Научные стремления 2012-1

УДК 621.396.96

Горшков С.А., Буйлов Е.Н.

СТРУКТУРА ФОРМИРОВАНИЯ ДАЛЬНОСТНО-УГЛОВЫХ РАДИОЛОКАЦИОННЫХ ПОРТРЕТОВ ЦЕЛЕЙ В МОНОИМПУЛЬСНОМ АМПЛИТУДНОМ ПЕЛЕНГАТОРЕ

Учреждение образования «Военная академия Республики Беларусь», Минск

Введение

Повышение информативности радиолокационного портрета (РЛП) (разрешение по радиальной дальности, частоте Доплера, угловым координатам и т.д.) приводит к повышению качества распознавания классов целей [1].

В настоящее время известны различные варианты РЛП, в том числе и комбинированные, которые учитывают высокие разрешающие способности по совокупности различных координат. Повышение разрешающей способности по радиальной дальности и частоте Доплера возможно за счет расширения спектра сигнала и увеличения времени наблюдения. Получение угломерных портретов возможно за счет высокой разрешающей способности по угловым координатам (УК) при прямом или обратном синтезе апертуры антенны. Разрешение по УК определяется углом поворота цели относительно направления на радиолокационную станцию (РЛС) за время синтезирования [2]. Однако получение таких РЛП требует большого времени накопления отраженного сигнала (от сотен миллисекунд до единиц, десятков секунд). В то же время, при высокой разрешающей способности по радиальной дальности возможно получать дальностный РЛП (Д РЛП) с одновременной оценкой УК каждой блестящей точки (БТ) [3]. В ряде случаев это позволяет переходить от Д РЛП целей к дальностно-угловым РЛП за счет пересчета измеренной УК каждой БТ в ее поперечное смещение. Не смотря на ряд ограничений на получение таких РЛП и, в первую очередь, ограничение по дальности, ДУ РЛП целей могут быть использованы для решения задач распознавания.

Целью доклада является рассмотрение структуры формирования ДУ РЛП в амплитудном моноимпульсном пеленгаторе и представление таких РЛП для формирования математической модели цели, состоящей из 3-х БТ.

Структура формирования ДУ РЛП целей в амплитудном моноимпульсном пеленгаторе

Так как требуется получение высокого разрешения по радиальной дальности, то часто используют корреляционно-фильтровой способ обработки с частичной или полной частотной демодуляцией [4]. Вариант обобщенной структурной схемы когерентной обработки широкополосного многочастотного сигнала в амплитудном моноимпульсном пеленгаторе приведен на рисунке 1. В данной структурной схеме приемные каналы считаются абсолютно идентичными. Особенности такого устройства, учитывающего особенности компенсации неидентичностей приемного тракта, рассматривались в [5].

351

дискретного или БПФ. Таким образом, очевидно, что когерентное накопление многочастотной пачки отраженного сигнала позволяет выделить особенности распределения отражательных свойств цели вдоль линии визирования, что полностью соответствует классическому Д РЛП наблюдаемой цели [6]. Для уточнения формы огибающей Д РЛП целей возможно увеличение размерности БПФ путем дополнения нулями.

С выхода БПФ суммарного канала сигнал подается на цифровой квадратичный детектор (ЦКД) на выходе которого формируется Д РЛП. Выходные сигналы БПФ разностных по УК каналов подаются на измерители поперечного размера цели (ИПРЦ) для пересчета ошибок измерения УК в поперечный размер цели картинной плоскости (см. рисунок 2).

Рисунок 2. Структура измерителя поперечного размера цели

Измеритель поперечного размера цели состоит из двух устройств: оптимального углового дискриминатора (УД) и преобразователя УК. На вход

дискриминационной характеристики производится нормировка сигнала ошибки УК относительно суммарного сигнала Z [8]. Преобразователь УК

осуществляет преобразование координат в поперечный размер в картинной

положения равносигнального направления (РСН) РЛС θРСН .

