The 9 references with contexts in paper I. Muratov V., V. Hohlov K., Yu. Gulin Yu., В. Хохлов К., И. Муратов В., Ю. Гулин Ю. (2016) “Адаптация нейросетевой системы распознавания вертолета по его акустическому излучению к скорости полета // Adaptation of the Neural Network Recognition System of the Helicopter on Its Acoustic Radiation to the Flight Speed” / spz:neicon:technomag:y:2015:i:5:p:137-153

1
Астапов Ю.М., Козлов В.И., Соболева Н.С., Хохлов В.К. Автономные информационные и управляющие системы: Труды кафедры «Автономные информационные и управляющие системы» МГТУ им. Н.Э. Баумана. В 4 т. Т.1 / под ред. А.Б. Борзова. М.: ООО НИЦ « Инженер», ООО «Онико-М», 2011. 468 с.
Total in-text references: 11
  1. In-text reference with the coordinate start=2338
    Prefix
    Актуальной является задача обоснования алгоритмов обработки сигналов в пассивных акустических ИС, осуществляющих классификацию типов объектов по их акустическим излучениям, и улучшение их рабочих характеристик. В акустических ИС информативные параметры случайных сигналов на входе и помех
    Exact
    [1]
    Suffix
    являются нецентрированными случайными величинами или процессами на ограниченном интервале наблюдения, для которых априорно не известны математические ожидания, оценить которые по нестационарной реализации также не представляется возможным.

  2. In-text reference with the coordinate start=3719
    Prefix
    алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций. Этот признак обеспечивает худшие характеристики распознавания вертолета от гусенечной техники
    Exact
    [1,2,5]
    Suffix
    . В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7].

  3. In-text reference with the coordinate start=4176
    Prefix
    высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7]. В [8,9] предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении. В
    Exact
    [1]
    Suffix
    показано, что спектральные методы и робастное обучение нейросетей позволяют распознавать вертолет от других аэродинамических и наземных объектов с лучшими рабочими характеристиками при изменении скорости полета в пределах 10%.

  4. In-text reference with the coordinate start=5403
    Prefix
    на основе применения дискриминатора, использующего авторегрессионные статистистические характеристики входных квадратурных широкополосных реализаций сигналов, полученных при помощи дискретного преобразования Гильберта Постановка задачи В статье рассмотрены вопросы адаптации нейросетевой системы (НС) распознавания вертолета по его акустическому излучению. В
    Exact
    [1,5]
    Suffix
    обоснованы информативные признаки акустических сигналов от аэродинамических и наземных объектов военной техники. Анализировались следующие признаки входных реализаций сигнала: – длительности интервалов между нулями; – отсчеты огибающей; – распределение длительностей интервалов между нулями (гистограммная оценка); – отсчеты оценок спектральных плотностей мощности (СПМ).

  5. In-text reference with the coordinate start=7033
    Prefix
    В этих условиях для анализа разделимости классов эффективнее использовать МКНР, так как данная методика оперирует начальными моментами случайных величин и не требует знания математических ожиданий. Кроме того, использование КМНР связано с меньшими вычислительными затратами при плохой обусловленности данных
    Exact
    [1]
    Suffix
    . Результаты исследования [1,5] подтвердили хорошую разделимость классов вертолета от самолета и наземной техники в пространстве нецентрированных параметров. Оценки спектральных плотностей мощности выборочных реализаций акустических сигналов самолета, вертолета и фонового шума приведены на рисунке 1. а) б) в) Рис. 1.

  6. In-text reference with the coordinate start=7063
    Prefix
    В этих условиях для анализа разделимости классов эффективнее использовать МКНР, так как данная методика оперирует начальными моментами случайных величин и не требует знания математических ожиданий. Кроме того, использование КМНР связано с меньшими вычислительными затратами при плохой обусловленности данных [1]. Результаты исследования
    Exact
    [1,5]
    Suffix
    подтвердили хорошую разделимость классов вертолета от самолета и наземной техники в пространстве нецентрированных параметров. Оценки спектральных плотностей мощности выборочных реализаций акустических сигналов самолета, вертолета и фонового шума приведены на рисунке 1. а) б) в) Рис. 1.

