- •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
4.4.1. Натурные методы
Могут быть реализованы в полигонных экспериментах на РЛС с каналами радиолокационного распознавания по специальным методикам. Как и при любых других испытаниях, должны быть заранее установлены оцениваемые показатели качества и способы их оценки; алфавит распознаваемых классов, а значит, требуемые летные средства и средства траекторного анализа; порядок набора, регистрации, отбраковки и обработки экспериментальных данных. Полезно сочетание натурного эксперимента и моделирования (см. разд. 4.2.2 и 4.3.3).
4.4.2. Методы физического моделирования
Возможно использование как электродинамического, так и акустического моделирования (см. разд. 4.2.2, 4.2.3). Последнее рассматривается как предварительная мера или как дополнение по отношению к методам натурных испытаний. Используется для: а) определения показателей качества макетов устройства распознавания; б) имитации возможной обстановки при натурных испытаниях РЛС с каналами распознавания (например, с помощью малоразмерных отражателей, поднимаемых на метеозондах); в) определения показателей качества и сопоставления алгоритмов, использующих различные сочетания признаков распознавания (совместно с методами математического моделирования).
4.4.3. Методы математического моделирования
Наиболее оперативны и экономически выгодны для проведения предварительных исследований. Могут использоваться для: а) сопоставления алгоритмов распознавания; б) сопровождения и обеспечения натурных испытаний, в) выявления и исследования новых признаков распознавания. В качестве данных для моделирования могут применяться данные натурных измерений, вспомогательных физического и математического моделирования.
Блок-схема математической модели для последнего случая приведена на рис. 4.4. Дополнительно к рис. 4.3,б введены: а) блок шумов и внешних помех с учетом линейной частя приемника (блок 5); б) блок принятия решений (блок б); в) блок оценки результатов распознавания (блок 7). Блок шумов и внешних помех предназначен для моделирования распознавания на фоне внутренних шумов приемника, а также в условиях активных и пассивных помех. В блоке принятия решений моделируется алгоритм (или несколько разновидностей алгоритмов) распознавания. Перед блоком принятия решений в ряде случаев необходим блок выделения признаков распознавания. В этот блок могут входить, например, алгоритмы получения одномерных или двумерных радиолокационных дальностных или дальностно-угловых портретов. Блок оценки результатов распознавания содержит алгоритмы статистической обработки потока принимаемых решений с учетом условий распознавания и расчета показателей качества распознавания.
4.4. Блок-схема математической модели для определения показателей качества распознавания
4.4. Примеры математического моделирования распознавания воздушных целей по совокупности признаков
Моделирование проводилось в соответствии с блок-схемой рис. 4.4. Модели целей составлялись в соответствии с методикой разд. 4.3.2. В зависимости от размера объекта модели содержали от тридцати до двухсот элементов. Моделировались различные варианты словарей признаков, алфавитов классов и алгоритмов распознавания.
Вводились, в частности, следующие варианты словарей признаков: СП1 – корреляционная сумма (2.19) + эффективная площадь, полученные по ДП цели при одном обращении к ней пачкой широкополосных сигналов; СП2 - словарь признаков СП1 + эффективная площадь, измеренная по результатам 10 - 15 узкополосных зондирований; СПЗ - словарь признаков СП2 + признак, связанный с флюктуациями формы ДП внутри пачки широкополосных импульсов; СП4 - словарь признаков СП3 + траекторные признаки (скорость, высота и их первые производные по времени).
Рис. 4.5. Результаты моделирования распознавания воздушных целей: а - для различных словарей признаков СП1– СП4 и алфавит М = 4 (N=1, AP1); б – для различных словарей признаков СПЗ - СП4 и алфавита М = 6 (N=1, АР1); в – для различною числа обращений к цели широкополосным сигналом N = 1, 2, 3, 5 (М=4, СП1,.АР1)
Алфавит распознаваемых классов М = 4 включал в себя классы целей крупных, средних и малых размеров, а также малоразмерных целей с искусственно увеличенной эффективной площадью. В алфавит классов М = 6 дополнительно входили классы вертолетов и метеозондов. В каждый из распознаваемых классов входило от одного до трех типов целей.
Моделировалась работа следующих алгоритмов распознавания: АР1 – аддитивный частично параметризованный байесовский алгоритм (разд. 2.2); АР2 – алгоритм взвешенного голосования (2.28); АРЗ – алгоритм простого голосования (2.29); АР4 – алгоритм минимума расстояний (2.21). (2.22).
Приводимые ниже варианты зависимостей полной вероятности ошибки распознавания Рош (см. разд. 1.9) от отношения сигнал/шум q2, дБ, рассчитаны лишь на качественное пояснение возможностей моделирования. Имеется в виду, что количественные параметры предполагаемых вариантов распознающих систем устанавливаются в ходе проектирования и здесь поэтому не уточняются.
На рис. 4.5, а приведены зависимости Рош (q2) для различных вариантов словарей признаков СП1 - СП4, алфавита классов М = 4, одного обращения к цели широкополосным сигналом (N = 1) и алгоритма АР1.
На рис. 4.5, б показано влияние на Рош (q2) выбора словарей признаков СПЗ и СП4 пои расширенном алфавите классов М = 6 для алгоритма АР1.
Рис. 4.5, в иллюстрирует возможности повышения качества распознавания (снижение суммарной ошибки распознавания) при увеличении числа N обращений к цели широкополосным сигналом для алфавита М = 4, словаря признаков СП1 и алгоритма АР1.
На рис. 4.6 показано влияние на Рош (q2) выбора алгоритма распознавания АР1 - АР4 для алфавита М = 4, словаря признаков СП4 и для одного обращения к цели широкополосным сигналом.
Некоторые особенности моделирования распознавания на основе двумерных дальностно-азимутальных портретов целей обсуждаются в приложении 5, а на основе нейрокомпьютерных и нейробайесовских алгоритмов - в приложении 6.