Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance
The effectiveness of modern aircraft (guided weapons) depends on the type of guidance systems. In war conditions, the main requirement for these systems is their autonomy. The study is devoted to the analysis of the effectiveness of the use of two modern autonomous guidance systems for aircraft - co...
Saved in:
| Date: | 2025 |
|---|---|
| Main Author: | |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут проблем реєстрації інформації НАН України
2025
|
| Subjects: | |
| Online Access: | https://drsp.ipri.kiev.ua/article/view/354571 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Data Recording, Storage & Processing |
| Download file: |  |
Institution
Data Recording, Storage & Processing| _version_ | 1867479069095886848 |
|---|---|
| author | Мезенцев , О. В. |
| author_facet | Мезенцев , О. В. |
| author_institution_txt_mv | [
{
"author": "О. В. Мезенцев ",
"institution": "Інститут проблем реєстрації інформації НАН України"
}
] |
| author_sort | Мезенцев , О. В. |
| baseUrl_str | http://drsp.ipri.kiev.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-08T07:18:31Z |
| description | The effectiveness of modern aircraft (guided weapons) depends on the type of guidance systems. In war conditions, the main requirement for these systems is their autonomy. The study is devoted to the analysis of the effectiveness of the use of two modern autonomous guidance systems for aircraft - correlation-extreme guidance system and systems based on artificial intelligence. It is known that the development and use of systems using artificial intelligence is currently experiencing a real boom, especially in aircraft guidance systems, correlation-extreme systems retain their relevance and in some cases have an advantage over systems with artificial intelligence. The purpose of the work is to conduct a comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for guidance of aircraft. The research applied methods of control theory, comparative analysis and optimization theory and neural networks. The publications considered a wide range of issues regarding the application and development of both guidance systems. However, in the wake of the rapid development of systems based on artificial intelligence, there is concern that it will undeservedly replace the sufficiently effective correlation-extreme guidance systems, some of the advantages of which it has not yet surpassed. The investigation highlights the selection and justification of the efficiency indicators of both machine vision systems. The efficiency is compared application of these systems on the example of receiving at the input of both guidance systems one output image obtained from satellite reconnaissance or from reconnaissance aircraft. The values of the selected performance indicators were obtained through simulation modeling application of both guidance systems. The practical significance of the results lies in increasing the efficiency and speed of aircraft guidance systems by determining the advantages of both guidance systems in specific conditions. Further research will be devoted to the development and justification of appropriate criterion apparatus for quantitative comparison and analytical calculations of the efficiency indicators of both guidance systems specified in the work. Tabl.: 1. Fig.: 5. Refs: 12 titles. |
| doi_str_mv | 10.35681/1560-9189.2025.27.3.354571 |
| first_indexed | 2026-04-13T01:00:05Z |
| format | Article |
| fulltext |
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 27
DOI: 10.35681/1560-9189.2025.27.3.354571
УДК 004.932.2
О. В. Мезенцев
Інститут проблем реєстрації інформації НАН України
вул. М. Шпака, 2, 03113 Київ, Україна
Порівняльний аналіз ефективності
кореляційно-екстремальних систем і систем на основі
штучного інтелекту для наведення літальних апаратів
Ефективність сучасних літальних апаратів (керованих засобів ура-
ження) істотно залежить від типу систем наведення. В умовах війни
основною вимогою до цих систем є їхня автономність. Статтю присвя-
чено аналізу ефективності застосування двох сучасних автономних сис-
тем наведення літальних апаратів — кореляційно-екстремальної сис-
теми наведення та системи на основі штучного інтелекту. Відомо, що
зараз розвиток і використання систем із застосуванням штучного ін-
телекту переживає справжній бум, особливо у системах наведення лі-
тальних апаратів. У свою чергу кореляційно-екстремальні системи збе-
рігають свою актуальність і в ряді випадків мають перевагу над сис-
темами зі штучним інтелектом. Метою статті є на підставі обґрун-
тованого апарату показників ефективності провести порівняльний
аналіз ефективності кореляційно-екстремальних систем і систем на
основі штучного інтелекту для наведення літальних апаратів. У дослі-
дженні застосовано методи теорії управління, порівняльного аналізу та
теорії оптимізації і нейромереж. Практичне значення результатів по-
лягає в підвищенні ефективності та швидкодії систем наведення літа-
льних апаратів завдяки визначенню переваг обох систем наведення в
конкретних умовах обстановки.