  7. In-text reference with the coordinate start=8789
    Prefix
    была дополнена структура НС , после пеленгации объекта и включения тракта обработки сигнала должен решать задачи следящего измерителя: 1) оценка кажущейся частоты следования лопастей f(1) при захвате цели; 2) слежение за частотой f(1) при сопровождении цели; 3) формирование сигнала управления параметрами резонансных фильтров блока выбора информативных признаков БВИП. Было показано
    Exact
    [1]
    Suffix
    , что существует связь между основной частотой f(1), периодом следования лопастей Т(1) и видом автокорреляционной функцией (АКФ) реализации сигнала. АКФ может быть оценена по отсчетам исходной реализации случайного процесса в виде несмещенной оценки - -1 ss 0 1 [ ]=[] [ ], 0- 1 Nm n С ms n m s n m N Nm  . (1) где: N-объем выборки; sn - отсчет реализации сигнал

  8. In-text reference with the coordinate start=10670
    Prefix
    Матрица оценок начальных корреляционных моментов указанных последовательностей имеет вид 1112 2122 ˆˆ ˆ ˆˆ SS KK KK     K, где 2 110 1 ˆ[ ,] N n Ks n p  , 2 220 1 ˆ[ ,] N n Ks n p  , 122100 1 ˆˆ [ ,] [ ,] N n KKs n p s n p  . Тогда на основании
    Exact
    [1, 2]
    Suffix
    оценка коэффициента регрессии равна 1 12212 0000 111122 ˆ ˆ( ,) [ ,] [,][ ,] ˆ NN nn K p ps n p s np ps n p K          . (4) По сути, коэффициент 0ˆ( ,)pp отражает нормированную авторегрессионную зависимость и определяется подобно нормированной оценке АКФ.

  9. In-text reference with the coordinate start=14941
    Prefix
    p s n ps n p      . (5) На рисунке 7 приведена зависимость 0ˆ( ,)pp, выраженная через рассогласование (р – р0), для реализации, которая использовалась в качестве примера, рассмотренного выше. Рис. 7. Оценка коэффициента регрессии квадратурных сигналов Расчет рассогласования и подстройка параметра p0 осуществляется по алгоритму 0000ˆˆˆˆˆ[ ]
    Exact
    [1]
    Suffix
    [1]( [ ])pp jp jp jS p j      , (6) где S – крутизна дискриминационной характеристики при малых рассогласованиях; j – индекс цикла слежения. Полученный коэффициент регрессии удовлетворяет всем условиям выходных сигналов дискриминаторов и может быть использован для организации слежения за параметром р0.

  10. In-text reference with the coordinate start=14944
    Prefix
    s n ps n p      . (5) На рисунке 7 приведена зависимость 0ˆ( ,)pp, выраженная через рассогласование (р – р0), для реализации, которая использовалась в качестве примера, рассмотренного выше. Рис. 7. Оценка коэффициента регрессии квадратурных сигналов Расчет рассогласования и подстройка параметра p0 осуществляется по алгоритму 0000ˆˆˆˆˆ[ ][1]
    Exact
    [1]
    Suffix
    ( [ ])pp jp jp jS p j      , (6) где S – крутизна дискриминационной характеристики при малых рассогласованиях; j – индекс цикла слежения. Полученный коэффициент регрессии удовлетворяет всем условиям выходных сигналов дискриминаторов и может быть использован для организации слежения за параметром р0.

  11. In-text reference with the coordinate start=18395
    Prefix
    По положению глобального максимума 0ˆ( ,)pp (4) по методу максимального правдоподобия определяется опорное значение p0, затем на выходе блока 14 формируется ошибка рассогласования в окрестности p0. В результате теоретических и экспериментальных статистических исследований в
    Exact
    [1]
    Suffix
    обоснована рациональная структура НС со следующими параметрами: число входов 16; число выходов 3; число слоев 2; число нейронов в слоях 5, 3; функция активации ступенчатая; вероятность правильного распознавания: объекта типа «вертолет» – 0,97.

