Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели

Изобретение относится к гидроакустике и может быть использовано для реализации операций нейросетевого распознавания классов целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов.

Принцип работы параметрических антенн как с высокочастотной (десятки-сотни кГц), так и с низкочастотной (десятки-сотни Гц) накачкой морской среды, основан на использовании естественных нелинейных свойств морской среды.

Известны способы и реализующие их параметрические антенны, использующие высокочастотную накачку морской среды (см. Новиков Б.К., Тимошенко В.И. Параметрические антенны в системах гидролокации. - Л.: Судостроение. - 1990. - С. 17-40, 203-225.; Пятакович В.А., Василенко А.М., Рычкова В.Ф. Способ классификации подводных технических объектов экспертной интеллектуальной системой с приемной параметрической антенной. Морские интеллектуальные технологии. - СПб.: 2018. № 2 (40). том 2. - С. 121-126.), недостатками которых являются малая дальность параметрического приема волн (сотни метров и только в отдельных случаях 1-2 километра) и ограниченная возможность измерения пространственно-временных характеристик сигналов, что особенно проявляется при приеме волн различной физической природы низкого, инфразвукового и дробного диапазонов частот.

Известны способы и реализующие их параметрические антенны, работа которых основана на низкочастотной подсветке (накачке) среды слабозатухающими сигналами с частотой десятки-сотни герц, которые формируют в морской среде протяженные объемные зоны нелинейного взаимодействия и параметрического преобразования сигналов. Что приводит к увеличению дальности параметрического приема нелинейно преобразованных сигналов (информационных волн) в десятки-сотни раз, относительно высокочастотных параметрических антенн.

Диапазон частот принимаемых информационных волн составляет десятки-единицы килогерц, сотни-десятки-единицы-доли герц, включая сверхнизкочастотные (СНЧ) колебания движущихся объектов (см. Мироненко М.В., Малашенко А.Е., Василенко А.М. и др. Нелинейная просветная гидроакустика и средства морского приборостроения в создании Дальневосточной радиогидроакустической системы освещения атмосферы, океана и земной коры, мониторинга их полей различной физической природы: монография. - Владивосток: Изд-во Дальневост. ун-та, 2014; Малашенко А.Е., Мироненко М.В., Чудаков М.В., Пятакович В.А. Дальний параметрический прием электромагнитных волн, формируемых техническими источниками в морской среде. Датчики и системы - М.: 2016. - № 8-9 (206). - С. 14-18; Пятакович В.А., Василенко А.М., Мироненко М.В.; Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: - монография. - Владивосток: Дальневост. федерал. ун-т, 2016 190 с. ISBN 978-5-7444-3790-9.).

Известны способы приема упругой волны в морской среде, повышающие величину параметра нелинейности среды в зоне приема сигналов. Для чего в зону параметрического приема сигналов кроме упругой волны вводят дополнительный электромагнитный сигнал, подвергнутый частотно-временной модуляции, или модулированный гидродинамический поток жидкости. Модуляцию гидродинамического потока жидкости осуществляют путем изменения плотности за счет управляемого насыщения газом, или изменения температуры, или изменения ее химического состава. (пат. №2158029 РФ. Способ приема упругой волны в морской среде (варианты); опубл. 20.10.2000, бюл. № 29.; пат. № 2452041 РФ. Способ параметрического приема волн различной физической природы в морской среде; опубл. 27.05.2012, бюл. № 15.). Недостатками способов являются низкая чувствительность и, как следствие, ограниченная дальность (единицы километров) параметрического приема информационных волн различной физической природы в инфразвуковом и дробном (единицы-доли герц) диапазонах частот.

