bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2026-24-1-51-59bsuir-4298Research ArticleСтатьиАнализ информативности признаков распознавания малоразмерных беспилотных летательных аппаратов по реальным записям импульсного радиолокатора S-диапазонаAnalysis of the Information Content of Recognition Features of Small-Sized Unmanned Aerial Vehicles Based on Real S-Band Pulse Radar RecordingsХраменковА. С.KhramiankouA.

Храменков Андрей Сергеевич - канд. техн. наук, доц., зам. нач. каф. автоматики, радиолокации и приемо-передающих устройств

220057, Минск, просп. Независимости, 220

Тел.: +375 17 287-42-46 

Andrei Khramiankou - Сand. Sci. (Tech.), Associate Professor, Deputy Head of the Department of Automatics, Radar-Location and Send-Receive Devices

220057, Minsk, Nezavisimosti Ave., 220

Тel.: +375 17 287-42-46 

xras.tech@mail.ruЧигряйВ. Г.ChyhraiV.

адъюнкт каф. автоматики, радиолокации и приемо-передающих устройств

Минск

Vasil Chyhrai - Adjunct of the Department of Automatics, Radar-Location and Send-Receive Devices

Minsk 

Военная академия Республики БеларусьMilitary Academy of the Republic of Belarus2026040320262415159Copyright © Храменков А.С., Чигряй В.Г., 20262026Храменков А.С., Чигряй В.Г.Khramiankou A., Chyhrai V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/4298

Разработан и исследован подход к анализу классификационных признаков радиолокационного распознавания малоразмерных беспилотных летательных аппаратов на основе спектральных радиолокационных портретов, сформированных по реальным записям импульсного радара S-диапазона. Рассмот­ рена задача выделения и оценки информативности сигнальных признаков, доступных для практической реализации в радиолокаторах обнаружения и сопровождения. Проведена обработка экспериментальных данных и сформирован набор физически интерпретируемых признаков, отражающих свойства планерной составляющей и вторичной микродоплеровской модуляции отраженного сигнала. Для количественной оценки разделяющей способности признаков использованы критерий Фишера, количество информации и нормированные межклассовые расстояния. Установлено, что наибольшей информативностью обладают признаки микродоплеровской природы, обеспечивающие устойчивое разделение мультикоптерных и гибридных типов беспилотных летательных аппаратов.

An approach to analyzing classification features for radar recognition of small unmanned aerial vehic­ les based on spectral radar portraits generated from real S-band pulsed radar recordings is developed and stu­ died. The problem of extracting and assessing the information content of signal features available for practical implementation in detection and tracking radars is considered. Experimental data were processed, and a set of physically interpretable features is generated, reflecting the properties of the airframe component and secondary micro-Doppler modulation of the reflected signal. To quantitatively evaluate the separating ability of features, the Fisher criterion, the amount of information and normalized interclass distances were used. It is established that micro-Doppler features possess the greatest information content, ensuring stable separation of multicopter and hybrid types of unmanned aerial vehicles.

малоразмерные беспилотные летательные аппаратырадиолокационное распознаваниеспектральный радиолокационный портретвторичная модуляцияклассификационные признакикритерий Фишераколичество информациимежклассовое расстояниеsmall unmanned aerial vehiclesradar recognitionspectral radar portraitsecondary modulationclassification featuresFisher criterionamount of informationinterclass distanceReferencesГейстер, С. Р. Адаптивное обнаружение-распознавание с селекцией помех по спектральным портретам / С. Р. Гейстер. Минск: Воен. акад. Респ. Беларусь, 2000.Heister S. R. (2000) Adaptive Detection-Recognition with Interference Selection Based on Spectral Portraits. Minsk, Military Academy of the Republic of Belarus Publ. (in Russian).Ground-Based Radar Detection Dataset of “Low Slow Small” Unmanned Aerial Vehicles Under Simple Field Background Conditions / Q. Lin [et al.] // Journal of Signal Processing. 2024. Vol. 40, No 11. P. 2095–2104. https://doi.org/10.12466/xhcl.2024.11.014.Lin Q., Qin Z., Jiang L., Wang X., Fan H. (2024) Ground-Based Radar Detection Dataset of “Low Slow Small” Unmanned Aerial Vehicles Under Simple Field Background Conditions. Journal of Signal Processing. 40 (11), 2095–2104. https://doi.org/10.12466/xhcl.2024.11.014.Kretzschniar, R. A Comparison of Feature Sets and Neural Network Classifiers on a Bird Removal Approach for Wind Profiler Data / R. Kretzschniar, N. B. Karayiannis, H. Richner // Proceedings of the IEEE-INNSENNS International Joint Conference on Neural Networks (IJCNN 2000). 2000. Vol. 2. P. 279–284. https://doi.org/10.1109/IJCNN.2000.857909.Kretzschniar R., Karayiannis N. B., Richner H. (2000) A Comparison of Feature Sets and Neural Network Classifiers on a Bird Removal Approach for Wind Profiler Data. Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks (IJCNN 2000). 2, 279–284. https://doi.org/10.1109/IJCNN.2000.857909.Oh, B.-S. A UAV Classification System Based on FMCW Radar Micro-Doppler Signature Analysis / B.-S. Oh, X. Guo, Z. Lin // Expert Systems with Applications. 2019. Vol. 132. P. 239–255. https://doi.org/10.1016/j.eswa.2019.05.007.Oh B.-S., Guo X., Lin Z. (2019) A UAV Classification System Based on FMCW Radar Micro-Doppler Signature Analysis. Expert Systems with Applications. 2019. 132, 239–255. https://doi.org/10.1016/j.eswa.2019.05.007.Exploring Radar Micro-Doppler Signatures for Recognition of Drone Types / J. Yan [et al.] // Drones. 2023. Vol. 7, No 4. P. 1–15. https://doi.org/10.3390/drones7040280.Yan J., Hu H., Gong J., Kong D., Li D. (2023) Exploring Radar Micro-Doppler Signatures for Recognition of Drone Types. Drones. 7 (4), 1–15. https://doi.org/10.3390/drones7040280.Murphy, K. P. Machine Learning: A Probabilistic Perspective / K. P. Murphy. Cambridge: MIT Press, 2012.Murphy K. P. (2012) Machine Learning: A Probabilistic Perspective. Cambridge, MIT Press Publ.

The authors declare that there are no conflicts of interest present.