2
Хохлов В.К. Начальные регрессионные статистические характеристики интервалов между нулями случайных процессов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. No 9. С. 132-147. DOI: 10.7463/0914.0726720
Total in-text references: 4
  1. In-text reference with the coordinate start=3171
    Prefix
    Всем отмеченным выше требованиям удовлетворяет подход к созданию принципиально новых ИС, основанный на обработке в трактах ИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов
    Exact
    [2]
    Suffix
    и на применении нейросетевых технологий для исследования и проектирования ИС нового поколения [3]. В известных источниках работах рассмотрены нейросетевые алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределени

  2. In-text reference with the coordinate start=3719
    Prefix
    алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций. Этот признак обеспечивает худшие характеристики распознавания вертолета от гусенечной техники
    Exact
    [1,2,5]
    Suffix
    . В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7].

  3. In-text reference with the coordinate start=10670
    Prefix
    Матрица оценок начальных корреляционных моментов указанных последовательностей имеет вид 1112 2122 ˆˆ ˆ ˆˆ SS KK KK     K, где 2 110 1 ˆ[ ,] N n Ks n p  , 2 220 1 ˆ[ ,] N n Ks n p  , 122100 1 ˆˆ [ ,] [ ,] N n KKs n p s n p  . Тогда на основании
    Exact
    [1, 2]
    Suffix
    оценка коэффициента регрессии равна 1 12212 0000 111122 ˆ ˆ( ,) [ ,] [,][ ,] ˆ NN nn K p ps n p s np ps n p K          . (4) По сути, коэффициент 0ˆ( ,)pp отражает нормированную авторегрессионную зависимость и определяется подобно нормированной оценке АКФ.

  4. In-text reference with the coordinate start=16261
    Prefix
    Вопросы реализации адаптивного алгоритма распознавания акустических сигналов вертолета На рисунке 9 представлена функциональная схема адаптивной НС, состоящей из блока выделения информативных признаков, блока адаптации, блока распознавания вертолета от самолета и танка. При использовании выходов Z
    Exact
    [2]
    Suffix
    , Z [3] система решает задачу классификации объектов. Блок выделения информативных признаков (БВИП) содержит 16 идентичных каналов, образованных последовательно соединенными полосовым фильтрам 3, детектором 4 и цифровым интегратором 5.

3
Павлов Г.Л., Хохлов В.К. Нейросетевые алгоритмы в задаче классификации объектов по их акустическим излучениям // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. No 5. С. 247-258. DOI: 10.7463/0512.0367620
Total in-text references: 3
  1. In-text reference with the coordinate start=3266
    Prefix
    Всем отмеченным выше требованиям удовлетворяет подход к созданию принципиально новых ИС, основанный на обработке в трактах ИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов [2] и на применении нейросетевых технологий для исследования и проектирования ИС нового поколения
    Exact
    [3]
    Suffix
    . В известных источниках работах рассмотрены нейросетевые алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций.

  2. In-text reference with the coordinate start=3400
    Prefix
    в трактах ИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных моментов случайных процессов [2] и на применении нейросетевых технологий для исследования и проектирования ИС нового поколения [3]. В известных источниках работах рассмотрены нейросетевые алгоритмы классификации аэродинамических и наземных объектов
    Exact
    [3]
    Suffix
    и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций.

  3. In-text reference with the coordinate start=16266
    Prefix
    Вопросы реализации адаптивного алгоритма распознавания акустических сигналов вертолета На рисунке 9 представлена функциональная схема адаптивной НС, состоящей из блока выделения информативных признаков, блока адаптации, блока распознавания вертолета от самолета и танка. При использовании выходов Z [2], Z
    Exact
    [3]
    Suffix
    система решает задачу классификации объектов. Блок выделения информативных признаков (БВИП) содержит 16 идентичных каналов, образованных последовательно соединенными полосовым фильтрам 3, детектором 4 и цифровым интегратором 5.

