Диссертация (1090370), страница 6
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 )dxaba2b1/ 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 1I 1R 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).