Диссертация (1090370), страница 7

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

Текст из файла (страница 7)

Объекты будем обозначать символом  :  . Задано также разбиение данного множества на конечное число подмножеств - классов  k , k  1 : m . Их совокупностьобразует алфавит классовAС  { 1 ,  2 ,...,  m } .(2.1)Совокупность всех выделенных признаков, служащих мерой количественных или качественных характеристики ОН, именуется словарем признаков S :S {s1, s2 ,..., sq} .При разработке алгоритмов распознавания следует выделить ограниченную часть т.н.

информативных признаков x1, x2 ,..., xn . В этом случае каждый входной образ описывается кортежемx  ( x1 , x 2 ,..., x n ) ,который рассматривается как элемент пространства признаков: x X .Таким образом, входные образы xX представляют некоторые реальные объекты наблюдения  , так что имеет место некоторое соответствиеQ: X .46Будем считать, что в пространстве признаков X множеству классов(2.1) отвечает разбиениеX 1 , X 2 , ..., X m ,пространства X :X k  { x  Q ( ) :  k }, k  1 : m .(2.2)В классической теории распознавания образов, как правило, применяется гипотеза компактности классов, в соответствии с которой каждый классk занимает определенную область признакового пространства X k  X ,причем области локализации различных классов не пересекаются. Иначе говоря, множества (2.2) образуют разбиение признакового пространства, т.е.m Xii 1 X и X i  X j  ,  i  j .Результатом идентификация предъявленного образа должно быть егоотнесение к тому или иному классу.

В алгоритмах распознавания для символьного представления классов вводится алфавит меток (имен) классов ОН:  { 1 , 2 ,..., m } ,(2.3)так что метка  k однозначно идентифицирует класс  k .Информация о классах содержится в обучающей выборкеОВ  {(x ( j ) , ( j ) ), j 1 : N } ,(2.4)где x ( j ) - образ с известной принадлежностью к одному из классов, а  ( j ) метка этого класса. Каждую такую пару ( x ( j ) , ( j ) ) будем называть примером.Задача распознавания состоит в соотнесении исходного образа x одному из классов  , т.е. в построении решающей функции g : X   , такойчтоx X k  g (x )  k .47Алгоритм распознавания можно представить как абстрактную функциональную систему  , состоящую из четырех компонент:   , X , , g  .Решающая функция алгоритмически реализуется посредством некоторой совокупности правил принятия решения  {1 ,  2 ,...,  h } .(2.5)Функционирование системы распознавания сводится к следующему: наее вход подается образ xX , к нему применяется определенная последовательность правил из  , в результате чего данному образу присваивается некоторая метка класса  .

Качество работы системы определяется тем,насколько часто она дает правильные ответы.Компоненты S , X ,  представляют собой информационную часть системы, а  - методологическую.Опишем алгоритмические особенности решаемой задачи распознавания ВЦ.Обозначим через  множество ДП ВЦ, π . Каждая ВЦ относится кнекоторому классу и, следовательно, ей соответствует определенная метка:  .Результатом радиолокационного наблюдения является ДП ВЦ:   π .48Базовая схема распознавания ВЦУсловимся называть статическими методы и схемы распознавания,рассчитанные на обработку единственного ДП ВЦ.Решение задачи статического распознавания ВЦ заключается в построении алгоритма C, осуществляющего преобразованиеˆ  C(π) .ˆ  - метка класса, которая присваивается ДП π .Здесь В диссертации в качестве основы принята следующая схема распознавания ВЦ, представленная на рис.

2.2. Она включает 4 блока: приемникРЛС, блок предварительной обработки сигналов, блок формирования информативных признаков и классификатор.πxyРис. 2.2. Базовая схема распознавания ВЦЗдесьx X - вектор информативных признаков ВЦ;yY - выход классификатора, причем Y   .Таким образом, ДП π обрабатывается в блоке формирования призна-ков, который генерирует соответствующий ему вектор информативных признаков x . Последний поступает на вход классификатора ВЦ.Выходом классификатора является метка класса, присваиваемаянаблюдаемой ВЦ:y  ̂ .49Исходные данные для диссертационного исследования получены посредством симулятора BSS (приложение 2), позволяющего генерировать эталонные ДП ВЦ, число типов которых равно m 10.Сопоставим рассматриваемым типам ВЦ алфавит меток:  { i , i  1 : m} .Соответствие между символьными метками классов и фактическими типамиЛА представляет табл.

