Аннотация. Представлено сравнительное экспериментальное исследование двух алгоритмов автоматической классификации надводных целей по данным пассивной радиолокационной станции: двухэтапной вероятностной классификации и многогипотезной вероятностной классификации. Актуальность работы определяется потребностью в повышении достоверности пассивного распознавания целей в бортовых, береговых и распределенных системах пассивного радиолокационного наблюдения за надводной обстановкой, где решение должно приниматься в условиях неполной, неоднозначной и частично противоречивой информации. Цель исследования состоит в сравнении указанных алгоритмов по точности распознавания и относительной вычислительной сложности в типовых радиочастотных сценариях, представляющих интерес для средств пассивного наблюдения. Для корректного сопоставления оба алгоритма испытаны в единой вычислительной схеме на общей синтетической базе данных (БД), моделирующей состав носителей, наборы бортовых радиоэлектронных средств и их рабочие области. Все признаки сведены к нормированному рабочему пространству, что позволило исключить влияние частной параметризации сигналов и сосредоточить анализ на собственно алгоритмических различиях методов. Эксперименты проведены при полнофакторном варьировании ключевых характеристик обстановки, включая вероятность работы радиоэлектронных средств (РЭС), долю наблюдаемого излучения, среднее число РЭС на носителе, среднее число носителей на одну РЭС и ширину рабочей области. Показано, что многогипотезная вероятностная классификация обеспечивает более полное использование доступной информации и более высокую устойчивость к неопределенности, что в ряде сценариев дает до 57 процентных пунктов абсолютного выигрыша по точности по сравнению с двухэтапным алгоритмом. Одновременно установлено, что этот выигрыш достигается ценой существенного роста вычислительных затрат, обусловленного увеличением глубины дерева гипотез. Двухэтапный алгоритм, напротив, уступая по точности в неоднозначных ситуациях, сохраняет существенно более высокую вычислительную эффективность. Практическая значимость результатов состоит в обосновании выбора архитектуры классификации для пассивных радиолокационных и смежных систем наблюдения, применяемых для контроля надводной обстановки, а также в подтверждении целесообразности адаптивного или гибридного применения сравниваемых алгоритмов в зависимости от режима наблюдения и доступных вычислительных ресурсов.

Ключевые слова: классификация надводных целей, классификация радиоизлучений, пассивные радиолокационные станции, освещение надводной обстановки, двухэтапная вероятностная классификация, многогипотезная вероятностная классификация, сравнительный анализ алгоритмов

Для цитирования: Бочаров П. В., Либман М. С. Эффективность алгоритмов классификации надводных целей по данным пассивной радиолокационной станции: сравнительное экспериментальное исследование методов двухэтапной вероятностной классификации и многогипотезной вероятностной классификации // Аэрокосмическая техника и технологии. 2026. Т. 4, № 1. С. 144–165. https://doi.org/10.52467/2949-401X-2026-4-1-144-165; https://elibrary.ru/WGOAPY

Библиографический список
1. Мироненко М. В., Пятакович В. А., Василенко А. М. Комплексная система мониторинга и контроля надводной и подводной обстановки в обеспечении безопасности морских акваторий государства // Стратегическая стабильность. 2017. Т. 81, № 4. С. 41–46. https://elibrary.ru/ZTDBYH
2. Бочаров П. В., Либман М. С. Алгоритм классификации надводных целей по данным пассивной радиолокационной станции // Аэрокосмическая техника и технологии. 2024. Т. 2, № 4. С. 118–129. https://doi.org/10.52467/2949-401X-2024-2-4-118-129; https://elibrary.ru/BCDHLK
3. Liu C., Liu Y., Zhang Q. A two-stage classification algorithm for radar targets based on compressive detection // EURASIP Journal on Advances in Signal Processing. 2021. Vol. 2021, art. 23. https://doi.org/10.1186/s13634-021-00719-5
4. Greco M. S., Gini F., Farina A. A multiple hypotheses testing approach to radar detection and pre-classification // Proceedings of the 2004 IEEE Radar Conference (IEEE Cat. No.04CH37509), Philadelphia, PA, USA. 2004, pp. 463–468. https://doi.org/10.1109/nrc.2004.1316469
5. Bishop C. M. Pattern recognition and machine learning. New York: Springer, 2006. 738 p.
6. Hoi S. C. H., Sahoo D., Lu J., Zhao P. Online learning: A comprehensive survey // Neurocomputing. 2021. Vol. 459. P. 249–289. https://doi.org/10.1016/j.neucom.2021.04.112
7. Wang Z., Sun J., Li Q., Ding G. A New multiple hypothesis tracker integrated with detection processing // Sensors. 2019. Vol. 19, № 23, art. № 5278. https://doi.org/10.3390/s19235278
8. Kvasnov A. V. Methodology of classification and recognition of the radar emission sources based on Bayesian programming // IET Radar, Sonar & Navigation. 2020. Vol. 14, no. 8, pp. 1175–1182. https://doi.org/10.1049/iet-rsn.2019.0380
9. Revillon G., Mohammad-Djafari A., Enderli C. Radar emitters classification and clustering with a scale mixture of normal distributions // IET Radar, Sonar & Navigation. 2019. Vol. 13, no. 1, pp. 128–138. https://doi.org/10.1049/iet-rsn.2018.5202
10. Hall D. L., Llinas J. An introduction to multisensor data fusion // Proceedings of the IEEE. 1997. Vol. 85, no. 1, pp. 6–23. https://doi.org/10.1109/5.554205
11. Xu T., Yuan S., Liu Z., Guo F. Radar emitter recognition based on parameter set clustering and classification // Remote Sensing. 2022. Vol. 14, no. 18. Art. 4468. https://doi.org/10.3390/rs14184468
12. Wang K. N. Illumination waveform design for non-Gaussian multi-hypothesis target classification in cognitive radar: PhD thesis. Monterey, CA : Naval Postgraduate School, 2012. 125 p. urn: handle:10945/7427
13. Blackman S. S. Multiple hypothesis tracking for multiple target tracking // IEEE Aerospace and Electronic Systems Magazine. 2004. Vol. 19, no. 1, pp. 5–18. https://doi.org/10.1109/MAES.2004.1263228
14. Oncu S., Karakaya M., Dalveren Y., Kara A., Derawi M. Real-time radar classification based on software-defined radio platforms: enhancing processing speed and accuracy with graphics processing unit acceleration // Sensors. 2024. Vol. 24, no. 23. Art. 7776. https://doi.org/10.3390/s24237776
15. Reid D. B. An algorithm for tracking multiple targets // IEEE Transactions on Automatic Control. 1979. Vol. 24, no. 6, pp. 843–854. https://doi.org/10.1109/TAC.1979.1102177