книги / Обнаружение, распознавание и пеленгация объектов в ближней локации
..pdfвидимости SMдо 50 м на дальностях до преграды Я0 = 6,5 м ± 1 м
при следующих параметрах: Т = 10-4 с; Я = 4; а(Я 0) = 2 при Я = 5;
весовой коэффициент канала III d(H0) =0,1; отношение математи ческого ожидания сигнала в оперативном канале к среднеквадра
тическому значению внутреннего шума Ц(р»#о) = 10 при р = 0,08;
отношение математического ожидания сигнала в оперативном ка
нале к порогу ^ |
^ = 1,6 при р = 0,08. |
^пор |
|
В системе в качестве излучателя вместо полупроводникового лазера можно применить светодиод. Излучение светодиода моду лируется изменением питания гармоническим или импульсным сигналом. Для формирования необходимой полосы пропускания приемных каналов в схеме предлагается использовать синхронные детекторы, представляющие собой ключевые каскады с накопите лями в виде инерционных ЛС-цепей. Тогда функциональная схема трехканальной адаптивной регрессионной системы с непрерывным модулированным излучением будет иметь вид, приведенный на рис. 4.17.
Оптический датчик расстояния (см. рис. 4.17) состоит из трех приемников 1.1—1.3; четырех делителей напряжения 2.1—2.4; двух весовых сумматоров сигналов 3.1 и 3.2; двух линейных фильтров 4.1 и 4.2, согласованных с принимаемыми отраженными сигналами и осуществляющих необходимое усиление в каналах датчика; двух синхронных детекторов, состоящих из перемножителей 5.1, 5.2 и двух инерционных цепей 6.1 и 6.2; двух пороговых устройств 1.1, 7.2; схемы совпадения 8; излучателя (лазерного све тодиода) 9; генератора 10, модулирующего излучение лазерного светодиода непрерывным сигналом, и аттенюатора 11.
На основании (4.43) и (4.44) коэффициенты деления будут равны:
Ка(Н0)-] |
' |
К ~ 1 |
||||
* !| — |
К + Г ~ ’ |
|||||
22 ~1 + Ka(HQy |
||||||
|
Kd(H„) . |
к |
_ а |
д |
) |
|
23 |
1+ Щ Н 0У * 24" Т |
7 Г |
- |
и
Рис. 4.17. Функциональная схема трехканального оптиче ского датчика с непрерывным модулированным излучением и адаптивным регрессионным трактом обработки сигналов:
1.1-1.3 — приемники; 2.1-2.4 — делители напряжений; 3.1, 3.2 — весовые сумматоры; 4.1, 4.2 — линейные фильтры; 5.1, 5.2 — перемножители; 6.1, 6.2 — инерционные цепи; 7.1, 7.2 — пороговые устройства; 8 — схема совпадения; 9 — излучатель (лазерный све тодиод); 10 — генератор; 11 — аттенюатор
Контрольные вопросы и задания
1.Каким образом учитывается априорная информация о корреляции онных свойствах сигналов и помех в регрессионных алгоритмах систем, обрабатывающих интервалы между нулями входных реализаций?
2.Охарактеризуйте общий подход к построению систем обнаруже ния и распознавания непрерывных нестационарных сигналов в АИС БЛ.
3.Запишите регрессионные алгоритмы обработки интервалов между нулями входных реализаций случайных сигналов.
4.К каким параметрам сигналов инвариантны регрессионные алго ритмы обработки интервалов между нулями входных реализаций е л е й ных сигналов?
5.Сравните возможные классические алгоритмы распознавания СлУ~ чайных сигналов по относительной ширине полосы энергетического
спектра с регрессионными.
6.Каким образом в лазерных АИС БЛ с адаптивными регрессион ными алгоритмами трактов обработки сигналов осуществляется стабили зация дальности срабатывания по поверхности и адаптация к метеороло гической дальности видимости?
7.Как в лазерных АИС БЛ с регрессионными алгоритмами трактов обработки сигналов учитывается априорная информация о нелинейных регрессионных зависимостях параметров сигналов в оптических каналах?
8.Составьте методику расчета вероятностей ложных тревог и про пусков сигналов для лазерных АИС БЛ с многоканальными регрессион ными алгоритмами трактов обработки импульсных сигналов.
5. НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ СИСТЕМ ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ СИГНАЛОВ
5.1. Выбор и сокращение размерности информативных признаков
вавтономных информационных системах
снейросетевыми трактами обработки сигналов
Необходимость решения новых задач и усложняющиеся усло вия применения АИС требуют разработки помехоустойчивых адап тивных АИС и систем, обладающих свойствами робастности и непараметричности. Для улучшения рабочих характеристик необхо димо повышать информативность рабочих каналов АИС, которые могут быть основаны на различных физических принципах. В ближней локации случайные сигналы на входе и помехи имеют большой динамический диапазон амплитудных, частотных и вре менных характеристик и ярко выраженный нестационарный ха рактер. Информативные параметры сигналов часто являются нецентрированными случайными величинами или процессами на ограниченном интервале наблюдения, для которых априорно неиз вестны математические ожидания. Оценить их по нестационарной реализации также не представляется возможным.
В этих условиях невозможно применить традиционные мето ды статистических решений, требующие вычисления и обработки центрированных параметров сигналов.
Снять ограничения, связанные с нестационарностью информа тивных параметров, позволяет переход в признаковое пространст во, в котором каждая выборочная реализация отображается векто ром, а ансамбль реализаций — областью. В ближней локации для обработки информации в многомерном признаковом пространстве, при отмеченных выше особенностях АИС, необходимо применять эффективные методы выделения информативных признаков и
166
обоснования решающих функций (разделяющих границ) в услови ях априорной неопределенности в сложной помеховой обстановке. Важную роль в этих условиях играют сокращение времени на раз работку систем и автоматизация процесса исследования.
Всем отмеченным выше требованиям удовлетворяет подход к созданию принципиально новых АИС, основанный на обработке в трактах АИС нецентрированных параметров сигналов и помех, на использовании в качестве априорной информации начальных мо ментов случайных процессов и на применении нейросетевых техно логий для исследования и проектирования АИС нового поколения.
Предлагаемый подход предусматривает наличие на входе тракта обработки сигналов рассматриваемых АИС анализатора признаков, в котором осуществляется выделение первичных и вторичных информативных признаков. Выбор первичных призна ков базируется на обобщенном спектральном анализе, который, в свою очередь, опирается на теорию среднеквадратической аппрок симации непрерывных функций в априорно выбираемых базисах в гильбертовом пространстве. Задача значительно упрощается при использовании ортонормированных базисных функций. Частными случаями ортонормированных базисов с единичным весом явля ются базисы, дающие разложение функций в ряд Фурье и в ряд Котельникова.
Поскольку блок принятия решения в настоящее время реали зуется, как правило, на основе дискретной или цифровой обработ ки сигналов, то в качестве первичных признаков часто использу ются отсчеты сигналов в дискретном времени (по Котельникову) или дискретные числовые наборы.
Общая аналитическая зависимость входного сигнала без по стоянной составляющей может быть представлена в виде
I |
|
x(t) = E(t)cos[ Jco(z)dz +q>(f)], |
(5.1) |
0 |
|
где E{t) — огибающая; co(/) ■— мгновенная частота; cp(/) — слу
чайная фаза.
Если информация о физических и механических признаках объектов заключена в статистических характеристиках огибаю щей, случайной фазы или мгновенной частоты и нестационарность входных сигналов в ближней локации вызвана изменением во
времени одного или нескольких из этих информативных признакков, то, как показано в гл. 4, в АИС БЛ целесообразно не прово дить обработку сигнала в целом, а выделять перечисленные вто ричные информативные признаки. Эти признаки в общем случае представляют собой случайные нестационарные процессы, для которых априорно неизвестны математические ожидания. Оценка последних часто не представляется возможной вследствие высоко го быстродействия систем. Отметим, что в АИС информация о мгновенной частоте и случайной фазе часто получается в резуль тате обработки интервалов между нулями входных реализаций.
Наиболее важными при разработке АИС БЛ являются вопросы выбора информативных признаков и сокращения размерности век торов признаков. Информативные признаки сигналов должны быть наиболее эффективными с точки зрения разделимости классов.
