ВИБІР НЕЙРОМЕРЕЖЕВОГО КЛАСИФІКАТОРА ДЛЯ ВИРІШЕННЯ ЗАВДАННЯ АНАЛІЗУ СИГНАЛІВ РЕБ ТА ШТУЧНИХ ЗАВАД
DOI:
https://doi.org/10.17721/2519-481X/2024/82-03Ключові слова:
нейромережі, нейромережеві класифікатори, аналіз сигналів РЕБ, штучні завади, радіоелектронна боротьбаАнотація
В даний час актуальною задачею є забезпечення якісного керування безпілотними літальними апаратами та передачі достовірної інформації в складній завадовій обстановці. Особливу актуальність дана задача набуває при застосуванні навмисних завад у вигляді сигналів протидії.
Для виявлення і локалізації потужних джерел паразитного сигналу застосовуються різні методи, включаючи: методи аналізу в часовій області: аналіз спектру сигналу, аналіз кореляційної функції, аналіз фазового зсуву; методи аналізу в частотної області: аналіз амплітудної характеристики сигналу, аналіз фазової характеристики сигналу, аналіз спектральної щільності потужності; методи аналізу в просторової області: аналіз спрямованості антени, аналіз рівня сигналу в різних точках простору.
Аналіз сигналів, які зазнають впливу РЕБ та штучних завад, є складною задачею. Традиційні методи аналізу сигналів часто не є ефективними для розв’язку такої задачі, оскільки вони не можуть враховувати складні характеристики РЕБ та штучних завад.
Нейромережеві класифікатори є перспективним інструментом для аналізу сигналів з РЕБ та штучними завадами. Нейромережі можуть навчатися на великих наборах даних і виявляти складні закономірності, які неможливо виявити за допомогою традиційних методів.
Дана стаття описує процес вибору нейромережевого класифікатора для аналізу сигналів РЕБ та штучних завад. Розглядаються різні фактори, які слід враховувати при виборі архітектури нейромережі, алгоритму навчання та параметрів мережі.
У роботі представлено аналітичний огляд нейромережевих класифікаторів, їх різновидності та особливості, а також обрано оптимальний для вирішення поставленої задачі.
Посилання
1. Dubrovin V.I., Subbotin S.O. Optimization methods and their application in neural network training problems: Study guide. - Zaporizhzhia: ZNTU, 2003. - 136 с.
2. Haykin S. S. Neural networks and learning machines. 3rd ed. - Upper Saddle River, N.J.: Prentice Hall, 2008.
3. Alpaydin E. Machine Learning, revised and expanded edition. - MIT Press, 2021. 280 p.
4. Goodfellow I., Bengio Y., Courville A. Deep learning. - MIT Press, 2017. 800 p.
5. Ketkar N. Deep learning with Python. - Berkeley, CA Press, 2017. URL: https://doi.org/10.1007/978-1-4842-2766-4 .
6. Montantes J. Deep learning for signal processing: What you need to know. URL: https://james-montantes-exxact.medium.com/deep-learning-for-signal-processing-what-you-need-to-know-af97e8f76355 .
7. Understanding feedforward neural networks with math and statistics. URL: https://www.turing.com/kb/mathematical-formulation-of-feed-forward-neural-network .
8. Nielsen M. Neural networks and deep learning. URL: http://neuralnetworksanddeeplearning.com/ .
9. What are convolutional neural networks? URL: https://www.ibm.com/topics/convolutional-neural-networks .
10. Overview of convolutional neural networks: Analysis, applications and prospects / Z. Li et al. IEEE Transactions on Neural Networks and Learning Systems. 2021. P. 1-21. URL: https://doi.org/10.1109/tnnls.2021.3084827 .
11. Activation functions: step, linear, sigmoid, ReLU, and Tanh. URL: https://robotdreams.cc/uk/blog/327-funkciji-aktivaciji-stupinchasta-liniyna-sigmojida-relu-ta-tanh
12. Labah A. A review of sifting methods for deep neural networks / A. Labah, H. Salehinejad, S. Valae. - 2019. - Available at: https://arxiv.org/abs/1904.13310 .
13. Test run - L1 and L2 regularization for machine learning. URL: https://learn.microsoft.com/en-us/archive/msdn-magazine/2015/february/test-run-l1-and-l2-regularization-for-machine-learning .
14. Bishop K. M. Pattern Recognition and Machine Learning. NY Springer New York, 2016. 778 p.
15. Systems for countering drones. URL: https://drontech.com.ua/antidron-sistemi .
16. What is a neural network? - GeeksforGeeks. URL: https://www.geeksforgeeks.org/neural-networks-a-beginners-guide/#types-of-neural-networks.