Таким образом, данная структурная схема позволяет формировать ДУ РЛП цели в амплитудном моноимпульсном пеленгаторе на дальностях сотни-единицы километров, что, например, может быть актуально для бортовых РЛС или РЛС разведки наземных объектов.

Выводы

1.При высокой разрешающей способности по радиальной дальности, в амплитудном моноимпульсном пеленгаторе, появляется возможность измерения УК каждой БТ, что дает возможность формирования ДУ РЛП целей.

2.Представлен вариант структурной схемы формирования ДУ РЛП цели в амплитудном моноимпульсном пеленгаторе.

3.Дальности получения ДУ РЛП целей предложенным способом могут составлять сотни метров – единицы километров, что, например, может

353

быть актуально для бортовых РЛС или РЛС разведки наземных объектов.

Литературные источники

1.Основы извлечения, обработки и передачи информации. Ч.3. Распознавание-различие сигналов. / Под ред. А.Е. Охрименко. – Мн. 1995.-63 с.

2.Радиолокационное распознавание. Учебное пособие по курсу «Теоретические основы радиолокации». / Под ред. Я.Д. Ширмана. – Харьков. 1994. – 122 с.

3.Лещенко С.П., Горшков С.А., Ширман Я.Д. Принцип получения двумерных радиолокационных изображений при недостаточном азимутальном разрешении: М: Радиотехника и радиоэлектроника, 1991, Том 36, Вып.8.

4.Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. –М.: Радио и связь, 1981. – 416 с.

5.Горшков С.А., Буйлов Е.Н. Устранение неидентичностей частотных характеристик каналов приема в амплитудном моноимпульсном следящем измерителе. Мн: Научнотеоретический журнал «Вестник Военной академии Республики Беларусь», 2012, №3

(36).

6.Марпл С.Л. Цифровой спектральный анализ и его приложения / Под ред. И.С. Рыжака.

– М.: Мир, 1990. – 584с.

7.Горшков С.А., Латушкин В.В., Седышев С.Ю. Основы радиолокации: Конспект лекций. Ч.2.- Минск: ВАРБ, 2004.- 177 с.

8.Охрименко А.Е. Основы радиолокации и РЭБ. Ч. 1. Основы радиолокации. - М.: Воениздат, 1983. – 456 с.

Gorshkov S.A.1, Builov E.N.1

STRUCTURE OF GENERATION OF TAGETS RANGE-ANGLE RADIO LOCATION PORTRAITS IN THE MONOPULSE AMPLITUDE BEARING FINDER

1Education establishment «Military Academy of the Republic of Belarus», Minsk

Summary

We discuss the principles of obtaining range-angle radio location portraits (RA RLP) in the amplitude monopulse direction finder, where a summary and differential processing is not carried out at microwave frequencies, and the video frequency in digital signal processing. The results of mathematical modeling of RA RLP is presented.

354

УДК 004.056.55

Липницкий В.А., Олексюк А.О.

НЕ ПРИМИТИВНЫЕ БЧХ-КОДЫ С МИНИМАЛЬНЫМ РАССТОЯНИЕМ ПЯТЬ ДЛЯ КОРРЕКЦИИ МНОГОКРАТНЫХ ОШИБОК

Учреждение образования «Военная академия Республики Беларусь», Минск

Во всех реальных каналах связи передача информации осуществляется в условиях борьбы с разного рода помехами и шумами. Современные техногенные условия лишь усиливают мощность и многообразие этих помех. Для борьбы с ними в цифровых системах передачи информации применяется, предложенный в середине 20 века Клодом Шенноном метод введения избыточности. Идея эта воплотилась применением помехоустойчивых кодов в цифровых ТКС.

В современных информационно-коммуникационных системах (ИКС) нашли широчайшее применение коды Боуза-Чоудхури-Хоквингема (БЧХкоды). Они применены в материнских платах, используются в пейджинговой, сотовой, космической связи, хранении данных на винчестерах, оптических дисках [1-4]. По своей структуре БЧХ-коды делятся на два основных класса: примитивные и не примитивные. Примитивные имеют завершенную теорию, четкую структуру и массовое применение. Не примитивные не заслуженно остались за пределами приложений, за исключением, может быть, кода Голея. Отсутствие внимания к ним объясняется исключительной индивидуальностью характеристик, свойств и декодирующих возможностей каждого кода из этого семейства. Характеристики не примитивных кодов приходится получать путем сложных компьютерных вычислений.

