Автореферат (1090368), страница 4
Текст из файла (страница 4)
В первой применялсятрехслойный персептрон, а во второй - радиально-базисные НС. Однако, излагаемый в данных работах способ построения и обучения НС имеет следующий принципиальный недостаток - в качестве входных сигналов НС используются отсчеты ДП. Такое решение противоречит методологическимустановкам теории распознавания образов: в процедурах распознавания следует использовать не сами сенсорные сигналы, а формируемые из них информативные признаки объектов наблюдения - тем самым обеспечиваютсяробастность и помехоустойчивость алгоритмов распознавания.В главе изложены результаты исследований двух типов НС-алгоритмовраспознавания ВЦ: на основе многослойных персептронов (MLP) и радиально-базисных (RBF) сетей.При исследовании MLP-сетей варьировались число и состав информативных признаков, число и размер скрытых слоев, функциональная структура выходного слоя. Заметим, что в режиме обучения НС ее выходной слойпринимался линейным.
Но в рабочем режиме необходимо формировать бинарные выходы НС, в связи с чем в структуре выходного слоя линейныефункции активации замещаются либо пороговой (hardlim) либо конкурентной (compet) функцией активации.Рис. 18 и 19 иллюстрируют построение двухслойной MLP-сети. Дляраспознавания ВЦ используется n 19 спектральных информативных признаков вида (3). Параметры НС: n 19 , m 10 , l 2 - число входов, выходов ислоев соответственно; скрытый слой содержит h 30 нейронов с сигмоиднойфункцией активации logsig.
На рис. 18 представлена обучаемая НС с линейным выходным слоем, а на рис. 19 - перестроенная на рабочий режим НС сприменением конкурентной функции активации.Рис. 18. Архитектура сети MLP при обучении18Рис. 19. Архитектура сети MLP в рабочем режимеВ вычислительных экспериментах применялся ПК с параметрами: процессор - core i5, 1.7 Ггц; оперативная память - 8 Гб; операционная система 64-разрядная Windows 10.Результаты апробации алгоритма распознавания для условий наблюдения ВЦ, описанных на стр. 17: 1) обучение сети занимает 56 эпох, время обучения 2 минут 48 секунд; 2) при тестировании - неправильно классифицирован 1 из 1000 предъявленных паттернов.Исследование вопросов применения RBF-сетей ограничивалось рассмотрением частного случай НС данного типа - PNN-сетей (Probabilistic Neuron Networks).
Сеть имеет 2-х слойную структуру. Первый слой включает N Pнейронов с радиальной базисной функцией активации, где N P - число паттернов в обучающей выборке. Второй слой включает m 10 нейронов с конкурентной функцией активации compet.Архитектура PNN-сети для случая N P 2000 показана на рис. 20.Рис. 20. Структура сети PNNPNN-сеть применительно к тем же условиям проведения вычислительных экспериментов дает 1% случаев неправильной классификации.Исследования показали работоспособность предложенных нейросетевых алгоритмов распознавания ВЦ.
Установлено, что MLP-сети предпочтительнее PNN-сетей. Принципиальным недостатком последних является зависимость размера скрытого слоя от объема обучающей выборки.Пятая глава посвящена вопросам применения вейвлет-технологий дляпервичной обработки и анализа дальностных портретов ВЦ.Аппарат вейвлет-преобразований может быть весьма полезными приобработке радиолокационной информации. Вопросы его использования затрагивались в работах ряда ученых: C.Stirman (1991), J.S.Baras (1994), I.Jouny19(1994), А.В.Красников (2006), E.Świercz (2011), А.В.Коротков (2011),В.О.Браун (2014), В.П.Долгушин (2014).В главе рассматриваются возможности применения аппарата вейвлетпреобразований ДП для решения следующих частных задач: очистка ДП от шумов и помех; сглаживание ДП для обеспечения робастности процедур распознаванияВЦ; применение вейвлет-анализа ДП в корреляционных алгоритмах распознавания ВЦ.Вейвлет-преобразование ДП определяется формулой:L1 w( a, ) π()()d,aa 0a - параметр масштаба, - параметр сдвига.В основе вейвлет-анализа сигналов лежит процедура разложения сигналов на низкочастотную и высокочастотную составляющие.
