Nghiên cứu giải bài toán nhận dạng mục tiêu ra đa trong điều kiện bất định về thông tin tiên nghiệm tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN THANH HÙNG NGHIÊN CỨU GIẢI BÀI TOÁN NHẬN DẠNG MỤC TIÊU RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM Chuyên ngành: Kỹ thuật đa – dẫn đường Mã số: 52 02 04 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội - 2018 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI VIỆN KHOA HỌC VÀ CƠNG NGHỆ QN SỰ- BỘ QUỐC PHỊNG Người hướng dẫn khoa học: TS Phạm Văn Hoan TS Nguyễn Hoàng Nguyên Phản biện 1: GS.TS Bạch Gia Dương Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội Phản biện 2: PGS TS Vũ Văn Yêm Đại học Bách khoa Hà Nội Phản biện 3: TS Trần Văn Hùng Viện Khoa học Công nghệ quân Luận án bảo vệ Hội đồng chấm luận án tiến sĩ cấp Viện, họp Viện Khoa học Công nghệ quân vào hồi … giờ, ngày… … tháng…… năm 2018 Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học Công nghệ quân - Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết đề tài luận án: Nhận dạng mục tiêu đa xác định lớp (kiểu loại) mục tiêu mà đài đa quan sát sở xử lý thông tin biết trước lớp mục tiêu liệu thu thập thời gian quan sát Trong vài thập niên gần đây, kỹ thuật nhận dạng có bước tiến nhảy vọt áp dụng rộng rãi nhiều lĩnh vực khác (âm thanh, hình ảnh…) Tuy nhiên, chức nhận dạng mục tiêu đa nghiên cứu phát triển số chủng loại đa đại nước có khoa học công nghệ quân mạnh giới chế tạo Ở nước, có số cơng trình nghiên cứu nhận dạng mục tiêu đa, chưa có kết nghiên cứu áp dụng vào thực tế Nguyên nhân nằm hai khó khăn đặc thù tốn nhận dạng mục tiêu đa [1], [68]: - Lượng thông tin tiên nghiệm ít: giới hạn khả quan sát đài đa khó khăn khảo sát thông tin đa đối tượng cần phân lớp - Thơng tin tiên nghiệm mang tính bất định cao: chịu tác động yếu tố ngẫu nhiên, phạm vi biến động lớn phụ thuộc nhiều vào điều kiện quan sát, bối cảnh nhiễu, tạp âm, Sự phát triển kỹ thuật công nghệ đa năm gần khắc phục phần khó khăn thứ nhất: Các đài đa đại có khả quan sát tốt, cho phép hình thành dạng chân dung đa (CDRĐ) khác mang nhiều thông tin đối tượng cần phân lớp [50], [66]: công suất, cự ly, ảnh, phổ, phân cực…; Việc khảo sát thông tin đa mục tiêu thực cách dễ dàng phương pháp mơ tốn lý tính chất phản xạ điện từ trường, kết hợp với thử nghiệm bán tự nhiên tự nhiên [45], [50] Khó khăn thứ hai (bất định thơng tin tiên nghiệm) tồn cách khách quan mang tính đặc thù với ứng dụng quân sự: Dữ liệu mục tiêu thường bị đối phương che giấu, thay đổi, chí hồn tồn chưa biết… Chính việc nghiên cứu giải toán nhận dạng mục tiêu đa điều kiện bất định thông tin tiên nghiệm nội dung bỏ qua nghiên cứu thiết kế cập nhật, nâng cấp hệ thống nhận dạng (HTND) có Mục tiêu nghiên cứu luận án: Nghiên cứu vấn đề bất định thông tin tiên nghiệm ảnh hưởng chúng đến chất lượng nhận dạng mục tiêu đa Trên sở đề xuất hướng khắc phục xây dựng giải pháp cụ thể cho toán nhận dạng mục tiêu bay theo chân dung cự ly (CDCL) Đối tượng nghiên cứu luận án: Bài toán nhận dạng mục tiêu bay theo CDCL điều kiện bất định thông tin tiên nghiệm Phạm vi nghiên cứu luận án: Giới hạn vấn đề nhận dạng lớp mục tiêu bay điển hình theo CDCL, tạo phương pháp mơ Ở đây, tốn nhận dạng thực độc lập với trình phát coi việc xử lý chống nhiễu thực trước hình thành chân dung Phương pháp nghiên cứu luận án: Sử dụng lý thuyết để phân tích tính đặc thù tốn nhận dạng mục tiêu đa Trên sở đề xuất giải pháp khắc phục tính bất định thơng tin tiên nghiệm nhận dạng mục tiêu đa Xây dựng mơ hình thực khảo sát đánh giá hiệu giải pháp trường hợp nhận dạng số lớp mục tiêu bay điển hình theo CDCL Các CDCL lớp mục tiêu tạo phần mềm mơ tín hiệu phản xạ mục tiêu đa (RTBS Radar Target Backscattering Simulation) [3] Việc khảo sát đánh giá chất lượng nhận dạng thực mô phần mềm Matlab Ý nghĩa khoa học thực tiễn luận án: Ý nghĩa khoa học: Góp phần hồn thiện toán nhận dạng mục tiêu đa với số đóng góp cụ thể sau: - Đưa giải pháp hiệu nâng cao chất lượng nhận dạng điều kiện bất định tỷ số tín tạp, sở sử dụng phân lớp huấn luyện có tạp kết hợp với việc giảm tạp chân dung cự ly - Đề xuất phương án xây dựng khảo sát mơ hình nhận dạng mục tiêu bay theo kiểu phân đoạn sở liệu theo góc phương vị Mơ hình cho phép nâng cao chất lượng nhận dạng, hạn chế việc phân lớp nhầm mục tiêu CDCL chúng phương vị khác có mối tương quan cao - Xây dựng thuật tốn nhận dạng có phân biệt mục tiêu chưa biết theo hướng xây dựng mơ hình mục tiêu biết dựa phân bố giá trị liên thuộc lớp đầu phân lớp (BPL) mờ phân biệt mục tiêu chưa biết theo ngưỡng Ý nghĩa thực tiễn: Kết nghiên cứu sử dụng để tham khảo nghiên cứu thiết kế cập nhật, nâng cấp HTND có Bố cục luận án: Luận án gồm 03 chương với phần Mở đầu, Kết luận, Danh mục