Результаты исследований: Вклад в журнал › Статья › Рецензирование
Результаты исследований: Вклад в журнал › Статья › Рецензирование
}
TY - JOUR
T1 - СРАВНИТЕЛЬНЫЙ АНАЛИЗ КЛАССИЧЕСКИХ МЕТОДОВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ПРИ РЕШЕНИИ ЗАДАЧ КЛАССИФИКАЦИИ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ
AU - Доросинский, Леонид Григорьевич
AU - Иванов, Сергей Сергеевич
PY - 2022
Y1 - 2022
N2 - Сложившаяся в последние годы массовая тенденция использовать глубокое машинное обучение, искусственные нейронные сети и методы искусственного интеллекта при решении самых разных задач, как научных исследований, так и производственных проблем, приводит к существенным методологическим неточностям, а именно, использованию сложных, трудоемких и очень объемных алгоритмических процедур в то время, как задача может быть решена несоизмеримо более простыми и компактными методами без потерь в эффективности. Для этого необходимо воспользоваться широко распространенными и хорошо известными методами, в том числе классическими, параметрическими, непараметрическими, настроенными на задачу. Машинное обучение безусловно носит универсальный характер, в чем и заключается его ценность, но не учитывает особенности конкретной проблемы, заменяя обучением тот этап, который традиционные методы призваны восполнить умелой настройкой на конкретную проблему. В работе рассмотрены два метода, один из которых основан на классическом методе максимального правдоподобия с оптимальной оценкой неизвестных параметров распределений отдельных отсчетов флуктуирующего изображения (входного массива данных), а другой - на глубоком машинном обучении, классификации радиолокационных изображений для конкретной задачи распознавания трех классов пространственно-распределенных целей, отличающихся своими размерами.
AB - Сложившаяся в последние годы массовая тенденция использовать глубокое машинное обучение, искусственные нейронные сети и методы искусственного интеллекта при решении самых разных задач, как научных исследований, так и производственных проблем, приводит к существенным методологическим неточностям, а именно, использованию сложных, трудоемких и очень объемных алгоритмических процедур в то время, как задача может быть решена несоизмеримо более простыми и компактными методами без потерь в эффективности. Для этого необходимо воспользоваться широко распространенными и хорошо известными методами, в том числе классическими, параметрическими, непараметрическими, настроенными на задачу. Машинное обучение безусловно носит универсальный характер, в чем и заключается его ценность, но не учитывает особенности конкретной проблемы, заменяя обучением тот этап, который традиционные методы призваны восполнить умелой настройкой на конкретную проблему. В работе рассмотрены два метода, один из которых основан на классическом методе максимального правдоподобия с оптимальной оценкой неизвестных параметров распределений отдельных отсчетов флуктуирующего изображения (входного массива данных), а другой - на глубоком машинном обучении, классификации радиолокационных изображений для конкретной задачи распознавания трех классов пространственно-распределенных целей, отличающихся своими размерами.
UR - https://www.elibrary.ru/item.asp?id=49798605
U2 - 10.15826/urej.2022.6.3.005
DO - 10.15826/urej.2022.6.3.005
M3 - Статья
VL - 6
SP - 310
EP - 323
JO - Ural Radio Engineering Journal
JF - Ural Radio Engineering Journal
SN - 2588-0454
IS - 3
ER -
ID: 32814739