Сравнительный анализ классических методов и методов машинного обучения при решении задач классификации радиолокационных изображений

Abstract

Сложившаяся в последние годы массовая тенденция использовать глубокое машинное обучение, искусственные нейронные сети и методы искусственного интеллекта при решении самых разных задач, как научных исследований, так и производственных проблем, приводит к существенным методологическим неточностям, а именно, использованию сложных, трудоемких и очень объемных алгоритмических процедур в то время, как задача может быть решена несоизмеримо более простыми и компактными методами без потерь в эффективности. Для этого необходимо воспользоваться широко распространенными и хорошо известными методами, в том числе классическими, параметрическими, непараметрическими, настроенными на задачу. Машинное обучение безусловно носит универсальный характер, в чем и заключается его ценность, но не учитывает особенности конкретной проблемы, заменяя обучением тот этап, который традиционные методы призваны восполнить умелой настройкой на конкретную проблему. В работе рассмотрены два метода, один из которых основан на классическом методе максимального правдоподобия с оптимальной оценкой неизвестных параметров распределений отдельных отсчетов флуктуирующего изображения (входного массива данных), а другой - на глубоком машинном обучении, классификации радиолокационных изображений для конкретной задачи распознавания трех классов пространственно-распределенных целей, отличающихся своими размерами.

The mass trend that has developed in recent years to use deep machine learning, artificial neural networks and artificial intelligence methods in solving a variety of tasks, both scientific research and production problems, leads to significant methodological inaccuracies, namely, the use of complex, time-consuming and very voluminous algorithmic procedures while the problem can be solved by incomparably uncomplicated and more compact methods without loss in efficiency. To do this, it is necessary to use widely used and well-known methods, including classical, parametric, nonparametric, customized to the task. Machine learning is certainly universal in nature, which is its value, but it does not take into account peculiarities of a specific problem, replacing with learning the stage that traditional methods are designed to fill with skillful adjustment to a specific problem. The paper considers two methods, one of which is based on the classical maximum likelihood method with optimal estimation of unknown parameters of the distributions of individual samples of the fluctuating image (input data array), and the other on deep machine learning, classification of radar images of a specific task of recognizing three classes of spatially distributed targets that differ in their sizes.