Анализ методов распознавания на основе сигнальных признаков при широкополосном зондировании.

Эта область научных исследований в настоящее время активно развивается и представлена вработах следующих авторов: C.R.Smith, P.M.Goggans (1993), H.J.Li, S.H.Yang (1993), A.Zyweck, R.E.Bogner (1996), S.P.Jacobs (2000 г.), D.Zhoum, G.Liu, J.Wang (2000), С.П.Лещенко (2001, 2009), А.В.Тоцкий, П.А.Молчанов, Б.Б.Поспелов (2010) и др.Так, автор в [6] рассматривает алгоритмыраспознаванияВЦнаосновеметодаCART (ClassificationAndRegressionTree);Отдельно автором рассмотрены алгоритмы на основе вейвлет-преобразований, благодаря которым можно применять процедуры сглаживания ДП ВЦ как средство первичной обработки ДП с целью достижения необходимого уровня робастности создаваемых схем распознавания ВЦ.Суть алгоритмаCART заключается в использовании дерева решения(DecisionTrees). Он является одним из старейших и наиболее популярных методов автоматического анализа данных. Схема распознавания на основе данного алгоритма представлена на рисунке 10.Рисунок 10 – Схема распознавания радиолокационных целей на основе аппарата ДРДеревья решений представляют собой последовательные иерархические структуры, состоящие из узлов, которые содержат правила вида ЕСЛИ–ТО. Конечными узлами дерева являются «листья», соответствующие найденным решениям и объединяющие некоторое количество объектов классифицируемой выборки.В дереве имеется один особый узел - корневой. От него можно перейти по дереву к любому другому узлу. В конце любой цепочки подряд идущих ребер, находятся терминальные узлы - листья, которые соответствуют определенным классам. Нетерминальные узлы - узлы принятия решений. Они содержат критерии выбора, а выходящие из них ребра выражают взаимоисключающие результаты проверки соответствия этим критериям. По существу, в узлах проверки происходит сортировка выборок данных таким образом, что каждый элемент данных определяется как соответствующий только одному ребру. ДР подразделяются на два разных типа: деревья классификации и деревья регрессии. Входные данные могут быть категориального, порядкового или числового типа. Деревья классификации предназначены для задач классификации, т.е. отнесения объектов к одному из заранее известных классов. Деревья регрессии позволяют установить зависимость целевой переменной от независимых (входных, предикторных) переменных. Например, к этому классу относятся задачи численного прогнозирования значений целевой переменной.Нас интересует применение ДР в качестве классификаторов, настройка которых осуществляется на основе обучения. Дерево называется бинарным, если из любой его внутренней вершины выходит ровно два ребра. Выходящие рёбра связывают внутреннюю вершину с левой дочерней вершиной и с правой дочерней вершиной . В каждой внутренней вершине дерева проверяется определенное ограничивающее условие для некоторого атрибута , т.е. ей приписан соответствующий предикат , а каждой терминальной вершине приписано имя класса .В алгоритме CART все узлы ДР кроме конечных имеют двух потомков. На каждом шаге построения дерева формируемое в узле правило делит заданное множество примеров (обучающую выборку) на две части - в одной выполняется правило (потомок - right), а в другой - не выполняется (потомок - left). Для выбора оптимального правила используется функция оценки качества разбиения. Обучение дерева решений относится к классу обучения с учителем, то есть обучающая и тестовая выборки содержат классифицированный набор примеров. Оценочная функция, используемая алгоритмом CART, базируется на интуитивной идее уменьшения «нечистоты» (неопределённости) в узле.Поясню это на примере с двумя классами и узлом, имеющим по 50 примеров каждого класса. Узел имеет максимальную «нечистоту». Если будет найдено разбиение, которое разбивает данные на две подгруппы - 40:5 примеров в одной и 10:45 в другой, то интуитивно «нечистота» уменьшится. Она полностью исчезнет, когда будет найдено разбиение, которое создаст подгруппы 50:0 и 0:50. В алгоритме CART идея «нечистоты» формализуется индексом Gini. Для набора данных Т, содержащих информацию о n классах, индексGini определяется формулой:(11)где pi - вероятность принадлежности данных i-му классу в наборе T.