Ключові слова: показники ефективності, кореляційно-екстремальні си-
стеми наведення, штучний інтелект, нейронні мережі, автономність,
системи машинного зору.
Вступ
Доцільність розробки та впровадження автономних систем наведення літаль-
них апаратів (ЛА) дозволить успішно долати засоби радіоелектронної боротьби
(РЕБ) противника. Перехід у бік використання штучного інтелекту (ШІ), зокрема
для наведення ЛА, є важливим новим фронтом у технологічній гонці, яка розвину-
лася після того, як Росія розпочала своє повномасштабне вторгнення. Слід зазначи-
© О. В. Мезенцев
О. В. Мезенцев
28
ти, що обидві системи (кореляційно-екстремальна система наведення (КЕСН) і сис-
тема на основі ШІ), що порівнюються, є автономними. До основних тактико-техні-
чних вимог, що пред’являються до систем наведення військового призначення, від-
носяться: точність місцевизначення, ефективність, скритність функціонування, пе-
решкодозахищеність, всепогодність, швидкодія, малі масогабаритні характерис-
тики.
Постановка задачі
Незважаючи на те, що зараз розвиток і використання систем із застосуванням
ШІ переживає справжній бум, особливо у системах наведення ЛА, КЕСН збері-
гають свою актуальність і в ряді випадків мають перевагу над системами з ШІ. Зав-
дання полягає в обґрунтуванні цього постулату, зокрема, в проведенні порівняль-
ного аналізу ефективності обох систем за обраними показниками ефективності.
Аналіз останніх досліджень і публікацій
На сучасному етапі обом системам наведення ЛА приділено увагу у широ-
кому колі праць: як КЕСН [1–5], так і ШІ [6–10]. На відміну від ШІ, який намагаю-
ться застосовувати майже в усіх галузях народного господарства, включаючи й
оборону, КЕСН, як одна з ефективних серед існуючих систем машинного зору, впе-
внено займає свій сегмент застосування. Як показує аналіз сучасних публікацій, на
хвилі бурного розвитку систем на базі ШІ, виникає занепокоєність, що він незаслу-
жено замінить достатньо ефективну КЕСН, деякі переваги якої він ще не перевер-
шив.
Мета статті — на підставі обґрунтованого апарата показників ефективності
провести порівняльний аналіз ефективності кореляційно-екстремальних систем і
систем на основі штучного інтелекту для наведення літальних апаратів.
Основний матеріал
Порівняємо ефективність застосування КЕСН та систем на основі ШІ на прик-
ладі надходження на вхід обох систем наведення одного вихідного зображення (ВЗ)
(рис. 1), отриманого від супутникових розвідданих або від розвідувальних ЛА.
Рис. 1. Вихідне зображення Рис. 2. Вихідне зображення в градаціях сірого
Порівняльний аналіз ефективності кореляційно-екстремальних систем
і систем на основі штучного інтелекту для наведення літальних апаратів
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 29
Відомо, що загальноприйняті показники ефективності наведення ЛА на ціль
включають кілька ключових параметрів, які визначають точність і надійність сис-
теми наведення. Основними показниками є: ймовірність ураження цілі, точність
наведення (кругове ймовірне відхилення (КІВ)), а також час наведення. Ймовір-
ність ураження цілі — це узагальнюючий статистичний показник, що характеризує
ймовірність того, що ракета влучить у задану ціль. З військової точки зору цей по-
казник ефективності є кінцевим і найбільш важливим. Він залежить від точності
системи наведення, характеристик цілі та умов навколишнього середовища. Так як
на два останніх фактори ми ніяк впливати не зможемо, то залишимо за показник
ефективності точність системи наведення.
