Розробка моделі гібридної нейронної мережі для розпізнавання мін з використанням даних надширокосмугового радару

Автор(и)

  • Василь Володимирович Литвин Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0002-9676-0180
  • Іван Романович Пелещак Національний університет «Львівська Політехніка», Україна https://orcid.org/0000-0002-7481-8628
  • Роман Михайлович Пелещак Національний університет «Львівська Політехніка», Україна https://orcid.org/0000-0002-0536-3252
  • Олександр Олександрович Медяков Національний університет «Львівська Політехніка», Україна https://orcid.org/0000-0002-2580-3155
  • Петро Ярославович Пукач Національний університет «Львівська Політехніка», Україна https://orcid.org/0000-0002-0359-5025

DOI:

https://doi.org/10.15587/1729-4061.2023.279891

Ключові слова:

багатошаровий перцетрон-фільтр, блок Гільберта, осциляторна нейронна мережа, резонанс

Анотація

Об’єктом дослідження є архітектура гібридної нейронної мережі для розпізнавання мін з використанням даних надширокосмугового радару. У роботі вирішено проблему фільтрації відбитих сигналів із завадами та розпізнавання мін, виявлених надширокосмуговим (UWB (Ultra-Wide-Band)) радаром. Запропоновано модель гібридної нейронної мережі у поєднанні з алгоритмом навчання Адам. Фільтрація відбитих сигналів від мін здійснюється за допомогою MLP (multilayer perceptron) фільтру, який зі всього відбитого сигналу виділяє малоамплітудні частини сигналів, що несуть інформацію про приховану міну. Розпізнавання мін здійснюється блоком Гільберта та осциляторною нейронною мережею, що входять у структуру гібридної нейронної мережі. Особливістю отриманих результатів, що дозволили вирішити досліджувану проблему, є трансформація частоти сигналів блоком Гільберта і розпізнавання мін осциляторною нейронною мережею в резонансному режимі. Тришаровий MLP фільтр ефективно відфільтровує некорисну складову у повному сигналі, відбитому від підповерхневого об’єкта, оскільки MSE (Mean Squared Error) MLP фільтра становить 1·10-5. Якщо частота гільбертового сигналу рівна власній частоті коливань нейронів  то розпізнавання сигналів з малою амплітудою від підповерхневих об’єктів здійснюється осциляторною нейронною мережею на основі резонансної амплітуди, на що вказує мале значення крос-ентропії. Запропонована модель гібридної нейронної мережі забезпечує підсилення корисних сигналів за рахунок резонансу і має вищу продуктивність порівняно з існуючими моделями штучних нейронних мереж. Практичне значення отриманих результатів полягає у їх застосуванні у сфері автоматизованих нейромережевих технологій для виявлення та розпізнавання підповерхневих об’єктів різної природи на основі відбитих  радіолокаційних сигналів з амплітудою на рівні шуму.

Біографії авторів

Василь Володимирович Литвин, Національний університет «Львівська політехніка»

Доктор технічних наук, професор

Кафедра інформаційних систем та мереж

Іван Романович Пелещак, Національний університет «Львівська Політехніка»

PhD, Асистент

Кафедра інформаційних систем та мереж

Роман Михайлович Пелещак, Національний університет «Львівська Політехніка»

Доктор фізико-математичних наук, професор

Кафедра інформаційних систем та мереж

Олександр Олександрович Медяков, Національний університет «Львівська Політехніка»

Кафедра інформаційних систем та мереж

Петро Ярославович Пукач, Національний університет «Львівська Політехніка»