Наиболее близким по технической сущности к заявляемому изобретению является способ обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями (пат. № 2682088 (РФ, МПК G01S 15/02 (2006.01); опубл. 14.03.2019, бюл. № 8), заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объектов, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, взаимодействовавшие с сигналами объектов, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта, которые подают в тракт нейросетевого распознавания и классификации, состоящий из блока распознавания класса цели по амплитудно-частотным характеристикам, реализующего вычислительные операции искусственной нейронной сети и охваченного обратной связью с блоком обучения, в память которого записаны данные математически обработанных образов спектрограмм морских целей, причем на первый вход блока распознавания класса цели по амплитудно-частотным характеристикам поступают данные с выхода спектроанализатора тракта приема, обработки и регистрации сигналов, а на второй его вход поступают данные с блока обучения тракта нейросетевого распознавания и классификации, после чего искусственную нейронную сеть настраивают по классификационным признакам признакам полей, генерируемых морскими целями, запускают вычислительные операции, по результатам которых корректируют ее весовые коэффициенты и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).

Известно, что результатом параметрического преобразования взаимодействующих волн является их взаимная амплитудно-фазовая модуляция. Малое отличие частот (в пределах одного порядка) просветных волн и волн, генерируемых объектом, обеспечивает наиболее интенсивное их взаимодействие. Амплитуда взаимодействующих волн и индекс фазовой модуляции могут быть представлены в следующем виде

; ,

где γ - коэффициент нелинейности морской среды; , - частота волны накачки и полезного сигнала, соответственно; , - затухание волны накачки и полезного сигнала, соответственно; - объем среды нелинейного взаимодействия и параметрического преобразования волн; - расстояние от точки излучения до точки расположения объекта; - плотность, - скорость звука в морской среде.

Сформированные в результате преобразования просветных волн параметрические составляющие суммарной и разностной частоты при обработке широкополосных сигналов выделяются, как признаки амплитудно-фазовой модуляции, что обосновано математическими зависимостями и подтверждено результатами морских экспериментов (см. Мироненко М.В., Малашенко А.Е., Карачун Л.Э., Василенко А.М. Низкочастотный просветный метод дальней гидролокации гидрофизических полей морской среды: монография. - Владивосток: СКБ САМИ ДВО РАН, 2006. - 173 с.; Пятакович В.А., Василенко А.М., Мироненко М.В.; Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: - монография. - Владивосток: Дальневост. федерал. ун-т, 2016 190 с. ISBN 978-5-7444-3790-9.; Мироненко М.В., Пятакович В.А., Василенко А.М. Результаты экспериментальных исследований способа определения профиля морского объекта и реализующей его системы. - Мониторинг. Наука и технологии. 2017. - № 2(31) - С. 64-69.).

Спектр взаимодействующих волн состоит из бесконечного числа боковых составляющих, частоту и амплитуду которых можно найти из известного выражения

,

где , - результирующее и мгновенное значения давления модулированной волны, соответственно; - удвоенная частота модулированной волны; - волна, генерируемая объектом; - время; - функции Бесселя n-го порядка; - амплитуда модулированной волны; - коэффициент модуляции.

Как видно из выражения, значения частот боковых составляющих отличаются от удвоенной центральной частоты 2ω (равной сумме частот взаимодействующих волн) на величину ± n⋅Ω, где n - любое целое число.

Амплитуды боковых составляющих для соответствующих частот (2ω± nΩ) определяются величиной множителя .

При малых значениях коэффициента модуляции спектр взаимодействующих волн приближенно состоит из удвоенной центральной частоты 2ω и ее боковых частот 2ω+Ω и 2ω-Ω.

Недостатком способа-прототипа является отсутствие операций, которые обеспечивают нейро-нечеткую коррекцию выбора математических моделей блоком обучения, комплексное сокращение размерности данных при автоподстройке базы правил, исходя из выборки значений параметров объекта классификации, формирование сигнала с номером продукционного правила и типа функции принадлежности типу цели для оптимизации вычислительных процессов, выполняемых в тракте нейросетевого распознавания и классификации, обеспечивающем конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект), что ограничивает функциональные возможности системы-прототипа.

Задача, на решение которой направлено заявляемое изобретение, заключается в расширении функциональных возможностей способа-прототипа, т.е. его реализации как способа обнаружения и классификации морских целей с использованием математической модели определения типа цели. Конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект) принимается обученной нейронной сетью по степени принадлежности исследуемой области спектра объекту классификации.