cơng trình khoa học cơng bố, Tài liệu tham khảo CHƯƠNG BÀI TOÁN NHẬN DẠNG MỤC TIÊU RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 1.1 Tổng quan toán nhận dạng mục tiêu đa 1.1.1 Dấu hiệu nhận dạng chân dung đa Cơ sở để nhận dạng mục tiêu đa dấu hiệu vật lý đặc trưng cho lớp, kiểu loại mục tiêu cần phân biệt (đặc tính hình học, vật lý động học) thể dạng chân dung mà đài đa hình thành Trường hợp chung, CDRĐ định nghĩa tập hợp giá trị biên độ phức tín hiệu thu được, giá trị tương ứng với phần tử phân giải định không gian dấu hiệu nhận dạng [1], [66], [68] Phần giới thiệu ba loại chân dung đa có tính ứng dụng cao nhận dạng mục tiêu bay: chân dung đốp le (chân dung phổ), CDCL, chân dung đa mặt mở tổng hợp ngược (ISAR) Trong đó, có khả triển khai nhiều loại đa đại mang nhiều thông tin phục vụ phân lớp nên CDCL trọng phân tích lựa chọn cho việc phân tích giải vấn đề luận án 1.1.2 Sơ đồ tổng quát hệ thống nhận dạng mục tiêu đa Sơ đồ tổng quát HTND trình bày hình 1.3 Quan sát, thu thập thơng tin Tiền xử lý Trích chọn đặc trưng Phân lớp mục tiêu Kết hợp, hậu xử lý Mục tiêu phân lớp Hình 1.3 Sơ đồ tổng quát hệ thống nhận dạng mục tiêu đa Ở đây, đầu khâu “Quan sát, thu thập thơng tin” CDRĐ Mục đích khâu “Tiền xử lý” chuẩn bị liệu thu thập cho giai đoạn Đối với HTND theo CDCL, tiền xử lý gồm: lấy trung bình chân dung, giảm tạp (noise reduction), chuẩn hóa (normalization), định tâm mục tiêu cửa sổ cự ly “Trích chọn đặc trưng” trình chọn lọc từ liệu quan sát để lấy thông tin quan trọng, dễ sử dụng thuật toán phân lớp Giá phải trả phần thông tin mục tiêu bị mát Trong trường hợp cần đảm bảo khả phân lớp nhiều loại mục tiêu khác việc sử dụng trực tiếp CDCL mang lại hiệu cao Để “Phân lớp mục tiêu” HTND sử dụng phân lớp Có nhiều phương án phân lớp khác như: tham số, phi tham số, mô tả cấu trúc, dùng mạng nơ ron với kỹ thuật học máy (machine learning) Nhìn chung, khơng tồn phương án phân lớp tối ưu chung cho HTND Việc lựa chọn kỹ thuật phân lớp hay khác, cần vào khả “tổng quát hóa” (Generalization ability) tính khả thi mặt kỹ thuật toán nhận dạng cụ thể “Kết hợp, hậu xử lý” bao gồm: kết hợp nhiều dấu hiệu kỹ thuật phân lớp khác nhằm đáp ứng tốt yêu cầu chất lượng nhận dạng với mức độ phức tạp cho phép hệ thống 1.1.3 Chất lượng nhận dạng Chất lượng nhận dạng thể chi tiết qua bảng xác suất định sai (hay gọi ma trận nhầm lẫn - confusion matrix): 𝑃𝑖/𝑘 = 𝑃{𝜔𝑖∗ /𝜔𝑘 }; 𝑖, 𝑘 = ÷ 𝑐 (𝜔𝑘 - điều kiện có mục tiêu lớp k; 𝜔𝑖∗ - định tồn mục tiêu lớp i; 𝑐 – số lớp mục tiêu cần nhận dạng) Để so sánh chất lượng HTND, luận án coi hàm giá có dạng đơn giản, xác suất xuất lớp mục tiêu tiêu chất lượng lựa chọn sử dụng đánh giá trung bình xác suất nhận dạng (TBXSND) 𝑃đ𝑇𝐵 (gọi tắt độ xác nhận dạng): 𝑃đCđk = − 𝑅𝑇𝐵 = 𝑃đ𝑇𝐵 = (∑ci=1 Pi/i ) = − 𝑃𝑠TB c (1.8) Xác định ma trận nhầm lẫn giải tích phức tạp khả thi, luận án xác suất ước lượng mô Trong đó, tập sở liệu (CSDL) ban đầu phân chia thành hai phần: tập liệu huấn luyện (DLHL) tập liệu kiểm tra (DLKT) Đầu tiên phận lớp học mẫu tập DLHL, sau độ xác nhận dạng phân lớp ước lượng sở tính xác suất nhận dạng mẫu tập DLKT Một số phương pháp phân chia tập CSDL thường sử dụng toán nhận dạng mục tiêu đa theo CDCL là: holdout, k-fold cross-validation chia xen kẽ lược [44] 1.1.4 Đặc điểm nhận dạng mục tiêu đa - Khả phương tiện quan trắc (đài đa) hạn chế, lượng thơng tin thu thập khơng nhiều, độ xác thấp, phạm vi biến động lớn - Thời gian quan sát ngắn, đòi hỏi đáp ứng thời gian thực, yêu cầu cao độ tin cậy định nhận dạng - Thông tin đối tượng cần nhận dạng khó thu thập: Khảo sát thực nghiệm tốn nhiều trường hợp không khả thi Không có đủ liệu mục tiêu để mơ Dễ có khả xuất mục tiêu lạ mà ta hồn tồn khơng có liệu chúng - Điều kiện nhận dạng có tính biến động, bất định cao: bối cảnh nhiễu tạp; vị trí tương đối mục tiêu; thăng giáng tín hiệu trình phản xạ, lan truyền Các yếu tố tác động qua lại lẫn gây khó khăn đặc thù nhận dạng mục tiêu đa lượng thơng tin tiên nghiệm mang tính bất định cao Để đảm bảo chất lượng nhận dạng, song song với biện pháp nâng cao lượng thông tin tiên nghiệm phục vụ nhận dạng, cần phải có giải pháp khắc phục tính bất định nhằm sử dụng cách hiệu lượng thông tin vào mục đích phân lớp Đây mục tiêu nghiên cứu đặt luận án 1.2 Các vấn đề cần giải 1.2.1 Đảm bảo tính tổng quát thuật tốn phân lớp Theo quan điểm xác suất tính bất định thể hai cấp độ: tham số hàm Do liệu CDRĐ có độ xác thấp, khơng đầy đủ, mang tính ngẫu nhiên biến động cao theo điều kiện quan sát nên việc xác định dạng phân bố đa chiều khơng khả thi Vì vậy, thuật tốn phân lớp thường thực theo mơ hình phi tham số Điển hình BPL: k-NN (k hàng xóm gần nhất); SVM (máy véc tơ tựa); mạng nơ ron Đặc điểm chung phương pháp phân lớp đảm bảo tốt “tính tổng qt hóa” sử dụng trực tiếp tập sở liệu để huấn luyện (học máy) mà không cần cho trước dạng phân bố Trong luận án phân tích chi tiết kỹ thuật phân lớp nêu trên, từ lựa chọn phương án phù hợp làm công cụ phân lớp cho khảo sát 1.2.2 Khắc phục tính bất định tỷ số tín tạp Sau thực biện pháp xử lý chống nhiễu, CDRĐ, ngồi tín hiệu có ích tồn tạp (Background) (trong luận án gọi tắt tạp) Tạp thường có dạng tạp trắng cộng tính dạng Gauss (AWGN) Trong CDCL, tỷ số tín tạp (SNR) có phạm vi biến động lớn (tùy thuộc vào cường độ tạp, công suất phát, cự ly, chủng loại mục tiêu) ước lượng với độ xác định thời điểm quan sát Sự khác biệt giá trị SNR thực tế giá trị SNR sử dụng mơ hình nhận dạng làm suy giảm đáng kể chất lượng nhận dạng Việc khắc phục triển khai theo hướng sau: xây dựng mơ hình thích nghi với tạp [47]; huấn luyện có tạp; giảm tạp (noise reduction) Nhìn chung, giải pháp xây dựng mơ hình thích nghi với tạp dựa sở toán học chặt chẽ để áp dụng giải pháp cần phải biết dạng hàm phân bố CDRĐ (mơ hình tham số) Với BPL kiểu phi tham số, học máy K-NN, SVM, mạng nơ ron hướng khắc phục tính bất định tỷ số SNR lựa chọn là: giảm tạp huấn luyện có tạp Để triển khai giải pháp cần phải thực khảo sát đánh giá chi tiết dựa CSDL toán nhận dạng cụ thể Đây nội dung nghiên cứu đặt Luận án 1.2.3 Khắc phục yếu tố bất định góc hướng mục tiêu Trong thực tế, mục tiêu xuất từ hướng (phương vị  góc ngẩng ) góc hướng mục tiêu thay đổi phạm vi rộng Hầu hết CDRĐ CDCL phụ thuộc nhiều vào hướng quan sát Ngoài ra, mục tiêu khác cho chân dung giống quan sát số góc hướng định [54] Chính vậy, việc sử dụng thơng tin góc hướng cần thiết nhận dạng mục tiêu đa theo CDCL Nhiệm vụ đặt luận án là: phân tích ảnh hưởng yếu tố bất định góc hướng chất lượng nhận dạng theo CDCL, từ đề xuất phương án xây dựng mơ hình cụ thể nhằm khắc phục yếu tố 1.2.4 Phân biệt mục tiêu chưa biết Đa số HTND mục tiêu đa trước xây dựng sở cố định thành phần số lớp mục tiêu nhận dạng Như vậy, xuất đối tượng không nằm danh sách lớp mục tiêu biết hệ thống đưa định đối tượng quan sát thuộc lớp danh sách Đối tượng loại phương tiện bay mục tiêu giả đối phương cố tình tạo Trong hai trường hợp, việc định sai dẫn đến hậu khó lường Vấn đề phân biệt mục tiêu chưa biết luận án nghiên cứu giải theo hướng xây dựng mơ hình mục tiêu biết thực định phân biệt theo ngưỡng Đối tượng ứng dụng BPL dùng kỹ thuật học máy thường dùng nhận dạng mục tiêu đa theo CDCL SVM, mạng nơ ron 1.3 Kết luận chương Chương luận án trình bày tổng quan nhận dạng mục tiêu đa; phân tích chất vật lý, ngun nhân hình thành tình hình nghiên cứu khắc phục tính bất định thơng tin tiên nghiệm, từ xác định nhiệm vụ cần nghiên cứu giải luận án: - Lựa chọn phương pháp phân lớp đảm bảo tính tổng quát điều kiện bất định thông tin tiên nghiệm - Nghiên cứu biện pháp đảm bảo chất lượng nhận dạng điều kiện bất định tỷ số tín tạp theo hướng huấn luyện có tạp giảm tạp - Xây dựng mơ hình nhận dạng sử dụng thơng tin góc hướng mục tiêu nhằm hạn chế việc phân lớp nhầm lớp mục tiêu trường hợp góc hướng mục tiêu biến động phạm vi rộng - Tổng hợp thuật toán nhận dạng - phân biệt mục tiêu chưa biết theo hướng xây dựng mơ hình mục tiêu biết phân biệt với mục tiêu chưa biết theo ngưỡng CHƯƠNG NGHIÊN CỨU ĐỀ XUẤT GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG NHẬN DẠNG TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 2.1 Lựa chọn phương pháp phân lớp Phần trình bày nguyên tắc xây dựng, phân tích ưu nhược điểm ba BPL phi tham số điển hình k-NN, SVM mạng nơ ron Trong đó, phân lớp sử dụng phổ biến nhận dạng mục tiêu đa, có thời gian huấn luyện nhanh không sợ rơi vào cực trị địa phương, nên BPL mạng nơ ron với hàm sở hướng tâm RBF lựa chọn làm công cụ nhận dạng cho nội dung nghiên cứu khảo sát luận án 2.2 Giải pháp đảm bảo chất lượng nhận dạng điều kiện bất định tỷ số tín tạp 2.2.1 Tỷ số tín tạp CDCL CDCL biểu diễn dạng véc tơ d giá trị biên độ phức tín hiệu nhận phần tử phân giải cự ly không gian nhận dạng tương ứng 𝑥̇ = [𝑥̇ 𝑖 , 𝑖 = ÷ 𝑑] Trường hợp tồn mục tiêu thuộc lớp 𝑘 (𝑘 = ÷ 𝑐; 𝑐 số lớp mục tiêu cần phân lớp) CDCL nhận có dạng: 𝑥̇ = 𝑛̇ + 𝑠𝑘̇ Trong đó: 𝑠̇𝑘 = [𝑠̇𝑘,𝑖 , 𝑖 = ÷ 𝑑] – giá trị biên độ phức tín hiệu phản xạ từ mục tiêu lớp 𝑘 phần tử phân giải tương ứng, 𝑛̇ = [𝑛̇ 𝑖 , 𝑖 = ÷ 𝑑]- giá trị biên độ phức tạp Tỷ số tín tạp CDCL xác định theo cơng thức sau: ∑𝑑𝑖=1|𝑠̇𝑘,𝑖 | 𝑆𝑁𝑅 (𝑑𝐵) = 10log10 𝑑 ∑𝑖=1|𝑛̇ 𝑖 |2 Các giá trị biên độ |𝑠̇𝑘,𝑖 | thể cường độ tín hiệu phản xạ từ phần tử phân giải cự ly tương ứng mục tiêu Chúng khơng phụ thuộc vào cơng suất tín hiệu phát, cự ly quan sát mà phụ thuộc vào chủng loại mục tiêu góc hướng Như vậy, kéo theo SNR CDCL có tính biến động bất định cao 2.2.2 Huấn luyện có tạp Huấn luyện có tạp đưa thêm tạp