Доктор технічних наук, професор

Кафедра обчислювальної математики і програмування

Посилання

  1. Daniels, D. J. (2004). Ground penetrating radar. London: IEEE. doi: https://doi.org/10.1049/pbra015e
  2. Harmuth, H. (1981). Nonsinusoidal waves for radar and radiocommunications. New York: Academic Press, 404.
  3. Taylor, J. D. (2012). Ultrawideband Radar: applications and design. Boca Raton: CRC Press. doi: https://doi.org/10.1201/b12356
  4. Ristic, A., Govedarica, M., Vrtunski, M., Pctrovacki, D. (2014). Application of GPR for creating underground structure model of specific areas of interest. Proceedings of the 15th International Conference on Ground Penetrating Radar. Brussels, 450–455. doi: https://doi.org/10.1109/icgpr.2014.6970464
  5. Liu, H., Huang, X., Xing, B., Cui, J., Spencer, B. F., uo Liu, Q. H. (2018). Estimating Azimuth of Subsurface Linear Targets By Polarimetric GPR. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium. Valencia, 6784–6787. doi: https://doi.org/10.1109/igarss.2018.8517637
  6. Zhao, S., Al-Qadi, I. L. (2019). Super-Resolution of 3-D GPR Signals to Estimate Thin Asphalt Overlay Thickness Using the XCMP Method. IEEE Transactions on Geoscience and Remote Sensing, 57 (2), 893–901. doi: https://doi.org/10.1109/tgrs.2018.2862627
  7. Taflove, A., Hagness, S. (2005). Computational Electrodynamics: The Finite-Difference Time-Domain Method. London, Boston: Artech House, 629–670. doi: https://doi.org/10.1016/b978-012170960-0/50046-3
  8. Liu, Y., Guo, L. X. (2016). FDTD investigation on GPR detecting of underground subsurface layers and buried objects. Proceedings of the IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization. Beijing. doi: https://doi.org/10.1109/nemo.2016.7561622
  9. Giannakis, I., Giannopoulos, A., Warren, C. (2019). A Machine Learning-Based Fast-Forward Solver for Ground Penetrating Radar With Application to Full-Waveform Inversion. IEEE Transactions on Geoscience and Remote Sensing, 57 (7), 4417–4426. doi: https://doi.org/10.1109/tgrs.2019.2891206
  10. Earp, S. L., Hughes, E. S., Elkins, T. J., Vickers, R. (1996). Ultra-wideband ground-penetrating radar for the detection of buried metallic mines. Proceedings of the 1996 IEEE National Radar Conference. Ann Arbor, 7–12. doi: https://doi.org/10.1109/nrc.1996.510648
  11. Millot, P., Castanet, L., Casadebaig, L., Maaref, N., Gaugue, A., Menard, M. et al. (2015). An UWB Through-The-Wall radar with 3D imaging, detection and tracking capabilities. Proceedings of the European Radar Conference (EuRAD). Paris, 237–240. doi: https://doi.org/10.1109/eurad.2015.7346281
  12. Hai-zhong, Y., Yu-feng, O., Hong, C. (2012). Application of ground penetrating radar to inspect the metro tunnel. Proceedings of the 14th International Conference on Ground Penetrating Radar (GPR). Shanghai, 759–763. doi: https://doi.org/10.1109/icgpr.2012.6254963
  13. Holbling, Z., Mihaldinec, H., Ambrus, D., Dzapo, H., Bilas, V., Vasic, D. (2017). UWB localization for discrimination-enabled metal detectors in humanitarian demining. In Proceedings of the IEEE Sensors Applications Symposium (SAS). Glassboro, 1–4. doi: https://doi.org/10.1109/sas.2017.7894073
  14. Morgenthaler, A., Rappaport, C. (2013). Fast GPR underground shape anomaly detection using the Semi-Analytic Mode Matching (SAMM) algorithm. Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Melbourne, 1422–1425. doi: https://doi.org/10.1109/igarss.2013.6723051
  15. Li, W., Zhou, H., Wan, X. (2012). Generalized Hough Transform and ANN for subsurface cylindrical object location and parameters inversion from GPR data. Proceedings of the 14th International Conference on Ground Penetrating Radar (GPR). Shanghai, 281–285. doi: https://doi.org/10.1109/icgpr.2012.6254874
  16. Dumin, O., Plakhtii, V., Pryshchenko, O., Pochanin, G. (2020). Comparison of ANN and Cross-Correlation Approaches for Ultra Short Pulse Subsurface Survey. Proceedings of the 15th International Conference on Advanced Trends in Radioelectronics, Tel-ecommunications and Computer Engineering (TCSET – 2020). Lviv-Slavske, 1–6. doi: https://doi.org/10.1109/tcset49122.2020.235459
