- •Введение
- •Формирование алфавитов классов и признаковых пространств радиолокационного распознавания
- •1.1. Общие сведения
- •1.2. Формирование алфавитов классов
- •1.3. Траекторные признаки
- •1.4. Сигнальные признаки однопозиционной активной локации при узкополосном зондировании
- •1.4.1. Эффективные площади (эп) целей
- •Примерные эффективные площади радиолокационных целей
- •1.4.2. Поляризационные признаки
- •1.4.3. Модуляционные признаки
- •1.5. Сигнальные признаки однопозиционной активной локации при широкополосном, многочастотном и многодиапазонном зондировании
- •1.5.1. Признаки при широкополосном зондировании
- •Скалярные признаки подклассов целей
- •Дальностно-поляризационные портреты (дпп)
- •О переходе от согласованного дальностного разрешения к сверхразрешению
- •Дальностно-частотные портреты (дчп)
- •Дальностно-угловые портреты (дул)
- •1.5.2. Признаки при многочастотном зондировании
- •Признаки при когерентном зондировании сигналами малой протяженности
- •Признаки при когерентном зондировании сигналами большой протяженности.
- •Признаки при некогерентном многочастотном зондировании
- •1.3.3. Признаки при многодиапазонном зондировании
- •1.6. Сигнальные признаки однопозиционной пассивной локации
- •1.7. Сигнальные признаки многопозиционной активно-пассивной локации
- •1.8. Признаковые пространства распознавания
- •1.9. Эффективность радиолокационного распознавания
- •2. Алгоритмы распознавания по совокупности признаков
- •2.1. Общие сведения
- •2.2. Байесовские одноэтапные алгоритмы распознавания
- •2.2.1. Исходные структуры алгоритмов
- •При этом отношение
- •2.2.2. Мультипликативные байесовские алгоритмы и их частичная
- •2.2.3 Аддитивные частично параметризованные байесовские алгоритмы
- •2.2.4. Примеры элементов байесовских алгоритмов
- •Элементы алгоритмов, связанные с измерением эффективных площадей целей
- •Элементы алгоритмов связанные с получением дальностных портретов целей
- •2.3. Непараметрические алгоритмы многоальтернативного распознавания
- •2.3.1. Алгоритмы вычисления расстояний
- •2.3.2. Алгоритмы голосования
- •2.4. Нейрокомпьютерные алгоритмы
- •2.4.1. Принципы построения и структуры и ейро компьютерных алгоритмов
- •2.4.2. Варианты алгоритмов функционирования и обучения
- •2.4.3. Нейробайесовские алгоритмы
- •2.4.4. Некоторые данные моделирования
- •3. Принципы реализации высокого разрешения по дальности и по угловой координате в одпопозиционных системах радиолокационного распознавания
- •3.1. Общие сведения
- •3.2. Возможности и примеры получения дальностных портретов
- •3.2.1. Методы когерентной обработки сигналов
- •3.2.2. Примеры когерентной обработки сигналов
- •3.3. Принципы реализации высокого разрешения за счет прямого синтеза апертуры
- •3.4. Пример синтеза апертуры на спутнике "Сисат", сша, 1978 [41]
- •3.5. Обратный (инверсный) синтез апертуры и формирование дальностно-угловых портретов
- •3.6. Варианты адаптации к случайным параметрам сигналов
- •3.7. Адаптация к неравномерному движению цели без угловых рысканий
- •3.8. Принципы адаптации к рысканиям цели
- •3.8.1. Применение методов углового сверхразрешения
- •3.8.2. Сочетание когерентной обработки с некогерентной
- •3.8.3. Компенсация амплитудно-фазовых флюктуаций, обусловленных
- •4. Экспериментальные и расчетные методы определения характеристик вторичного излучения и показателей качества радиолокационного распознавания
- •4.1. Общие сведения
- •4.2. Экспериментальные методы определения характеристик вторичного излучения
- •4.2.1. Методы натурных измерений
- •4.2.2. Методы масштабного электродинамического моделирования
- •4.2.3. Методы гидроакустического моделирования
- •4.3. Расчетные методы определения характеристик вторичного излучения
- •4.3.1. Разновидности расчетных методов
- •4.3.3. Динамические цифровые модели вторичного излучения
- •Варианты построения динамических моделей
- •4.4. Методы определения показателей качества радиолокационного распознавания
- •4.4.1. Натурные методы
- •4.4.2. Методы физического моделирования
- •4.4.3. Методы математического моделирования
- •4.4. Примеры математического моделирования распознавания воздушных целей по совокупности признаков
2.4.2. Варианты алгоритмов функционирования и обучения
Алгоритм функционирования однослойной искусственной нейросети (рис. 2.1.б) обычно имеет вид [55]
(2.32)
Пороги могут вводиться неодинаковыми β=βi при выборе функций fi(w)=f(w+βi).
В случае трехслойного персептрона (рис. 2.1,а) часть введенных значений aik обращается в нуль. Отсчеты zi, а именно, входные, выходные и "скрытые", принимают вид
(2.33)
(2.34)
(2.35)
Алгоритмы обучения (адаптации). Вводятся обычно из условия минимизации суммы квадратов невязок выходных отсчетов zl с отсчетами zpl, заранее заданными в процессе предъявления обучающих входных многомерных реализации yi=ypi . Задав минимизируемую функцию стоимости потерь аддитивной и квадратичной, можно представить ее в виде
. (2.36)
Аргументом функций является вектор весовых коэффициентов аlj, aji . Переменная суммирования l заменена в (2.36) на λ.
Для минимизации можно использовать численные методы поиска безусловных экстремумов: метод Ньютона, градиентный метод.
При градиентном поиске начальное значение вектора получает последовательные приращения
(k=0,1,2,….) (2.37)
где - градиент функции , а γ - постоянный коэффициент.
Процесс градиентного поиска может осуществляться в ходе последовательного предъявления обучающих реализаций. Предыдущее равенство переходит тогда в
(p=0,1,2,…) (2 .38)
Для составляющих as вектора отсюда следует
(2.39)
Если составляющая as относится к выходному слою трехслойного персептрона as=aij то ненулевую производную по аlj имеет только слагаемое λ=l выражения (2.36). Тогда [56]
(2.40)
- производная функции fl(w) по ее аргументу.
Если составляющая as относится к "скрытому" слою as=alv , то в образовании производной по аjv участвуют все слагаемые выражения (2.36) , но лишь одно слагаемое i = v весовой суммы (2.35), причем - только одной j-й суммы . Тогда
(2 .41)
Значения δpl вычисляются согласно (2.40).
Для часто используемых функций значения
. (2 . 42)
Градиентная процедура настройки неодинаковых порогов β, в выходном и "скрытом" слоях соответственно, определяется выражениями
(2.43)
2.4.3. Нейробайесовские алгоритмы
Представляют собой комбинацию байесовских и нейрокомпьютерных алгоритмов. Возможны различные варианты их построения. Например, предварительно, с использованием части элементов "скрытого" слоя (рис. 2.1,а) строится жесткий байесовский алгоритм распознавания; например, корреляционный на основе (2.19). Остальные элементы "скрытого" слоя используются для его корректировки в процессе обучения с учетом флюктуаций формы портретов (в классах или подклассах) для каждого сектора ракурсов.