Математична модель інформаційно-керуючої системи виявлення безпілотних літальних апаратів та баражуючих боєприпасів
Анотація
У статті розглянуто актуальну наукове завдання підвищення ефективності виявлення безпілотних літальних апаратів (БПЛА) та баражуючих боєприпасів (ББ) в умовах бойових дій шляхом застосування адаптивних інформаційно-керуючих систем (ІКС), які об'єднують різнотипні сенсори у складі бездротових сенсорних мереж (БСМ). Проаналізовано сучасні підходи до використання радіолокаційних, оптико-електронних та акустичних засобів спостереження, зокрема з урахуванням результатів глибокого навчання та ф’южн-алгоритмів. Показано, що інтеграція даних з різних сенсорів дозволяє забезпечити високу достовірність виявлення цілей навіть за наявності завад, обмеженої інформованості та маневреності об'єктів. У сучасних умовах протистояння високотехнологічним загрозам особливої актуальності набуває застосування ф’южн-алгоритмів, які забезпечують ефективне поєднання інформації з різнорідних джерел (сенсорів БСМ). Такі алгоритми є необхідним елементом ІКС, оскільки дозволяють здійснювати синергетичну обробку даних, підвищувати достовірність розпізнавання та мінімізувати ймовірність хибних спрацювань навіть у складних умовах бойової обстановки. Наведено формалізовану імовірнісно-адаптивну модель виявлення повітряних об'єктів, яка враховує часові обмеження, керування діаграмами направленості сенсорів, забезпечення зв’язності мережі та мінімізацію ймовірності хибних спрацювань. Запропонована цільова функція дозволяє оптимізувати співвідношення між швидкістю виявлення та його точністю. Також представлено математичний апарат, що дозволяє враховувати просторові обмеження зони відповідальності, прогнозовану траєкторію БПЛА та особливості їх руху. Використання порогових значень імовірності для прийняття рішень дозволяє адаптувати систему під динамічну зміну бойової обстановки. Стаття формує основу для побудови високоефективних ІКС тактичного рівня з урахуванням реальних умов ведення бойових дій та потреб оперативного реагування
Посилання
2. Jarrous A., et al. Drone detection and classification using micro-Doppler signatures with deep networks // Sensors. – 2021. – Т. 21, №12. – С. 4121.
3. Mazzarella L., et al. Detection and tracking of drones using deep learning and thermal imagery // Remote Sensing. – 2021. – Т. 13, №2. – С. 356.
4. Halawani M., et al. Drone detection using YOLOv5 and thermal images // Electronics. – 2022. – Т. 11, №9. – С. 1445.
5. Parchami H., et al. Deep neural networks for acoustic drone detection // IEEE Trans. Aerosp. Electron. Syst. – 2020. – Т. 56, №4. – С. 2879–2890.
