Исследование методов определения ракурса пространственно-распределенной цели на ее радиолокационном изображении

Abstract

Статья посвящена проблеме определения ракурса надводного корабля по его радиолокационному изображению, полученному в радиолокаторах с синтезированной апертурой. К основным методам решения названной задачи относятся классический байесов метод многоальтернативной проверки гипотез и его модификации и/или метод классификации надводных кораблей, расположенных под различными ракурсами, с помощью искусственных нейронных сетей (ИНС). В работе показано, что для достижения высокой эффективности распознания ракурсов при использовании ИНС необходимо обладать значительными вычислительными ресурсами, а также иметь доступ к большой, репрезентативной и масштабной обучающей выборке. При наличии достаточных вычислительных и временных ресурсов ИНС демонстрирует высокие результаты в разнообразных условиях наблюдения, однако стоит отметить, что для их эффективного обучения требуется значительное количество процессорного времени, составляющее несколько часов. В то же время классические методы способны проводить вычисления за доли секунды, даже на сравнительно маломощных устройствах. Также стоит учесть, что с увеличением числа распознаваемых классов ИНС могут потреблять до десятков гигабайт оперативной памяти, что ограничивает доступность этого метода в задаче распознавания ракурсов пространственно-распределенных целей.

The article is devoted to the problem of determining the aspect angle of a surface ship based on its radar image obtained in synthetic aperture radars. Among the main methods of solving this problem are the classical Bayesian method of multi-alternative hypothesis testing and its modifications, and/or the method of classifying surface ships located at different angles using artificial neural networks (ANNs). The study demonstrates that achieving high efficiency in aspect recognition using ANNs requires significant computational resources, as well as an access large, representative, and scalable training dataset. ANNs demonstrates high performance in various observation conditions in case sufficient computational and time resources; however, it is noteworthy that their effective training requires a substantial amount of processing time, reaching several hours. At the same time, classical methods are capable of performing calculations in fractions of a second, even on relatively low-powered devices. It is also worth noting that as the number of recognised classes increases, ANNs may consume up to tens of gigabytes of RAM, limiting the accessibility of this method in the aspect of task recognition of spatially distributed targets.