Техническим результатом предлагаемого изобретения является автоматизация процесса распознавания классов морских целей (надводный или подводный объект), обнаруженных по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объектов, комплексное сокращение размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов математических моделей морских целей, осуществляемой при помощи тракта адаптивной нейро-нечеткой коррекции, необходимых для реализации конечного процесса классификации в тракте нейросетевого распознавания и классификации, что обеспечивает повышение вероятности правильной классификации морской цели на 5-7 % большую, чем при использовании прототипа.

Указанный технический результат достигается путем формирования и редукции выборки эталонных образцов математических моделей морских целей трактом адаптивной нейро-нечеткой коррекции, самостоятельно производящим автоподстройку своей базы правил и её нейро-нечеткую коррекцию, с применением вычислительных операций адаптивной нейро-нечеткой сети (ANFIS), для оперативно обновляемой библиотеки спектрограмм морских целей блока обучения тракта нейросетевого распознавания и классификации, обеспечивающего конечное классификационное решение по обнаруженным морским целям.

Для решения поставленной задачи разработан способ обнаружения и классификации морских целей с использованием математической модели определения типа цели, заключающийся в том, что сначала формируют в морской среде зону нелинейного взаимодействия и параметрического преобразования волн накачки с сигналами объекта, для чего излучатель и приемную антенну размещают на противоположных границах контролируемого участка морской среды, затем волны накачки, промодулированные сигналами объекта, принимают и усиливают в полосе параметрического преобразования, переносят их частотно-временной масштаб в высокочастотную область, проводят узкополосный спектральный анализ, выделяют параметрические составляющие суммарной или разностной частоты, по которым с учетом временного и параметрического преобразования волн восстанавливают характеристики сигналов объекта, которые подают в тракт нейросетевого распознавания и классификации, состоящий из блока распознавания класса цели по амплитудно-частотным характеристикам, реализующего вычислительные операции искусственной нейронной сети и охваченного обратной связью с блоком обучения, в память которого записаны данные математически обработанных образов спектрограмм морских целей, причем на первый вход блока распознавания класса цели по амплитудно-частотным характеристикам поступают данные с выхода спектроанализатора тракта приема, обработки и регистрации сигналов, а на второй его вход поступают данные с блока обучения тракта нейросетевого распознавания и классификации.

Принципиальным отличим от прототипа является то, что данные подают в дополнительно введенный тракт адаптивной нейро-нечеткой коррекции на вход блока продуктивных правил и функций, где формируют сигнал номера нового продукционного правила и нового типа функции принадлежности типу цели и далее подают на вход адаптера нейро-нечеткой сети, функцию которого выполняет нейро-нечеткая сеть (ANFIS), в котором осуществляют компенсацию функций принадлежности нового вида правил, определяют номер правила, необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила, и далее на дифференциатор, выход которого соединён с входом нечеткого регулятора, в котором производят автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей для блока обучения тракта нейросетевого распознавания и классификации, после чего искусственную нейронную сеть настраивают и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).

Как известно, извлечение полезной информации из гидроакустических сигналов определяет основы алгоритмизации обработки данных в способе обнаружения и нейросетевого распознавания признаков полей различной физической природы, генерируемых морскими целями. Для формирования вектора признаков, являющегося входным информационным массивом распознающей сети, используется метод масок. Процесс формирования информационных массивов необходим для решения двух задач, первая из которых представляет собой процесс формирования эталонных образцов, необходимых для реализации процесса обучения распознающей сети, и вторая для распознавания целей (см. Пятакович В.А., Василенко А.М., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Мор. гос. ун-т, 2017. - 255 с.; Пятакович В.А., Василенко А.М., Хотинский О.В. Нейросетевые технологии в интеллектуальных системах обнаружения и оперативной идентификации морских целей: монография. - Владивосток: Мор. гос. ун-т, 2018. - 263 с.; Пятакович В.А., Рычкова В.Ф. Параметрическая оптимизация нейросетевой системы классификации морских целей по критерию надежности. - Морские интеллектуальные технологии. - СПб.: 2018. № 4 (42) Том 5. С. 153-162.).

