WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

На правах рукописи

Полозова Оксана Викторовна

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ДВИЖУЩИХСЯ ЦЕЛЕЙ В ПРОСВЕТНОЙ РАДИОФИЗИЧЕСКОЙ СИСТЕМЕ

Специальность 01.04.03 – «Радиофизика»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата физико-математических наук

Воронеж – 2012

Работа выполнена в Воронежском государственном университете

Научный консультант: Костылев Владимир Иванович доктор физико-математических наук, профессор

Официальные оппоненты: Базарский Олег Владимирович доктор физико-математических наук, профессор Военный учебно-научный центр Военновоздушных сил «Военно-воздушная академия имени проф. Н.Е. Жуковского и Ю.А. Гагарина», профессор Алексеенко Сергей Павлович кандидат физико-математических наук, доцент Воронежский институт МВД России, доцент

Ведущая организация: Рязанский государственный радиотехнический университет, г. Рязань

Защита состоится 1 ноября 2012 г. в 1700 на заседании диссертационного совета Д.212.038.10 при Воронежском государственном университете по адресу:

394006, г. Воронеж, Университетская площадь, 1, ВГУ, физический факультет, ауд. 428.

С диссертацией можно ознакомиться в научной библиотеке Воронежского государственного университета.

Автореферат разослан « » сентября 2012 г.

Учёный секретарь диссертационного совета Маршаков Владимир Кириллович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы В настоящее время в развитии современных радиофизических информационных систем (РИС) наблюдается тенденция к оптимизации расходования ресурсов. Повышение качества обнаружения и распознавания целей предпочтительно достигать не за счёт количественного наращивания энергетических характеристик РИС, а прежде всего за счёт создания эффективных алгоритмов обработки сигналов.

Несмотря на множество работ отечественных и зарубежных учёных, посвящённых алгоритмам распознавания радиофизических целей, данное направление исследований остаётся актуальным в связи с неуклонным ростом требований, предъявляемым к системам, реализующим эти алгоритмы. Среди таких требований: скрытность, скорость обработки, низкая стоимость, высокие показатели качества, автоматизация функционирования, возможность распознавания не только по классу, но и по типу цели и т. д.

Требования, предъявляемые к распознающим радиосистемам, предназначенным для решения той или иной задачи, зачастую специфичны и удовлетворяются посредством нахождения в рамках конкретной задачи наиболее удачных решений: конфигурации радиосистемы, информативного признакового пространства, решающего правила.

При этом в последнее время снова возрос интерес к бистатическим РИС (Г.

Д. Гриффитс, Н. Дж. Уиллис, М. Черняков, А. Б. Бляхман). Среди них наибольший интерес вызывают просветные бистатические РИС (ПБРИС).

Основным источником информации в них является теневое излучение, не зависящее от всей формы рассеивающего тела и полностью определяющееся только размером и геометрией его теневого контура. Изменяя форму освещённой поверхности тела или используя поглощающие покрытия, можно существенно снизить обратное рассеивание, но не теневое излучение. Следовательно, оно может быть использовано для обнаружения больших объектов даже с малыми моностатическими эффективными поперечниками рассеяния при наблюдении их с помощью ПБРИС.

Кроме того, в последние десятилетия наблюдается повышенный интерес к неклассическим методам распознавания образов, использующим нейронные сети и нечёткий логический вывод. Применение нейронных сетей и нечёткого логического вывода является одним из перспективных путей для повышения эффективности и сокращения сложности системы распознавания движущихся радиофизических целей.

Таким образом, представляется актуальной тема диссертации, посвящённая нечётким и нейросетевым решениям задачи синтеза и анализу эффективных алгоритмов распознавания целей, движущихся в области действия ПБРИС.

Целью работы является синтез и анализ алгоритмов распознавания целей, движущихся в области действия ПБРИС.

Для достижения поставленной цели в диссертационной работе рассматриваются и решаются следующие задачи:

– синтез математических моделей дифракционных сигналов, рассеянных на движущихся целях различных форм и размеров их теневых контуров;

– построение информативного признакового пространства низкой размерности, а именно синтез и отбор классифицирующих признаков;

– синтез моделей нечётких и нейросетевых классификаторов целей;

– сравнение показателей эффективности распознавания целей построенными алгоритмами.

Методы исследования. Результаты исследований, сформулированные в диссертации, получены при использовании известных методов математического моделирования, теории распознавания образов, теории нечётких множеств, нечёткой логики и теории искусственных нейронных сетей.

