2006(№1)

Непараметрические алгоритмы можно реализовать при недостаточных априорных
сведениях об объектах локации, однако их эффективность обычно далека от потенциально
достижимой. Кроме того, некоторые из них довольно сложны в практической реализации.
Нейрокомпьютерные алгоритмы отличаются своей заранее заданной универсальной
структурой с большим числом неизвестных параметров, уточняемых в процессе адаптации
(обучения). Возрастание вычислительных затрат при универсализации алгоритма компенсируется
ростом производительности вычислительных средств.
В настоящее время наблюдается повышенный интерес к нейросетевым методам и
построенным на их базе нейрокомпьютерам. В отличие от классических методов обработки
информации, базирующихся на изучении и априорном задании более или менее сложной
модели процесса или системы, нейросети сами формируют модель явления в процессе
обучения, т. е. практически не требуют априорных данных о модели.
После обучения такие системы могут достигать потенциальных пределов качества
функционирования при решении задач обнаружения, разрешения, сверхразрешения, оценки
параметров сигналов, распознавания образов.
Таким образом, применение нейронных сетей (НС) является одним из наиболее перспективных
путей для повышения эффективности и сокращения сложности распознаваемой
системы радиолокационных целей.
Принципы построения нейрокомпьютерных алгоритмов распознавания.
Модель технического нейрона. МакКаллок и Питтс [10]–[15] предложили использовать
бинарный пороговый элемент в качестве основы модели НС. Этот нейрон вычисляет
взвешенную с коэффициентами w = { w } ( j = 1, 2, , N )
{ x j} ( j 1, 2, , N )
x = =
j
… сумму n входных сигналов
… и формирует на выходе сигнал логической единицы, если эта
сумма превышает определенный заранее порог w 0 , и 0 – в противном случае. Объединив
сумму и порог в аргументе оператора нелинейного преобразования и рассматривая порог
N
как весовой коэффициент, связанный с постоянным входом x 0 = 1, получим запись функ-
⎛
⎞
ции активации нейрона y = f ( n) = f ∑ w j x j
( t) + w0
⎜
⎟
, где f ( n ) – оператор нелинейного
⎝ j=
1
⎠
N
преобразования; n = ∑ w j x j
( t) + w0
– его аргумент (рис. 2).
j=
1
В качестве оператора нелинейного преобразования могут использоваться различные
функции в зависимости от решаемой задачи и типа НС. Выбор функции активации определяется:
• спецификой задачи;
• удобством реализации на ЭВМ, в виде электрической схемы или другим способом;
• алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции
активации, которые необходимо учитывать.
50