Идея метода состоит в том, что для каждой маски ищется максимальное амплитудное значение, которое и является ортом вектора классификационных признаков. Для автоматизации процесса поиска экстремума в зоне одной маски использовалась сеть поиска максимума MAXNET. Итерации сети завершаются после того, как выходные нейроны сети перестают меняться. Тип элементов входных сигналов - целые или действительные числа, тип элементов выходных сигналов - действительные числа. Размерности входных и выходных сигналов совпадают. Тип активационной функции - линейная с насыщением (используется линейный участок). Число синапсов в сети равно N (N - 1). Формирование синаптических весов происходит согласно формуле

где W_ij - i-й синаптический вес j-го нейрона; N - число элементов входного сигнала (количество нейронов в сети).

Функционирование сети задается выражением

где х_j - элемент (орт) входного сигнала сети; у_i - выход j-го нейрона.

Нормализация входного вектора признаков, полученного после анализа масок сетью MAXNET, производится согласно выражения

Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.

Обучение распознающей сети производится на основе алгоритма обратного распространения ошибки, реализующего градиентный метод оптимизации функционала вида: где Т - вектор синаптических весов сети; (Х^*,Y^*) - обучающие пары; - норма вектора.

Процедуру обучения в рассматриваемой задаче можно представить в следующем виде. Пусть {Х^(S),Y^(S)} - обучающая пара, S = 1, …, S - число обучающих параметров. При этом необходимо реализовать следующую последовательность.

1. Задать начальные значения синаптических весов случайным образом из диапазона [-1, 1] (или диапазона [0, 1] - для случая вероятностных оценок).

2. Для очередного вектора Х⁽³⁾ получить на выходе распознающей сети значение Y(t), t = 1, 2, ….

3. Вычислить ошибку ΔY (t) = Y⁽³⁾ - Y (t), его норму и среднее значение нормы по итерационной формуле

4. Рассчитать новые значения синаптических связей Т_2nⁱ по формулам:

где η (t) - величина, характеризующая скорость сходимости.

Ошибки распознавания определяются по формулам:

где f'(t) - производная активационной функции нейрона.

5. Повторить шаги 2, 3, 4 до выполнения условия: ≤ ε₁ - характеристика точности обучения по одному примеру.

6. Повторить шаги 2, 3, 4, 5 для остальных примеров обучающей выборки.

7. Повторить шаги 2, 3, 4, 5, 6 для остальных примеров обучающей выборки до выполнения условия ≤ ε₂, где ε₂ > 0 - характеристика средней точности обучения по всей выборке (см. Пятакович В.А., Василенко А.М., Хотинский О.В. Распознавание и классификация источников формирования полей различной физической природы в морской среде: монография. - Владивосток: Морской гос.ун-т им. Г.И. Невельского, 2017. - 255 с.; Пятакович В.А., Василенко А.М. Перспективы и ограничения использования геометрических методов распознавания акустических образов морских объектов применительно к задаче управления нейросетевой экспертной системой. - Фундаментальные исследования. - М: 2017. - № 7. - С. 65-70.; Пятакович В.А., Василенко А.М. Мироненко М.В. Обучение нейронной сети как этап разработки экспертной системы для классификации источников физических полей при мониторинге акваторий. - Вестник Инженерной школы Дальневосточного федерального университета. - Владивосток: Дальневост. федерал. ун-т, 2017. № 3(32). С. 138-149. DOI.org/10.5281/zenodo.897021.; Пятакович В.А. Система классификации морских целей на базе нейросетевых технологий. - Морские интеллектуальные технологии. - СПб.: 2018. № 4 (42) Том 5. С. 169-176.).

