ЭФФЕКТИВНОСТЬ РАДИОЛОКАЦИОННОГО РАСПОЗНАВАНИЯ
Критерием эффективности распознавания является повышение показателей эффективности использующих его систем за счет привлечения информации распознавания. Эффективность этих систем зависит обычно от: 1) отношения дальности выдачи информации распознавания к дальности обнаружения целей соответствующего класса; 2) матрицы условных вероятностей распознавания при различных условиях наблюдения; 3) матрицы стоимостей ущерба принятия неправильных решений.
Матрица условных вероятностей распознавания для М-элементвого алфавита классов имеет вид
(1.11)
Здесь = = – условная вероятность принятия решения о классе цели k при условии ее принадлежности классу i.
Матрица стоимостей ошибок распознавания позволяет ввести средний риск как среднюю стоимость ущерба
(1.12)
учитывая неравнозначность отдельных ошибок с позиций потребителя информации и априорные вероятности Рi появление целей различных классов. Для упрощенна оптимизации распознавания матрицу стоимостей сводят иногда к единичной (простая матрица стоимостей) или к диагональной (полупростая матрица стоимостей), полагая соответственно rii = -1 или rii = - ri . Знак минус связан с заменой "штрафов" за ошибки "премиями" за правильные решения. Учет неравнозначности различных правильных решений в последнем случае сохраняется. Выражение (1.12) переходит при этом в
(1.13)
Полупростая матрица стоимостей используется в разд. 2.2. Ориентировочной, но удобной характеристикой эффективности распознавания является полная вероятность ошибки распознавания при равновероятном появлении объектов различных классов
(1.14)
Ее использование поясняется в разд. 4.4.4.
2. АЛГОРИТМЫ РАСПОЗНАВАНИЯ ПО СОВОКУПНОСТИ ПРИЗНАКОВ
2.1. ОБЩИЕ СВЕДЕНИЯ
Варианты рассматриваемых алгоритмов различаются:
· этапностью принятия решений;
· степенью и характером учета статистики признаков, помех, сигналов.
По этапности различают алгоритмы одноэтапного я многоэтапного принятия решений. Одноэтапное принятие решений предусматривает обязательную выдачу оценки класса i известного алфавита с приемлемой достоверностью. К многоэтапности принятия решений могут вести следующие соображения:
· целесообразность отказа от выдачи решения на первом этапе до дополни2-тельного набора признаков (последовательные алгоритмы типа Вальда);
· целесообразность принятия загрубленного решения до дополнительного набора признаков;
· необходимость обобщения предварительных решений, полученных в различные моменты времени или от различных РЛС.
По степени учета статистических закономерностей различают лингвистические и статистические алгоритмы. Похарактеру учета статистических закономерностей из статистических алгоритмов выделяют параметрические (байесовские и небайесовские), непараметрические и нейрокомпьютерные алгоритмы.
Лингвистические алгоритмы [3, 9, 14, 17, 49] не учитывают статистики признаков. Вводимые признаки описывают качественно, часто двоичными цифрами 0, 1. Описание признаков на языке алгебры логики - лингвистическое (языковое, кодовое, синтаксическое) служит при этом основой распознавания.
Байесовские параметрические алгоритмы (разд. 2.2), в отличие от параметрических небайесовских, учитывают не только статистику параметров помех, флюктуаций сигналов и признаков, но и определенные гипотезы об априорных вероятностях Рi различных элементов алфавита классов [8. -11, 12]. Структура алгоритмов и работающих по ним устройств обработки сигналов определяется тогда из математического расчета. Статистика признаков сигналов, негауссовская в общем случае, устанавливается путем натурного эксперимента, математического или физического моделирования. Введение этой статистики можно трактовать как обучение распознаванию, адаптацию к конкретным условиям распознавания.
Непараметрические алгоритмы (разд. 2.3) синтезируются эвристически без явного принятия предположений о конкретных статистических распределениях [8-12, 50, 51]. Их можно рассматривать в ряде случаев как эвристическое упрощение параметрических байесовских.
Нейрокомпьютерные алгоритмы (раз. 2.4) отличаются заранее заданной универсальной структурой с большим числом неизвестных параметров, уточняемых в процессе адаптации (обучения) [52-56]. Возрастание вычислительных затрат как издержку универсализации компенсируют ростом производительности вычислительных средств.
В последнее время к решению задач распознавания привлекают теорию игр и другие математические методы [22, 23].
Дата добавления: 2021-02-19; просмотров: 364;