Совместное использование цифрового двойника РЛС и технологии нейронных сетей

Современный мир переживает четвертую индустриальную революцию, флагманом которой является искусственный интеллект (ИИ). Основным инструментом реализации ИИ, без сомнения, является нейронные сети, с помощью которых можно решать сложные технические задачи. Нейронные сети успешно применяются в различных промышленных областях, в сфере медицины и экономики, а также инженерии. Не исключением стала и радиолокация.

Радиолокация – это самодостаточная научная и инженерная дисциплина, где накоплен огромный опыт и решены фундаментальные задачи как в оборонно-промышленном комплексе, так и в сфере гражданского и медицинского применения. Однако современные вызовы и технологическое развитие ставит перед областью новые задачи, где нейронные сети и цифровые двойники могут выступить в качестве эффективного инструмента для их решения.

Одна из таких задач – это обнаружение и распознавания групповых целей на фоне активных и пассивных помех. Классические алгоритмы обработки превосходно работают, когда одиночная цель (или групповая при достаточном удалении друг от друга) движется прямолинейно, а помеховый фон описывается нормальным распределением. Однако в реальных условиях это далеко не так, цели постоянно меняют расстояния между собой, а также совершают разнообразные маневры. Это осложняется тем, что помеховая обстановка нестационарна со множеством противодействующих факторов. Другая проблема – это нехватки данных, так как натурный эксперимент зачастую экономически дорог и трудозатратен.

Для решения вышеизложенной задачи необходимо совместное использование концепции цифрового двойника РЛС и технологии нейронных сетей.

В докладе излагаются результаты моделирования первого шага в реализации совместного использования цифрового двойника РЛС и нейронных сетей. Излагаются принципы построения нейронных сетей, позволяющих распознавать групповые цели. В качестве целей применяются геометрические объекты разнообразной формы (цилиндр, сфера и конус), имитирующие ЭПР цели, и движущиеся по разнообразным траекториям. Уделяется внимание модели РЛС, которая формирует базу данных для обучения нейронной сети. Дается заключение об эффективности применения нейронных сетей.