Научная новизна. Научная новизна работы определяется полученными оригинальными результатами в области распознавания целей, движущихся в области действия ПБРИС, и заключается в следующем:

– Синтезированы новые математические модели дифракционных сигналов, рассеянных на целях различных форм и размеров их теневых контуров.

– Предложено информативное пространство представления образов движущихся в ПБРИС целей, позволяющее описывать цели существенно меньшим количеством признаков.

– Построены алгоритмы распознавания целей, позволяющие различать цели не только по классу, но и по типу внутри класса.

На защиту выносятся следующие результаты, впервые достаточно подробно развитые или впервые полученные в настоящей работе:

– Результаты синтеза и анализа математических моделей теневых сигналов, рассеянных на целях, движущихся в области действия ПБРИС.

– Результаты параметризации теневых сигналов.

– Алгоритмы распознавания движущихся целей на основе нечёткой логики и нейронных сетей.

– Результаты моделирования и анализа показателей эффективности распознавания предложенными алгоритмами в присутствии аддитивного белого гауссова шума.

Достоверность результатов диссертации. Достоверность результатов, полученных в диссертационной работе, подтверждается корректностью использования математического аппарата, совпадением новых результатов с известными в частных случаях, результатами компьютерного моделирования на ЭВМ.

Личный вклад автора. В работах [1, 2] автором выполнен анализ и интерпретация результатов. В работах [3, 4] автором проведено построение и анализ моделей. В работах [5-12] автором предложены методы исследований, осуществлён синтез и анализ моделей.

Практическая ценность работы заключается в новых эффективных алгоритмах распознавания движущихся целей по форме их теневых контуров.

Предложенные модели могут быть использованы при проектировании систем распознавания целей применительно к задачам в системах наземного и воздушного наблюдения.

Использование научных результатов. Результаты диссертации в форме математических моделей, алгоритмов и программ используются в учебном процессе Воронежского государственного университета при чтении спецкурса.

Апробация работы.

Основные положения диссертационной работы докладывались и обсуждались на следующих научных конференциях: XII (2006 г.), XIII (2007 г.), XV (2009 г.) и XVI (2010 г.) международные конференции «Радиолокация, навигация, связь» (г. Воронеж), всероссийская научно-практическая конференция «Охрана, безопасность и связь – 2009» (г. Воронеж, 2009 г.), X международная научно-методическая конференция «Информатика: проблемы, методология, технологии» (г. Воронеж, 2010 г.), III международная научно-практическая конференция «Обработка сигналов и негауссовских процессов» (г. Черкассы, 2011г.).

Публикации. По теме диссертационной работы опубликовано 12 печатных работ, из них 3 [1, 7, 11] – в периодических изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертации.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.
Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения и библиографического списка использованной литературы из 115 наименований. Объём диссертации составляет 147 страниц, включая 135 страниц основного текста, содержащего 72 рисунка на 56 страницах, и 12 страниц библиографического списка использованной литературы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении к диссертации представлено обсуждение актуальности темы исследования. Сформулирована цель работы и аргументирована научная новизна исследований, в аннотированном виде изложены основные результаты диссертационной работы.

В первой главе диссертации кратко рассмотрены основные концепции функционирования ПБРИС. Используя для решения дифракционной задачи метод Кирхгофа и принцип Бабине, получено аналитическое выражение для теневого сигнала. При расчётах полагалось, что цель движется в зоне действия ПБРИС прямолинейно и равномерно со скоростью V, траектория цели перпендикулярна линии, соединяющей приёмную и передающую антенну (базовой линии) ПБРИС, направления координатной оси X и движения цели совпадают, центральная точка цели пересекает вертикальную плоскость, проходящую через базовую линию системы, в момент времени t0.

Показано, что сигнал, формируемый приёмной антенной из падающего на неё электромагнитного поля, может быть представлен в виде суммы неинформативного колебания e t и теневого сигнала ssh t Re ssh t.

При этом выражение для комплексного теневого сигнала можно представить в следующем виде:

ssh t Ssh t exp j2 f0t L l 2A S j C 2h x 1 C 2b x 1 j 2h x 1 S 2b x 1 1 l Vt x0 x exp j dxexp j2 f0t L , (1) 1 где f0 – несущая частота сигнала передатчика; – длина волны, излучаемой передатчиком; L – длина базовой линии РИС; A – амплитудный коэффициент, зависящий от мощности передатчика; 1 – радиус первой зоны Френеля на волновом фронте электромагнитной волны, достигшей цели; l – протяжённость x x цели вдоль оси X ; S x t2 2 dt и C x sin cos t2 2 dt – интегралы 0 Френеля; h x и b x – функции описывающие, соответственно, верхнюю и нижнюю половины теневого контура цели; V – модуль скорости цели; x0 – координата центральной точки цели в момент времени t0.