Час наведення — це час, що необхідний для наведення ракети на ціль, почи-
наючи з моменту виявлення цілі і до моменту влучання. Скорочення часу наве-
дення дозволяє збільшити швидкість реакції і зменшити час, протягом якого ціль
може змінити своє положення або бути захищеною. Швидкість реакції системи на-
ведення напряму впливає на здатність перенацілювання ЛА в польоті на іншу ціль,
а останній показник цілком залежить від часу на підготовку системи наведення ЛА
до застосування на нову ціль (зокрема, у польоті).
Крім основних показників, існують додаткові фактори, що впливають на ефе-
ктивність наведення, основним із яких є стійкість до перешкод (переважно, радіо-
електронних).
Таким чином, за показники ефективності для порівняння систем наведення
ЛА на базі ШІ і КЕСН оберемо час на підготовку системи наведення ЛА до засто-
сування, точність наведення (в тому числі і по рухомих цілях), надійність наве-
дення (відсутність зривів), здатність перенацілювання ЛА у польоті на іншу ціль,
інваріантність до перешкод (вихідного (ВЗ) та поточного (ПЗ) зображень).
Відомо, що для застосування методів та алгоритмів ШІ необхідно створення
нейронних мереж (НМ) під конкретну задачу, що являє собою складний процес.
Розробка НМ для виконання наведення на підставі одного ВЗ передбачає [9]:
— формування бази даних вихідних зображень об’єкта наведення;
— вибір архітектури НМ;
— вибір алгоритму навчання НМ;
— навчання НМ;
— перевірку (тестування) результатів навчання НМ;
— застосування навченої НМ для наведення на об’єкт прицілювання.
Розглянемо цей алгоритм більш детально для виконання поставленої задачі.
1. Формування бази даних вихідних зображень об’єкта наведення.
Для отримання бази даних для НМ будемо створювати масив змінених (ви-
кривлених) зображень із цього ВЗ з однією умовою — щоб об’єкт прицілювання
завжди був присутній на усіх зображеннях масиву. Для створення масиву застосує-
мо до вихідного зображення такі інструменти: масштабування ВЗ, зміна ракурсу
зйомки ВЗ, спотворення зображення, врахування яскравісних викривлень зобра-
ження або викривлень типу «змаз» (для систем оптичного типу додатково — роз-
фокусування або вплив тіні [2–4])
2. Вибір архітектури НМ.
Пакет МАТLAB пропонує крім інших НМ Pattern Recognition app — це дво-
шарова НМ прямого зв’язку із прихованим та вихідним шарами дуже добре вирі-
О. В. Мезенцев
30
шує завдання розпізнавання об’єкта прицілювання [7]. При цьому функція актива-
ції у прихованому шарі має бути сигмоподібна (сигмоїда). Для цього задаємо кіль-
кість нейронів, кількість входів і виходів, а також тип функцій активації для нейро-
нів. Наша НМ має два шари нейронів: прихований та вихідний. Отже, маємо НМ з
кількістю входів 256×256 (за кількістю пікселів у ВЗ) і одним виходом. Кількість
нейронів у прихованому шарі — 18.
3. Вибір алгоритму навчання НМ.
Для навчання НМ набір даних поділяють на три набори: 1) тренувальний; 2)
перевірочний; 3) тестовий. У [9] визначено, що тренувальний набір становить 70 %
даних, набір для перевірки — 15 % і тестовий набір — 15 %. Алгоритм навчання
НМ вибудовує синаптичні ваги НМ для забезпечення потрібної структури взає-
мозв’язків між нейронами. Оберемо навчання НМ методом зворотного поширення
похибки, який передбачає два проходи всіма шарами мережі: прямий і зворотний.
Під час прямого проходу (forward pass) вхідний вектор подають на сенсорні вузли
мережі, далі — поширюють мережею від шару до шару. У результаті генерується
набір вихідних сигналів, який і є фактичною реакцією мережі на цей вхідний век-
тор. Крім того, всі синаптичні ваги мережі фіксовані. Під час зворотного проходу
(back-ward pass) усі синаптичні ваги налаштовують відповідно до правила корекції
похибок, а саме: фактичний вихід мережі віднімають від бажаного (цільового) від-
гуку, у результаті чого формується сигнал похибки (error signal). Цей сигнал згодом
поширюється мережею в напрямку, зворотному напрямку синаптичних зв’язків.