Для автокоррекции и регулирования алгоритма обратного распространения ошибки при обучении распознающей сети используется тракт адаптивной нейро-нечеткой коррекции, сочетающий в себе адаптивные подходы самообучения и опыт эксперта, что при наличии неопределенных параметрических возмущений, позволяет оперативно осуществлять коррекцию значений, соответствующих новым условиям классификации морской цели.

Изобретение поясняется чертежами, где на фиг. 1 показана функциональная схема системы обнаружения и классификации морских целей с использованием математической модели определения типа цели, содержащая следующие элементы:

1. Излучающий преобразователь (подводный звуковой маяк марки ПЗМ-400 излучающий сигналы на частоте около 400 Гц).

2. Приемный преобразователь.

3. Морская среда.

4. Рабочая зона нелинейного взаимодействия и параметрического преобразования волн накачки и информационных волн.

5. Объекты (морские цели, генерирующие акустические, электромагнитные и гидродинамические излучения).

6. Тракт излучения сигналов накачки.

6.1. Генератор сигналов накачки стабилизированной частоты.

6.2. Усилитель мощности.

6.3. Блок согласования.

7. Тракт приема, обработки и регистрации информационных сигналов.

7.1. Широкополосный усилитель.

7.2. Преобразователь частотно-временного масштаба.

7.3. Спектроанализатор.

7.4. Регистратор.

8. Тракт нейросетевого распознавания и классификации.

8.1. Блок распознавания класса цели по амплитудно-частотным характеристикам.

8.2. Блок обучения.

9. Тракт адаптивной нейро-нечеткой коррекции.

9.1. Блок продуктивных правил и функций.

9.2. Дифференциатор.

9.3. Адаптер нейро-нечеткой сети.

9.4. Нечеткий регулятор.

Общая структура распознающей сети представлена на фиг. 2.

На каждый нейрон первого слоя через синапсы с весами {T_ij⁽¹⁾}, i = 1, 2, 3; j = 1, 2, 3, подаются все компоненты входного вектора Число нейронов во втором (скрытом) слое определяется взаимным расположением и формой разделяемых множеств.

На каждый нейрон второго слоя через синапсы с весами {T_ij⁽²⁾}, i = 1, 2, 3; j = 1, 2, 3, подаются выходные сигналы первого слоя. Число нейронов третьего (выходного) слоя определяется числом рассматриваемых классов, подлежащих распознаванию.

На каждый нейрон третьего слоя через синапсы с весами {T_ij⁽³⁾}, i = 1, 2, 3; j = 1, 2, 3, подаются выходные сигналы второго слоя. Значения выходных сигналов третьего слоя образуют вектор решений. Нейроны, составляющие сеть, одинаковы и имеют функцию активации известного типа

где х_2n⁽ⁱ⁾, y_n⁽ⁱ⁾ и I_n⁽ⁱ⁾ - значения r-го входного сигнала, выходного сигнала и внешнего смещения n-го нейрона i-го слоя; N_i - число нейронов в i-м слое; i = 1, 2, 3. Предварительная обработка входных векторов производится нормализацией входного вектора признаков, полученного после анализа масок сетью MAXNET или после получения статистических оценок согласно выражения

Границы диапазона значений известны и определяются моделью входного гидроакустического сигнала.

На фиг. 3 представлена обобщенная структура отдельного нейрона сети иллюстрирующая промежуточный нейрон, получающий входные сигналы с выходов других нейронов.

На фиг. 4 приведена таблица интерпретации трехмерного выходного вектора распознавания гидроакустических сигналов по амплитудно-частотной характеристике.

На фиг. 5 представлен метод масок, используемый для распознавания по амплитудно-частотной характеристике.

В каждой маске по реальной характеристике определяется максимальное амплитудное значение сигнала А₁, А₂, …, А_j, …, A_k. Выбор величины Δ, а, следовательно, и числа масок определяется возможностями распознающей сети (реально 10 ÷ 100). Увеличение числа масок приводит к повышению достоверности входной информации и к повышению сложности (увеличению числа нейронов входного слоя) распознающего устройства, то есть имеет место классический конфликт между качеством и сложностью. Возможен вариант исследования шумового портрета по частям, то есть низкочастотной, среднечастотной и высокочастотной составляющих отдельно.