Из (1) очевидно, что вся полезная информация об объекте наблюдения содержится в низкочастотном сигнале, который можно представить следующим образом:

l 2A S Ssh j C 2h x 1 C 2b x 1 j 2h x 1 S 2b x 1 1 l x x0 exp j + dx, (2) 1 если ввести безразмерное время Vt 1. Переход к безразмерному времени обусловлен следующим предположением: цели движутся прямолинейно и равномерно с одинаковой известной скоростью V. В общем случае, когда значения скоростей движения целей, подлежащих распознаванию, отличаются от значения, заложенного в системе распознавания, необходим дополнительный алгоритм определения скорости цели. Выражение (2) использовалось в настоящей работе в качестве математической модели теневого сигнала. Входными данными для синтезируемых алгоритмов распознавания являлись сигналы Ssh , рассеянные на объектах шести классов, различающихся формой теневого контура (рис. 1).

Рис. 1 Формы теневых контуров При решении задачи распознавания движущихся целей по форме их теневых контуров информация о моменте пересечения целью базовой линии радиосистемы является избыточной. Соответственно, при выборе информативных признаков желательно избежать возможного влияния подобной информации. В работе эта проблема решена следующим образом: использовалось представление теневых сигналов не во временной, а в частотной области. А именно, для набора смоделированных теневых сигналов были посчитаны спектральные плотности мощностей (рис. 2). В результате чего сохранилась информация только об амплитудах спектральных составляющих, информация о фазе была исключена, вместе с ней была исключена информация и о моменте пересечения целью базовой линии.

После перехода к спектральному представлению теневых сигналов были получены векторы значений амплитуд частотных спектров. Затем, исходя из визуального представления спектров теневых сигналов, для снижения размерности исследуемой задачи было принято решение ограничиться данными в частотном диапазоне от 0 Гц до 25 Гц.

Рис. 2 Вид спектральной плотности мощности теневого сигнала, рассеянного на цели с формой теневого контура – а) окружность, б) треугольник, в) квадрат, г) ромб, д) строфоид 1 рода, е) строфоид 2 рода. Площадь, ограниченная теневым контуром, равна трём площадям первой зоны Френеля электромагнитной волны, достигшей цели Вторая глава посвящена параметризации теневых сигналов. Так как регистрируемый приёмной антенной сигнал неизбежно искажается её шумовым воздействием, было принято решение построить и протестировать алгоритмы распознавания на сигналах в присутствии аддитивного белого гауссова шума.

Для объектов каждого из шести классов варьировали величину площади в диапазоне от 0,5S1 до 5S1( S1 – площадь первой зоны Френеля электромагнитной волны, достигшей цели). Амплитудное отношение сигналшум варьировалось от 1 до 10.

Понятно, что при решении задачи распознавания движущихся целей по форме теневого контура, интересными представляются именно те признаки, которые максимизируют различия в описании целей, принадлежащих разным классам, и минимизируют различия в описании целей, относящихся к одному классу. Последние, так называемые внутриклассовые признаки, не только не несут полезной для распознавания целей информации, но и затрудняют распознавание. Очевидно, что в таком случае следствием решения задачи выбора информативных признаков является снижение размерности исходного пространства описаний, что в случае существенно многомерных исходных данных является первостепенной задачей.

Параметризация теневых сигналов осуществлялась посредством последовательного применения к ним метода главных компонент и критериев отбора информативных признаков.

Метод главных компонент заключается в переходе к новому ортогональному базису, оси которого ориентированы по направлениям максимальной выборочной дисперсии набора исследуемых данных. Вдоль первой оси нового базиса дисперсия данных максимальна, вторая ось максимизирует дисперсию при условии ортогональности первой оси и т.д. Последняя ось имеет минимальную дисперсию из всех возможных для рассматриваемого набора данных.

Узнайте, что такое Саентология...

Ваша жизнь поменяется...

Поиск главных компонент совпадает с нахождением собственных векторов ковариационной матрицы, соответствующих наибольшим собственным числам, что позволяет для поиска главных компонент использовать стандартные операции с матрицами для определения собственных векторов и чисел.

