Порівняння результатів розпізнавання підповерхневого об’єкту штучними нейронними мережами та корреляційним методом
Анотація
Актуальність. Задача пошуку підземних об’єктів має особливий інтерес для будівництва, археології та гуманітарного розмінування. Виявлення підземних мін за допомогою пристроїв дистанційного обстеження приходить на зміну традиційній процедурі знаходження вибухонебезпечних предметів, так як виключається знаходження людини у зоні можливого ураження при вибуху заряду.
Мета роботи. Метою роботи є покращення розпізнавання тривимірних об'єктів та демонстрація переваги використання більш інформативного набору даних, отриманого спеціальною антенною системою, що має чотири приймальні антени. Крім цього, необхідно порівняти ефективність розпізнавання штучним інтелектом та методом взаємної кореляції при роботі з підповерхневим радаром з урахуванням адитивних шумів різних рівнів, що присутні на практиці.
Матеріали та методи. Електродинамічна задача розв’язується методом скінченних різниць у часовому просторі (FDTD). Штучна нейронна мережа (ШНМ) тренується на ідеальних сигналах для виявлення особливостей поля, які вона буде знаходити у зашумлених даних та давати відповідь щодо положення об’єкту. Взаємна кореляція також передбачає використання масиву ідеальних сигналів, із якими будуть корелювати зашумлені реальні сигнали.
Результати. Встановлено оптимальну та ефективну ШНМ для роботи із прийнятими сигналами. Була проведена її перевірка на завадостійкість. Задачу розпізнавання також було вирішено класичним методом взаємної кореляції, а також досліджено вплив шумів різних рівнів на його розв’язок. Крім цього, проведено порівняння ефективності розпізнавання їх використанням 1 та 4 датчиків.
Висновки. Для задач підповерхневого зондування слід використовувати глибокі нейронні мережі, як мінімум із трьома прихованими шарами нейронів. Це обумовлено складністю та багатовимірністю процесів, що проходять в обстежуваному просторі. Встановлено, що методи штучного інтелекту та взаємної кореляції добре проводять розпізнавання об’єкта, і серед них важко виділити найкращий. Обидва підходи показують гарну завадостійкість. Використання більшого набору даних із чотирьох датчиків позитивно позначається на результатах обстеження.
Завантаження
Посилання
Taylor JD. Ultrawidebandradar: applications and design. Boca Raton, CRC Press, NewYork, London; 2012.
Immoreev IJ. Main capabilities and fieatures of ultra wideband (UWB) radars. Radio Physics and Radio Astronomy. 2002;7(4):339-344.
Daniels JD. Ground penetrating radar. 2nd ed. London: IEEE, 2004.
Harmuth H. Nonsinusoidal Waves for Radar and Radio Communications. Academic Press, New York; 1981.
Pochanin G, Masalov S, Pochanina I, Capineri L, Falorni P, Bechtel T. Modern Trends in Development and Application of the UWB Radar Systems. In Proc. 8th International Conference on Ultrawideband and Ultrashort Impulse Signals; 5-11 September 2016; Odessa, Ukraine; p. 7-11.
Pochanin GP, Ruban VP, Kholod PV, Shuba OA, Pochanina IYe, Batrakova AG, Urdzik SN, Batrakov DO, Golovin, DV. Advances in ground penetrating radars for road surveying. In Proc. 7th International Conference on Ultrawideband and Ultrashort Impulse Signals; 15-19 September 2014; Kharkiv, Ukraine; p. 13-18.
Sytnik O, Masalov S, Kholod P, Pochanin G, Ruban V. UWB Technology for Detecting Alive People behind Optically Opaque Obstacles. In Proc. 9th International Conference on Ultrawideband and Ultrashort Impulse Signals (UWBUSIS–2018); 4-7 September 2018; Odessa, Ukraine; p. 110-114.
Haykin S, Neural networks: complete course, 2nd ed., Rev. : Translate from English. - M.: LLC "I.D. Williams ", 2006. -1104s
Callan R, Basic concepts of neural networks, Per. from English. - M.: LLC "I.D. Williams ", 2001.
Shirokorad DV, Dumin AN, Dumina OA, Katrich VA Analysis of impulse fields reflected from a layered medium with losses using an artificial neural network. Visnyk of V.N. Karazin Kharkiv National University, series “Radio Physics and Electronics”. 2009; 15(883):35–40.
Shirokorad DV, Dumin AN, Dumina OA, Katrich VA. Analysis of Pulsed Fields Reflected from a Layered Lossy Medium Using Artificial Neural Network. Telecommunications and radio engineering. 2011; 70(10):873–881.
Drobakhin O, Doronin A. Estimation of thickness of subsurface air layer by neuron network technology application to reflected microwave signal. In Proc. XII Int. Conf. on MMET; 2008; Odessa, Ukraine. p. 150-152.
Shyrokorad D, Dumin O, Dumina O, Katrich V. Analysis of transient fields reflected from model of human body surface using convolutional neural network. In Proc. IEEE International Conference on Mathematical Methods in Electromagnetic Theory (MMET); 2010; Kyiv, Ukraine.
Shyrokorad D, Dumin O, Dumina O, Katrich V, Chebotarev V. Approximating properties of artificial neural network in time domain for the analysis of electromagnetico fields reflected from model of human body surface. In Proc. of International Symposium on Physics and Engineering of Microwaves, Millimeter, and Submillimeter Waves (MSMW-2010); June 21–26 2010; Kharkov, Ukraine; G-8.
El-Bakry HM, Zhao Q. A modified frequency domain cross correlation implemented in MATLAB for fast sub-image detection using neural networks. In Proceedings 2005 IEEE International Joint Conference on Neural Networks; 31 July-4 August 2005; Montreal, Que, Canada.
Dumіn OM, Plahtіj VA, Prishhenko OA, Shirokorad DV. Determination of objects from the surface of the earth with over-wide-area radio-introscopy behind the addition of piece neuronal fences. Visnyk of V.N. Karazin Kharkiv National University, series “Radio Physics and Electronics”. 2018; 28:24-29.
Ogurtsova T, Ruban V, Pojedinchuk A, Pochanin O, Pochanin G, Capineri L, Falorni P, Borgioli G, Bechtel T, Crawford F. Criteria for Selecting Object Coordinates at Probing by the Impulse UWB GPR with the “1Tx + 4Rx” Antenna System. In Proc. 9th International Conference on Ultrawideband and Ultrashort Impulse Signals; September 4–7, 2018; Odessa, Ukraine; p. 161-164.
Dumіn OM, Plahtіj VA, Prishhenko OA, Shirokorad DV. The method of discrete tomography in the process of sampling of the data of the over-wide-area under-superficial radio-locating with a piece of neural mesh. Visnyk of V.N. Karazin Kharkiv National University, series “Radio Physics and Electronics”. 2018;29:17-26.
Bracewell R. Pentagram Notation for Cross Correlation. The Fourier Transform and Its Applications, New York: McGraw-Hill, 1965. 46 p.
