Главная » Просмотр файлов » Диссертация

Диссертация (1090370), страница 6

Файл №1090370 Диссертация (Анализ и идентификация радиолокационных дальностных портретов воздушных целей на основе технологий вычислительного интеллекта) 6 страницаДиссертация (1090370) страница 62018-01-18СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Bishop [68], M.R.Inggs и A.D.Robinson [75], A.Nigrin[80], B.D.Ripley [81], W.Yan, Z.Zhu, R.Hu [87]; применяются радиальнобазисные сети - в работах S.Huang [72], Q.Zhao и Z.Bao [88] и др.;самоорганизующиеся карты Кохонена - работы M.R.Inggs и A.D.Robinson[75]. С их помощью, как утверждает автор, удается добиться повышениявероятностей распознавания до величины 0,9...0,95.Распознавание ВЦ на основе анализа ДПО становлении, развитии и современном состоянии методов распознавания ВЦ на основе анализа их ДП можно судить по материалам сборника[63], а также публикациям [27, 46].39Для радиолокационного распознавания используются радиолокационные портреты следующего типа: мощностной; спектральный; дальностный;частотно-коррелированный; частотно-резонансный; картинный.Идея радиолокационного распознавания ВЦ на основе обработки ихДП, по-видимому, впервые была реализована в 1962–1964 гг.

научным коллективом, возглавляемым Я.Д.Ширманом. Под его руководством проводятсянатурные эксперименты по локации самолетов с использованием ЛЧМимпульсов с шириной спектра 72 МГц и длительностью 2 мкс. Теоретическитакой сигнал обеспечивает разрешающую способность по дальности около 2м, но на практике величина разрешения составила 3–4 м. В экспериментахбыли впервые получены ДП воздушных целей. Результаты экспериментовпоказали, что применение широкополосных сигналов с достаточно большойшириной спектра позволяют не только обнаруживать, но и распознавать цели.

Аналогичные эксперименты с ЛЧМ примерно в это же время проводились в США. С тех пор исследования по применению ДП в задачах распознания выполнялись многими авторами в России, США и Европе.В работе H.J.Li и S.H.Yang [78] ДП использовались для идентификацииаэрокосмических объектов. Остановимся подробнее на ее содержании.Предполагается, что каждая цель представлена комплексным сигналом(complex-valued waveform - в оригинале) g ( x ) , x[a , b] - дальность отражающих элементов объекта наблюдения. Авторы называют данный сигналrange profile, а также «вектором признаков».Предполагается, что база данных (БД) состоит из эталонных ДП g ij ( x ) ,где i - номер класса, а j - номер эталона в классе.

Сходство некоторого ДПf ( x ) с эталоном g ( x ) определяется по коэффициенту корреляции40bC( f , g)  f ( x) g( x )dxaba2b1/ 2.2f ( x ) dx   g ( x ) dxаЗдесь звездочка обозначает операцию комплексного сопряжения. Данный коэффициент вычисляется для всех эталонов gij (x) базы данных.Решение о принадлежности f (x) к тому или иному классу определяется по величине максимального сходства с эталоном.Заметим, что в статье S.Hudson и D.Psaltis [73] также использоваласьоценка корреляции ДП для идентификации объектов наблюдения. Однако такой подход имеет существенные недостатки. Во-первых, формируемая БДзанимает большой объем памяти ЭВМ. Во-вторых, такой способ идентификации ДП неудовлетворителен по критерию робастности: действительно, ДПВЦ имеют импульсную структуру, вследствие чего вычисляемые коэффициенты корреляции оказываются весьма чувствительными к неизбежным напрактике малым изменениям (искажениям) ДП.

