Автореферат (1090368), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

Вдиссертации предлагаются три типа признаков, представляющих спектральные, морфологические и геометрические характеристики ДП ВЦ.Спектральные характеристики ДПДП аппроксимируется конечным рядом Фурье:K 2k  2k  1π()  a0    ak cos    bk sin   ,2LLk 1(1)где L – ширина строба дальности зондирующих сигналов. КоэффициентыФурье в данном разложении:ak  2LL0 2k π () cos   d , bk  2L L L0 2k π () sin   d , L (2)предлагается использовать в качестве спектральных информативных признаков ВЦ.Морфологические характеристики ДППод морфологическими признаками ДП понимаются характеристикиего формы (структуры). Учитываются лишь доминирующие пики в составеДП, которые превышают некоторый порог, величина которого зависит отуровня шумов и помех.

Далее p - число пиков, а Ai (i1: p) - их амплитуды.В качестве информативных признаков, предлагается вместо амплитудных значений пиков применять их ранги. Таким образом, речь идет о структурной идентификации ДП посредством использования ранговых шкал.Далее осуществляется ранжирование доминирующих пиков по амплитуде: из величин Ai составляется вариационный ряд в порядке убывания.

Порядковый номер каждого элемента в вариационном ряду определяет его ранг:Ri  rank( Ai ) .11В итоге получаем наборы рангов пиков R  ( R1 , R2 ,..., R p ) .Так для ДП, представленного на рис. 4, получаем: p 5 , R(4,5,3, 2,1) .2.5B-5221.510.50050100150200Рис. 4. ДП бомбардировщика B-52 с указанием рангов пиковЗаметим, что морфологические признаки обладают весьма важнымсвойством - инвариантностью к паразитному действию неучтенных и возмущающих факторов в принимаемом эхо-сигнале.Геометрические характеристики ДПГеометрические характеристики ДП включают следующие показатели:глубину ДП, положение его центра тяжести и моментные характеристикиДП, представляющие его интегральные свойства.Определим глубину дальностного портрета D как расстояние междуего крайними отчетами, амплитуда которых превышает заданный порог,определяемый уровнем шумов.Момент k -го порядка вычисляется согласно формулеDM k    k π()d .0Положение центра тяжести ДП 0 определяется равенством0  M1 M0 .В качестве информативного геометрического признака целесообразно использовать относительное значение положения центра тяжести ДП:0  0 D .Центральный момент k-го порядка ( k  2) равенDm k   (    0 ) k π ( ) d  .0Для инженерных применений предпочтительнее использовать центральныенормированные моменты: p  mp / M0 ,поскольку они инвариантны к мощности принимаемого сигнала.12Многосекторный принцип распознавания ВЦХарактеристики ДП могут претерпевать значительные изменения приизменениях курсовых углов (КУ) ВЦ, что крайне затрудняет задачу автоматизации процессов распознавания ВЦ и применение машинных методов обучения в алгоритмах распознавания.

В связи с этим целесообразно применятьмногосекторный принцип построения систем распознавания ВЦ, иллюстрируемый рис. 5: задача распознавания декомпозируется на ряд частных подзадач распознавания в достаточно узких диапазонах значений КУ, так что система состоит из банка соответствующих секторных распознавателей. Исследования показывают, что приемлемые результаты получаются при ширинесекторов КУ  10 и, соответственно, число секторных распознавателейN  36 .Рис.

5. Многосекторная структура системыраспознавания ВЦЭффекты неробастности характеристик и неразличимости ДПАнализ ДП ВЦ, получаемых посредством симулятора BSS, позволилвыявить два негативных эффекта, существенно влияющих на результатыраспознавания ВЦ.Во-первых, это эффект неробастности характеристик ДП - они могутсущественно изменяться при малых изменениях КУ.

Рис. 6 демонстрируетизменение ДП самолета B-52 при последовательном увеличении КУ на 0,2.133.510КУ=30°КУ=30,2°382.5621.541200.505010015020000501002.53200КУ=30,6°КУ=30,4°2.5150221.51.5110.50.500501001502000050100150200Рис. 6. Семейство ДП B-52 для ряда значений КУВторым эффектом является схожесть ДП различных типов ВЦ. Рис. 7демонстрирует сходство ДП самолета B1-B и ракеты GLCM.0.0125200.008150.006100.00450.00200GLCMB-1B501001500020050100150200Рис. 7. ДП самолета B1-B и ракеты GLCM, КУ= 179°Концепция динамического распознавания ВЦОписанные негативные эффекты указывают на ограниченные возможности статических схем распознавания ВЦ.