Если набор Т разбивается на две части и с числом примеров в каждом и соответственно, то показатель качества разбиения (Split) будет равен:(12)Наилучшим считается разбиение, для которого индекс Gini минимален:(13)Обозначим через N число примеров в узле-предке, через L и R - число примеров в левом и правом потомке соответственно, i l и ir - число экземпляров i-го класса в левом/правом потомке. Тогда качество разбиения оценивается по следующей формуле:(14)Следовательно, критерий (13) можно заменить следующим:(15)Вектор предикторных переменных, подаваемый на вход дерева может содержать как числовые (порядковые) так и категориальные переменные. В любом случае разбиение в каждом узле проводится только по одной переменной. Если предикторная переменная x числового типа, то в узле формируется правило вида:(16)где с - некоторый порог, который чаще всего выбирается как среднее арифметическое двух соседних упорядоченных значений переменной x в обучающей выборке. Если переменная x - категориального типа, то в узле формируется правило:(16)где D - некоторое непустое подмножество множества значений переменной x в обучающей выборке. Следовательно, для n значений числового атрибута алгоритм сравнивает n 1 разбиений, а для категориального . На каждом шаге построения дерева алгоритм последовательно сравнивает все возможные разбиения для всех атрибутов и выбирает наилучший атрибут и наилучшее разбиение для него.Автор [6] провел вычислительный эксперимент, как и в случае метода распознавания на основе НС, в пакете прикладных программ MATLAB, используя расширениеStatisticToolbox.Врассматриваемомопыте, ученый использовалстатическую схему распознавания ВЦ (рисунок 11).Рисунок 11 – Статическая схема распознавания ВЦ на основе ДРСтруктуру построенного ДР отражает рисунок 12, а его параметры приведены в таблице 2. В каждом узлом реализуется критерий сортировки вида x c, где x - атрибут (один из информативных признаков), а с - его пороговое значение.Рисунок 12 – Структура дерева решенийТаблица 2 – Параметры ДР, классифицирующего ЛАузелатрибутпорог1X811,52X114,053X127,754X112,855X1370,66X14–11,357X1314,758X327,359X199,8510X1010,2511X8–13,0512X1915,4513X151,814X15–8,815X145,1516X15,0517X10–6,9518X224,619X12–11,1521X4–25,2522X2–30,523X191324X16,3525X113,7526X150,527X325,528X191529X12–9,2530X324,831X1312,35Итоговые результаты апробации алгоритма распознавании: обучающая выборка - 2000 паттернов; из них правильно классифицированы - 1987 паттернов; ошибочно классифицированы - 13 паттернов; тестирующая выборка - 1000 паттернов; из них правильно классифицированы - 976 паттернов; ошибочно классифицированы - 24 паттернов.Сравнительный анализ рассмотренных методовРезультаты апробации каждой схемы распознавания сведены в общую таблицу3.Таблица 3 – Результаты апробацииСхема распознаванияНСОбобщенного голосованияCARTВероятность неправильного распознавания1. Для 2000 паттернов: 0.2. Для 1000 паттернов: 0,01При отношении сигнал/шум 13 дБ: 0,051. Для 2000 паттернов: 0,0065.2. Для 1000 паттернов: 0,024Из таблицы 2 видно, что наилучшие результаты показал метод распознавания на основе нейронных сетей. Сам автор работы [6] признает, что именно способ на основе НС является наиболее применимым, так как нейронные сети позволяют весьма эффективно решать задачи распознавания ВЦ и представляют несомненный интерес для практических применений.ВыводВ данной работе были рассмотрены методы распознавания на основе сигнальных признаков при широкополосном зондировании, а именно методы, основанные на дальномерном портрете, азимутальном портрете и двумерным радиолокационным изображениям. Было выявлено, что существует большое количество методов анализа данных на основе этих портретов, наилучшим из которых является схема распознавания на основе нейронных сетей.Библиографический список1.Ширман, Я.Д. Методы радиолокационного распознавания и их моделирование / Я.Д. Ширман, С.А. Горшков, С.П. Лещенко, Г.Д. Братченко и др. // Радиолокация и радиометрия, №3, Радиолокационное распознавание и методы математического моделирования. – 2000. – С.5–64.2. Воробьев Е.Н.Распознавание воздушных целей в пассивном когерентном локаторе: автореф. дисс. … д-ра экон. наук: 2.2.16. ― М., 2022. — 120 с.3. Tait, P. Introduction to Radar Target Recognition / P. Tait. London: IET, 2005. – 428 p.4. Филимонов А.Б. Методы фоpмиpования инфоpмативных пpизнаков радиолокационных дальностных поpтpетов воздушных целей / А.Б. Филимонов, Ф.К. Фам // Мехатpоника, автоматизация, управление. –2016. – № 4. – С. 273–281. Doi: 10.17587/mau.17.273-281.5. Tockij A.V., Molchanov P.A., Pospelov B.B. Raspoznavanieletatel'nyhapparatovporadiolokacionnymdal'nostnymprofilyam (Aircraftrecognitionusingradarrangeprofiles) // Aviacionno-kosmicheskayatekhnika i tekhnologiya. 2010. № 5 (72). - S. 77-82.6.Фам, Ф. К. Нейросетевая схема распознавания воздушных целей по радиолокационным дальностным портретам / Ф. К. Фам // Международный научно-исследовательский журнал. – 2016. – № 4-2(46). – С. 204-210. – DOI 10.18454/IRJ.2016.46.001. – EDN VVTKIZ.7. Распознавание классов и типов воздушных объектов по двумерным радиолокационным изображениям в обзорной РЛС / В. П. Бердышев, О. Н. Помазуев, А. Н. Савельев [и др.] // Журнал Сибирского федерального университета. Серия: Техника и технологии. – 2019. – Т. 12. – № 1. – С. 18-29. – DOI 10.17516/1999-494X-0102. – EDN YUOBCH.8. D. Shirman, S.A. Gorshkov, S.P. Leshchenko, G.D. Bratchenko, V.M. OrlenkoMetodyradiolokacionnogoraspoznavaniyaiihmodelirovanie (Methods of radar recognition and simulation) // Zarubezhnayaradioehlektronika. 1996. № 11. - C. 3-63.