При многоуровневом вейвлет-анализе такое разложение применяется многократно и вслучае вейвлет-разложения сигнала y до уровня (глубины) N его результатом являются аппроксимирующие cAN и детализирующие коэффициентыcD1,…,cDN (рис. 21).Рис. 21. Дерево вейвлет-разложения сигналаВ математическом пакете MATLAB вейвлет-разложение одномерныхсигналов осуществляет функция wavedec(). Ее синтаксис:[C , L] wavedec ( y, N , ' wname ' ) .Здесь массив C имеет следующую структуру: C [ cA N , cD N ,..., cD1 ] . Массив L учитывает длины коэффициентов вейвлет-разложения:L [ length ( cA N ), length ( cD N ),..., length ( cD1 ), length ( y )] ,'wname' - имя используемого вейвлета.В алгоритмах вейвлет-фильтрации шумов и помех используется методтрешолдинга (D.L.Donoho, 1993), основанный на процедурах пороговой обработки вейвлетных коэффициентов детализации, суть которого состоит вобнулении или пересчете коэффициентов детализации, значение которых малы по сравнению со значением порога.
Исследования показали бесперспективность применения метода трешолдинга для очистки ДП от шумов и помехвследствие доминирования высокочастотных гармоник в структуре ДП ЛА.20Процедура сглаживания ДП может быть основана на вейвлетразложении ДП до некоторой глубины N и последующей реконструкции ДПиз аппроксимирующих коэффициентов. Пример такого подхода иллюстрирует рис. 21. Исследования показали целесообразность применения вейвлетпреобразований для сглаживания ДП, как этапа предварительной обработкаДП - это обеспечивает робастность создаваемым схемам идентификации ДП.A, мВA,дБ0.040.040.030.030.020.020.010.010050100150200,мA, мВ0050а)0.03100,м150200150200б)A, мВ0.020.02A, мВ0.010.0100-0.01050100150,м -0.012000в)50100,мг)Рис.
21. а) эталонный ДП B-52, условия наблюдения - =22°.Сглаженные ДП: б) N 1 , в) N 2 , г) N 3Классические корреляционные методы распознавания образов основаны на сравнении коэффициентов корреляции анализируемого и эталонныхсигналов. Особенностью предлагаемого в диссертации подхода являетсяприменение вейвлет-коэффициентов ДП в процедурах корреляционного анализа и формализации задачи распознавания ВЦ как задачи многокритериального принятия решений.Положим, для вейвлет-преобразований ДП ВЦ выбран набор масштабов: a1 , a 2 ,.
.., a n . Для сравнения ДП π и π вычисляем соответствующиеим кортежи вейвлет-коэффициентов: [ w( a1 , ), w( a 2 , ),..., w( a n , ) ] , [ w( a1 , ), w( a 2 , ),..., w( a n , ) ] .В качестве меры схожести данных ДП примем векторный критерийC (π, π) [C1 (π, π), C2 (π, π),..., Cn (π, π)] ,гдеC k ( π, π ) w(ak , ), w(ak , ) ( k 1 : n) ,|| w(ak , ) || || w(ak , ) ||21L w(ak , ), w(ak , ) w(ak , )w(ak , ) d .(4)0Величины (4) имеют смысл коэффициентов корреляции вейвлеткоэффи-циентов сравниваемых ДП.Пусть заданы эталонные ДП для множества выделенных классов :(5)π j (), j 1 : m .Для оценки близости идентифицируемого ДП к эталонам (5) будем использовать векторные критерииC(π, π*j ) [C1(π, π*j ),C2 (π, π*j ),...,Cn (π, π*j )] ( j 1 : m) .Теперь мы можем прибегнуть к методологии многокритериального принятиярешений и, в частности, воспользоваться методом ранжирования критериевили методом идеальной точки.Проблема рационального выбора вейвлетного базисаЭффективность вейвлет-анализа ДП может существенно зависеть отвыбора вейвлетного базиса.