vào DLHL nhằm nâng cao khả nhận dạng BPL làm việc điều kiện có tác động tạp Một BPL làm việc tốt điều kiện huấn luyện Trong trường hợp nhận dạng theo CDCL tạp AWGN, điều kiện thể qua tỷ số SNR tập DLHL (𝑆𝑁𝑅 𝐻𝐿 ) CDCL mục tiêu cần nhận dạng (𝑆𝑁𝑅 𝐾𝑇 ) Như tối ưu thỏa mãn điều kiện 𝑆𝑁𝑅 𝐻𝐿 = 𝑆𝑁𝑅 𝐾𝑇 (điều kiện biết tạp) Tuy nhiên, giá trị SNR thực tế (𝑆𝑁𝑅 𝐾𝑇 ) có phạm vi biến động lớn nên việc đảm bảo điều kiện cách tuyệt đối Hai hướng giải đề xuất là: - Huấn luyện BPL với nhiều mức 𝑆𝑁𝑅 khác nhằm đảm bảo tính tổng qt tồn dải biến động 𝑆𝑁𝑅 𝐾𝑇 (mơ hình BPL đơn) - Sử dụng song song nhiều “kênh phân lớp” (KPL) thành phần, kênh huấn luyện đảm nhiệm nhận dạng vùng định dải biến động 𝑆𝑁𝑅 𝐾𝑇 (mơ hình BPL song song) 2.2.3 Giảm tạp theo ngưỡng chân dung cự ly Bản chất giải pháp cắt bỏ CDCL theo mức ngưỡng “” cho loại bỏ tối đa phần tử chứa tạp không làm 11 sau xử lý, đồng thời đưa đến tất BPL Việc chọn kết nhận dạng từ BPL theo giá trị ước lượng góc hướng đài đa 2.3.3 Lựa chọn tham số cho mơ hình nhận dạng dựa phân đoạn CSDL theo góc hướng Việc chọn độ rộng phân đoạn góc hướng vào: + Tính chất biến động CDCL lớp mục tiêu theo góc hướng giống CDCL lớp mục tiêu khác góc hướng khác (trong luận án, yếu tố đánh giá qua hệ số tương quan Pearson) + Khả xác định góc hướng đài đa + Độ phức tạp cho phép mô hình (số BPL con) Xét từ điều kiện nhận dạng thực tế, luận án, bỏ qua yếu tố bất định góc ngẩng giới hạn khảo sát theo góc phương vị 2.4 Tổng hợp thuật tốn nhận dạng có phân biệt mục tiêu chưa biết 2.4.1 Xây dựng mơ hình mục tiêu biết Với kiểu BPL xem xét (mạng nơ ron, SVM) giá trị liên thuộc lớp 𝑍𝑖 (𝑥), 𝑖 = 1,2, … , 𝑐 đầu kênh BPL thể định lượng mức độ chân dung 𝑥 thuộc vào lớp mục tiêu thứ tương ứng i (0 ≤ 𝑍𝑖 (𝑥) ≤ ) Dạng hàm mật độ xác suất (MĐXS) có điều kiện giá trị 𝑝(𝑍𝑖 /𝜔𝑚 ); 𝑖, 𝑚 = 1, 2, … , 𝑐 ước lượng dễ dàng cách xây dựng biểu đồ (histogram) từ kết nhận dạng tập CDCL lớp mục tiêu biết Xét giá trị liên thuộc lớp 𝑍𝑖 (𝑥), mục tiêu quan sát thuộc lớp 𝜔𝑚 giá trị liên thuộc lớp kênh xử lý thứ “𝑚” có xu hướng đạt giá trị cao – gần với “1”, kênh lại cho giá trị thấp – gần với “0” Như vậy, hàm MĐXS ta chọn hàm “𝑝(𝑍𝑚 /𝜔𝑚 ); 𝑚 = 1, 2, … , 𝑐” làm sở để biểu diễn mơ hình thống kê lớp mục tiêu biết 2.4.2 Lựa chọn quy tắc định Để kết hợp “nhận dạng mục tiêu biết” “phân biệt mục tiêu chưa biết”, với kênh giá trị liên thuộc lớp “𝑍𝑚 ” cần phải tìm “ngưỡng phân biệt” tương ứng “𝛾𝑚 ” định theo quy tắc: “Nếu 𝑎𝑟𝑔𝑚𝑎𝑥 {𝑍𝑖 (𝑥)} = 𝑚 𝑖=1,2,…,𝑐 ∗ 𝑍𝑚 (𝑥) ≥ 𝛾𝑚 𝑥 thuộc lớp 𝜔𝑚 (𝜔∗ = 𝜔𝑚 ); (2.37) 𝑍𝑚 (𝑥) < 𝛾𝑚 𝑥 thuộc lớp mục tiêu chưa biết” Sơ đồ mơ hình hệ thống nhận dạng – phân biệt mục tiêu chưa biết (viết tắt NDPBMT) theo quy tắc định (2.37) minh họa hình 2.8 𝛾𝑚 ngưỡng phân biệt mục tiêu lớp 𝜔𝑚 với mục tiêu chưa 12 biết Nếu giới hạn “𝑐” lớp mục tiêu biết, BPL có khả nhận ∗ dạng lớp mục tiêu với xác suất 𝑃𝑚/𝑚 = 𝑃{𝜔𝑚 /𝜔𝑚 } Các giá trị xác suất hồn tồn ước lượng phương pháp mơ thống kê Như ta vào 𝑃𝑚/𝑚 để xác định ngưỡng γ𝑚 theo công thức: 𝑃(𝑍𝑚 ≥ 𝛾𝑚 /𝜔𝑚 ) = ∫𝛾 𝑝(𝑍𝑚 /𝜔𝑚 )𝑑𝑍𝑚 = 𝑃𝑚/𝑚 , 𝑚 = 1, 2, … , 𝑐 (2.38) 𝑚 Trong trường hợp tồn mục tiêu chưa biết 𝜔𝑀𝑇𝐶𝐵 , tùy theo mức độ giống so với mục tiêu biết m đó, hàm MĐXS có điều kiện 𝑝(𝑍𝑚 /𝜔𝑀𝑇𝐶𝐵 ); 𝑚 = 1, 2, … , 𝑐 thường có xu hướng dịch phía bên phải đoạn [0,1] so với 𝑝(𝑍𝑚 /𝜔𝑖 ); 𝑖 ≠ 𝑚 Như vậy, để đảm bảo tốt khả phân biệt (phát hiện) mục tiêu mục tiêu chưa biết với mục tiêu biết m, cần dịch giá trị ngưỡng phía bên phải lượng định đó: 𝑃(𝑍𝑚 ≥ 𝛾𝑚 /𝜔𝑚 ) = ∫𝛾 𝑝(𝑍𝑚 /𝜔𝑚 )𝑑𝑍𝑚 = 𝑃𝑚/𝑚 − 𝑟 (2.39) 𝑚 Ở 𝑟 hệ số điều chỉnh ngưỡng phân biệt Nó phải có giá trị phù hợp cho vừa đảm bảo khả phân biệt mục tiêu chưa biết đồng thời lại không làm ảnh hưởng nhiều đến xác suất nhận dạng lớp mục tiêu biết Nếu coi việc phát mục tiêu chưa biết có ý nghĩa tương đương với việc nhận dạng lớp mục tiêu biết hệ số xác định theo tiêu chí “đảm bảo xác suất phân biệt mục tiêu chưa biết xấp xỉ với trung bình xác suất nhận dạng hệ thống” Xác định ngưỡng BPL mờ DLHL 𝑍1 (𝑥) x 𝑍𝑐 (𝑥) Cực đại So sánh Ngưỡng 𝛾1…𝑐 𝛾𝑚 𝑍1 (𝑥) 𝑍𝑚 (𝑥) 𝑍𝑐 (𝑥) max 𝑍𝑚 (𝑥) < 𝛾𝑚 (MTCB) ≡ ≥ 𝛾𝑚 (MT lớp 𝜔𝑚 ) Hình 2.8 Sơ đồ mơ hình hệ thống nhận dạng mục tiêu đa có phân biệt mục tiêu chưa biết 13 2.4.3 Xác định ngưỡng phân biệt Để xác định tập ngưỡng phân biệt “𝛾𝑚 ; 𝑚 = 1, 2, … , 𝑐” theo phương trình (2.39) cần thực hai nội dung sau: - Ước lượng hàm MĐXS có điều kiện 𝑝(𝑍𝑚 /𝜔𝑚 ) xác suất ∗ nhận dạng “𝑃𝑚/𝑚 = 𝑃{𝜔𝑚 /𝜔𝑚 }, 𝑚 = 1, 2, … , 𝑐 - Tìm hệ số điều chỉnh “𝑟” theo tiêu chí lựa chọn Quy trình thực chi tiết trình bày luận án Ở đây, ta có lưu ý, xác định “𝑟” theo tiêu chí lựa chọn cần có mơ hình mục tiêu chưa biết Ta chọn mục tiêu 𝑐 lớp biết làm mục tiêu chưa biết giả định i, để tìm hệ số 𝑟𝑖 , sau xác định r lấy trung bình 𝑟𝑖 , 𝑖 = 1, 2, … , 𝑐 2.5 Kết luận chương Những kết chương tóm tắt