Диссертация (1090370), страница 5

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

Текст из файла (страница 5)

Очевидно, никаких обобщенных образов классов в данном методе не формируется. В качестве меры близости могут применятьсяразличные метрики в пространстве признаков.Различают детерминисткие и статистические методы распознавания.Основные детерминистские методы:геометрический метод;корреляционный метод;метод решающих (дискриминантных) функций;метод потенциальных функций;метод совмещения с эталонами;персептронные схемы;машины опорных векторов;33лингвистические методы;методы голосования;комитетные методы.Статистические методы базируются на теории статистических реше-ний, причем здесь разделяют параметрические и непараметрические методы.В параметрических методах распознавания считается известным форма закона распределения наблюдаемой совокупности выборочных значенийи требуется оценить его параметры.

Эти параметры определяются в процессеобучения. Найденные распределения используются для построения разделяющих функций. Среди параметрических методов наиболее эффективнымиявляются метод максимума правдоподобия и байесовский метод.В общем случае отсутствуют априорные сведения не только о параметрах, но и о самом виде закона распределения.

Такая априорная неопределенность называется непараметрической, а соответствующие методы распознавания - непараметрическими.Популярные статистические методы распознавания:классификация на основе байесовской теории решений;параметрическое оценивание распределений;метод максимума правдоподобия;минимаксный критерий;критерий Неймана-Пирсона;метод ближайших соседей.Распознавание динамических образовПроблематика распознавания динамических образов излагается в книгеВ.И.Васильева [11] и также рассматривается в работе [1]. Она охватываетслучаи наблюдения движущихся объектов.

При этом вектор признаков описывает траекторию в пространстве информативных признаков, так что задачу34распознавания естественно формулировать как классификацию совокупностинаблюдаемых состояний объекта или как классификацию траекторий.Например, пусть движущийся в пространстве объект последовательнонаблюдается в разных ракурсах. При смене ракурсов изменяется и его описание. Закономерность смены ракурсов определяет динамический образ объекта.Задачи динамического распознавания естественным образом возникаютв автоматизированных системах видеомониторинга. Здесь следует отметитьработу М.Н.Фаворской [47].

В ней отмечается, что существует класс задач,где особую важность приобретает информация о структуре и движении объектов сцены (видеонаблюдение в закрытых помещениях, в местах большогоскопления людей, управление движением роботов, наблюдение за движениемтранспортных средств и т.д.). Анализ пространственно-временных данныхпозволяет выявлять не только статические, но и динамические признаки объектов наблюдения. В этом случае задачу распознавания можно определитькак классификацию совокупностей состояний или как классификацию траекторий, решение которой не может быть найдено классическими методамираспознавания, т.к. временные переходы могут порождать преобразованияизображений.2.2.

Ретроспектива проблемы идентификации ДП ВЦОбщие вопросы радиолокационного распознавания ВЦ рассматриваются в известных российских учебниках и монографиях по радиолокации [16,33, 38, 44].В монографии В.Г.Небабина и В.В.Сергеева [33] дан обзор методов радиолокационного распознавания целей по состоянию на 1984 г. В числе прочих рассматривается техника распознавания с помощью широкополосныхсигналов.35В статье A.J.Berni [66] цель рассматривается как совокупность простыхобъектов, каждый из которых дает вклад в импульсный эxo-сигнал. Описывается метод оценки собственных резонансов в отклике цели. Вводится понятие импульсной характеристики (отклика цели) h ( t ,  ) . Она зависит от угланаблюдения  .

Импульсный отклик запаздывающего отражения измеряетсядискретно через определенный интервал времени  t . Из полученной выборки формируется корреляционная матрица отклика.В монографии А.Л.Горелика с соавторами [16] обсуждается проблемарадиолокационного распознавания с позиций теории статистических решений. Предполагается, что решение задачи распознавания основывается наизмерительных данных группы РЛС.Авторами рассматривается задача построения словаря признаков. Отмечается, что в качестве признаков при радиолокационном распознавании,помимо координатных признаков (высота, скорость, траектория полета идр.), используются так называемые радиолокационные сигнатуры.

Онивключают в себя первичные и вторичные признаки. Первичные представляютпространственную, временную, спектральную и поляризационную структурыотраженных сигналов. К вторичным относятся параметры движения объектаотносительно центра масс, форма, габариты, элементы конструкции и др. они могут определяться по отраженным сигнатурам на основе решения обратных дифракционных задач.В данной монографии также вводится понятие устойчивости признаковраспознавания. Утверждается, что статистические характеристики амплитудэхо-сигналов могут существенно зависеть от условий наблюдения объектов.Зачастую потенциально высокоинформативные признаки распознавания оказываются весьма чувствительными к изменениям условий наблюдения. Следовательно, все признаки распознавания можно условно разбить на несколько категорий по степени устойчивости их статистических характеристик квариациям условий наблюдения.36Предлагаются статистические решающие схемы с несколькими измерительными каналами.