Кроме этого, само использование ДП как «вектора информативных признаков» противоречит принципиальным установкам теории распознавания образов: информативные признакидолжны формироваться на основе обработки входных сигналов исходя изтребования различимости объектов в пространстве признаков и их робастности по отношению к возмущающим факторам, помехам и шумам.В статье А.В.Тоцкого, П.А.Молчанова и Б.Б.Поспелова [46] ДП при заданном ракурсе наблюдения ЛА представлен комплексным сигналом видаy (i ) M am (i) exp[ jΦm (i )] ,m 1где a m (i) и Φ m (i ) - амплитудное и фазовое пространственное распределениеполя обратного рассеяния соответственно; i  1 : I - индекс отсчета по даль-41ности; индекс m соответствует обратному рассеянию m-й «блестящей точки»в ДП.В данной работе формирование комплекса информативных признаковосуществляется на основе биспектра ДП.

Отметим, что согласно фундаментальной работе по биспектральному анализу [76], биспектр сигнала - этопреобразование Фурье его тройной автокоррреляционной функции (ТАКФ).ТАКФ процесса y (i ) является двумерной статистикой третьего порядка:R y (k , l )  [ y (i )  y ][ y (i  k )  y ][ y (i  l )  y ] .Здесь y - усредненное значение y (i ) по выборке.Таким образом, биспектр сигнала y (i ) определяется формулойB y ( p, q ) I 1I 1R y (k , l ) exp[ j 2 π(kp  lq)] .k   I 1 l   I  1Биспектр в отличие от спектральной плотности описывается комплексной функцией двух переменных - двух независимых частот.Авторы объясняют обращение к биспектральному анализу ДП следующим образом.

При перемещении ЛА ДП подвергается пространственномусмещению, характер изменения которого соответствует маневрам цели.Свойство инвариантности биспектра к пространственному сдвигу сигналапозволяет надеяться на обеспечение инвариантности ДП к пространственнымперемещениям цели.На основе аппарата биспектрального анализа авторы определяют пятнадцать (эвристических) информативных признаков. Для распознавании целей они используют критерий минимума евклидова расстояния между входными и эталонными паттернами и алгоритм «ближайшего соседа».Сборник [63] объединяет ряд статей по проблемам радиолокационногораспознавания.

Сборник включает обзор основных признаков и алгоритмовраспознавания радиолокационных целей, особенно воздушных. В нем рас42сматриваются вопросы распознавания целей с помощью широкополосныхсигналов,обеспечивающихполучениеихдальностных,дальностно-частотных, дальностно-поляризационных и дальностно-угловых портретов.Также рассматриваются различные методы принятия решений в системахраспознавания.В сборнике [63] отмечается, что вопросы радиолокационного распознавания вызывают большой и нарастающий интерес. Авторы приводят соответствующий обширный библиографический список научных трудов в даннойобласти из 188 наименований.В данной статье признаки в задачах радиолокационного распознаванияразделяются по их физической природе на траекторные и сигнальные. Траекторные признаки – это параметры траекторий целей, определяемые их тактико-техническими характеристиками. Сигнальные признаки связаны с анализом структуры и характеристик отраженных сигналов.Предлагаются три типа информативных признаков: радиальный размер цели; квадратичный критерий - энергетическая характеристика ДП, позволяющий оценивать эффективную площадь рассеяния цели; коэффициенты корреляции портрета с эталонными портретами, характеризующий их сходство.Авторы отмечают, что вид ДП заметно изменяется при изменении ракурса цели большого размера - на 0,1°, цели среднего размера - на 0,5°, малого размера - на 2,5°.

Это вынуждает разбивать весь диапазон изменения ракурсов на сектора и хранить для них эталонные портреты в памяти ЭВМ.В статье приводится обзор алгоритмов распознавания, применяющихсяв радиолокации. Они различаются этапностью принятия решений, степеньюи характером учета статистики признаков, помех и сигналов.Авторы выделяют четыре типа алгоритмов: лингвистические, статистические (параметрические и непараметрические) и нейросетевые.43К непараметрическим методам относят различные варианты алгоритмов вычисления расстояний и голосования. К алгоритмам вычисления расстояний относятся алгоритмы минимума расстояния и «ближайших соседей».При обсуждении нейрокомпьютерных алгоритмов констатируется возможность применения многослойных персептронов.В статье В.М.Орленко и Я.Д.Ширмана [34] рассматривается задачанейрокомпютерного распознавания классов ВЦ.