sau: - Nghiên cứu chất phân tích ưu nhược điểm BPL điển hình đại diện cho kỹ thuật phân lớp phi tham số: k-NN, SVM, mạng nơ ron Trên sở đó, lựa chọn sử dụng mạng nơ ron RBF làm phương tiện thực toán nhận dạng mục tiêu bay theo CDCL - Đưa số biện pháp khắc phục bất định tỷ số SNR áp dụng cho toán nhận dạng theo CDCL với BPL dùng kỹ thuật học máy: + Huấn luyện có tạp với mơ hình BPL song song (bao gồm nhiều KPL thành phần, kênh huấn luyện mức SNR định) mơ hình BPL đơn huấn luyện nhiều mức 𝑆𝑁𝑅 Việc lựa chọn phương án cấu hình cho mơ hình thực mô theo phương án đề xuất luận án + Xây dựng thuật toán giảm tạp theo mức ngưỡng nhằm giảm bớt tính bất định SNR CDCL So với cơng trình nghiên cứu cơng bố, khác biệt của thuật tốn thể việc sử dụng hệ số cắt tạp “h” để điều chỉnh mức ngưỡng cho “loại bỏ tối đa tạp hạn chế mát phần tử mang thơng tin có ích CDCL” + Đề xuất phương án sử dụng kết hợp giảm tạp CDCL mơ hình BPL đơn BPL song song huấn luyện có tạp - Làm rõ yếu tố gây suy giảm chất lượng nhận dạng điều kiện bất định góc hướng Từ đề xuất phương án xây dựng mơ hình nhận dạng dựa phân đoạn CSDL theo góc phương vị Ở tham số phân đoạn lựa chọn dựa trên ba yếu tố: + Tính biến động chân dung cự ly theo góc phương vị; 14 + Sự giống chân dung cự ly lớp mục tiêu khác góc phương vị khác nhau; + Khả xác định góc phương vị đài đa - Tổng hợp thuật toán nhận dạng có phân biệt mục tiêu chưa biết dựa sở xây dựng mơ hình thống kê mục tiêu biết thông qua giá trị liên thuộc lớp đầu kênh BPL Đề xuất tiêu chí lựa chọn ngưỡng phân biệt (“TBXSND xấp xỉ xác suất phân biệt mục tiêu chưa biết”) đưa quy trình xác định theo tiêu chí đề CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH MƠ PHỎNG VÀ ĐÁNH GIÁ CHẤT LƯỢNG NHẬN DẠNG 3.1 Xây dựng phương án khảo sát chung 3.1.1 Đối tượng điều kiện khảo sát Đối tượng: HTND theo CDCL lớp mục tiêu bay điển hình (được tạo phần mềm RTBS) dùng BPL mạng RBF điều kiện biết tạp Điều kiện khảo sát: - Tham số CDCL: Độ phân giải đa 1m, ô cự ly lấy mẫu (độ rộng 0,5m); Độ rộng cửa sổ cự ly: 60m; Số phần tử lấy mẫu: 120 - Bộ phân lớp mạng RBF: hàm sở bán kính hàm Gauss có dạng (𝑥) = 𝑒 − ‖𝑥−𝜇‖2 2𝜎2 với x CDCL đầu vào,   tâm tham số độ rộng; số nơ ron lớp ẩn 80; phương pháp huấn luyện mạng phương pháp hai pha theo [62] - Tham số thể điều kiện quan sát: Tỷ số SNR; Góc hướng: cố định góc ngẩng (3), phương vị: (0-180), khoảng lấy mẫu 0,2 3.1.2 Mơ hình khảo sát chung Tạo CDCL, phân chia, cộng tạp Tập DLHL Tập DLKT Tiền xử lý Tiền xử lý Bộ phân lớp Đánh giá chất lượng (hiệu quả) Hình 3.1 Sơ đồ mơ hình khảo sát chung 15 3.1.3 Tạo sở liệu - Mục tiêu cần nhận dạng: kiểu loại mục tiêu bay Tu16, B1b, B52, Mig21, Tornado, F15, Alcm, Glcm Decoy Các CDCL tạo phần mềm RTBS với phương pháp lấy mẫu theo góc phương vị sau: Đối với lớp số lớp mục tiêu, 900 CDCL tạo tương ứng với 900 vị trí góc phương vị khoảng từ 0 đến 180 với độ phân giải lấy mẫu theo phương vị 0,2 Như vậy, tập CSDL CDCL (gọi tập CSDL DL1) gồm 8100 CDCL phức lớp mục tiêu véc tơ nhãn kiểu loại mục tiêu tương ứng - Phân chia tập CSDL thành tập DLHL DLKT theo phương pháp 10-fold cross validation phương pháp xen kẽ lược - Cộng tạp vào CSDL: tạp trắng cộng tính Gauss phức cộng vào CDCL phức tập DLHL DLKT theo mức SNR có giá trị từ -12 dB đến 24dB với bước nhảy 2dB 3.1.4 Lưu đồ chương trình mơ chung kết khảo sát trường hợp biết tạp Phần trình bày nội dung xây dựng lưu đồ chương trình mơ chung thực khảo sát HTND trường hợp biết tạp (SNR liệu huấn luyện kiểm tra nhau) nhằm lấy kết tham chiếu cho đánh giá sau Kết mô thể thông qua đồ thị biểu diễn phụ thuộc TBXSND vào SNR (hình 3.5) phân chia liệu theo phương pháp 10-fold cross validation (a) phương pháp xen kẽ lược (b) 100 90 Xac suat nhan dang dung (%) 80 70 60 50 40 30 20 a b 10 -10 -5 10 Ty so tin tren tap (dB) 15 20 Hình 3.5 Độ xác nhận dạng mơ hình nhận dạng chung trường hợp biết tạp Ta thấy rằng, hai phương pháp phân chia CSDL cho kết giống đảm bảo tính hợp lý: trường hợp biết tạp TBXSND tăng theo SNR Từ rút nhận xét khả HTND 16 dùng mạng RBF với tham số lựa chọn: TBSXND đạt 70% SNR>0 dB giảm nhanh đến 20% SNR thay đổi từ dB đến (-10) dB Kết mơ hình 3.5 dùng để tham chiếu so sánh đánh giá hiệu giải pháp khắc phục tính bất định thơng tin tiên nghiệm đề xuất luận án 3.2 Khảo sát đánh giá giải pháp khắc phục tính bất định SNR Điều kiện mô phỏng: + Tập CSDL CDCL: Tập DL1 với lớp mục tiêu tạo mục 3.1; Phân chia tập CSDL theo phương pháp xen kẽ lược; + Mô điều kiện bất định SNR: DLHL khơng có tạp có tạp với vài mức SNR khác nhau, DLKT có mức SNR thay đổi dải từ -10 dB đến 16 dB với bước nhảy dB; + Phương pháp giảm tạp: Thuật toán giảm tạp theo ngưỡng đề xuất mục 2.2.3 + Phương pháp đánh giá: Ước lượng TBXSND HTND điều kiện