Сибирский федеральный университет 
- Номер
- Журнал СФУ. Техника и технологии. 2026 19 (1)
- Авторы
- Гарин, Е. Н.; Гладышев, А. Б.; Копылов, Н. В.; Ратушняк, В. Н.; Нечаева, Е. А.
- Контактная информация
- Гарин, Е. Н.: Сибирский федеральный университет Российская Федерация, Красноярск; Гладышев, А. Б.: Сибирский федеральный университет Российская Федерация, Красноярск; Копылов, Н. В. : Ярославское высшее военное училище противовоздушной обороны имени Маршала Советского Союза Л. А. Говорова Российская Федерация, Ярославль; Ратушняк, В. Н.: Сибирский федеральный университет Российская Федерация, Красноярск; Нечаева, Е. А. : Сибирский федеральный университет Российская Федерация, Красноярск
- Ключевые слова
- беспилотные летательные аппараты; машинное обучение; микродоплер; свёрточные нейронные сети; трансформеры; unmanned aerial vehicles; machine learning; micro-Doppler; convolutional neural networks; transformers
- Аннотация
В последние годы возросло применение малоразмерных беспилотных летательных аппаратов (БПЛА), что вызвало необходимость их точного распознавания на фоне объектов с аналогичными радиолокационными характеристиками, прежде всего птиц. Несмотря на развитие методов машинного обучения, задача надёжного выделения признаков БПЛА остаётся актуальной. Целью работы является сравнительный анализ существующих отечественных и зарубежных подходов к распознаванию малоразмерных воздушных объектов, основанных на алгоритмах машинного обучения. В статье представлены результаты оценки эффективности традиционных методов (метод опорных векторов, случайные леса), глубоких нейронных сетей, а также трансформерных архитектур. Исследованы возможности выделения информативных признаков из микродоплеровских время- частотных спектрограмм, полученных в различных частотных диапазонах. Установлено, что свёрточные нейронные сети и трансформеры достигают точности распознавания до 97 % при низком уровне помех, однако их применение сопряжено со значительными вычислительными затратами и необходимостью больших объёмов обучающих данных. Выделены перспективы применения гибридных нейросетевых архитектур, интегрирующих преимущества различных методов, для повышения точности и устойчивости анализа. Результаты работы имеют практическое значение для разработки эффективных алгоритмов распознавания БПЛА в условиях реального времени и ограниченных вычислительных ресурсов. Представленные выводы расширяют существующие представления о потенциале и ограничениях современных алгоритмов машинного обучения в радиолокационных системах
- Страницы
- 108–125
- EDN
- BCMBOQ
- Статья в архиве электронных ресурсов СФУ
- https://elib.sfu-kras.ru/handle/2311/158143
Эта работа лицензируется по лицензии Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0).