В данной работе предложен метод повышения точности распознавания объектов на радиолокационных изображениях (РЛИ) акватории, полученных с радиолокаторов кругового обзора, основанный на применении алгоритмов и подходов глубинного обучения. Проведен сравнительный анализ алгоритмов и функций потерь, влияющих на точность распознавания.

В данной работе представлен алгоритм численного моделирования радиолокационных данных с судового радиолокатора кругового обзора, позволяющий быстро и эффективно генерировать синтетические обучающие выборки для нейросетевых алгоритмов распознавания. 

Вводится новое определение радиолокационной хорактеристики, которая позволяет рассчитывать радиолокационные изображения объектов наблюдения.

В настоящей работе рассмотрен комплекс вопросов, связанных с разработкой программного комплекс для подготовки начальных данных и запуска распределенного на нескольких вычислителях расчета радиолокационных изображений. В ходе работы разработан программный компонент ввода начальных данных с использованием библиотеки Qt и Blender, разработан программный компонент запуска распределённого расчёта радиолокационных изображений, разработан программный компонент просмотра результатов расчёта.

Работа содержит результаты разработки и тестирования программного модуля, реализующего алгоритм сверхразрешения

Данная работа посвящена разработке нейросетевого алгоритма сегментации окружающей обстановки. Для обучения нейросетевых моделей подготовлена обучающая выборка, состоящая из данных, полученных из открытых источников и данных, собранных на реке Москва. В качестве базовой архитектуры нейросети была выбрана архитектура U-Net. В результате валидации была получена попиксельная точность 98,13%.

Данная работа посвящена построению карты глубины нейросетевым алгоритмом для последующего отслеживания объектов. Для обучения нейронной сети используется функция ошибки, состоящая из взвешенной суммы трех функций: функция потерь Берху, градиентная и функция потерь SSIM. Для валидации модели были использованы данные полученные в результате численного моделирования. По результатам валидации получена точность по метрике Average error 0,0527.

В работе рассматриваются вопросы практической реализации алгоритма численного решения задачи дифракции на основе метода дискретных источников.

В работе предложен алгоритм фильтрации траекторных данных для комплексирования информации от позиции МП РЛС. Алгоритм построен на основе адаптивного фильтра Калмана с плавной подстройкой (Adaptive Fading Kalman Filter, AFKF).

Данная работа посвящена вопросам создания алгоритма геолокационной привязки РЛИ в Х диапазоне с картой местности в видимом диапазоне, в десятки раз превосходящей по области охвата местности РЛИ. Разработанный алгоритм состоит из следующих процедур: расчет множества КТ в пространстве SAR-Harris, фильтрация полученных значений, сопоставление найденных множеств с помощью метода наименьшей медианы квадратов, геолокационная привязка РЛИ.

В работе рассмотрен алгоритм имитации отражения от цели и последующей цифровой обработки сигналов, излученных антенной гранью радиолокатора морского базирования.
Цель работы: повышение быстродействия работы модуля ЦОС. 
Результаты работы: адаптированы алгоритмы имитации отражения сигнала от цели и его АЦП. Были реализованы алгоритмы пороговой фильтрации и алгоритм отклика антенной грани. Результаты оптимизации показали повышение быстродействия на 28,82% в среднем.