4. Навчання НМ.
Алгоритм навчання методом зворотного поширення похибки складається з
таких етапів:
1) ініціалізація матриць ваг випадковим чином (у циклах);
2) представлення НМ-образу (на вхід подається значення з навчальної вибір-
ки (вектор Z) і береться відповідний вихід (вектор U);
3) прямий прохід: обчислення в циклах виходів усіх шарів та отримання ви-
хідних значень нейронної мережі (вектор Q).
𝑞𝑖
𝑘 = 𝑓(∑ 𝑤𝑖𝑗
𝑘𝑁𝑘−1
𝑗=0 𝑞𝑗
𝑘−1),
𝑞𝑗
0 = 𝑧𝑗 , 𝑞0
𝑘−1 = 1, 𝑧0 = 1,
де 𝑞𝑖
𝑘 — вихід i-нейрона k-шару; f — функція активації; 𝑤𝑖𝑗
𝑘 — синаптичний зв’язок
між i-нейроном шару k–1, та i-нейроном шару к, 𝑧𝑗 – вхідне значення.
4) зворотній прохід: зміна вагів у циклах за формулами:
𝑤𝑖𝑗
𝑘 (𝑡 + 1) = 𝑤𝑖𝑗
𝑘 (𝑡) + 𝑟𝑔𝑖
𝑘𝑞𝑗
𝑘−1 ,
де 𝑔𝑖
𝑘 = (𝑢𝑖 − 𝑞𝑖)𝑞𝑖(1 − 𝑞𝑖) — для останнього (вихідного) шару; 𝑔𝑖
𝑘 = 𝑞𝑖(1 −
𝑞𝑖) ∑ 𝑔𝑙
𝑘+1𝑁𝑘+1
𝑖=1 𝑤𝑙
𝑘+1 — для проміжних шарів; l — номер поточної ітерації циклу
навчання (номер епохи); r — коефіцієнт навчання задається від 0 до 1; 𝑔𝑖
𝑘 — вихід
і-нейрона k-шару; 𝑤𝑖𝑗
𝑘 — синаптичний зв’язок між j-нейроном шару k – 1 та i-ней-
роном шару k; 𝑢𝑖 — бажане вихідне значення на i-нейроні; 𝑞𝑖 — реальне значення
на i-нейроні вихідного шару.
5. Перевірка (тестування) результатів навчання НМ.
Порівняльний аналіз ефективності кореляційно-екстремальних систем
і систем на основі штучного інтелекту для наведення літальних апаратів
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 31
Для оцінювання результатів навчання НМ використовуються матриці похи-
бок, гістограма похибок на тестовому наборі даних. Крім того, здійснюється пере-
вірка, чи правильно обчислюється градієнт поблизу випадкової початкової точки.
За допомогою пакету МАТLAB і матриць похибок встановлюємо, що НМ було на-
вчено з точністю 99,2 %, перевірено і протестовано з точністю 98,1 %, а загальна
точність НМ становить 98,9 %. Це дуже високі показники навченості НМ.
Як бачимо з наведеного алгоритму підготовки НМ — процес підготовки сис-
теми наведення на основі ШІ на теперішній час є доволі тривалим (навіть із засто-
суванням готових програм (наприклад, на базі пакету МАТLAB)), чого не можна
сказати про тривалість підготовки КЕСН до застосування.
У [3, 4] розроблено сучасний програмно-технічний комплекс (ПТК) форму-
вання еталонних зображень (ЕЗ), що використовують КЕСН, а також оцінки якості
ЕЗ, що отримуються. Для формування ЕЗ у ПТК реалізовані методи кореляційного
аналізу зображень по яскравості, по контрасту, фрактального аналізу зображень
для трьох датчиків зовнішньої інформації ЛА: радіолокаційного, інфрачервоного і
телевізійного. Свій подальший розвиток ПТК отримав завдяки застосуванню мето-
дів бінарної обробки зображень, а також методу масок, що дозволяє формувати ЕЗ
у реальному масштабі часу і робить цілком можливим виконання такого бойового
завдання як здатність перенацілювання ЛА у польоті на іншу ціль.
