Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Применение численного метода формирования достаточной статистики для построения искусственных нейронных сетей распознавания радиолокационных объектов по поляризационным признакам

Диссертация: Применение численного метода формирования достаточной статистики для построения искусственных нейронных сетей распознавания радиолокационных объектов по поляризационным признакам
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В плане построения гиперповерхностей, ограничивающих области объектов распознавания, детально метод был разработан и доведен до практической реализации только для случаев одно и двухпараметрического распознавания. При анализе проблемы построения устройств распознавания радиолокационных объектов по поляризационным признакам было установлено, что общее количество признаков распознавания может быть… Читать ещё >

Содержание

  • 1. Задача распознавания радиолокационных объектов по поляризационным признакам
    • 1. 1. Поляризационные признаки радиолокационных объектов
    • 1. 2. Краткие сведения из теории распознавания и принятия решений
    • 1. 3. Устройства распознавания радиолокационных объектов по поляризационным признакам
    • 1. 4. Выводы и постановка задачи
  • 2. Численный метод формирования достаточной статистики отношения правдоподобия
    • 2. 1. Оценки совместных функций распределения вероятности совокупностей поляризационных признаков
    • 2. 2. Оценки совместных функций плотностей вероятности совокупностей поляризационных признаков
    • 2. 3. Численный метод формирования достаточной статистики
  • 3. Нейросетевое моделирование устройств распознавания радиолокационных объектов
    • 3. 1. Обоснование структуры искусственной нейронной сети
    • 3. 2. Алгоритм построения искусственной нейронной сети
  • 4. Результаты исследования нейросетевых моделей устройств распознавания радиолокационных объектов
    • 4. 1. Стохастическое поляризационное моделирование радиолокационных объектов
    • 4. 2. Исследование численного метода оценки совместных функций плотности вероятности совокупностей поляризационных признаков
    • 4. 3. Исследование численного метода формирования достаточной статистики
    • 4. 4. Исследование нейросетевых моделей устройств распознавания радиолокационных объектов

Применение численного метода формирования достаточной статистики для построения искусственных нейронных сетей распознавания радиолокационных объектов по поляризационным признакам (реферат, курсовая, диплом, контрольная)

Теоретические и экспериментальные исследования последних лет показали, что использование свойства объектов изменять поляризацию отраженной электромагнитной волны позволяет повысить информативность зондирующего сигнала при распознавании целей методами активной радиолокации.

В работах последних лет, посвященных изучению поляризационных свойств радиолокационных объектов, особое внимание уделялось выявлению тех поляризационных характеристик зондирующих сигналов, которые бы являлись наиболее информативными с точки зрения решения задачи распознавания.

Поляризационные свойства объектов обычно представляются в виде совокупности поляризационных признаков, образующих пространство значений поляризационных параметров целей (пространство параметров распознавания).

В ряде работ проводились исследования свойств поляризационных параметров различных радиолокационных объектов, в результате чего было установлено, что поляризационные параметры целей являются случайными величинами, подчиняющиеся различным статистическим законам для разных объектов. Для некоторых случаев было получено аналитическое выражение вероятностных законов распределения значений поляризационных параметров радиолокационных объектов.

В статистической теории распознавания образов правило принятия решения о соответствии наблюдаемого объекта тому или иному классу целей строится на основе отношений правдоподобия, или на основе достаточных статистик, получаемых путем некоторого монотонного преобразования отношений правдоподобия. Достаточная статистика используется для упрощения выражения отношения правдоподобия, т. е. для упрощения правила принятия решения. В конечном итоге это позволяет упростить устройство, реализующее это правило. Сами отношения правдоподобия строятся с использованием совместных функций плотности вероятности значений параметров распознавания, полученных для тех радиолокационных объектов, которые выступают в качестве альтернативных объектов распознавания.

Для реализации подобного способа создания устройств распознавания (обнаружителей) необходимо предварительно получить аналитическое выражение функции плотности вероятности, что само по себе представляет определенную проблему, поскольку исходными данными для решения этой задачи являются случайные значения поляризационных параметров целей. В связи с этим возникает необходимость, во-первых, тем или иным способом подобрать аналитическое выражение для функции плотности вероятности, а во-вторых, оценить параметры полученного закона. Как первый, так и второй этапы допускают возможность возникновения ошибки. Причем выявить такую ошибку достаточно сложно, особенно в случае многопараметрического распознавания.

Даже при условии правильного определения аналитического выражения для статистического закона получение простого выражения достаточной статистики может оказаться невозможным в силу потенциально различных законов для функций плотности вероятности разных радиолокационных объектов. В этом случае аналитическое выражение достаточной статистики может оказаться представленным в таком виде, в котором его будет трудно реализовать на практике.