На фиг. 6 и фиг. 7 представлены результаты вычислительного эксперимента по определению коэффициента распознавания (классификации), определяемого как отношение числа распознанных объектов к общему числу испытаний в процентах, для надводных и подводных объектов в условиях зашумления сигнала в диапазоне от -10 до 20 дБ. Как видно из рисунков, распознавание и классификация морских целей с помощью вычислительных операций сети персептрон позволяет повысить вероятность классификации как надводных, так и подводных целей на 5-7%.

Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели реализуется следующим образом

Излучающий преобразователь 1 и приемный преобразователь 2 размещают в морской среде 3 с учетом закономерностей многолучевого распространения волн в протяженном гидроакустическом канале, что обеспечивает формирование и эффективное использование пространственно-развитой рабочей зоны 4 нелинейного взаимодействия и параметрического преобразования просветных волн и волн различной физической природы, генерируемых объектами 5 (см. Свидетельство о государственной регистрации программы для ЭВМ «Расчет лучевой картины» №2016616822 от 21.06.2016.; Свидетельство о государственной регистрации программы для ЭВМ «Программа имитационного моделирования процесса распространения гидроакустических сигналов» №2017664296 от 20.12.2017.; Свидетельство о государственной регистрации программы для ЭВМ « Программно-вычислительный комплекс имитационного моделирования морской информационной ситуации при идентификации целей». №2018612944 от 01.03.2018.; Свидетельство о государственной регистрации программы для ЭВМ «Специализированный нейросетевой комплекс классификации зашумленных сигналов морских целей» № 2018619739 РФ. от. 10.08.2018.; Свидетельство о государственной регистрации программы для ЭВМ «Программа проектирования и обучения искусственных нейронных сетей персептронного типа» №2019611559 РФ. от 29.01.2019.).

Сформированный генератором 6.1 сигнал накачки стабилизированной частоты поступает на вход усилителя мощности 6.2, тракта излучения сигналов накачки 6, затем на вход блока согласования 6.3 выход которого соединен с подводным кабелем, соединяющим выход тракта излучения сигналов накачки 6 и вход излучающего преобразователя 1. Излучатель 1 озвучивает среду сигналами накачки стабилизированной частоты в диапазоне десятки-сотни герц. Накачка контролируемой морской среды сложными частотно- или фазово-модулированными сигналами обеспечивает повышение эффективности параметрического приема волн акустически слабозаметных объектов.

На различных режимах движения объекты 5 генерируют излучения, приводящие к изменению величины характеристик проводящей жидкости (плотности и (или) температуры и (или) теплоемкости и т.д.), которые в зависимости от их физической сущности модулируют низкочастотные сигналы накачки морской среды. В спектре нелинейно преобразованных волн (информационных волн) появляются низкочастотные и высокочастотные составляющие, как результат модуляции амплитуды и фазы низкочастотной волны накачки излучениями и полями объектов 5. Являясь неразрывно связанной компонентой просветной волны модуляционные составляющие переносятся на большие расстояния и обнаруживаются в блоках тракта приема, обработки и регистрации информационных сигналов 7.

Информационные волны принимают антенной 2, усиливают в полосе параметрического преобразования (блок 7.1), переносят частотно-временной масштаб сигналов в высокочастотную область (блок 7.2), проводят узкополосный спектральный анализ (блок 7.3) и выделяют из них параметрические составляющие суммарной и разностной частоты, по которым восстанавливают признаки проявления полей, генерируемых объектами.

Операция преобразования частотно-временного масштаба сигнала в блоке 7.2 тракта приема, обработки и регистрации сигналов, обеспечивает увеличение концентрации энергии нелинейно преобразованных сигналов и эффективность выделения из них признаков полей, генерируемых морскими целями.