Теоретически наилучшим критерием эффективности инфор мативных признаков является вероятность ошибки. На практике один из наиболее распространенных критериев — вероятность ошибки, полученная экспериментально. Однако для критерия ве роятности ошибки не существует явного математического выра жения (даже в случае нормальных распределений вычисление вероятности ошибки требует численного интегрирования). Клас сическая теория распознавания образов оперирует критериями разделимости классов, задаваемыми в явном виде. Поскольку раз делимость классов зависит не только от распределений объектов в классах, но и от используемого классификатора, то в классической теории рассматриваются критерии, оптимальные для байесовского классификатора, что позволяет минимизировать ошибку класси фикации. Тогда разделимость классов будет эквивалентна вероят ности ошибки байесовского классификатора.
Помимо корректного выбора информативных признаков, важ но также правильно определить размерность входного вектора признаков. Слишком малая размерность входного вектора может отрицательно повлиять на качество распознавания вследствие по тери информации, хранящейся в неучтенных коррелированных отсчетах. Слишком большая размерность входного вектора также может отрицательно повлиять на качество полученных алгорит мов, но, наоборот, из-за учета слабо коррелированных отсчетов.
В теории распознавания образов для выбора информативных признаков и сокращения размерности векторов признаков широко
используются [9, 12, 25] разложение Карунена—Лоэва, его дис кретный аналог — метод главных компонент и метод множествен ного дискриминантного анализа. Эти методы оперируют цен тральными (ковариационными) моментами случайных отсчетов сигналов. Последние два метода предполагают нахождение собст венных векторов и собственных чисел по заданной ковариацион ной матрице.
Вмногоканальных системах ближней локации часто инфор мация о пространственно-геометрических и физических признаках объектов заключена в соотношениях между детерминированными составляющими параметров сигналов при каждом из конкретных условий встреч. Задачи по построению АИС часто приходится ре шать в условиях неизвестных математических ожиданий, поэтому применение перечисленных выше классических методов оказыва ется затруднительным.
Вэтих случаях наиболее наглядным и удобным является при менение аппарата начальных регрессионных характеристик (см. гл. 3), который, как будет показано далее, позволяет решать по ставленные задачи и в условиях вырожденности или плохой обу словленности данных при неизвестных математических ожидани ях и ковариационных матрицах.
Применение регрессионных или нейросетевых алгоритмов в ближней локации позволяет решать задачи обнаружения и распо знавания при использовании в качестве признаков нецентрированных параметров сигналов. При этом необходимо рассмотреть во просы обоснования критериев для выбора информативных призна ков и сокращения размерности векторов признаков применительно к алгоритмам с начальными оценками случайных параметров.
Рассмотрим однослойную нейронную сеть (НС) (рис. 5.1), в которой каждый элемент из множества входов X отдельным весом соединен с каждым искусственным нейроном, а каждый нейрон выдает взвешенную сумму в сеть. Матрица весов W имеет т строк и п столбцов, где т — число входов, а п — число нейронов. Вы числение выходного вектора Y, компонентами которого являются выходы нейронов, сводится к матричному умножению
Y = XW. |
(5.2) |
Как видно из рис. 5.1, при использовании в качестве входов (признаков) нецентрированных параметров сигналов в нейросе-
11 Зак. 291 |
169 |
|
ти осуществляется обработка не- |
||
|
центрированных значений сигна |
||
|
лов. |
|
|
|
Исключим |
из рассматривае |
|
|
мой сети прямые связи, т.е. поло |
||
|
жим wu =0, / = |
1, 2, |
т, и рас |
Рис. 5.1. Структурная схема од |
смотрим общий случай сети с щ |
||
нослойной нейронной сети без |
нейронами. Потребуем |
на каждом |
|
нулевых весов |
/-м выходе нейрона восстановле |
||
|
ния z-го входного сигнала с мини |
мальной ошибкой, т.е. при обработке нецентрированных парамет
ров сигналов с минимумом среднего значения квадрата |
Про |
ведем невырожденное преобразование вектора X: |
|
Y = XW, |
|
т.е. выберем матрицу W из условия минимума остаточной суммы |
|
квадратов |
|
ЯНГ = у т<р = М[(Y - WX)(Y - WX)T). |
(5.3) |
Дифференцируя остаточную сумму квадратов *Р'РТ по W и прирав нивая ее нулю, для положительно-определенной и симметричной матрицы начальных корреляционных моментов К получим (см. 2-3)
Щк = - \ k / AH’ |
|
(5-4) |
где Л = К"‘. |
|
|
Отсюда следует, что весовые коэффициенты wik |
в этом |
случае |
представляют собой коэффициенты начальной |
регрессии (см. |
|
гл. 2), минимизирующие среднее значение квадрата Ч1*, |
на каж |
дом выходе нейронной сети, осуществляющей линейную обработ ку по алгоритму
П
У,= Z wikxk-
1=1,k*i
Рассмотрим оптимальные и квазиоптимальные алгоритм^ об наружения и распознавания случайных сигналов применительно к ближней локации. При обнаружении сигнала входная реализация
была представлена (см. гл. 3) как аддитивная смесь нормального нестационарного случайного сигнала, заданного вектором средних значений р и матрицей ковариаций Сс, и полосового белого шума. При распознавании помеха задавалась аналогично сигналу и отли чалась от последнего матрицей ковариаций и вектором средних. Вместо усреднения коэффициента правдоподобия по случайным параметрам предложено использовать оценки неизвестных слу чайных параметров, например на выходе линейного полосового фильтра.