tạp (SNR CDCL huấn luyện kiểm tra khác nhau) có khơng sử dụng biện pháp khắc phục, tham chiếu với kết khảo sát trường hợp biết tạp thực mục 3.1.3 3.2.1 Khảo sát đánh giá phương án huấn luyện có tạp Kết khảo sát phương án huấn luyện có tạp thể hình 3.7 3.8 MP (16dB) XS ND dung (%) 100 90 70 60 100 50 50 50 BSNR 1SNR 50 40 30 20 a b 10 -10 -5 Hình 3.7 Ty so tin tren tap (dB) 10 15 MP (2dB) 100 -10 XS ND dung (%) Xac suat nhan dang dung (%) 80 MP (8dB) 100 10 SNR DLKT (dB) MP (-2dB) -10 10 SNR DLKT (dB) MP (-6dB) -10 100 100 100 50 50 50 -10 10 SNR DLKT (dB) -10 10 SNR DLKT (dB) -10 10 SNR DLKT (dB) MP (-10dB) 10 SNR DLKT (dB) Hình 3.8 Từ hình 3.7 ta thấy huấn luyện khơng có tạp cho TBXSND (b) nhiều so với trường hợp biết tạp (a), đặc biệt SNR thấp Như vậy, điều kiện thực tế, SNR biến động phạm vi lớn, sử dụng tập DLHL (khơng có tạp) chất lượng 17 nhận dạng khơng đảm bảo Điều giải thích BPL huấn luyện điều kiện có khả nhận dạng tốt điều kiện Vì thế, nhận dạng mục tiêu đa, để nâng cao khả tổng quát BPL tạp, cần thiết phải huấn luyện BPL với liệu có tạp mức SNR khác Từ hình 3.8 ta thấy rằng: Độ xác nhận dạng huấn luyện với mức SNRHL (1SNR) nhiều so với điều kiện biết tạp (BSNR) Bộ phân lớp huấn luyện mức SNRHL nhận dạng tốt CDCL tập DLKT có mức SNR KT vùng ổn định biết tạp - vùng lân cận xung quanh mức SNRHL Khi SNRKT khác SNRHL DLHL chất lượng giảm, kể SNR KT lớn (ví dụ MP6) Hình 3.10 kết mô BPL đơn huấn luyện với mức SNR Ta thấy rằng, trường hợp này, độ xác nhận dạng cải thiện so với trường hợp huấn luyện mức SNR (hình 3.8) Với mức SNRHL, ưu tiên huấn luyện có tạp dải SNR thấp, độ xác nhận dạng dải SNR cao Hình 3.10 So sánh độ đường đồ thị SNR(-10,-6,16dB) Ngược xác nhận dạng BPL đơn lại, ưu tiên huấn luyện dải SNR huấn luyện có tạp với ba mức cao độ xác nhận dạng dải SNR trường hợp biết tạp SNR thấp - đường đồ thị SNR(10,8,16dB) Khi mức SNRHL phân bố tồn dải độ xác nhận dạng đạt tốt nhất, gần trường hợp biết tạp - đồ thị SNR(-10,0,16dB) Như vậy, với mức SNRHL, độ xác nhận dạng mơ hình xét đạt trường hợp biết tạp, ta chọn mức SNRHL phù hợp 3.2.2 Khảo sát đánh giá hiệu giải pháp kết hợp huấn luyện có tạp giảm tạp 3.2.2.1 Trường hợp áp dụng mơ hình phân lớp đơn Lựa chọn hệ số h Hình 3.12 3.13 kết mơ mơ hình nhận dạng BPL đơn huấn luyện mức SNRHL (8 dB -6 dB tương ứng) có giảm tạp với µ𝑛 ước lượng lý tưởng, hệ số h khác có giá trị khoảng từ 100 90 80 XS ND dung (%) 70 60 50 40 30 BSNR SNR(-10,-6,16dB) SNR(-10,8,16dB) SNR(-10,0,16dB) 20 10 -10 -5 SNR DLKT (dB) 10 15 18 100 100 90 90 80 80 70 60 h=1 h=1.2 h=1.4 h=1.6 h=1.8 h=2 h=2.2 h=2.4 h=2.6 h=2.8 h=3 50 40 30 20 10 -10 -5 Hình 3.12 SNR DLKT (dB) 10 15 Xac suat nhan dang dung (%) Xac suat nhan dang dung (%) đến với bước nhảy 0,2 Từ kết mô ta thấy rằng: - Ở dải SNRKT cao, độ xác nhận dạng BPL trường hợp hệ số h có giá trị từ đến 1,8 xấp xỉ nhau; giá trị hệ số h1,8 độ xác nhận dạng giảm rõ rệt, BPL huấn luyện có tạp mức SNRHL thấp - Ở dải SNRKT thấp, độ xác nhận dạng BPL hệ số h=1; h tăng lên, độ xác nhận dạng tăng lên lại giảm Trong hai trường hợp, dải SNRKT thấp độ xác nhận dạng tốt h có giá trị 2,2 70 h=1 h=1.2 h=1.4 h=1.6 h=1.8 h=2 h=2.2 h=2.4 h=2.6 h=2.8 h=3 60 50 40 30 20 10 -10 -5 SNR DLKT (dB) 10 15 Hình 3.13 Như việc bổ sung thêm hệ số h vào ngưỡng cho phép cải thiện đáng kể độ xác nhận dạng SNR thấp Tuy nhiên, h tăng, độ xác nhận dạng dải SNRKT cao giảm Kết mô để lựa chọn hệ số h theo tiêu chí “độ xác nhận dạng cao vùng ổn định biết tạp” ứng với giá trị SNRHL khác trình bày bảng 3.3 TT Bảng 3.3 Kết lựa chọn hệ số h trường hợp SNRHL khác SNRHL h TT SNRHL h 16 dB 1,2 -2 dB 2,2 12 dB 1,2 -4 dB 2,2 dB 1,2 -6 dB 2,2 dB 1,2 -10 dB 2,8 dB 2,2 19 So sánh độ xác nhận dạng không giảm tạp giảm tạp Kết mơ so sánh độ xác nhận dạng không giảm tạp giảm tạp thể hình 3.14 3.15 MP (4dB) 100 50 50 50 100 90 -10 XS ND dung (%) MP (8dB) 100 10 SNR DLKT (dB) MP (0dB) -10 10 SNR DLKT (dB) MP (-6dB) -10 100 100 100 50 50 50 80 BSNR KhongGT GT 10 SNR DLKT (dB) MP (-10dB) 70 XS ND dung (%) XS ND dung (%) MP (16dB) 100 60 50 40 30 20 BSNR KhongGT GT 10 -10 10 SNR DLKT (dB) -10 10 SNR DLKT (dB) -10 10 SNR DLKT (dB) -10 -5 SNR DLKT (dB) 10 15 Hình 3.14 So sánh độ xác Hình 3.15 So sánh độ xác nhận dạng BPL huấn luyện nhận dạng BPL huấn luyện mức SNR trường mức SNR trường hợp giảm tạp, không giảm tạp hợp giảm tạp, không giảm tạp biết tạp biết tạp Hình 3.14 kết mơ trường hợp có giảm tạp khơng giảm tạp BPL huấn luyện có tạp với mức SNR HL với giá trị 16 dB, dB, dB, dB, -6 dB -10 dB Hệ số h ngưỡng giảm tạp chọn theo bảng 3.3 Ta thấy rằng, độ xác nhận dạng BPL huấn luyện mức SNR có giảm tạp CDCL (GT) cải thiện nhiều so với trường hợp không giảm tạp (KhongGT) Tuy nhiên, với mức SNR huấn