Застосуємо для нашого ВЗ сучасний метод оперативної підготовки ЕЗ, який
відноситься до градієнтних методів і використовує оператори, що є матричними
масками [1, 2]. Метод масок має такі переваги як високу якість виділення інформа-
тивних ознак — меж контрастних областей зображення і яскравих об’єктів, а також
високу швидкодію.
Для наших цілей застосуємо оператор Собела, який використовує вісім відлі-
ків яскравості в області аналізованого елемента (пікселя):
𝐺𝑖,𝑗 = √𝐺𝑥
2 + 𝐺𝑦
2.
Матриці оператора Собела мають вигляд [2, 5]:
𝐺𝑥 = [
−1 0 + 1
−2 0 + 2
−1 0 + 1
] ⋅ 𝐸 і 𝐺𝑦 = [
−1 − 2 − 1
0 0 0
+1 + 2 + 1
] ⋅ 𝐸,
де Е — елемент матриці ВЗ.
У програмному представленні зображення [2]:
𝐺𝑖,𝑗 = √𝐺i,𝑗(𝑥)
2 + 𝐺𝑖,𝑗(𝑦)
2 або 𝐺𝑖,𝑗 = |𝐺𝑖,𝑗(𝑥) + 𝐺𝑖,𝑗(𝑦)|,
де
𝐺𝑖,𝑗(𝑥) = [𝐸(𝑖−1),(𝑗−1) + 𝐸(𝑖−1),𝑗 + 𝐸(𝑖−1),(𝑗+1)] − [𝐸(𝑖+1),(𝑗−1) + 𝐸(𝑖+1),𝑗 + 𝐸(𝑖+1),(𝑗+1)],
𝐺𝑖,𝑗(𝑦) = [𝐸(𝑖−1),(𝑗−1) + 𝐸𝑖,(𝑗−1) + 𝐸(𝑖+1),(𝑗−1)] − [𝐸(𝑖−1),(𝑗+1) + 𝐸𝑖,(𝑗+1) + 𝐸(𝑖+1),(𝑗+1)].
Завдяки запропонованому ПТК отримаємо ЕЗ об’єкта наведення (рис. 3) та
перевіряємо якість отриманого ЕЗ (рис. 4). На рис. 4 бачимо чітко визначений екс-
тремум вирішальної функції.
О. В. Мезенцев
32
Рис. 3. ЕЗ об’єкта наведення
Рис. 4. Вирішальна функція (перевірка якості
отриманого ЕЗ)
У [5] наведено імітаційну модель КЕСН. Зазначена модель дозволяє набирати
статистику промахів (влучань) керованого ЛА в зазначену точку на поверхні Землі.
Стартове значення похибки наведення (навігації) ЛА інерційною системою (яка на-
копичується до початку роботи КЕСН) для кожної ітерації модельного експериме-
нту визначалося випадково і знаходилося в межах 600 м. Число точок корекції по-
льоту ЛА дорівнювало п’яти. При цьому корекція починала здійснюватися з висоти
6000 м. Результати модельного експерименту наведені на рис. 5. Кількість ітерацій
модельного експерименту склала 1100, що можна вважати репрезентативною ста-
тистичною вибіркою. В результаті отримане значення кругового імовірного відхи-
лення ЛА від заданої точки наведення склало 0,6, при спостереженні лише двох
промахів (що становить менше 0,002 % від усієї кількості ітерацій), що повністю
відповідає сучасним вимогам до вирішення більшості завдань наведення чи навіга-
ції ЛА.
Рис. 5. Результати модельного експерименту з імітаційною моделлю КЕСН
У 2025 р. в Україні презентували програму для наведення БПЛА на основі
штучного інтелекту Clarity, яка самостійно виявляє техніку та ворога [6]. Система
виявляє ворожу техніку на фото і відео за лічені секунди, автоматично прив’язує
Порівняльний аналіз ефективності кореляційно-екстремальних систем
і систем на основі штучного інтелекту для наведення літальних апаратів
ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 33
знімки до координат, а також дешифрує фото прямо під час польоту. За словами
розробників цієї програми точність наведення ШІ досить висока.
