Using complex-valued neural networks for aircraft identification

Abstract

This paper presents an approach to aircraft recognition using complex-valued neural networks. The objective of the article is to study the effectiveness of complex-valued neural networks for aircraft identification tasks based on radar data, the efficiency evaluated based on criteria such as classification accuracy, robustness to noise interference, the ability to maintain high accuracy with limited training data, and an optimal trade-off between accuracy and computational complexity. The study focuses on aircraft identification using phase and amplitude characteristics of radar signals, which are essential for aviation security and airspace monitoring. The research method includes theoretical analysis, modeling, and experimental testing. The paper discusses the architectural features of artificial neural networks that utilize complex numbers for signal processing. This approach enables the incorporation of phase information, which significantly improves the accuracy of radar data analysis. The results confirm that complex-valued neural networks surpass traditional models in recognition accuracy. Specifically, the inclusion of the phase component provides an increase in accuracy by up to eight and a half percent. Additionally, complex-valued neural networks demonstrate high resistance to noise interference, maintaining classification accuracy of up to ninety-two and three-tenths percent even at a noise level of thirty percent. Despite these advantages, the primary limitation of complex-valued neural networks is their higher computational complexity compared to real-valued models. This requires significant resources for training and implementation, which can be a critical factor for applications where real-time signal processing speed is essential. The study also explores optimization possibilities for artificial neural networks by developing hybrid approaches that combine the strengths of different network types and by simplifying architectures without compromising accuracy. The findings indicate that artificial neural networks are an effective tool for aircraft classification, particularly in complex signal environments and conditions with noise interference. These networks have significant potential for widespread use in both military and civilian airspace monitoring systems, providing enhanced accuracy and reliability in recognition tasks. The results obtained in this study open new opportunities for advancing aviation security technologies and automating aircraft recognition systems.

У статті представлено підхід до розпізнавання літальних апаратів за допомогою комплекснозначних нейронних мереж. Метою цього дослідження є визначення ефективності комплекснозначних нейронних мереж порівняно з традиційними підходами до розпізнавання. Дослідження зосереджено на ідентифікації повітряних суден за допомогою фазових і амплітудних характеристик радіолокаційних сигналів, які є важливими для авіаційної безпеки та моніторингу повітряного простору. Метод дослідження включає теоретичний аналіз, моделювання та експериментальну перевірку. У статті обговорюються особливості архітектури штучних нейронних мереж, які використовують комплексні числа для обробки сигналів. Такий підхід дозволяє включати фазову інформацію, що значно підвищує точність аналізу радіолокаційних даних. Результати підтверджують, що комплекснозначні нейронні мережі перевершують традиційні моделі за точністю розпізнавання. Зокрема, включення фазової складової забезпечує підвищення точності до восьми з половиною відсотків. Крім того, комплекснозначні нейронні мережі демонструють високу стійкість до шумових перешкод, зберігаючи точність класифікації до дев’яноста двох і трьох десятих відсотка навіть при рівні шуму в тридцять відсотків. Незважаючи на ці переваги, основним обмеженням комплекснозначних нейронних мереж є їхня вища обчислювальна складність порівняно з реальнозначними моделями. Це вимагає значних ресурсів для навчання та впровадження, що може бути критичним фактором для додатків, де швидкість обробки сигналу в реальному часі є важливою. Дослідження також досліджує можливості оптимізації для штучних нейронних мереж шляхом розробки гібридних підходів, які поєднують сильні сторони різних типів мереж і шляхом спрощення архітектур без шкоди для точності. Отримані дані свідчать про те, що штучні нейронні мережі є ефективним інструментом для класифікації літальних апаратів, особливо у складних сигнальних середовищах та умовах із шумовими перешкодами. Ці мережі мають значний потенціал для широкого використання як у військових, так і в цивільних системах моніторингу повітряного простору, забезпечуючи підвищену точність і надійність у задачах розпізнавання. Результати, отримані в цьому дослідженні, відкривають нові можливості для вдосконалення технологій авіаційної безпеки та автоматизації систем розпізнавання літаків.