Главная > Селекция и распознавание на основе локационной информации
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

4.6. УСТОЙЧИВОСТЬ ПРИЗНАКОВ РАСПОЗНАВАНИЯ

Задачи распознавания радиолокационных целей обычно характеризуются высоким уровнем априорной неопределенности. Это связано с трудностями оцени» вероятностей классов объектов, нахождения законов распределения признаков учета изменяющихся условий работы устройств распознавания. Перечисленных трудностей можно избежать, использовав процедуры обучения и адаптации, оптимально сочетая правила принятия решений и используемые признаки объектов.

Статистические свойства признаков радиолокационных целей принято определять, задавая законы распределения вероятностей . Эти функции могут весьма существенно изменяться при вариации условий работы распознающего автомата. Обозначим совокупность таких условий через у. Вектор у может включать различные по физической природе компоненты: уровень помех, ракурс объекта локации относительно РЛС, характеристики самой РЛС, состояние атмосферы и др. Будем полагать, что каждой совокупности условий наблюдения объектов у соответствует вероятность Если для объектов разных классов , характерны специфические условия наблюдения, которые удается оценить, то вектор у можно рассматривать как дополнительный признак распознавания. В этом случае желательно знать условные вероятности вектора у при наблюдении объектов каждого из классов. Аналогично вместо законов следует рассматривать условные законы справедливые при наблюдении объектов 1-го класса в условиях у.

В тех случаях, когда вероятности условий наблюдения объектов всех классов одинаковы и , а также когда вектор у невозможно оценить при распознавании, говорить о нем, как о признаке, бессмысленно. Тем не менее даже в этом случае знание законов может обеспечить выигрыш в достоверности принимаемых решений.

Рис. 4.15

Рассмотрим функции более подробно. Из всего множества компонентов вектора у ограничимся ракурсом наблюдаемого объекта относительно РЛС. Оставим для этого параметра общее обозначение у. В качестве признака распознавания выберем амплитуду эхосигнала объекта. Анализ диаграмм рассеяния энергии радиолокационными целями [60] (рис. 4.15) показывает, что амплитуды сигналов существенно изменяются при повороте объекта относительно РЛС.

Следствием этого является отличие друг от друга, и порой весьма значительное, функций найденных при различных ракурсах объектов у (рис. 4.16). Рисунок 4.17 иллюстрирует ситуацию, когда объекты двух классов безошибочно распознаются с помощью функций и сравнительно плохо с помощью законов .

Таким образом, на основании анализа связи статистических характеристик амплитуд эхоеитналов с ракурсом наблюдаемого объекта можно сделать вывод о том, что законы распределения вероятностей некоторых признаков распознавания весьма существенно зависят от условий наблюдения объектов. С другой стороны, такой признак, как линейная скорость радиолокационной цели,

Рис. 4.16

Рис. 4.17

практически не овязан с ее ракурсом относительно для всех и номеров классов .

Следовательно, все признаки распознавания можно условно разбить на несколько категорий по степени устойчивости их статистических характеристик к вариациям условий наблюдения объектов.

Современный уровень развития радиолокационной техники, как правило, не позволяет решать задачи определения вида (типа) каждого обнаруженного объекта. Индекс означает, что объект класса имеет 1-й вид, Поэтому вместо условных для каждого вида объектов распределений на практике чаще всего используют усредненные функции

где вероятность того, что из множества объектов класса для распознавания будет предъявлен объект вида, а — соответствующий закон (плотность) распределения вероятностей.

Путем усреднения определяются и стоимости ошибочных и правильных решений:

где — стоимость отнесения объекта вида к виду .

Учитывая усреднение по всем видам объектов и условиям наблюдения, закон распределения признаков классов можно записать в форме

где вероятность того, что объект вида А и будет наблюдаться в условиях у.

Таким образом, можно сделать вывод о том, что для различных признаков распознавания X и номеров классов функции будут характеризоваться различными степенями отклонения от усредненных законов . В этой связи естественно было бы ввести какой-либо количественный показатель, определяющий устойчивость признаков.

Одним из них может быть отношение максимально достижимой с учетом условий у и разнообразия объектов средней вероятности правильного распознавания к вероятности обеспечиваемой использованием усредненных функций Если потребовать, чтобы показатель устойчивости обращался в нуль при случайном угадывании М равновероятных исходов и в единицу при , то соответствующее выражение примет вид

Не вдаваясь в обсуждение вопроса о лучшем способе оценки устойчивости признаков, укажем на важные для практики аспекты, связанные с этим понятием.

Один из них обусловлен тем, что зачастую потенциально соковнформатиюные признаки распознавания оказываются весьма чувствительными к изменениям условий наблюдения у. При этом использование усредненных функций приводит к недопустимо низкой достоверности распознавания . В тех случаях, когда можно достаточно точно оценить условия наблюдения у, замена функций функциями может привести к существенному уменьшению вероятности ошибки. Ракурс объекта у можно достаточно точно оценить, например, на сопровождающей его РЛС. В этой ситуации потери, связанные с неустойчивостью признака, могут быть значительно снижены.

Напротив, невозможность учета вектора у зачастую обесценивает параметрические процедуры принятия решений, так как они обычно характеризуются высокой эффективностью лишь при стационарных описаниях классов объектов. В этом случае эффективными могут оказаться относительно грубые решающие правила, критичность которых к точности задания априорных характеристик объектов невелика.

Другой альтернативой является применение мощных байесовских процедур к менее информативным, но более устойчивым признакам, например основанным на координатной информации о радиолокационных целях.

Таким образом, для рационального синтеза устройства радиолокационного распознавания следует правильно выбрать комбинацию признака и решающего правила. При этом может оказаться, что часть выбранных признаков следует использовать в сочетании с параметрическими решающими схемами, а остальные признаки использовать совместно с более грубыми непараметрическими алгоритмами. На основании решений, сформированных в соответствии с различными критериями, должно приниматься одно квазиоптимальное решение о классе распознаваемого объекта. Соответствующие процедуры рассматриваются в гл. 6.

Большинство правил, мало чувствительных к степени устойчивости функций предполагают редукцию исходного пространства признаков в пространство вторичных признаков При этом статистические свойства новых признаков оказываются достаточно стабильными и хорошо описываются известными наблюдателю функциями Это позволяет применить к признакам оптимальные параметрические правила принятия решений.

Наиболее цростой способ редукции множества признаков — это квантование значений каждого из его компонентов. В этом случае можно использовать алгоритмы, основанные на знании условных для каждого класса вероятностей попадания значений вел ичины в каждый из выделенных интервалов. Эти вероятности менее чувствительны к условиям наблюдения, их довольно легко оценить при обучении системы. Такой подход можно рекомендовать тогда, когда точное обучение законам затруднено из-за недостатка априорных данных.

Примерами алгоритмов, основанных на квантовании исходных признаков, могут служить знаковые схемы обнаружения сигналов, а также процедуры голосования, рассматриваемые в гл. 6. Особого освещения требуют ранговые алгоритмы, теория которых бурно развивается в настоящее время [51, 58, 65]. Незначительная модификация устройств рангового обнаружения может привести к синтезу устройств распознавания радиолокационных целей, слабо критичных к уровню и характеристикам помех.

1
Оглавление
email@scask.ru