Стосовно інваріантності до перешкод обох систем наведення, то в [10] наве-
дено дуже слушну (на наш погляд) ідею застосування ШІ для боротьби з різнома-
нітними перешкодами у КЕСН ЛА, зокрема запропоновано метод навчання нейро-
мережі врахуванню різнотипних викривлень поточного зображення. Проте автор у
висновках зізнається, що недоліком методу є навченість нейромережі до конкрет-
ного району прив’язки з типовою для нього фоно-об’єктовою обстановкою та не-
обхідність повторного навчання нейромережі із проведенням оцінювання на нових
сформованих зображеннях для застосування у нових районах прив’язки. У свою
чергу, КЕСН без ШІ має у своєму арсеналі цілу низку сучасних алгоритмів подав-
лення перешкод, які їй дозволяють як технічно, так і програмно працювати в умо-
вах перешкод різного походження з достатньою ефективністю.
Отже, проведений у роботі порівняльний аналіз дозволяє з певною вірогідні-
стю зробити порівняння прийнятих показників ефективності на якісному рівні, що
показано в таблиці.
Час на підгото-
вку до застосу-
вання
Точність
наведення
Надійність
наведення
Здатність перена-
цілювання ЛА у
польоті
Інваріантність
до перешкод
ШІ – + + – +-
КЕСН + + + + +
Примітка: системи наведення ЛА на базі ШІ є інваріантними до перешкод у разі добре навченої
НМ для всіх типів перешкод, які може застосувати противник на поточний період часу у визначених
районах прив’язки.
Треба зазначити, що для повного врахування ефективності обох систем наве-
дення ЛА, необхідно враховувати характеристики самого літального апарата, такі
як маневреність, швидкість польоту, динамічні обмеження та допустимі переванта-
ження. Саме ці параметри істотно впливають на вимоги до алгоритмів наведення
та можливість їхньої практичної реалізації.
У роботі передбачалося, що ми порівнюємо ефективність обох систем наве-
дення на базі одного ЛА або двох з ідентичними характеристиками. Проте, для ко-
ректного порівняльного аналізу у подальшому доцільним є проведення уніфікова-
них експериментів, що передбачають використання одного й того ж ЛА з різними
системами наведення, виконання ідентичних бойових завдань за варійованих умов
обстановки та подальше порівняння за сукупністю показників — точності, харак-
теру та ступеня ураження, швидкодії і стабільності роботи системи.
Висновки та перспективи подальших досліджень
Проведено порівняльний аналіз ефективності систем наведення на базі ШІ та
КЕСН. Незважаючи на те, що зараз розвиток і використання систем із застосуван-
ням ШІ переживає справжній бум, особливо у системах наведення ЛА, КЕСН про-
довжує зберігати свою ефективність і перспективність. Попри те, що за системами
наведення на базі ШІ майбутнє, КЕСН на сучасному етапі впевнено займає свій
О. В. Мезенцев
34
сегмент застосування, має достатню ефективність і продовжує стрімко розвивати-
ся. В умовах швидкоплинного бою, де фоно-цільова обстановка може змінюватися
за лічені секунди і противник оперативно застосовує увесь спектр засобів маску-
вання та введення в оману, оперативність підготовки ЛА до бойового застосування,
оснащених ШІ, поки що значно програє ЛА, які оснащені КЕСН.
У подальшому для кількісного порівняння і аналітичних розрахунків зазначе-
них у роботі показників ефективності обох систем наведення необхідно порівняння
отриманих результатів з визначеним критеріальним апаратом, який ще треба роз-
робити і обґрунтувати. Крім того, в подальших дослідженнях для більш глибокого
порівняльного аналізу обох систем наведення ЛА, треба, безумовно, врахувати такі
ключові властивості ШІ-систем як адаптивність автономного прийняття рішень,
можливості самонавчання, здатність до узагальнення на невідомі сценарії та стій-
кість до деградації вхідної інформації. Це потребує ускладнення та розширення
апарату оцінки ефективності зазначених систем наведення.