С каждым годом растут объемы передаваемой информации. Соответственно ужесточаются требования к информационным каналам связи и к декодирующим возможностям применяемых помехоустойчивых кодов. Идет постоянный поиск кодов, исправляющих многократные ошибки в сочетании с эффективными декодирующими алгоритмами [1,2].

Данная работа посвящена изучению требуемых кодов в классе не примитивных БЧХ-кодов. Основное внимание уделено кодам с конструктивным расстоянием 5, допускающим коррекцию ошибок, кратность которых выходит за пределы конструктивных рамок.

Применяемые в практике помехоустойчивого кодирования БЧХ-коды задаются над полями Галуа (как правило, характеристика поля равна двум), то есть над полями GF (2m ) , m 2. Длина n БЧХ-кода является делителем числа

2m 1 (при n 2m 1 БЧХ-код называют примитивным) [2]. При этом n не может быть делителем числа 2 1 для m . Для практики интересны коды, обладающие максимально большой размерностью и, следовательно, наиболее высокой скоростью передачи информации. Среди БЧХ-кодов данной длины n таким свойством обладают коды с проверочной матрицей:

355

Здесь для (2m 1) / n и примитивного элемента поля Галуа GF (2m ) . Наши дальнейшие исследования касаются БЧХ-кодов, проверочная

Такие коды имеют конструктивное расстояние 5. Конструктивно не примитивные БЧХ-коды получаются укорочением примитивных кодов

длиной 2m 1. Укорочение заключается в выбрасывании ряда столбцов проверочной матрицы примитивного БЧХ-кода и в соответственном выбрасывании отдельных разрядов этого примитивного кода. С различных точек зрения важно, чтобы укороченный БЧХ-код сохранял свойство

цикличности, иными словами, чтобы из проверочной матрицы H i , 3i T

примитивного кода получалась матрица (2) укороченного циклического не примитивного БЧХ-кода.

Известна комбинаторная теорема [1], позволяющая определить минимальное расстояние кода через максимальные линейно-независимые системы столбцов проверочной матрицы этого кода. В проведенном исследовании ввиду громоздкости матрицы (2) минимальное расстояние кода находилось норменным методом [2]. Суть метода: пусть Kt совокупность Г-

корректировать ошибки весом от 1 до t включительно.

Вычисления точного минимального расстояния указанным норменным методом показывают, что среди не примитивных БЧХ-кодов с проверочной матрицей (2) довольно часто встречаются БЧХ-коды с точным минимальным расстоянием превышающим конструктивное. К ним относятся, к примеру: не примитивные БЧХ-коды на длинах n 65, 89, их реальное минимальное расстояние равно 7, коды длиной n 33, 39, 41 – их реальное минимальное расстояние равно 9 и n 43 где реальное минимальное расстояние данного кода больше или равно 11.

Разработан общий метод норменного декодирования не примитивных БЧХ-кодов. Предварительно составляется список 1 образующих Г-орбит декодируемой совокупности Kt , синдромов образующих и совокупность NKt

норм синдромов образующих. Действующая ИКС, приняв очередное сообщение x , вычисляет его синдром ошибок S(x) . Если S(x) 0 , то

сообщение не содержит ошибок и является правильным. Если же S(x) 0, то x подлежит коррекции, так как содержит неизвестную вектор-ошибку e . Для

356

означает, что искомая вектор-ошибка e принадлежит Г-орбите, порожденной

вектором e * из списка 1. Сравнивая синдромы ошибок векторов x однозначно определяем вектор e .

Реализация общего норменного метода декодирования ошибок для конкретных кодов на конкретных длинах имеет индивидуальные особенности, так как зависит от кратности исправляемых ошибок и мощности многообразия Kt этих ошибок.