При допущениях, справедливых для систем ближней локации, const, rik >0,8, квадратичные формы в алгоритмах обнару
жения и распознавания сигналов могут быть представлены в виде
|
\2 |
й ( * ) г - 2 > „ |
(5.5) |
1=1 |
к=1 |
|
Ш |
где Prt — коэффициенты начальной регрессии; хк — оценки нецентрированных параметров сигналов.
Вычисляя условные плотности распределения вероятностей для нормально распределенного вектора, можно показать [1], что Хи в (5.5) представляют собой величины, обратно пропорциональ ные остаточным дисперсиям множественных регрессионных пред
ставлений Df* = 1/Хц.
Ранее (см. гл. 2) начальная множественная регрессия была оп ределена как
|
|
П |
|
|
Si = £ P A |
|
|
*=1 |
|
|
ы |
где |
Р,А= |
Л = К*1, К — матрица корреляционных момен- |
тов; |
К1к=Сл +М,Мк. |
Перейдем к начальным моментам оценок случайных величин. Тогда при рассмотренных выше допущениях алгоритмы обнару жения и распознавания будут иметь вид
|
1 |
|
>у\-, (5.6) |
|
|
|
|
|
|
\2 |
|
|
* |
|
Х<“ Ххв*** > О, (5.7) |
|
к =1 |
+V1=1 / TI оп/J |
|
Х=1 |
*=1 |
||
|
Лчрь/ |
|
Ы |
— 2 |
— 2 |
|
|
где Т ой и |
^Ош — остаточные средние оценок случайных пара |
метров для сигнала и помехи соответственно.
На основании (5.5) неравенства (5.6) и (5.7) записаны через оста-
—-^ точное среднее значение квадрата Т 0, множественного начального
регрессионного представления. Как видно из (5.6) и (5.7), в алгорит мах вычисляются отношения квадрата ошибки множественных рег рессионных представлений координат случайного входного вектора к
соответствующим остаточным средним значениям квадратов 'Рд,.
При переходе к линейным границам области принятия реше ния (см. гл. 2) получены регрессионные алгоритмы (5.6) и (5.7):
ПП
|
Е з - Е * / |
ы |
> и х\ |
(5.8) |
|
|
|
|
|
|
|
|
|
|
k * i |
|
|
п |
п |
|
п |
п |
|
I * |
? xi “ ^ Р |
ikxk |
* Z K " |
Xi ~~^ ] Р ikxk |
|
/=1 |
k=1 |
|
=1 |
|
|
|
Ы |
|
Ы |
k |
|
|
|
|
k*i |
|
Регрессионные алгоритмы имеют наглядный геометрический смысл, в них ограничивается относительное расстояние от линии на чальной регрессии. Алгоритмы, имеющие наглядный геометрический смысл, могут применяться независимо от закона распределения входного вектора (при одномодальных распределениях) [14].
Рассмотрим регрессионный алгоритм обнаружения и распо знавания двумерного входного вектора
Сй\ + Ьх2 ~К\Х2- 021*1 I > (/ Пор. |
(5-10 ) |
где а и b — весовые коэффициенты.