Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: unmanned aerial vehicles, machine learning, micro-Doppler, convolutional neural networks, transformers, беспилотные летательные аппараты, машинное обучение, микродоплер, свёрточные нейронные сети, трансформеры
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 акПоказать полностьютуальной. 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. In recent years, the use of small unmanned aerial vehicles (UAVs) has increased, necessitating their accurate recognition against objects with similar radar characteristics, primarily birds. Despite the development of machine learning methods, the problem of reliably extracting UAV features remains relevant. The aim of this paper is to comparatively analyze existing domestic and international approaches to recognizing small aerial objects based on machine learning algorithms. This paper presents the results of evaluating the effectiveness of traditional methods (support vector machines, random forests), deep neural networks, and transformer architectures. The potential for extracting informative features from micro-Doppler time-frequency spectrograms obtained in various frequency ranges is explored. Convolutional neural networks and transformers are found to achieve recognition accuracy of up to 97 % with low noise levels; however, their use is associated with significant computational costs and the need for large volumes of training data. The article highlights the potential of hybrid neural network architectures, which integrate the advantages of various methods, to improve the accuracy and robustness of analysis. The results have practical implications for developing effective UAV recognition algorithms in real-time environments with limited computing resources. The findings expand existing understanding of the potential and limitations of modern machine learning algorithms in radar systems.
Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии
Выпуск журнала: Т.19, №1
Номера страниц: 108-125
ISSN журнала: 1999494X
Место издания: Красноярск
Издатель: Сибирский федеральный университет