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 Р_i 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 r_ii = -1 или r_ii = - r_i. 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 Р_i 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].