2.1.Таблица 2.1Кодировка классов ВЦМеткаклассаТип ЛАМеткаклассаТип ЛА1AH-646F-152ALCM7GLCM3AN-268MiG-214B-1B9Tornado5B-5210Tu-16Настройка классификатора осуществляется на обучающей выборкеОВ { (x(i ) , (i ) ), i 1 : N} .Здесь N - объем выборки, x (i ) - входной паттерн, а  (i ) - отвечающая емуметка класса для i-го примера.В случае правильной работы классификатора он выдает истинное значение метки ВЦ:y.502.4. Задача формирования информативных признаков ВЦДалее ДП рассматриваются как одномерные функции:A  π () ,(2.6)где  - относительная дальность отсчета (м), A - амплитуда отклика (мВ).Предполагаем, 0    L , причем L - ширина строба дальности зондирующихсигналов [70].Надежность и эффективность распознавания в значительной мере зависят от выбора комплекса информативных признаков объектов наблюдения.

Вдиссертации предлагаются три типа признаков, представляющих спектральные, морфологические и геометрические характеристики ДП ВЦ.Спектральные характеристики ДПВесьма простой способ конструирования информативных характеристик ВЦ основан на гармоническом анализе ДП.Рассмотрим задачу аппроксимации ДП конечным рядом Фурье:ˆ K () ,π()  π(2.7)ˆ K () - тригонометрический полином k -го порядка:где πK2k  2k ˆ m ()  1 a0   [ ak cos π   bk sin  ] .2LLk 1(2.8)В силу ортогональности тригонометрического базиса в (2.8) для коэффициентов Фурье справедливы формулы:LL 2k  2k  d .ak  2  π() cos  d , bk  2  π() sin LL L  L (2.9)00Эти коэффициенты, взятые для ряда гармоник разложения (2.7), предлагаетсяиспользовать в качестве спектральных информативных признаков ВЦ.Морфологический анализ ДППод морфологическими признаками ДП понимаются характеристикиего формы (структуры).

Данный термин используется в контексте матема51тической морфологии, которая является инструментом обработки цифровыхизображенийПервый морфологический признак ЛА - число пиков p в структуре ДП.Действительно, в ДП имеются импульсные составляющие, что наглядно иллюстрирует рис.

2.3. Под пиком понимается верхушка импульса. Амплитудапика - это его максимальное значение. Учитываются лишь доминирующиепики, которые превышают некоторый порог (к примеру, равный 10% от амплитудного максимума ДП). Величина выбираемого порога зависит от уровня шумов и помех.2.52 1B-52321.54150.50050100150200Рис.

2.3. ДП самолета B-52 с указанием рангов пиковЕще один способ формирования информативных признаков основан наранжировании рассматриваемых пиков по амплитуде. Заметим, что здесь неприемлемо прямое применение амплитудных значений пиков в силу их зависимости от ряда не учитываемых факторов в принимаемом эхо-сигнале.

Ясно, что набор применяемых информативных признаков ДП должен быть инвариантным по отношению к действию данных факторов.В качестве информативных признаков, предлагается вместо амплитудных значений пиков применять их ранги. Таким образом, речь идет о структурной идентификации ДП посредством использования ранговых шкал.52Ранговые шкалы [41] относят к классу так называемых качественныхшкал. В их основе лежат понятия вариационного ряда и ранжирования данных.Вариационный ряд - упорядоченные данные, расположенные в порядкевозрастания значений признака, либо в порядке их убывания. Назван так, поскольку содержит варианты значений признака.Ранжирование означает присвоение числам рангов.

Ранжированиепроизводится после построения вариационного ряда, т.е. упорядочения данных. Ранги присваиваются от 1 до последнего номера в наборе данных.Процедура ранжирования пиков заключается в следующем.Пусть p0 - максимальное число учитываемых доминирующих пиков.Тогда, если ДП имеет p доминирующих пиков с амплитудами Ai ( i 1 : p ) , тов случае p  p 0 отбрасываются p  p 0 пиков с наименьшей амплитудой.Из величин Ai составляется вариационный ряд в порядке убывания.Далее элементы ряда нумеруются от 1 до p0 и порядковый номер каждогоэлемента в вариационном ряду определяет его ранг:Ri  rank( Ai ) .В итоге получаем наборы рангов пиковR  ( R1, R2 ,..., R p0 ) .В случае, когда p  p0 полагаемRi  0, i  p .Так для ДП на рис.

Характеристики

Список файлов диссертации