При этом оптимальное общее решение принимаетсяпо правилу взвешенного голосования в данной группе измерительного канала.В книге В.П.Бердышева с соавторами [38] утверждается, что наилучшие качественные показатели достигаются при использовании широкополосных зондирующих сигналов - в этом случае удается разрешить отдельные элементы В Ц и получить ее радиолокационный портрет. Отмечается,что распознавание может осуществляться сравнением радиолокационногопортрета с эталонными портретами.Кратко осветим току зрения на проблему радиолокационного распознавания, изложенную в книге Ю.Г.Сосулина [44].Надежность распознавания в значительной мере зависит от выбора системы признаков, по которым классифицируются объекты. Этот выбор определяется как характеристиками самих объектов, так и характеристиками зондирующих сигналов.

Для классификации могут быть использованы кинематические признаки, а также признаки, определяемые размером, формой и материалом отражающей поверхности.К кинематическим признакам относятся параметры поступательного ивращательного движения (скорость, ускорение) объекта или его отдельныхчастей, а также траекторные признаки, связанные с особенностями траекторий движения объектов. Эти признаки проявляются в виде соответствующиххарактеристик эхосигналов (при активной радиолокации), по которым иосуществляется классификация. Например, объекты, движущиеся с различными скоростями, можно распознать по доплеровскому смещению частотыпринимаемых сигналов.

Вращающиеся части объектов (лопасти реактивныхтурбин, винты) создают модуляцию (амплитудную и частотную) эхосигналов, которую можно использовать для классификации объектов. Траекторныепризнаки (баллистическая траектория, траектория маневрирующего объекта37и др.) проявляются при многократных наблюдениях в результате вторичнойобработки радиолокационной информации.Автор отмечает, что объекты различной конфигурации могут классифицироваться по числу и расположению блестящих точек.

Для этого тонеобходимо использовать зондирующие сигналы, при которых разрешающаяспособность по времени запаздывания достаточна для разрешения этих точек. В этом случае принимаемые сигналы состоят из ряда дискретных радиоимпульсов, отраженных блестящими точками. Расположение импульсовна оси времени соответствует распределению блестящих точек на объекте. Врезультате указанные радиоимпульсы создают радиолокационный портретобъекта. Посредством сравнения этого портрета с заранее полученными эталонными радиолокационными портретами известных объектов, можно решить задачу распознавания.Ю.Г.Сосулин следующим образом формулирует задачу распознавания.Пусть x  ( x1 ,..., xn ) - вектор информативных признаков наблюдаемогоkkkобъекта, а z  ( z1 ,..., zn ) - вектор признаков эталонного объекта, принадле-жащего классу k , k  1,...,m .

В качестве меры сходства наблюдаемого объекта и эталона можно принять евклидово расстояние между данными векторами:kk ( x, z )  || x  z || n ( x j  z kj ) 2 .j 1Тогда классификацию объектов осуществляется согласно следующемурешающему правилу, называемому правилом «ближайшего соседа»: ( x , z k  )  min  ( x , z k )  x   k  ,kт.е. объект относится к тому классу, расстояние до которого минимально.В работах [16, 38] отмечаются необходимые свойства формируемыхпризнаков: наибольшая информативность и устойчивость.38В настоящее время накоплен определенный опыт применения нейросетевых технологий в сфере обработки радиолокационной информации, о котором можно судить по содержанию монографии [45].

В ней рассмотреныосновы построения систем автоматической обработки радиолокационнойинформации с использованием технологии нейронных сетей. Рассмотренывопросы применения нейросетевых алгоритмов в задачах пространственнойселекции, временной и спектральной фильтрации сигналов, обнаружения целей, обработки траекторной информации, распознавания целей, анализа обстановки.Автор констатирует, что часто применяются иерархические алгоритмыраспознавания, в которых осуществляется последовательный выбор отнаиболее широких классов к более узким, вплоть до требуемых, например,сначала осуществляется выбор - большая/малая цель, затем в выделенномклассе выбор – высокоскоростная/низкоскоростная цель и т.д.Он также отмечает, что в области радиолокационного распознаваниимогут применяться самые разные нейросетевые парадигмы: наибольшеераспространение получила архитектура многослойного персептрона, используемая в работах С.M.

Характеристики

Список файлов диссертации