Авторы применяли трехслойный персептрон, причем на вход персептрона подаются все значения отсчетов ДП. Рассмотрены случаи распознавания по одному ДП 3-х классовобъектов (большого, среднего и малого размера) без использования амплитудной информации, а также 4-х классов объектов (большого, среднего, малого размера и малого размера с искусственно увеличенной ЭПР) с использованием амплитудной информации.Отмечается, что к достоинству нейрокомпютерного распознавания вотличие от корреляционного метода следует отнести отсутствие явного формирования некоторых «эталонных» ДП, формирование которых, как и выборих числа, существенно влияет на качество корреляционного распознавания.В диссертации Д.Ф.Ле [25] в качестве классификатора ВЦ применяются радиально-базисные нейронные сети.

Здесь также и в [34] входными паттернами являются сами ДП распознаваемых целей.В статье I.Jouny, F.D.Garber, R.L.Moses [76] для идентификации радиолокационных целей используются биспектральные характеристики откликаво временной области. Классификация осуществляется посредством вычисления евклидова расстояния или кросс-корреляции между биспектрами неизвестной цели и эталонами в каталоге.В монографии P.Tait [86] положения и мощности пиков на ДП служатпризнаками для распознавания: ширина наибольшего пика, расстояние между двумя наибольшими пиками и число пиков, которые превышает некоторой порог.

Авторы обсуждают методы и технологии для классификации ВЦ:44нейронные сети, байесовский подход, метод вычисления евклидово расстояния и корреляции между эталонами.B диссертации J.P.Zwart [89] информативные признаки формируютсяна основе морфологического анализа ДП: определяется число пиков и соответственно их амплитуды. В качестве классификатора применены метод«ближайших соседей», метод максимального правдоподобия и метод корреляции.Выполненный библиографический анализ известных работ по темедиссертации позволяет сделать следующие выводы:1. Проблема радиолокационного распознавания протяженных целей на основе обработки их ДП актуальна и ее решение открывают новые возможности втеории и практике радиолокационного распознавания с помощью широкополосных сигналов.2.

Важным этапом алгоритмизации задач распознавания является выбор комплекса информативных признаков. Существуют различные подходы к формированию классификационных признаков на основе обработки и анализаДП. Однако, в настоящее время отсутствует сравнительный анализ данныхподходов и вопрос о рациональном выборе комплекса признаков для эффективного распознавания ВЦ остается открытым.3. В работах В.М.Орленко, Я.Д.Ширмана и Д.Ф.Ле рассматриваются вопросыприменения аппарата НС в задачах радиолокационного распознавания ВЦ,причем входными данными НС служат массивы отсчетов ДП, что неприемлемо с позиций теории распознавания образов: входными паттернами должны быть информативные признаки, обеспечивающие робастность и помехоустойчивость системы распознавания.4. В настоящее время в области машинного распознавания образов активноразвивается научное направление, основанное на методах и технологиях вычислительного интеллекта.

Однако данное направление слабо представлено визвестных исследованиях по теории и технике радиолокационного распозна45вания. Фактически можно указать лишь на отмеченные выше работыВ.М.Орленко, Я.Д.Ширмана и Д.Ф.Ле, в которых рассматриваются лишьнейросетевые алгоритмы распознавания.5. Во многих работах отмечается высокая чувствительность формы ДП к малым изменениям ракурса наблюдения ЛА. Но в таком случае неизбежноограничение на возможности применения в инженерных приложениях предлагаемых схем распознавания, поскольку их работа основана на обработкеединственного ДП, полученного для текущих условий наблюдения.2.3. Формальные аспекты задачи распознаванияПусть дано  - множество объектов наблюдения (ОН).

Характеристики

Список файлов диссертации

Анализ и идентификация радиолокационных дальностных портретов воздушных целей на основе технологий вычислительного интеллекта
Документы
Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6360
Авторов
на СтудИзбе
310
Средний доход
с одного платного файла
Обучение Подробнее