Решение этого вопроса предлагается основыватьна анализе матрицы Грама, построенной из вейвлет-коэффициентов ДП ВЦ.Пусть задана система функций, определенных и интегрируемых сквадратом по Лебегу на отрезке [a, b] R : { i ( x ), i 1 : n } L 2 [ a , b ] .Соответствующая ей матрица Грама определяется равенством: 1, 1 1, 2 1 , n , , , 2 22 n .( ) 2 1 , , , n 2n n n 1Согласно теореме Грама данная система функций является линейно зависимой, если определитель Грама равен нулю:det () 0 .Качества выбранного базиса определяется близостью ее матрицыГрама () к вырожденности.
В качестве такой меры близости предлагаетсяиспользовать число обусловленной данной матрицы:cond ( ( )) ( ) ( ) 1 .(6)Здесь двойные прямые скобки ... обозначают норму матрицы.Если число обусловленности матрицы мало́, то она называется хорошообусловленным, а если велико, то матрица называется плохо обусловленной.Меру (6) предлагается использовать для оценки информативностивейвлет-коэффициентов, используемых при анализе ДП ВЦ.22Пусть выбран базисный вейвлет (t ) , а также задан параметр масштабаa .
Вычислим вейвлет-коэффициенты wi ( a , ) (i 1 : m ) для эталонных ДПВЦ и произведем их нормирование. В итоге получим систему функцийW ( a ) {w (1) ( a , ), w ( 2 ) ( a , ),..., w ( m ) ( a , )} ,(7)которые служат крупномасштабными эталонами распознаваемых ВЦ.Сопоставим построенной системе функций (7) матрицу Грама (W ) ивычислим ее число обусловленности(8)() cond ( (W ) ) .Рассчитывая данный показатель для различных вейвлетов, из последних выбираем тот, для которого данный показатель является наименьшим.Приведем пример расчета показателя (8): КУ =22°; a 10.
Полученныерезультаты: 1) вейвлет Морле: 588 2) вейвлет Добеши-2: 15 ; 3) вейвлет«мексиканская шляпа»: 36799 . Таким образом, наиболее предпочтительным следует считать вейвлет Добеши-2.Результаты работы, выносимые на защиту:1. Предложен комплекс новых информативных признаков, представляющих спектральные, морфологические и геометрические характеристикиДП и обеспечивающих эффективное распознавание воздушных целей.2. Предложен многосекторный принцип решения задачи распознаванияВЦ, основанный на разбиении полного диапазона изменения курсовых угловВЦ на сектора и построение банка секторных распознавателей.3. Выявлены и проанализированы эффекты неробастности характеристик и потери различимости ДП ВЦ при малых изменениях условий радиолокационного наблюдения (курсовых углов).
Показаны принципиальные недостатки схем статического распознавания ВЦ вследствие действия этих эффектов.4. Разработана концепция и схемы динамического распознавания ВЦ наоснове агрегировании данных, полученных для разных курсовых углов впроцессе радиолокационного сопровождения обнаруженной ВЦ.5. Разработан алгоритм распознавания ВЦ на основе метода построениябинарных деревьев классификации и регрессии CART.6. Разработаны алгоритмы распознавания ВЦ на основе многослойныхперсептронов (MLP-сети) и радиально-базисных нейронных сетей (PNNсети).7. Проведен сравнительный анализ технологий нейронных сетей и деревьев решений применительно к рассматриваемому классу задач.
Показанысущественные преимущества многослойных персептронов.238. Предложен метод вейвлет-сглаживания ДП с целью повышения степени робастности алгоритмов распознавания ВЦ.9. Предложен корреляционный метод распознавания ВЦ, основанныйна использовании вейвлет-коэффициентов ДП и формализации задачи распознавания ВЦ как задачи многокритериального принятия решений.10. Предложен критерий оценки информативности вейвлеткоэффициентов ДП ВЦ и на его основе дано решение проблемы рационального выбора базисного вейвлета для алгоритмов распознавания ВЦ.Список публикаций1.
Филимонов А.Б. Фам Ф.К. Формирование информативных признаков радиолокационных дальностных портретов // Мехатроника, автоматизация,управление. 2016. № 4. С. 273282.Личный вклад автора: разработка комплекса информативных признаков ВЦна основе анализа характеристик ДП, разработка компьютерных программ,обработка данных вычислительных экспериментов.2. Филимонов А.Б.