Порівняльний аналіз ефективності кореляційно-екстремальних систем і систем на основі штучного інтелекту для наведення літальних апаратів
DOI:
https://doi.org/10.35681/1560-9189.2025.27.3.354571Ключові слова:
показники ефективності, кореляційно-екстремальні системи наведення, штучний інтелект, нейронні мережі, автономність, системи машинного зоруАнотація
Ефективність сучасних літальних апаратів (керованих засобів ураження) істотно залежить від типу систем наведення. В умовах війни основною вимогою до цих систем є їхня автономність. Статтю присвячено аналізу ефективності застосування двох сучасних автономних систем наведення літальних апаратів — кореляційно-екстремальної системи наведення та системи на основі штучного інтелекту. Відомо, що зараз розвиток і використання систем із застосуванням штучного інтелекту переживає справжній бум, особливо у системах наведення літальних апаратів. У свою чергу кореляційно-екстремальні системи зберігають свою актуальність і в ряді випадків мають перевагу над системами зі штучним інтелектом. Метою статті є на підставі обґрунтованого апарату показників ефективності провести порівняльний аналіз ефективності кореляційно-екстремальних систем і систем на основі штучного інтелекту для наведення літальних апаратів. У дослідженні застосовано методи теорії управління, порівняльного аналізу та теорії оптимізації і нейромереж. Практичне значення результатів полягає в підвищенні ефективності та швидкодії систем наведення літальних апаратів завдяки визначенню переваг обох систем наведення в конкретних умовах обстановки.
Посилання
Gonzalez R.C., Woods R.E. Digital Image Processing. Boston, MA: Addison-Wesley, 2001. 823 p.
Rodrigues Ricardo C. Bonfim, Pellegrino Sergio Roberto. An Experimental Evaluation of Algorithms for Aerial Image Matching. 17th International Conference on Systems, Signals and Image Processing (IWSSIP). 2010. pp. 416–419.
Mezentsev A.V., Butochnov A.N., Yuzefovych V.V., Myroniuk S.V. Otsenka kachestva etalonnykh izobrazhenii, sozdavaemykh dlia korreliatsionno-ekstremalnykh sistem navigatsii. Reiestratsiia, zberihannia i obrobka danykh. 2014. V. 16, No. 4. pp. 44–53. https://doi.org/10.35681/1560-9189.2014.16.4.100289
Mezentsev A.V., Butochnov A.N., Yuzefovych V.V., Myroniuk S.V. Fraktalnyi metod formirovaniia etalonnykh izobrazhenii v sistemakh tekhnicheskogo zreniia. Reiestratsiia, zberihannia i obrobka danykh. 2015. V. 17, No. 1. pp. 28–35. https://doi.org/10.35681/1560-9189.2015.17.1.100304
Mezentsev A.V., Butochnov A.N., Yuzefovych V.V. Analiz pidkhodiv do vyznachennia vydu etalonnoho zobrazhennia dlia koreliatsiino-ekstremalnykh system navihatsii litalnykh aparativ. Reiestratsiia, zberihannia i obrobka danykh. 2025. V. 27, No. 1. pp. 28–35. https://doi.org/10.35681/1560-9189.2025.27.1.335610
Andrusiak A. Dron avtomatychno znaide ZS RF: yak pratsiuie ukrainskyi ShI-instrument Clarity. URL: https://focus.ua/uk/digital/723206-programa-clarity-shi-znahodit-voroga-na-kadrah-z-bpla-video
MATLAB. The Language of Technical Computing. Using MATLAB. The Math Works, Inc. USA, 2000.
Harrington Peter. Machine Learning in Action. Shelter Island, NY: Manning, 2012.
Husak Yu.A., Vasylenko O.A. Alhorytm stvorennia neironnoi merezhi dlia klasyfikatsii udarnykh bezpilotnykh aparativ. Suchasni informatsiini tekhnolohii u sferi bezpeky ta oborony. 2024. No. 2(50). pp. 54–68. https://doi.org/10.33099/2311-7249/2024-50-2-54-68
Kozhushko Ya.M. Metod navchannia neiromerezhi vrakhuvanniu riznotypnykh vykryvlen potochnoho zobrazhennia matrychnykh radiometrychnykh koreliatsiino-ekstremalnykh system navihatsii. Systemy obrobky informatsii. 2023. Vyp. 1(172). pp. 36–41. https://doi.org/10.30748/soi.2023.172.05