  17. Sharma, P., Kumar, B., Singh, D., Gaba, S. P. (2016). Metallic Pipe Detection using SF GPR: A New Approach using Neural Network. Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Beijing, 6609–6612. doi: https://doi.org/10.1109/igarss.2016.7730726
  18. Dumin, O. M., Pryshchenko, O. A., Plakhtii, V. A., Pochanin, G. P. (2020). Detection and classification of landmines using UWB antenna system and ANN analysis. Visnyk of V.N. Karazin Kharkiv National University, Series “Radio Physics and Electronics”, 33, 7–19. doi: https://doi.org/10.26565/2311-0872-2020-33-01
  19. Bralich, J., Reichman, D., Collins, L. M., Malof, J. M. (2017). Improving convolutional neural networks for buried target detection in ground penetrating radar using transfer learning via pretraining. Detection and Sensing of Mines, Explosive Objects, and Obscured Targets XXII, Vol. 10182. International Society for Optics and Photonics. SPIE, 198–208. doi: https://doi.org/10.1117/12.2263112
  20. Lameri, S., Lombardi, F., Bestagini, P., Lualdi, M., Tubaro, S. (2017). Landmine detection from GPR data using convolutional neural networks. Proceedings of the 2017 25th European Signal Processing Conference (EUSIPCO). Kos, 508–512. doi: https://doi.org/10.23919/eusipco.2017.8081259
  21. Pochanin, G. P., Capineri, L., Bechtel, T. D., Falorni, P., Borgioli, G., Ruban, V. P. et al. (2020). Measurement of Coordinates for a Cylindrical Target Using Times of Flight from a 1-Transmitter and 4-Receiver UWB Antenna System. IEEE Transactions on Geoscience and Remote Sensing, 58 (2), 1363–1372. doi: https://doi.org/10.1109/tgrs.2019.2946064
  22. Dumin, O. M., Plakhtii, V. A., Prishchenko, O. A., Shyrokorad, D. V., Volvach, I. S. (2019). Influence of denoising of input signal on classification of object location by artificial neural network in ultrawideband radiointroscopy. Visnyk of V.N. Karazin Kharkiv National University, Series “Radio Physics and Electronics”, 31, 27–35. doi: https://doi.org/10.26565/2311-0872-2019-31-03
  23. Peleshchak, R., Lytvyn, V., Bihun, O., Peleshchak, I. (2019). Structural Transformations of Incoming Signal by a Single Nonlinear Oscillatory Neuron or by an Artificial Nonlinear Neural Network. International Journal of Intelligent Systems and Applications, 11 (8), 1–10. doi: https://doi.org/10.5815/ijisa.2019.08.01
  24. Lytvyn, V., Vysotska, V., Peleshchak, I., Rishnyak, I., Peleshchak, R. (2018). Time Dependence of the Output Signal Morphology for Nonlinear Oscillator Neuron Based on Van der Pol Model. International Journal of Intelligent Systems and Applications, 10 (4), 8–17. doi: https://doi.org/10.5815/ijisa.2018.04.02
  25. Janson, N. B., Pavlov, A. N., Neiman, A. B., Anishchenko, V. S. (1998). Reconstruction of dynamical and geometrical properties of chaotic attractors from threshold-crossing interspike intervals. Physical Review E, 58 (1), R4–R7. doi: https://doi.org/10.1103/physreve.58.r4
  26. Kingma, D. P., Ba, J. (2015). Adam: a method for stochastic optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015). San Diego, 1–15. doi: https://doi.org/10.48550/arXiv.1412.6980
  27. Abbasi, A., Javed, A. R., Iqbal, F., Kryvinska, N., Jalil, Z. (2022). Deep learning for religious and continent-based toxic content detection and classification. Scientific Reports, 12 (1). doi: https://doi.org/10.1038/s41598-022-22523-3
  28. Bashir, M. F., Arshad, H., Javed, A. R., Kryvinska, N., Band, S. S. (2021). Subjective Answers Evaluation Using Machine Learning and Natural Language Processing. IEEE Access, 9, 158972–158983. doi: https://doi.org/10.1109/access.2021.3130902
Розробка моделі гібридної нейронної мережі для розпізнавання мін з використанням даних надширокосмугового радару

##submission.downloads##

Опубліковано

2023-06-30

Як цитувати

Литвин, В. В., Пелещак, І. Р., Пелещак, Р. М., Медяков, О. О., & Пукач, П. Я. (2023). Розробка моделі гібридної нейронної мережі для розпізнавання мін з використанням даних надширокосмугового радару. Eastern-European Journal of Enterprise Technologies, 3(9 (123), 78–85. https://doi.org/10.15587/1729-4061.2023.279891

Номер

Розділ

Інформаційно-керуючі системи