Операции спектрального анализа в блоке 7.3 позволяют выделять дискретные составляющие суммарной или разностной частоты в узкополосных спектрах нелинейно преобразованных сигналов, по которым восстанавливают характеристики волн объектов 5.

Аплитудно-частотные характеристики сигналов объекта (надводный или подводный объект), полученные с помощью узкополосного спектрального анализа в тракте приема, обработки и регистрации сигналов 7 подают на первый вход блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации 8.

На второй вход блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам поступают данные с блока обучения 8.2 тракта нейросетевого распознавания и классификации 8.

Далее по амплитудно-частотным характеристикам распознают класс (надводный или подводный объект) обнаруженной морской цели в тракте нейросетевого распознавания и классификации 8. Анализ низкочастотной, среднечастотной и высокочастотной составляющих амплитудно-частотной характеристики производят раздельно, так как генеральные признаки для различных типов объектов могут находиться в различных частотных диапазонах. Распознающую сеть блока 8.1 распознавания класса цели по амплитудно-частотным характеристикам тракта нейросетевого распознавания и классификации 8, настраивают по классификационным признакам полей, генерируемых морскими целями, с помощью блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, в который входят априори полученные шумовые портреты вероятных объектов распознавания и устройство подготовки данных.

Корректируют весовые коэффициенты распознающей сети блока 8.1, распознавания класса цели по амплитудно-частотным характеристикам с помощью блока обучения 8.2, тракта нейросетевого распознавания и классификации 8. Далее данные подают в дополнительно введенный тракт адаптивной нейро-нечеткой коррекции 9 на вход блока продуктивных правил и функций 9.1, где формируют сигнал номера нового продукционного правила и нового типа функции принадлежности типу цели и далее подают на вход адаптера нейро-нечеткой сети 9.3, тракта адаптивной нейро-нечеткой коррекции, функцию которого выполняет нейро-нечеткая сеть (ANFIS), в котором осуществляют компенсацию функций принадлежности нового вида правил, определяют номер правила, необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила, и далее на дифференциатор 9.2, выход которого соединён с входом нечеткого регулятора 9.4, в котором производят автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей для блока обучения 8.2 тракта нейросетевого распознавания и классификации 8, после чего искусственную нейронную сеть настраивают и формируют вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).

Функцию адаптера 9.3 в системе нечеткого управления тракта адаптивной нейро-нечеткой коррекции 9 выполняет адаптивная нейро-нечеткая сеть (ANFIS). В ситуации неопределенности, т.е. влияния случайных внешних и параметрических возмущений, нечеткий регулятор 9.4 осуществляет их компенсацию в базе правил, а также компенсацию функций принадлежности нового вида (с другими универсумом и ).

Таким образом, адаптер определяет номер правила (N) необходимого для замены в основной базе правил, а также новый тип функции принадлежности для данного правила.

Адаптивный нечеткий регулятор 9.4 тракта адаптивной нейро-нечеткой коррекции самостоятельно производит автоподстройку своей базы правил, исходя из выборки образцов математических моделей морских целей, осуществляя формирование и редукцию выборки эталонных образцов математических моделей морских целей и коррекцию данных оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей тракта нейросетевого распознавания и классификации 8, обеспечивающего конечное классификационное решение по обнаруженным морским целям (надводный или подводный объект).

Таким образом, обнаружив цель по признакам амплитудно-фазовой модуляции низкочастотных сигналов накачки морской среды излучениями и полями объекта и используя адаптивную нейро-нечеткую коррекцию с комплексным сокращением размерности данных при автоподстройке базы правил за счет формирования и редукции выборки эталонных образцов оперативно обновляемой библиотеки математически обработанных образов спектрограмм морских целей, а также архитектуру распознающей нейронной сети в виде трехслойного персептрона, можно в автоматизированном режиме распознавать класс цели по амплитудно-частотным характеристикам и делать вывод о степени принадлежности исследуемой области спектра объекту классификации (надводный или подводный объект).

Способ промышленно применим, так как для его реализации используются распространенные компоненты и изделия радиотехнической промышленности и вычислительной техники.