В связи с этим предлагается использовать схемы динамического распознавания ВЦ, в которых агрегируютсяданные наблюдения для различных значений КУ, получаемых в процессе радиолокационного сопровождения цели.При сопровождении движущейся ВЦ (рис. 8) различным моментамвремени наблюдения t1  t2 ... td отвечают КУ (ti ), i 1: d , так что на выходеприемника РЛС получаем семейство соответствующих ДП: π((ti ),), i 1:d .14(td)(t2)(t1)РЛСРис. 8. Изменение КУ в процессе сопровождения ВЦВ диссертации предложены и исследованы два метода динамическогораспознавания ВЦ.В первом методе осуществляется агрегирование информативных признаков, полученных для различных моментов времени наблюдения.

Это приводит к расширению пространства признаков. Соответствующую схему распознавания поясняет рис. 9.π (  (t i ), )(ti T)Рис. 9. Схема распознавания ВЦ с агрегированиеминформативных признаковДля каждого ДП формируется кортеж признаков x(ti ) :x(T ) [x(t1),x(t2 ),...,x(td )].представляющий динамический образ ВЦ в расширенном пространстве признаков X  X d : x(T ) X . Именно он подается на вход классификатора.Во втором методе используется двухступенчатая схема классификации ВЦ - ее поясняет рис.

10. Здесь расчетные метки классов, сгенерированные первичным классификатором, служат исходными данными для вторичного классификатора.15π((ti ), )(ti T)Рис. 10. Двухступенчатая схема распознавания ВЦПервичный классификатор выполняет предварительную классификацию ДП - он обрабатывает каждый кортеж признаков x(ti ) ( i 1: d ) , присваивая им расчетные метки класса принадлежности ДП: z(ti ) (i 1: d ) . Из них вблоке агрегирования данных (АД) формируется кортеж меток:z(T )  [ z (t1 ), z(t 2 ),..., z(t d )]   d .Здесь  имеет смысл расширенного пространства меток. Кортеж z (T )представляет исходные данные для вторичного классификатора.В третьей главе исследуются вопросы решения задачи распознаванияВЦ на основе алгоритма CART построения бинарных деревьев решений(ДР).

Структуру такого дерева иллюстрирует рис. 11. В каждом узле деревареализуется критерий сортировки вида x  c , где x - атрибут (один из информативных признаков), а с - его пороговое значение. В нем в процессе построения дерева качество разбиения примеров в узлах оценивается посредством индекса Gini.Рис. 11. Структура бинарного ДР16На рис. 13 приведен пример построения ДР для секторного распознавателя в диапазоне КУ 1    11 . Ширина строба дальности зондирующихсигналов - 200 м. Для распознавания использовались спектральные информативные признаки ВЦ (1), (2). Кортеж признаков(3)(x1, x2 ,...,xn )  (a0 , a1,...,aK , b1, b2 ,...,bK ) .Здесь n  2 K  1 , причем K  9 . Обучающая и тестирующая выборки включают соответственно 2000 и 1000 ДП.Рис.

13. Результат построения ДРВычислительные эксперименты показали удовлетворительную работустатической схемы распознавания на основе ДР - ошибочно классифицированы лишь около 3% паттернов в тестирующей выборке.Двухступенчатая схема динамического распознавания ВЦ представленана рис. 14. Она включает два классификатора, реализуемых посредством деревьев решений - ДР и ДР*. Первое выполняет предварительную классификацию ВЦ, а второе - итоговую.Распознаватель ВЦπ((t i ), )(ti T)x(ti)ФПДРz(ti)z(T)АД(первичныйклассификатор)ДР*y(вторичныйклассификатор)Рис.

14. Двухступенчатая схема динамического распознавания ВЦДвухступенчатая схема классификации существенно улучшает качество распознавания ВЦ, полностью исключая ошибки распознавания.17В четвертой главе исследуются вопросы распознавания ВЦ на основетехнологии искусственных нейронных сетей (НС).Вопросы применения НС в сфере обработки радиолокационной информации исследовались в работах ряда ученых: A.Nigrin (1993), С.M.Bishop(1995), S.Huang (1996), Q.Zhao и Z.Bao (1996), B.D.Ripley (1996), W.Yan,Z.Zhu, R.Hu (1997), M.R.Inggs и A.D.Robinson (1999), А.Л.Татузова (2009).Задача нейросетевого распознавания ВЦ на основе анализа ДП решалась в работах В.М.Орленко (2000) и Д.Ф.Ле (2006).

Характеристики

Список файлов диссертации