Диссертация (1090370), страница 7
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 xX 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 классk 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 xX , 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 преобразованиеˆ 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.πxyРис. 2.2. Базовая схема распознавания ВЦЗдесьx X - вектор информативных признаков ВЦ;yY - 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 ЛА1AH-646F-152ALCM7GLCM3AN-268MiG-214B-1B9Tornado5B-5210Tu-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 πK2k 2k ˆ m () 1 a0 [ ak cos π bk sin ] .2LLk 1(2.8)В силу ортогональности тригонометрического базиса в (2.8) для коэффициентов Фурье справедливы формулы:LL 2k 2k 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.