4
Павлов Г.Л., Хохлов В.К. Адаптация нейросетевого алгоритма к скоростям движения классифицируемых по акустическим излучениям объектов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. No 10. С. 241-250. DOI: 10.7463/1012.0462849
Total in-text references: 2
  1. In-text reference with the coordinate start=3460
    Prefix
    , на использовании в качестве априорной информации начальных моментов случайных процессов [2] и на применении нейросетевых технологий для исследования и проектирования ИС нового поколения [3]. В известных источниках работах рассмотрены нейросетевые алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов
    Exact
    [4]
    Suffix
    , при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций. Этот признак обеспечивает худшие характеристики распознавания вертолета от гусенечной техники [1,2,5].

  2. In-text reference with the coordinate start=4551
    Prefix
    В [1] показано, что спектральные методы и робастное обучение нейросетей позволяют распознавать вертолет от других аэродинамических и наземных объектов с лучшими рабочими характеристиками при изменении скорости полета в пределах 10%. Для обеспечения работы нейросети в широком диапазоне скоростей полета вертолета необходимо применение адаптивных методов
    Exact
    [4]
    Suffix
    . Цель работы состоит в исследовании вопросов адаптации нейросетевого тракта, использующего спектральные информативные признаки, к скорости вращения винта вертолета и обосновании рабочих характеристик и структурной схемы тракта адаптации.

5
Хохлов В.К., Гулин Ю.Ю. Выбор информативных признаков в автономных информационных системах с нейросетевыми трактами обработки сигналов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2003. No 3. С. 70-83.
Total in-text references: 6
  1. In-text reference with the coordinate start=3719
    Prefix
    алгоритмы классификации аэродинамических и наземных объектов [3] и вопросы их адаптации к скоростям движения объектов [4], при этом использовались информативными признаки, сформированные на основе гистограмм распределения длительностей интервалов между нулями входных реализаций. Этот признак обеспечивает худшие характеристики распознавания вертолета от гусенечной техники
    Exact
    [1,2,5]
    Suffix
    . В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7].

  2. In-text reference with the coordinate start=5403
    Prefix
    на основе применения дискриминатора, использующего авторегрессионные статистистические характеристики входных квадратурных широкополосных реализаций сигналов, полученных при помощи дискретного преобразования Гильберта Постановка задачи В статье рассмотрены вопросы адаптации нейросетевой системы (НС) распознавания вертолета по его акустическому излучению. В
    Exact
    [1,5]
    Suffix
    обоснованы информативные признаки акустических сигналов от аэродинамических и наземных объектов военной техники. Анализировались следующие признаки входных реализаций сигнала: – длительности интервалов между нулями; – отсчеты огибающей; – распределение длительностей интервалов между нулями (гистограммная оценка); – отсчеты оценок спектральных плотностей мощности (СПМ).

  3. In-text reference with the coordinate start=7063
    Prefix
    В этих условиях для анализа разделимости классов эффективнее использовать МКНР, так как данная методика оперирует начальными моментами случайных величин и не требует знания математических ожиданий. Кроме того, использование КМНР связано с меньшими вычислительными затратами при плохой обусловленности данных [1]. Результаты исследования
    Exact
    [1,5]
    Suffix
    подтвердили хорошую разделимость классов вертолета от самолета и наземной техники в пространстве нецентрированных параметров. Оценки спектральных плотностей мощности выборочных реализаций акустических сигналов самолета, вертолета и фонового шума приведены на рисунке 1. а) б) в) Рис. 1.

  4. In-text reference with the coordinate start=16691
    Prefix
    Блок выделения информативных признаков (БВИП) содержит 16 идентичных каналов, образованных последовательно соединенными полосовым фильтрам 3, детектором 4 и цифровым интегратором 5. В блок также входит блок нормировки (БН) 6 и модуль перестройки параметров фильтров (МППФ) 7. Входным сигналом блока является сигнал с одного из микрофонов акустического пеленгатора
    Exact
    [5]
    Suffix
    , прошедший предварительную обработку с помощью усилителя 1 и АЦП 2. БВИП работает по принципу спектрального анализатора параллельного действия. Оценка отсчетов СПМ при моделировании работа адаптивной НС проводилась по выборке длиной N = 4096 отсчетов.