1. Gonzales R.C., Woods R.E. Digital image processing. Boston, MA Addison-Wesley, 2001. 823 p.
2. Rodrigues, Ricardo С. Bonfim. An Experimental Evaluation of Algorithms for Aerial Image
Matching / Ricardo С Bonfim Rodrigues, Sergio Roberto Pellegrin. 17th International Conference on Sys-
tems, 3gnals and Image Processing (IW63P). 2010. P. 416–419.
3. Мезенцев А.В., Буточнов А.Н., Юзефович В.В., Миронюк С.В. Оценка качества эталонных
изображений, создаваемых для корелляционно-экстремальных систем навигации. Реєстрація,
зберігання і оброб. даних. 2014. Т. 16, № 4. С. 44–53. https://doi.org/10.35681/1560-9189.2014.
16.4.100289.
4. Мезенцев А.В., Буточнов А.Н., Юзефович В.В., Миронюк С.В. Фрактальный метод форми-
рования эталонных изображений в системах технического зрения. Реєстрація, зберігання і оброб.
даних. 2015. Т. 17, № 1. С. 28–35. https://doi.org/10.35681/1560-9189.2015.17.1.100304.
5. Мезенцев А.В., Буточнов А.Н., Юзефович В.В. Аналіз підходів до визначення виду еталон-
ного зображення для кореляційно-екстремальних систем навігації літальних апаратів. Реєстрація,
зберігання і оброб. даних. 2025. Т. 27, № 1. С. 28–35. https://doi.org/10.35681/1560-9189.2025.
27.1.335610.
6. Андрусяк А. Дрон автоматично знайде ЗС РФ: як працює український ШІ-інструмент
Clarity. https://focus.ua/uk/digital/723206-programa-clarity-shi-znahodit-voroga-na-kadrah-z-bpla-video.
7. MATLAB. The Language of Technical Computing. Using MATLAB. The Math Works, Inc.
USA, 2000.
8. Peter Harrington. Machine Learning in Action. Shelter Island, 2012. С. 280. ISBN
9781617290183.
9. Гусак Ю.А., Василенко О.А. Алгоритм створення нейронної мережі для класифікації уда-
рних безпілотних апаратів. Сучасні інформаційні технології у сфері безпеки та оборони. 2024.
№ 2(50). С. 54–68.
10. Кожушко Я.Н. Метод навчання нейромережі врахуванню різнотипних викривлень поточ-
ного зображення матричних радіометричних кореляційно-екстремальних систем навігації. Системи
обробки інформації. 2023. Вип. 1 (172). С. 36–41.
Надійшла до редакції 21.11.2025
https://doi.org/10.35681/1560-9189.2014.16.4.100289
https://doi.org/10.35681/1560-9189.2014.16.4.100289
https://doi.org/10.35681/1560-9189.2015.17.1.100304
https://doi.org/10.35681/1560-9189.2025.%2027.1.335610
https://doi.org/10.35681/1560-9189.2025.%2027.1.335610
https://focus.ua/uk/digital/723206-programa-clarity-shi-znahodit-voroga-na-kadrah-z-bpla-video
https://archive.org/details/machinelearninga00harr
https://archive.org/details/machinelearninga00harr/page/n306
https://ru.wikipedia.org/wiki/%D0%A1%D0%BB%D1%83%D0%B6%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F:%D0%98%D1%81%D1%82%D0%BE%D1%87%D0%BD%D0%B8%D0%BA%D0%B8_%D0%BA%D0%BD%D0%B8%D0%B3/9781617290183
https://ru.wikipedia.org/wiki/%D0%A1%D0%BB%D1%83%D0%B6%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F:%D0%98%D1%81%D1%82%D0%BE%D1%87%D0%BD%D0%B8%D0%BA%D0%B8_%D0%BA%D0%BD%D0%B8%D0%B3/9781617290183
|
| id | drspiprikievua-article-354571 |
| institution | Data Recording, Storage & Processing |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-09T01:00:24Z |
| publishDate | 2025 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | ojs |
| resource_txt_mv | drspiprikievua/a3/96f018adf9008e3b703dcc29aede8ca3.pdf |
| spelling | drspiprikievua-article-3545712026-06-08T07:18:31Z Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance Порівняльний аналіз ефективності кореляційно-екстремальних систем і систем на основі штучного інтелекту для наведення літальних апаратів Мезенцев , О. В. показники ефективності, кореляційно-екстремальні системи наведення, штучний інтелект, нейронні мережі, автономність, системи машинного зору efficiency indicators, correlation-extreme guidance systems, artificial intelligence, neural networks, autonomy, machine vision systems The effectiveness of modern aircraft (guided weapons) depends on the type of guidance systems. In war conditions, the main requirement for these systems is their autonomy. The study is devoted to the analysis of the effectiveness of the use of two modern autonomous guidance systems for aircraft - correlation-extreme guidance