После перехода к новому пространству – пространству главных компонент в целях снижения размерности исследуемых данных необходимо осуществить отбор признаков. В качестве критериев отбора признаков предложено совместно использовать критерий, основанный на кумулятивном процентном содержании полной дисперсии, и критерий «каменистой осыпи».

Первый критерий заключается в отборе того количества первых главных компонент, которое позволяет сохранить достаточную долю дисперсии исходных данных.

В критерии «каменистой осыпи» необходимо изобразить на графике полученные в ходе выделения главных компонент собственные значения в виде зависимости от номера собственного числа и затем найти такую точку на графике, где убывание собственных чисел максимально замедляется. При этом справа от этой точки находится так называемая «факториальная осыпь», которую можно не учитывать.

Таким образом, осуществлён выбор информативного пространства описаний образов целей – пространство первых трёх главных компонент.

На рис. 3 а представлены 300 образов теневых сигналов в пространстве первых трёх главных компонент. Как видно из рис. 3 а, зашумленные сигналы, рассеянные на объекте одной формы контура, группируются в отдельный от остальных кластер. Можно также заметить, что при совсем малых отношениях сигнал-шум кластеры имеют тенденцию сближаться. Это понятно, поскольку в отсутствии полезных сигналов никаких кластеров быть не может.

Рис. 3 Визуальное представление образов целей в: а) пространстве первых трёх главных компонент; б) пространстве второй, третьей и четвёртой главных компонент. Значение площади, ограниченной теневым контуром каждой цели, равно 0,5SНа основе применения критериев определения достаточного количества главных компонент (см. рис. 4 а, б) в целях решения задачи распознавания следует оставить первые три главные компоненты.

Рис. 4 Визуальное представление: а) критерия отбора компонент, основанного на кумулятивном процентном содержании полной дисперсии; б) критерия «каменистой осыпи». Значение площади, ограниченной теневым контуром каждой цели, равно 0,5SОднако из визуального представления сигналов в пространстве главных компонент (рис. 3 а) видно, что выборочная дисперсия, приходящаяся на первую главную компоненту ( pc1), относится к изменчивости признаков при переходе от одного сигнала к другому внутри каждого класса, а не между ними. Поэтому было принято решение в качестве информативных признаков выбрать вторую ( pc2 ), третью ( pc3) и четвёртую компоненты ( pc4 ) (рис. 3 б), так как в соответствующем пространстве описаний образы целей различных классов группируются в отдельные более компактные непересекающиеся кластеры.

В диссертации также показано наличие кластерной структуры данных для наборов теневых сигналов, отличающихся значениями площадей, ограниченных теневыми контурами объектов, и для сигналов с различным значением момента пресечения центральной точкой цели базовой линии ПБРИС.

Третья глава посвящена решению задачи классификации целей на основе выбранных признаков. Осуществлено построение и тестирование моделей нечётких классификаторов целей по образам целей в выбранном информативном признаковом пространстве. В качестве исходных данных использовались наборы параметризованных зашумлённых теневых сигналов, рассмотренных во второй главе.

На основе анализа визуального представления образов в пространстве первых трёх главных компонент при выборе математического аппарата для решения задачи классификации было принято решение воспользоваться нечёткими методами, так как искомая классификация оказывается размытой:

кластеры имеют неярко выраженные границы, некоторые из кластеров располагаются очень близко друг к другу, местами соприкасаются и пересекаются.

Моделирование нечётких классификаторов осуществлялось в программной среде МАТЛАБ. Для каждого значения размера целей из рассматриваемого интервала от 0,5S 1 до 5S1 на основе обучающих выборок были синтезированы и протестированы модели нечётких классификаторов. Показателем эффективности распознавания посредством построенных моделей была выбрана доля верно классифицированных целей от объёма контрольной выборки. По результатам тестирования моделей выбранный показатель принимал значения из диапазона от 96,6% до 100%.

Несмотря на высокий показатель эффективности распознавания целей было принято решение его повысить посредством учёта дополнительного объёма информации в описании образов целей. Вследствие чего построенные модели были дополнены четвёртой входной переменной, а именно пятой главной компонентой ( pc5), заново обучены и настроены.

В результате учёта дополнительной информации, содержащейся в пятой главной компоненте, удалось повысить качество классификации: значения доли верно классифицированных образов составляло от 98,3% до 100% контрольной выборки в зависимости от размера целей.

На рис. 5 изображено графическое представление нечёткой базы знаний классификатора, где каждая строка, состоящая из прямоугольников, соответствует одному правилу в форме “Если-то” из нечёткой базы правил.

