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
6.7. ОДНОШАГОВЫЕ АДАПТИВНЫЕ АЛГОРИТМЫ РАСПОЗНАВАНИЯ ГРУПП ОБЪЕКТОВ6.7.1. ОЦЕНКА СОСТАВА ГРУПП И ПРИНЯТИЕ РЕШЕНИЙДопустим, что в условиях у наблюдается группа Усредненные по всем объектам класса
где Стоимости отнесения объектов
где Вероятность того, что произвольно выбранный объект группы относится к классу
Знание числа объектов каждого вида Предположим, что в конкретной группе Стоимости правильного распознавания примем равными нулю. С учетом принятых допущений можно записать
где Средние стоимости ошибок для всех групп вида
или
При Последнее неравенство позволяет сделать вывод о том, что алгоритмы распознавания объектов в группах могут (и должны) заметно отличаться от алгоритмов распознавания одиночных радиолокационных целей. При этом выигрыш в достоверности распознавания может быть достигнут различными путями. Наиболее простой из них состоит в замене функций Распределения Рассмотрим некоторые способы отыскания оценок величин Для этого предположим, что группы Выигрыш в достоверности распознавания объектов, входящих в такие группы, можно обеспечить, будем производить применительно к критерию идеального наблюдателя. Для большинства законов формирования групп объектов вероятности Это явление будет иметь место при зависимом предъявлении объектов. Тогда даже такая легко доступная информация, как число отметок Вероятности классов Всю совокупность групп размера
Как правило, для распознаваемых групп, характеризуемых составом вместо величин вместо величин
Если средние значения величин
где Очевидно, что если в каждом конкретном случае распознавания групп состава Адаптивное решающее правило реализуется устройством, структурная схема которого приведена на рис. 6.11. Признаки Способы оценки состава групп объектов можно разделить на две основные разновидности: непосредственные оценки вероятностей классов
Более точной является оценка, основанная на суммировании вероятностей гипотез
Рис. 6.11 объектов с использованием априорных вероятностей
где Можно показать, что при устремлении размера группы
Для группы, включающей
— условные математические ожидания вероятности гипотезы При распознавании более двух классов радиолокационных целей следует составить систему линейных уравнений относительно оценок
Аналогично находятся несмещенные оценки, основанные на суммировании вероятностей гипотез. В общем случае в качестве оценок величин Если потребовать, чтобы оценка Таким образом, для отыскания несмещенных оценок состава группы подходят различные функции Очевидно, что такую оценку невозможно вычислить тогда, когда функции
где Точность несмещенных оценок составов групп мало зависит от того, насколько правильно заданы априорные вероятности классов Все рассмотренные оценки вероятностей классов, кроме оценок вида (6.19) и их модификаций, можно применить и тогда, когда функции Еще одна разновидность способов расчета оценок описана в [28]. Они предполагают последовательное уменьшение размера распознаваемой группы Описываемые алгоритмы предполагают пересчет оценок величин Таблица 6.7 (см. скан) Пусть, например, в Оценки, основанные на вычислении апостериорных распределений вероятностей составов групп. Подход, основанный на использовании вероятностных моделей формирования групп радиолокационных целей, проиллюстрируем следующим примером. Пусть объекты двух классов появляются в зоне обзора РЛС независимо, а число объектов каждого класса, находящихся в ней одновременно, подчинено закону Пуассона
Измерим по одному отсчету признака В соответствии с теоремой Байеса можно записать апостериорную вероятность величины
где В качестве оценки числа объектов первого класса в наблюдаемой группе можно выбрать значение величины
Таким образом, в общем виде рассмотренный подход сводится к вычислению некоторых статистик совокупности измеренных признаков
Определенную сложность описанного подхода можно преодолеть на этапе обучения Иногда оценки максимального правдоподобия удается найти из уравнений
Так, в рассмотренном примере при допущении о равномерном характере закона
Разложение в ряд выражения для оценка асимптотически несмещенная: при при Если в выражении для
Вообще говоря, оценку максимального правдоподобия следовало искать, решая разностное уравнение, так как аргумент функции Знание свойств потоков радиолокационных целей позволяет находить оценки, характеризуемые минимальными
где
Многократный расчет адаптивных оценок. Процедура уточнения состава группы с использованием одного и того же множества измеренных значений признаков Вычислительные эксперименты показали, что точность несмещенных оценок вида (6.19) незначительно зависит от того, насколько отличаются вероятности
при
с вероятностью
|
1 |
Оглавление
|