Preview

Вопросы радиоэлектроники

Расширенный поиск

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ В РАДИОЛОКАЦИИ

Полный текст:

Аннотация

Рассмотрены вопросы применения глубоких нейронных сетей для анализа радиолокационных сигналов и изображений. Приведены примеры успешного применения зарубежными исследователями глубоких нейронных сетей для распознавания воздушных и наземных целей. Приведена информация о перспективной аппаратной базе для реализации глубоких нейронных сетей в бортовых радиолокационных устройствах.

Об авторах

С. В. Биленко
АО «НПП “Радар ммс”»
Россия

д. т. н., доцент, начальник лаборатории 

197375, Санкт-Петербург, ул. Новосельковская, д. 37, лит. А



К. Ю. Чередеев
АО «НПП “Радар ммс”»
Россия

к. т. н., начальник отдела

197375, Санкт-Петербург, ул. Новосельковская, д. 37, лит. А



М. К. Зограбян
АО «НПП “Радар ммс”»
Россия

инженер

197375, Санкт-Петербург, ул. Новосельковская, д. 37, лит. А



Список литературы

1. Adaptive Radar Resource Management, edited by Peter W. Moo, and Zhen Ding, Academic Press, 2015, ISBN9780128029022.

2. Guangmin Sun, Jing Wang, Shengfeng Qin, Jingfang Na. Radar target recognition based on the multi-resolution analysis theory and neural network, Pattern Recognition Letters, Vol. 29, Issue 16, 1 December 2008, pp. 2109–2115.

3. Feng Ma, Yu-wang Chen, Xin-ping Yan, Xiu-min Chu, Jin Wang. A novel marine radar targets extraction approach based on sequential images and Bayesian Network, Ocean Engineering, Vol. 120, 1 July 2016, pp. 64–77.

4. Чередеев К. Ю. Исследование точности аппаратной реализации нейронной сети распознавания радиолокационных изображений // Вопросы радиоэлектроники. Серия РЛТ. 2014. С. 57–66.

5. Hochreiter S., Bengio Y., Frasconi P., Schmidhuber J. Gradient flow in recurrent nets: the difficulty of learning long-term dependencies. In S. C. Kremer and J. F. Kolen, editors, A Field Guide to Dynamical Recurrent Neural Networks. IEEE Press, 2001.

6. Hinton, Geoffrey E. Learning multiple layers of representation. Trends in Cognitive Sciences. Vol. 11, Issue 10, October 2007, pp. 428–434.

7. Microsoft researchers win ImageNet computer vision challenge. Available at: URL: http://blogs.microsoft.com/next/2015/12/10/microsoft-researchers-win-imagenet-computer-vision-challenge

8. Распознавание образов и новое поколение нейронных сетей Microsoft [Электронный ресурс] // Официальный сайт Microsoft. 2016. 9 марта. URL: https://news.microsoft.com/ru-ru/microsoft-deep-residual-network (дата обращения 10.11.2016)

9. Bo Feng, Bo Chen, Hongwei Liu, Radar HRRPtarget recognition with deep networks, Pattern Recognition, Vol. 61, January 2017, pp. 379–393.

10. Chen S., Wang H., Xu F. Jin Y. Q. Target Classification Using the Deep Convolutional Networks for SAR Images. IEEE Transactions on Geoscience and Remote Sensing, Vol. 54, no. 8, August 2016, pp. 4806–4817.

11. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. Proc. Adv. Neural Inf. Process. Syst., 2012, pp. 1097–1105.

12. The Air Force Moving and Stationary Target Recognition Database. URL: https://www.sdms.afrl.af.mil/datasets/mstar/

13. Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks. URL: http://eyeriss.mit.edu/


Для цитирования:


Биленко С.В., Чередеев К.Ю., Зограбян М.К. ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ В РАДИОЛОКАЦИИ. Вопросы радиоэлектроники. 2017;(1):57-63.

For citation:


Bilenko S.V., Cheredeyev K.Yu., Zograbyan M.K. PROSPECTS FOR THE USE OF DEEP NEURAL NETWORKS IN RADAR-LOCATION. Issues of radio electronics. 2017;(1):57-63. (In Russ.)

Просмотров: 54


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2218-5453 (Print)
ISSN 2686-7680 (Online)