электроника. 2002. Т. 47. № 4. С. 452–460.

9.         L.V. Labunets, Digital processing of transient responses of 3D objects in a monostatic optical radar system // Journal of Communications Technology and Electronics. 2002. V. 47. No. 4. P. 405–412. ISSN 1064–2269.

10. Лабунец Л.В, Борзов А.Б., Ахметов И.М. Регуляризованная параметрическая модель индикатрисы коэффициента яркости шероховатой поверхности // Оптический журнал. 2019. Т. 86. № 10. С. 20–29.

11.       Labunets L.V., Borzov A.B., Akhmetov I.M. Regularized parametric model of the angular distribution of the brightness factor of a rough surface // Journal of Optical Technology. 2019. V. 86. No. 10. P. 618–626. https://doi.org/10.1364/JOT.86.000618.

12.  Беляков А.М., Палагин Е.П., Ханцеверов Ф.Р. Советская Военная энциклопедия / Институт военной истории Министерства обороны СССР. М.: Воениздат, 1976. Т. 4: Многоцелевые космические аппараты. С. 386, 387.

13.  Андронов А., Шевров Р. Американские космические системы видовой разведки // Зарубежное военное обозрение. М.: Красная звезда, 1995. № 2. С. 39–43.

14.  Gustavo Batista, Eamonn J. Keogh, Oben Moses Tataw, Vincius M.A. de Souza, CID: an efficient complexity-invariant distance for time series // Data Mining and Knowledge Discovery. 2014. V. 28. No. 3. P. 634–669.

15.  Buja A., Cook D., Asimov D., Hurley C.B. Theory and computational methods for dynamic projections in high-dimensional data visualizations / A monograph on rendering techniques, mathematics, and algorithms for tours and related methods. 1996. 67 pp. URL: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.49.9039&rep=rep1&type=pdf

16.  Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей: Справ. изд. М.: Финансы и статистика, 1985. 487 с.

17.  Шурыгин А.М. Прикладная стохастика: робастность, оценивание, прогноз. М.: Финансы и статистика, 2000. 224 с.

18. Scott D.W. Multivariate density estimation: Theory, practice, and visualization. N.-Y.: John Wiley & Sons, Inc, 1992. 317 р.

19.  Айвазян С.А. Енюков И.С. Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности: Справ. изд. / Под ред. Айвазяна С.А. М.: Финансы и статистика, 1989. 607 с.

20. Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu. A density-based algorithm for discovering clusters in large spatial databases with noise // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96) / Evangelos Simoudis, Jiawei Han, Usama M. Fayyad. AAAI Press, 1996. P. 226–231.

21.  Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ИД «Вильямс». 2006. 1104 с.

22.      Simon S. Haykin, Neural networks. A Comprehensive Foundation. 2nd ed. N.Y.: Prentice Hall, 1999. 842 p.