system and systems based on artificial intelligence. It is known that the development and use of systems using artificial intelligence is currently experiencing a real boom, especially in aircraft guidance systems, correlation-extreme systems retain their relevance and in some cases have an advantage over systems with artificial intelligence. The purpose of the work is to conduct a comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for guidance of aircraft. The research applied methods of control theory, comparative analysis and optimization theory and neural networks. The publications considered a wide range of issues regarding the application and development of both guidance systems. However, in the wake of the rapid development of systems based on artificial intelligence, there is concern that it will undeservedly replace the sufficiently effective correlation-extreme guidance systems, some of the advantages of which it has not yet surpassed. The investigation highlights the selection and justification of the efficiency indicators of both machine vision systems. The efficiency is compared application of these systems on the example of receiving at the input of both guidance systems one output image obtained from satellite reconnaissance or from reconnaissance aircraft. The values of the selected performance indicators were obtained through simulation modeling application of both guidance systems. The practical significance of the results lies in increasing the efficiency and speed of aircraft guidance systems by determining the advantages of both guidance systems in specific conditions. Further research will be devoted to the development and justification of appropriate criterion apparatus for quantitative comparison and analytical calculations of the efficiency indicators of both guidance systems specified in the work. Tabl.: 1. Fig.: 5. Refs: 12 titles. 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. Інститут проблем реєстрації інформації НАН України 2025-12-23 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/354571 10.35681/1560-9189.2025.27.3.354571 Data Recording, Storage & Processing; Vol. 27 No. 3 (2025): Special issue; 27-34 Регистрация, хранение и обработка данных; Том 27 № 3 (2025): Спецвипуск; 27-34 Реєстрація, зберігання і обробка даних; Том 27 № 3 (2025): Спецвипуск; 27-34 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/354571/343179 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних |
| spellingShingle | efficiency indicators correlation-extreme guidance systems artificial intelligence neural networks autonomy machine vision systems Мезенцев , О. В. Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title | Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title_alt | Порівняльний аналіз ефективності кореляційно-екстремальних систем і систем на основі штучного інтелекту для наведення літальних апаратів |
| title_full | Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title_fullStr | Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title_full_unstemmed | Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title_short | Comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| title_sort | comparative analysis of the effectiveness of correlation-extreme systems and systems based on artificial intelligence for aircraft guidance |
| topic | efficiency indicators correlation-extreme guidance systems artificial intelligence neural networks autonomy machine vision systems |
| topic_facet | показники ефективності кореляційно-екстремальні системи наведення штучний інтелект нейронні мережі автономність системи машинного зору efficiency indicators correlation-extreme guidance systems artificial intelligence neural networks autonomy machine vision systems |
| url | https://drsp.ipri.kiev.ua/article/view/354571 |
| work_keys_str_mv | AT mezencevov comparativeanalysisoftheeffectivenessofcorrelationextremesystemsandsystemsbasedonartificialintelligenceforaircraftguidance AT mezencevov porívnâlʹnijanalízefektivnostíkorelâcíjnoekstremalʹnihsistemísistemnaosnovíštučnogoíntelektudlânavedennâlítalʹnihaparatív |