Рис. 5 Визуальное представление правил базы знаний нечёткого классификатора.

Площадь, ограничиваемая теневыми контурами целей равна 0,5S В прямоугольниках, соответствующих входным и выходной переменным, имена которых представлены в верхней части столбцов, изображены функции принадлежности термов из базового терм-множества лингвистических переменных нечёткого классификатора. Заштрихованные области под функциями принадлежности, соответствующими входным лингвистическим переменным, представляют собой результаты фаззификации входных чётких значений нечёткого классификатора. В прямоугольниках, относящихся к выходной переменной, заштрихованная область под функцией принадлежности показывает результат активизации подзаключений в нечётких правилах. В правом нижнем углу окна расположен прямоугольник, в котором показан результат дефаззификации выходной переменной после аккумулирования всех заключений правил нечёткого вывода. Полученное в результате дефаззификации чёткое значение выходной переменной показано в верхней части столбца рядом с именем выходной переменной.

Далее были построены и проанализированы зависимости значений показателей эффективности распознавания от значений амплитудного отношения сигнал-шум. По результатам анализа значения доли верно распознанных целей варьировались от 83% до 100% в зависимости от отношения сигнал-шум. Нижняя граница диапазона значений показателя эффективности распознавания варьируется от 83% до 94% в зависимости от размера цели.

Рис. 6 Зависимость значений показателя эффективности распознавания целей от значений амплитудного отношения сигнал-шум На рис. 6 представлена зависимость доли верно распознанных целей от отношения сигнал-шум. Из хода кривых на рис. 6 видно, что учёт информации, содержащейся в пятой главной компоненте, позволил повысить качество распознавания целей.

В четвертой главе проведён синтез моделей нейросетевых классификаторов и анализ показателей эффективности распознавания целей, обоснован выбор данного подхода в решении задачи распознавания радиофизических целей с помощью ПБРИС.

Для каждого размера цели из рассматриваемого в работе диапазона были синтезированы модели нейросетевых классификаторов. В основе каждой модели использовалась нейронная сеть прямого распространения с двумя скрытыми слоями. В качестве функций активации нейронов скрытого слоя использовался гиперболический тангенс, а для нейронов выходного слоя – линейная функция.

Моделирование нейронной сети осуществлялось посредством специализированной библиотеки в программной среде МАТЛАБ.

Обучение нейронной сети проводилось следующим образом: на её вход подавались обучающие выборки, представляющие собой образы целей, построенные по зашумлённым сигналам. Объём выборки – 300 образов шести классов, причём количество образов каждого класса в обучающей выборке одинаково. В зависимости от полученного значения на выходе весовые коэффициенты сети изменялись в соответствии с алгоритмами обучения. В качестве алгоритма обучения использовался алгоритм Левенберга-Марквардта.

Сеть считалась обученной, когда ошибка на контрольном множестве начинала возрастать.

Все построенные модели нейросетевых классификаторов целей были протестированы. Каждую модель тестировали на 300 образов целей, не участвовавших в её обучении. При этом для образов каждого класса амплитудное отношение сигнал-шум варьировалось от 1 до 10.

По результатам тестирования классификаторов доля правильно классифицированных целей от объёма контрольной выборки принимала значения из диапазона от 99% до 100%.

Рис. 7 Зависимость значений показателя эффективности распознавания посредством нейросетевого классификатора от значений амплитудного отношения сигнал-шум Далее были проанализированы показатели эффективности распознавания от отношения сигнал-шум. Значение доли верно классифицированных целей от объёма контрольной выборки варьировалось от 75% до 100% в зависимости от значения отношения сигнал-шум. Нижняя граница диапазона варьировалась от 75% до 98% в зависимости от размера цели. Из представленных зависимостей (рис. 7) видно, что при малых отношениях сигнал-шум нейросетевой классификатор уступает по качеству функционирования нечёткому.

В заключении подведены итоги по диссертации в целом, сделаны общие выводы и сформулированы основные результаты:

– Построены математические модели дифракционных сигналов, рассеянных на целях, различающихся формой и размером их теневых контуров.

– Предложено информативное представление образов целей в пространстве описаний низкой размерности.

– Проведено моделирование на ЭВМ предложенных алгоритмов распознавания движущихся целей по форме их теневых контуров. Тестирование алгоритмов показало высокое качество распознавания целей.

