Жиров, Г.Б.Г.Б.ЖировКольцов, Р.Ю.Р.Ю.КольцовДолінчук, К.О.К.О.Долінчук2026-06-162026-06-162024Жиров, Г., Кольцов, Р., Долінчук, К. (2024). SELECTION OF A NEURAL NETWORK CLASSIFIER FOR SOLVING THE PROBLEM OF ANALYZING THE SIGNALS OF RB AND ARTIFICIAL INTERFERENCE. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка(82). https://doi.org/10.17721/2519-481X/2024/82-0310.17721/2519-481X/2024/82-03https://ir.library.knu.ua/handle/15071834/23412At present, the task of ensuring high-quality control of unmanned aerial vehicles and the transmission of reliable information in a complex interference environment is relevant. This task becomes especially important when intentional interference is used in the form of countermeasures.Various methods are used to detect and localize powerful sources of parasitic signals, including: time domain methods: signal spectrum analysis, correlation function analysis, phase shift analysis; frequency domain methods: signal amplitude response analysis, signal phase response analysis, power spectral density analysis; spatial domain methods: antenna directivity analysis, signal strength analysis at different points in space.Analyzing signals affected by EW and artificial interference is a challenging task. Traditional signal analysis methods are often ineffective for this task because they cannot take into account the complex characteristics of EW and artificial interference.Neural network classifiers are a promising tool for analyzing signals with EW and artificial interference. Neural networks can learn from large datasets and detect complex patterns that cannot be detected by traditional methods.This article describes the process of selecting a neural network classifier for analyzing EW and artificial interference signals. Various factors that should be considered when choosing a neural network architecture, training algorithm, and network parameters are discussed). The paper presents an analytical review of neural network classifiers, their varieties and features, and selects the optimal one for solving the task.В даний час актуальною задачею є забезпечення якісного керування безпілотними літальними апаратами та передачі достовірної інформації в складній завадовій обстановці. Особливу актуальність дана задача набуває при застосуванні навмисних завад у вигляді сигналів протидії.Для виявлення і локалізації потужних джерел паразитного сигналу застосовуються різні методи, включаючи: методи аналізу в часовій області: аналіз спектру сигналу, аналіз кореляційної функції, аналіз фазового зсуву; методи аналізу в частотної області: аналіз амплітудної характеристики сигналу, аналіз фазової характеристики сигналу, аналіз спектральної щільності потужності; методи аналізу в просторової області: аналіз спрямованості антени, аналіз рівня сигналу в різних точках простору.Аналіз сигналів, які зазнають впливу РЕБ та штучних завад, є складною задачею. Традиційні методи аналізу сигналів часто не є ефективними для розв’язку такої задачі, оскільки вони не можуть враховувати складні характеристики РЕБ та штучних завад.Нейромережеві класифікатори є перспективним інструментом для аналізу сигналів з РЕБ та штучними завадами. Нейромережі можуть навчатися на великих наборах даних і виявляти складні закономірності, які неможливо виявити за допомогою традиційних методів.Дана стаття описує процес вибору нейромережевого класифікатора для аналізу сигналів РЕБ та штучних завад. Розглядаються різні фактори, які слід враховувати при виборі архітектури нейромережі, алгоритму навчання та параметрів мережі.У роботі представлено аналітичний огляд нейромережевих класифікаторів, їх різновидності та особливості, а також обрано оптимальний для вирішення поставленої задачі.ukнейромережінейромережеві класифікаторианаліз сигналів РЕБштучні завадирадіоелектронна боротьбаneural networksneural network classifierselectronic warfare signal analysisartificial interferenceelectronic warfareСтаття