В качестве примера работоспособности данного алгоритма был взят не примитивный БЧХ-код длиной тридцать три и на его примере реализована

полином x10 x3 1. Декодер данного кода рассчитан на коррекцию ошибок весом в диапазоне от 1 до 4. Схема декодера реализована на микроконтроллере ATmega2560, шести дешифраторах, одной интегральной схеме. Наличие в устройстве микроконтроллера позволило уменьшить конструктивные размеры устройства в тридцать один раз, по сравнению с прямой реализацией норменного метода [5].

Проведенные исследования показывают что не примитивные БЧХ-коды неоправданно заброшены исследователями и практикой телекоммуникационных систем (ТКС). Такие коды во многих случаях обладают хорошими корректирующими возможностями, выходящими за пределы конструктивных, имеют эффективные норменные методы коррекции ошибок, могут найти достойное место в разрабатываемых и применяемых на практике ИКС.

Литературные источники

1.MacWilliams, F.J. The Theory of Error-Correcting Codes/ F.J. MacWilliams, N.J.A. Sloane // North-Holland Mathematical Library.- 1977.-Vol.16.- 762 p.

2.Липницкий В.А., Конопелько В.К. Норменное декодирование помехоустойчивых кодов и алгебраические уравнения/ В.А. Липницкий, В.К. Конопелько – Мн.: Издат. Центр БГУ, 2007.- 216c.

3.Конопелько, В.К. Теория прикладного кодирования Том 1/ В.К. Конопелько *и др.+; под общ. ред. В.К. Конопелько. – Минск: БГУИР, 2004. – 288 с.

4.Конопелько, В.К. Теория прикладного кодирования Том 2/ В.К. Конопелько *и др.+; под общ. ред. В.К. Конопелько. – Минск: БГУИР, 2004. – 400 с.

5.Патент SU1833968 A1, НОЗМ 13102; G 11c 29/00. Устройство декодирования для коррекции двоичных ошибок / В.К. Конопелько, Минский радиотехнический институт. – №4919537124; заявл. 18.03.91; опубл. 15.08.1993. Бюл. №30.

Lipnickij V.A., Aliaksiuk A.O.

NOT PRIMITIVE BCH CODES WITH MINIMUM DISTANCE FIVE FOR

CORRECTING MULTIPLE ERRORS

Education establishment ―Military academy Republic of Belarus‖, Minsk

Summary

It is shown that not primitive BCH codes often have good correction capabilities that go beyond design, have effective methods of error correction norm, can find its rightful place in the developed and applied in practice, VIC.

357

УДК 681.327

Лукашевич М.М.

СИСТЕМА ТЕКСТУРНОГО АНАЛИЗА И КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

Белорусский государственный университет информатики и радиоэлектроники, Минск

Актуальность. На сегодняшний день нет почти ни одной области, которую в той или иной мере не затрагивала бы цифровая обработка изображений и распознавание образов. Данная область является одной из самых актуальных и развивающихся в радиоэлектронике, технике, связи и смежных областях и направлена на решение ряда задач в различных отраслях народного хозяйства (медицина, лесное хозяйство, сельское хозяйство, космические исследования, криминалистика и др.). Одними из наиболее важных задач цифровой обработки изображений являются задачи выделения объектов, их классификации. Наиболее распространенной практикой является поэлементная (пиксельная) обработка изображений, что бывает не всегда корректным решением в силу высокой вариабельности большинства классов на изображении. Поиск объекта по заданной форме также не всегда дает приемлемые результаты.

При разработке более эффективных методов анализа и алгоритмов распознавания возникает задача учета контекстной информации. При решении данной задачи используются различные подходы, в том числе методы и алгоритмы текстурного анализа изображений, которые принимают во внимание статистические связи соседних элементов изображения и пространственную организацию данных, позволяют проводить анализ сложноструктурных изображений.