  5. In-text reference with the coordinate start=18081
    Prefix
    оценки дисперсии входного сигнала 12, делитель 13, сглаживающий фильтр 14 с усилением, определяемым выбранной крутизной S, блок оценки опорной точки БООТ 15, работающего по методу максимального правдоподобия, и сумматор 16. Вычисление начального значения p0 и крутизны дискриминационной характеристики S проводится при захвате цели акустическим пеленгатором
    Exact
    [5]
    Suffix
    по сигналу «цель в луче». По положению глобального максимума 0ˆ( ,)pp (4) по методу максимального правдоподобия определяется опорное значение p0, затем на выходе блока 14 формируется ошибка рассогласования в окрестности p0.

  6. In-text reference with the coordinate start=19145
    Prefix
    Блок также содержит логические элементы И 23. которые формируют результат распознавания на выходе БРТЦ только при наличии цели в луче акустического пеленгатора, т.е. при наличии сигнала «цель в луче», поступающего от канала обнаружения акустического пеленгатора
    Exact
    [5]
    Suffix
    . Входными сигналами блока являются нецентрированные элементы вектора информативных признаков, вычисленные в БВИП. Рис. 9. Функциональная схема адаптивной НС Заключение В статье рассмотрены вопросы адаптации НС, решающей задачу распознавания широкополосного акустического сигнала вертолета от сигналов самолета и танка.

6
Tang Haifeng, Sun Degang. Real Time Multisensor Target Recognition Based on DSP // 8th International Conference on Electronic Measurement and Instruments (ICEMI '07). IEEE Publ., 2007. P. 4-24 – 4-28. DOI: 10.1109/ICEMI.2007.4351127
Total in-text references: 1
  1. In-text reference with the coordinate start=3893
    Prefix
    Этот признак обеспечивает худшие характеристики распознавания вертолета от гусенечной техники [1,2,5]. В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей
    Exact
    [6]
    Suffix
    , решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7]. В [8,9] предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении.

7
Elshafei M., Akhtar S., Ahmed M.S. Parametric models for helicopter identification using ANN // IEEE Transactions on Aerospace and Electronic Systems. 2000. Vol. 36, iss. 4. P. 1242-1252. DOI: 10.1109/7.892672
Total in-text references: 1
  1. In-text reference with the coordinate start=4075
    Prefix
    В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра
    Exact
    [7]
    Suffix
    . В [8,9] предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении. В [1] показано, что спектральные методы и робастное обучение нейросетей позволяют распознавать вертолет от других аэродинамических и наземных объектов с лучшими рабочими характеристиками при изменении скорости полета в пределах 10%.

8
Du Yinggang, Lu Jinhui, Shi xiangquan, GuYalin. Target identification based on the optimal base number // Proceedings 1998 Fourth International Conference on Signal Processing (ICSP '98). Vol. 1. IEEE Publ., 1998. P. 271-274. DOI: 10.1109/ICOSP.1998.770204
Total in-text references: 1
  1. In-text reference with the coordinate start=4082
    Prefix
    В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7]. В
    Exact
    [8,9]
    Suffix
    предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении. В [1] показано, что спектральные методы и робастное обучение нейросетей позволяют распознавать вертолет от других аэродинамических и наземных объектов с лучшими рабочими характеристиками при изменении скорости полета в пределах 10%.

9
Moukas P., Simson J., Norton-Wayne L. Automatic Identification of Noise Pollution Sources // IEEE Transactions on Systems, Man and Cybernetics. 1982. Vol. 12, iss. 5. P. 622-634. DOI: 10.1109/TSMC.1982.4308881
Total in-text references: 1
  1. In-text reference with the coordinate start=4082
    Prefix
    В зарубежных источниках предлагаются решения на основе применения высокопроизводительных аналоговых процессоров для высокоскоротной идентификации целей [6], решения основанные применении классификаторов, обученных при помощи различных параметрических методов спектрального представления, в частности, линейного предсказания и кепстра [7]. В
    Exact
    [8,9]
    Suffix
    предлагаются методы, основанные на вейвлет-преобразованиях и робастном обучении. В [1] показано, что спектральные методы и робастное обучение нейросетей позволяют распознавать вертолет от других аэродинамических и наземных объектов с лучшими рабочими характеристиками при изменении скорости полета в пределах 10%.