– Показано, что использование метода главных компонент в сочетании с критериями отбора информативных признаков после предварительной обработки регистрируемых теневых сигналов позволяет перейти к пространству описаний низкой размерности, в котором образы целей визуально разделяются на классы согласно форме их теневых контуров.

– Использование нечёткого логического вывода при построении классификатора позволяет получить алгоритм распознавания, обеспечивающий высокое качество функционирования.

– Использование аппарата нейронных сетей для построения решающего правила классификатора позволяет получить алгоритм распознавания, обеспечивающий приемлемое качество функционирования. При малых отношениях сигнал-шум нейросетевой классификатор уступает по качеству функционирования нечёткому.

Основные результаты диссертации опубликованы в работах:

1. Костылев, В. И. Теоремы эквивалентности в бистатической радиолокации [Текст] / В. И. Костылев, В. М. Петров, О. В. Полозова, И. В.

Стукалова, К. Ю. Черенков // Вестник Воронежского государственного университета. Серия: Физика. Математика. – 2005. – №2. – С. 11 – 23.

2. Костылев, В. И. О радиотехническом аналоге пятна Пуассона [Текст] / В.

И. Костылев, О. В. Полозова, И. В. Стукалова, Я. А. Волошенко // Материалы ХII международной научно – технической конференции «Радиолокация, навигация и связь». – Воронеж, 2006. — Т. 1.— С. 616 – 623.

3. Костылев, В. И. Разработка и анализ модели теневого сигнала от малоразмерной цели [Текст] / В. И. Костылев, О. В. Полозова, И. В. Стукалова, Я.

А. Волошенко // Материалы XIII международной научно – технической конференции «Радиолокация, навигация и связь». – Воронеж, 2007. — Т. 3.— С.

1864 – 1872.

4. Костылев, В. И. Анализ модели теневого сигнала [Текст] / В. И.

Костылев, О. В. Полозова, Д. В. Звягин // Вестник Воронежского института МВД России. — 2008. — № 4. – С. 64 – 73.

5. Костылев, В. И. Разработка алгоритма определения скорости автомобилей, движущихся в зоне действия просветного радара [Текст] / В. И.

Костылев, С. М. Шапиро, О. В. Полозова // Вестник Воронежского института МВД России. – 2008. – № 3. – С. 90 – 98.

6. Костылев, В. И. Выбор признаков в задаче классификации объектов, движущихся в зоне действия просветного радара [Текст] / В. И. Костылев, О. В.

Полозова, Д. В. Звягин // Материалы XV международной научно – технической конференции «Радиолокация, навигация и связь». — Воронеж, 2009. — Т. 3. – С.

1321 – 1326.

7. Костылев, В. И. Параметризация теневых сигналов, создаваемых подвижными объектами [Текст] / В. И. Костылев, О. В. Полозова // Физика волновых процессов и радиотехнические системы. — Самара, 2010. – Т. 13. — № 1. – С. 27 – 32.

8. Полозова, О. В Нечёткая классификация теневых сигналов, создаваемых подвижными объектами [Текст] / О. В. Полозова, В. И. Костылев // Материалы всероссийской научно – практической конференции «Охрана, безопасность и связь – 2009». – Воронеж, 2010. – С. 165 – 169.

9. Костылев, В. И. Математические модели просветных сигналов, рассеянных на подвижных объектах различной формы контура [Текст] / В. И.

Костылев, О. В. Полозова // Материалы международной научно – методической конференции «Информатика: проблемы, методология, технологии». — Воронеж, 2010. – Т. 1. — С. 355 – 359.

10. Костылев, В. И. Устранение избыточной информации и снижение размерности дифракционных сигналов, создаваемых подвижными объектами [Текст] / В. И. Костылев, О. В. Полозова // Материалы XVI международной научно – технической конференции «Радиолокация, навигация и связь». – Воронеж, 2010. — Т. 1.— С. 339 – 347.

11. Костылев, В. И. Классификация теневых сигналов, создаваемых подвижными объектами [Текст] / В.И. Костылев, О.В. Полозова // Известия вузов.

Радиоэлектроника. — Киев, 2011. — Т. 54.— № 5. – С. 17 – 24.

12. Полозова, О. В. Классификация дифракционных сигналов на основе нейронных сетей [Текст] // Материалы III международной научно – практической конференции «Обработка сигналов и негауссовских процессов». – Черкассы, 2011. – С. 150 – 151.

Работы № 1, 7, 11 опубликованы в периодических изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертации.

Авторефераты по всем темам  >>  Авторефераты по физике



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.