Анализ современных методов распознавания малоразмерных воздушных объектов на основе машинного обучения

В последние годы возросло применение малоразмерных беспилотных летательных аппаратов (БПЛА), что вызвало необходимость их точного распознавания на фоне объектов с аналогичными радиолокационными характеристиками, прежде всего птиц. Несмотря на развитие методов машинного обучения, задача надёжного выделения признаков БПЛА остаётся актуальной. Целью работы является сравнительный анализ существующих отечественных и зарубежных подходов к распознаванию малоразмерных воздушных объектов, основанных на алгоритмах машинного обучения. В статье представлены результаты оценки эффективности традиционных методов (метод опорных векторов, случайные леса), глубоких нейронных сетей, а также трансформерных архитектур. Исследованы возможности выделения информативных признаков из микродоплеровских время- частотных спектрограмм, полученных в различных частотных диапазонах. Установлено, что свёрточные нейронные сети и трансформеры достигают точности распознавания до 97 % при низком уровне помех, однако их применение сопряжено со значительными вычислительными затратами и необходимостью больших объёмов обучающих данных. Выделены перспективы применения гибридных нейросетевых архитектур, интегрирующих преимущества различных методов, для повышения точности и устойчивости анализа. Результаты работы имеют практическое значение для разработки эффективных алгоритмов распознавания БПЛА в условиях реального времени и ограниченных вычислительных ресурсов. Представленные выводы расширяют существующие представления о потенциале и ограничениях современных алгоритмов машинного обучения в радиолокационных системах.