luyện, độ xác nhận dạng BPL đơn nhiều so với trường hợp biết tạp (BSNR) Hình 3.15 kết mơ so sánh độ xác nhận dạng giảm tạp không giảm tạp trường hợp BPL huấn luyện có tạp với mức SNR với giá trị -10dB, dB 16 dB Hệ số h tìm 2,2 theo tiêu chí “độ xác nhận dạng trung bình mức SNRHL -10 dB; dB 16 dB cao nhất” Ta thấy rằng, có giảm tạp (GT) chất lượng nhận dạng BPL đơn tốt so với không giảm tạp (KhongGT) có độ xác nhận dạng cao trường hợp biết tạp (BSNR) dải SNR thấp 3.2.2.2 Trường hợp áp dụng mơ hình phân lớp song song Thực khảo sát cho mơ hình BPL song song gồm KPL thành phần, kênh huấn luyện mức SNRHL thực giảm tạp theo 20 mức ngưỡng =hn Giá trị SNRHL/ hệ số cắt tạp h KPL là: (-6)dB/2,2 (KPL1); 0dB/1,2 (KPL2); 8dB/1,2 (KPL3) Ngưỡng phân biệt SNR để lựa chọn kết KPL -2 dB (giữa KPL1 KPL2) dB (giữa KPL2 KPL3) Kết mô thể hình 3.19 cho thấy độ xác nhận dạng mơ hình BPL song song (MHBPLSS) xấp xỉ so với trường hợp biết tạp Hình 3.19 Độ xác nhận 3.2.3 Thảo luận dạng mơ hình ba phân - Trong thực tế nhận dạng lớp song song huấn luyện mục tiêu đa, giá trị SNR mức SNR có giảm tạp CDCL có phạm vi biến động lớn, việc huấn luyện thực với liệu (không tạp) mức SNR định chất lượng nhận dạng hạn chế - Kết mô áp dụng giải pháp huấn luyện có tạp kết hợp giảm tạp mơ hình BPL song song mơ hình BPL đơn (huấn luyện có tạp với mức SNR) cho thấy độ xác nhận dạng đạt xấp xỉ trường hợp biết tạp Kết cho thấy giải pháp đề xuất cải thiện chất lượng nhận dạng điều kiện bất định tỷ số tín tạp tốt so với mơ hình thích nghi TLTK [47] (Mơ hình có độ xác nhận dạng thấp đáng kể độ xác nhận dạng trường hợp biết tạp dải SNR thấp) - Thuật toán giảm tạp theo ngưỡng đề xuất có ưu điểm đơn giản, dễ thực hiện, xử lý tự động theo CDCL, khơng đòi hỏi cao tốc độ dung lượng tính tốn, có hạn chế cần phải thực mô thực nghiệm để xác định hệ số h Việc thêm hệ số h vào ngưỡng (so với ngưỡng [17], [19]) phương pháp giảm tạp theo ngưỡng cần thiết nhằm nâng cao hiệu giảm tạp - Mơ hình BPL song song đề xuất phương án hiệu sử dụng để nâng cao chất lượng nhận dạng điều kiện bất định tỷ số tín tạp Ưu điểm mơ hình kích thước tập liệu huấn luyện nhỏ so với trường hợp BPL đơn huấn luyện có tạp với nhiều mức SNR Hạn chế mơ hình cần ước lượng SNR để lựa chọn kết phân lớp từ kênh phân lớp thành phần 100 90 Xac suat nhan dang dung (%) 80 70 60 50 40 30 20 BSNR MHBPLSS 10 -10 -5 S/N DLKT(dB) 10 15 21 3.3 Khảo sát đánh giá mơ hình nhận dạng dựa sở phân đoạn liệu theo góc phương vị 3.3.1 Lưu đồ chương trình mơ Phần trình bày nội dung mơ khảo sát hiệu mơ hình nhận dạng phân đoạn sở liệu theo góc hướng (hình 2.6) áp dụng điều kiện cố định góc ngẩng phân đoạn theo phương vị Việc khảo sát thực cho trường hợp với độ rộng phân đoạn phương vị 𝛥 90, 60, 45, 36, 30, 20 Trung bình xác suất nhận dạng ước lượng cho 14 mức SNR (-10, -8, , 16dB) với giả thiết 𝑆𝑁𝑅 𝐻𝐿 = 𝑆𝑁𝑅 𝐾𝑇 3.3.2 Kết mơ Kết mơ (hình 3.22) cho thấy: mơ hình đề xuất tất trường hợp phân đoạn khác có độ xác nhận dạng cao đáng kể so với trường hợp mơ hình BPL đơn khơng phân đoạn CSDL (BSNR- kết trường hợp biết tạp Hình 3.22 Độ xác mục 3.1), đặc biệt SNR thấp; phân nhận dạng trường đoạn góc phương vị hẹp chất hợp độ rộng phân đoạn theo lượng nhận dạng cao góc phương vị khác 3.3.3 Thảo luận Do giảm thiểu việc phân lớp nhầm mục tiêu khác góc phương vị khác nên mơ hình nhận dạng dựa phân đoạn CSDL theo phương vị cải thiện đáng kể chất lượng nhận dạng, đặc biệt SNR nhỏ Hạn chế mơ hình là: cần sử dụng song song nhiều BPL, yêu cầu ước lượng phương vị mục tiêu quan sát với độ xác cần thiết 3.4 Khảo sát đánh giá thuật toán nhận dạng- phân biệt mục tiêu chưa biết 3.4.1 Lưu đồ chương trình mơ Phần trình bày nội dung mơ khảo sát mơ hình NDPBMT (hình 2.8) điều kiện biết tạp với trường hợp mục tiêu biết mục tiêu chưa biết khác Kết mô thể ma trận nhầm lẫn so sánh với trường hợp BPL đơn thông thường Hệ số điều chỉnh r ngưỡng phân biệt xác định phương pháp mô thực nghiệm theo quy trình đưa mục 2.4.3 100 90 Xac suat nhan dang dung (%) 80 70 60 50 40 BSNR PD=90do PD=60do PD=45do PD=36do PD=30do PD=20do 30 20 10 -6 -4 -2 Ty so tin tren tap (dB) 10 12 14 16 22 3.4.2 Kết mô Kết mô ma trận nhầm lẫn (bảng 3.8) thể xác suất nhận dạng mục tiêu biết Tu16, B1b, B52, Mig21, Tornado, F15, Alcm, Glcm, Decoy (từ tập DL1) mục tiêu chưa biết An26, An64, mô hình NDPBMT mức SNR 16 dB Ta thấy mơ hình NDPBMT vừa đảm bảo nhận dạng mục tiêu biết, vừa phân biệt mục tiêu AN26, An64 thành mục tiêu chưa biết (MTCB) với xác suất phân biệt 95,8% 77,6% Bảng 3.8 Ma trận nhầm lẫn trường hợp mơ hình NDPBMT, MTCB-An26, An64, SNR = 16 dB Tu16 (%) B52 88,0 B1b Tu16 Mig21 F15 Tornado 0,4 Glcm Alcm Decoy An26 An64 B1b (%) 0,9 91,6 0 1,8 0,4 0 2,7 B52 (%) 0 94,7 0 0 0 0 Mig21 Tornado