Анализ текстуры – это фундаментальная проблема в обработке изображений, машинном зрении и его использовании при распознавании объектов, восстановлении изображения на основе его содержания и т.д. Большинство реальных объектов состоит из различных видов поверхностей текстуры, практически на любых изображениях можно выделить области, относящиеся к текстурным. Текстура является одним из характерных признаков, применяемых для классификации подобных областей, имеет большое количество конструкций и свойств. Поэтому текстурный анализ играет важную роль в обработке и распознавании изображений, таких как аэрофотоснимки, медицинские изображения, спутниковые изображения и т.д

[1-5].

Цель исследования и основные задачи. В результате анализа основных теоретических положений и научных подходов можно обозначить следующие сложности в процессе текстурного анализа и классификации изображений:

1. нет четких критериев выбора именно методов текстурного анализа для решения прикладных задач в области анализа и обработки изображений.

358

Большинство исследователей и разработчиков интуитивно применяют данный подход и принимают решение в его пользу либо отказываются от него только после фактической реализации все этапов текстурного анализа.

2.существующие методы и алгоритмы текстурного анализа обладают существенной теоретической и вычислительной сложностью. Это накладывает определенные ограничения на их использование;

3.в рамках текстурного анализа предложено множество методов и алгоритмов вычисления текстурных признаков, инвариантных к сдвигу и повороту. Но существенным пробелом в данной предметной области является малое число алгоритмов, позволяющих вычислять текстурные признаки инвариантные к масштабу. Также подобные алгоритмы не всегда удовлетворяют требованиям, предъявляемым к их эффективности. Данное направление стало бурно развиваться лишь с появлением технологии вейвлетанализа.

4.в силу неопределенности текстурной информации (тип данных, вид распределения, иная уникальная информация) применение методов статистического анализа данных не является оптимальным вариантом для решения задач классификации.

Поэтому в процессе проектирования и разработки системы текстурного анализа изображений решались вышеперечисленные задачи.

Системное и структурное проектирование.

Структурная схема разработанной системы текстурного анализа и классификации изображений представлена на рисунке 1.

Рисунок 1. Структурная схема системы текстурного анализа и классификации изображений

359

Данная система может быть использована для текстурного анализа и классификации изображений (снимки земной поверхности, медицинские изображения и т.д.) при решении широко круга прикладных задач. Входными данными являются изображения (цветные, полутоновые).

Этап предварительной обработки изображений, который может включать в себя различные варианты фильтрации, процедуры контрастирования и др., зачастую наносит больше вреда, нежили пользы, т.к. может быть безвозвратно утеряна непосредственно сама текстурная информация. Поэтому данный момент большинство исследователей не рассматривают в рамках задачи текстурного анализа. В связи с этим этап предварительной обработки изображений был исключен.

Первым модулем предлагаемой системы является модуль оценки присутствия текстурной информации, позволяющий выявить наличие текстурных областей на изображении, разделить фон и текстуру с целью предварительной оценки пригодности изображения для текстурного анализа. В результате уже на начальном этапе возможно «отбросить» тот класс задач, для решения которого не подходят методы текстурного анализа изображений.

В рамках модуля вычисления текстурных признаков реализованы следующие алгоритмы:

1.алгоритм вычисления энергетических текстурных признаков на основе признаков Лавса;

2.алгоритм вычисления текстурных признаков, отличающийся вычислительной простотой при условии приемлемой эффективности;

3.алгоритм вычисление текстурных признаков с использованием технологии вейвлет-преобразования, обеспечивающий инвариантность признаков к масштабу.

Модуль классификации изображений предусматривает выбор структуры классификатора, его обучение и функционирование. Тенденции таковы, что при построении интеллектуальных систем принятия решений должна учитываться определенная хаотичность исходных данных, а сами системы должны обучаться и адаптироваться в изменяющейся среде. В связи с этим гибридная нейронная сеть была положена в основу разработанного классификатора.

Выводы. Разработанная система текстурного анализа и классификации изображений может быть использована как самостоятельное программное средство, так и может войти в состав программного комплекса для решения широкого круга задач цифровой обработки изображений и распознавания образов. Отличительными особенностями системы являются: возможность предварительной оценки целесообразности применения методов текстурного анализа; эффективные алгоритмы вычисления текстурных признаков; классификатор, учитывающий определенную хаотичность входных данных.

360