en
Назад
DOI: 10.17586/1023-5086-2022-89-04-40-51
УДК: 535.36
Распознавание 3D объектов в однопозиционной системе лазерной локации методами интеллектуального анализа импульсных отражательных характеристик
Полный текст «Оптического журнала»
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
L. V. Labunets, A. B. Borzov, and I. M. Akhmetov, "Recognition of 3D objects in a monostatic laser location system via intelligent analysis of pulsed reflectance profiles," Journal of Optical Technology. 89(4), 217-224 (2022). https://doi.org/10.1364/JOT.89.000217
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.
имитационное цифровое моделирование, импульсная эффективная площадь рассеяния 3D объекта, информативные признаки, алгоритмы кластеризации и классификации, машинные методы обучения
Коды OCIS: 070.5010
Список источников:- 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.
- 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.
- 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. 12–2
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.
- Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.
- Куличков С.Н., Чуличков А.И., Демин Д.С. Морфологический анализ инфразвуковых сигналов в акустике. М.: Новый Акрополь, 2010. 132 с.
- 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
- Лабунец Л.В. Цифровая обработка переходных характеристик 3D объектов в однопозиционной системе оптической локации // Радиотехника и электроника. 2002. Т. 4 № 4. С. 452–460.
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.
- 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.
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.
10. 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.
- Андронов А., Шевров Р. Американские космические системы видовой разведки // Зарубежное военное обозрение. М.: Красная звезда, 1995. № 2. С. 39–43.
10. 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.
11. 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
12. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей: Справ. изд. М.: Финансы и статистика, 1985. 487 с.
13. Шурыгин А.М. Прикладная стохастика: робастность, оценивание, прогноз. М.: Финансы и статистика, 2000. 224 с.
14. Scott D.W. Multivariate density estimation: Theory, practice, and visualization. N.-Y.: John Wiley & Sons, Inc, 1992. 317 р.
15. 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.
16. 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.
17. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ИД «Вильямс». 2006. 1104 с.
18. Simon S. Haykin, Neural networks. A Comprehensive Foundation. 2nd ed. N.Y.: Prentice Hall, 1999. 842 p.