F15 (%) (%) (%) 0 0 0 0 0,9 82,7 0 88,4 1,3 0,4 84,0 0,4 0,9 0,4 0 0 0 0 0,9 1,3 4,2 3,8 Alcm (%) 0 1,8 1,3 71,6 0,4 0,9 0,7 11,1 Glcm (%) 1,3 0,4 0,4 5,8 82,7 3,1 2,0 Decoy MTCB (%) 0,4 10,7 7,1 5,3 0,9 13,3 0,9 7,1 13,3 0,4 0,4 16,4 10,7 85,3 95,8 77,6 3.4.3 Thảo luận Thuật toán nhận dạng – phân biệt mục tiêu chưa biết đảm bảo khả phân biệt mục tiêu chưa biết cho phép nâng cao độ tin cậy định nhận dạng mục tiêu biết nhờ việc loại bỏ kết nhận dạng có độ chắn thấp ngưỡng phân biệt So với kết nghiên cứu [52], mơ hình đề xuất có ưu điểm khả áp dụng cho BPL thông dụng nhận dạng mục tiêu đa mạng nơ ron, SVM, Hạn chế mơ hình cần phải thực mô để xác định ngưỡng 3.5 Kết luận chương - Các giải pháp khắc phục bất định SNR đề xuất chương (kết hợp sử dụng giải pháp huấn luyện có tạp giảm tạp CDCL mơ hình BPL song song BPL đơn huấn luyện với nhiều mức SNR) cho phép cải thiện đáng kể chất lượng nhận dạng - Mô hình nhận dạng phân đoạn CSDL theo góc phương vị hạn chế việc phân lớp nhầm CDCL lớp mục tiêu có mối tương quan cao góc phương vị khác nhau, nhờ cải thiện đáng kể 23 chất lượng nhận dạng, đặc biệt CDCL có mức SNR thấp - Thuật tốn nhận dạng có phân biệt mục tiêu chưa biết, xây dựng sở mơ hình mục tiêu biết (phân bố giá trị liên thuộc lớp) ngưỡng phân biệt, đáp ứng yêu cầu phân biệt mục tiêu chưa biết nâng cao độ tin cậy định nhận dạng mục tiêu biết KẾT LUẬN Kết đạt luận án: - Khảo sát tình hình nghiên cứu, hệ thống hóa vấn đề bất định thông tin tiên nghiệm hướng khắc phục nhận dạng mục tiêu đa - Phân tích làm rõ đưa số giải pháp nâng cao chất lượng nhận dạng mục tiêu đa theo chân dung cự ly số điều kiện bất định thông tin tiên nghiệm sau: + Bất định tỷ số tín tạp; + Bất định góc hướng; + Vấn đề mục tiêu chưa biết - Xây dựng chương trình mơ hệ thống nhận dạng mục tiêu đa dùng mạng RBF kết hợp với giải pháp khắc phục tính bất định thơng tin tiên nghiệm đề xuất Chương trình cho phép khảo sát đánh giá chất lượng nhận dạng lớp mục tiêu bay điển hình theo chân dung cự ly phân giải cao điều kiện bất định khác (về tỷ số tín tạp, góc hướng xuất mục tiêu chưa biết) Kết khảo sát mô cho thấy giải pháp đề xuất đem lại cải thiện đáng kể độ xác nhận dạng độ tin cậy định nhận dạng Đóng góp luận án: - Đưa giải pháp hiệu nâng cao chất lượng nhận dạng điều kiện bất định tỷ số tín tạp, sở sử dụng phân lớp huấn luyện có tạp kết hợp với việc giảm tạp chân dung cự ly (Bài báo số 4) - Đề xuất phương án xây dựng khảo sát mơ hình nhận dạng mục tiêu bay theo kiểu phân đoạn sở liệu theo góc phương vị Mơ hình cho phép nâng cao chất lượng nhận dạng, hạn chế việc phân lớp nhầm mục tiêu CDCL chúng phương vị khác có mối tương quan cao (Bài báo số 3) - Xây dựng thuật toán nhận dạng có phân biệt mục tiêu chưa biết theo hướng xây dựng mơ hình mục tiêu biết dựa phân bố 24 giá trị liên thuộc lớp đầu phân lớp mờ phân biệt mục tiêu chưa biết theo ngưỡng (Bài báo số 1) Hướng nghiên cứu tiếp theo: - Thực kiểm chứng giải pháp cho đối tượng nhận dạng với thuật toán phân lớp khác - Hoàn thiện giải pháp đề xuất, kết hợp chúng mơ hình nhận dạng DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ [1] Nguyễn Thanh Hùng, Phạm Văn Hoan, Nguyễn Hoàng Nguyên, “Một phương pháp phân biệt mục tiêu chưa biết nhận dạng mục tiêu đa”, Tạp chí Nghiên cứu Khoa học Công nghệ quân sự, số 32, 2014, Viện Khoa học Công nghệ quân [2] Nguyen Thanh Hùng, Nguyen Hoang Nguyen, “Radar target recognition using HRRP in condition of unknown noise”, Journal of Military Science and Technology, Special Issue, No.48A, May 2017 [3] Nguyễn Thanh Hùng, Phạm Văn Hoan, Nguyễn Hoàng Nguyên, “Nhận dạng mục tiêu đa theo chân dung cự ly dựa phân đoạn sở liệu theo góc phương vị”, Tạp chí Nghiên cứu Khoa học Công nghệ quân số 49, tháng 6, 2017, Viện Khoa học Công nghệ quân [4] Нгуен Хоанг Нгуен, Нгуен Тхань Хунг, “Влияние неопределённости интенсивности фона на качество распознавания по радиолокационным портретам”, Proceedings of International Conference Radar Monitering Systems, 11-2017, Hanoi (đã đăng Tạp chí Khoa học & Kỹ thuật số đặc biệt “Các hệ thống giám sát Ra đa” N0189, tháng 4-2018, Học viện Kỹ thuật quân sự) ... Danh mục công trình khoa học cơng bố, Tài liệu tham khảo 3 CHƯƠNG BÀI TOÁN NHẬN DẠNG MỤC TIÊU RA ĐA TRONG ĐIỀU KIỆN BẤT ĐỊNH VỀ THÔNG TIN TIÊN NGHIỆM 1.1 Tổng quan toán nhận dạng mục tiêu đa 1.1.1... dựng giải pháp cụ thể cho toán nhận dạng mục tiêu bay theo chân dung cự ly (CDCL) Đối tượng nghiên cứu luận án: Bài toán nhận dạng mục tiêu bay theo CDCL điều kiện bất định thông tin tiên nghiệm. .. khắc phục nhận dạng mục tiêu đa - Phân tích làm rõ đưa số giải pháp nâng cao chất lượng nhận dạng mục tiêu đa theo chân dung cự ly số điều kiện bất định thông tin tiên nghiệm sau: + Bất định tỷ