С другой стороны, из теории обнаружения и оценок известно, что для решения задачи распознавания радиолокационных объектов, достаточно лишь правильно разбить пространство значений поляризационных признаков на области, соответствующие тому или иному классу целей. А решение о принадлежности наблюдаемого объекта какому-либо классу принимать путем определения той области, в которую попадает вектор, соответствующий входной совокупности значений поляризационных параметров цели.

Другими словами, получение аналитического выражения для функции плотности вероятности не является принципиально необходимым, при условии, что задача разбиения пространства признаков будет решена каким-либо иным путем. В этом случае задача распознавания радиолокационных объектов формулируется как задача распознавания образов, решаемая в условиях непараметрической априорной неопределенности.

В последнее время для решения подобных плохо формализуемых задач широко применяются искусственные нейронные сети. Искусственная нейронная сеть представляет собой сеть (реализованную в виде некоторого устройства или программы), состоящую из элементарных ячеек (формальных нейронов), объединяемых в слои с помощью однонаправленных связей. Количество слоев в сети, количество нейронов в слое, а также иерархия связей определяются сложностью задачи, решаемой нейронной сетью.

Особенностью нейронных сетей является то, что перед своей работой они должны проходить этап обучения, что приводит к необходимости использования специальных алгоритмов их настройки. Важным преимуществом искусственных нейронных сетей является высокая степень распараллеливания решения поставленной задачи, из чего следует высокая скорость получения решения.

Анализ работ, посвященных созданию искусственных нейронных сетей, показал, что нейронные сети достаточно успешно применяются, в частности, и для решения задач многоальтернативного распознавания образов в многомерном пространстве признаков.

Однако в этих работах отсутствует анализ соответствия реализуемых нейронными сетями решающих правил какому-либо критерию качества, определяемому в теории статистических решений. Это, в свою очередь, не позволяет производить оценку априорной вероятности правильного принятия решения о наличии или отсутствии обнаруживаемой радиолокационной цели в соответствии с выбранным критерием качества.

Отсюда следует, что в настоящее время существует актуальная научно-техническая задача разработки метода построения искусственных нейронных сетей, используемых для распознавания радиолокационных объектов в многомерном пространстве поляризационных признаков в условиях непараметрической априорной неопределенности, и реализующих решающее правило, которое бы удовлетворяло выбранному критерию качества принятия решения.

Решение данной проблемы позволит улучшить селектирующие способности поляризационных PJIC.

Целью настоящей диссертационной работы является:

1. Разработка метода формирования достаточной статистики, реализующей такое правило принятия решения, которое бы удовлетворяло выбранному критерию качества, в случае многоальтернативного многопараметрического распознавания радиолокационных объектов по поляризационным признакам в условиях непараметрической априорной неопределенности.

2. Разработка метода построения искусственных нейронных сетей, предназначенных для распознавания радиолокационных объектов в условиях непараметрической априорной неопределенности и реализующих предложенное правило принятия решения.

3. Программная реализация разработанного метода формирования достаточной статистики и метода построения искусственных нейронных сетей, а также экспериментальное исследование распознающих способностей этих нейронных сетей с использованием математических моделей реальных радиолокационных объектов и нейросетевых моделей устройств распознавания.

Научная новизна работы состоит в следующем.

1. Осуществлена оптимизация численного метода операторной аппроксимации оценки совместных функций плотности вероятности значений поляризационных параметров, в результате чего удалось уменьшить количество независимых параметров оценки. Для других независимых параметров оценки предложены критерии определения их значений.

2. Разработан метод разбиения пространства признаков на области, принадлежащие различным классам радиолокационных объектов на основе совокупностей значений поляризационных параметров, соответствующих этим классам с использованием численного метода оценки совместных функций плотности вероятности.

3. Предложено правило принятия решения о принадлежности входного вектора значений поляризационных параметров тому или иному классу радиолокационных объектов на основе разработанного метода разбиения пространства значений поляризационных параметров на области, принадлежащие разным классам целей.

4. Разработан алгоритм формирования достаточной статистики, реализующей правило принятия решения при распознавании радиолокационных объектов для случаев одно и двухпараметрического многоальтернативаного распознавания на основе совокупностей значений поляризационных параметров, соответствующих этим объектам.

5. Разработан метод построения искусственных нейронных сетей, решающих задачу многоальтернативного распознавания радиолокационных объектов в многомерном пространстве поляризационных признаков, и удовлетворяющих критерию максимального правдоподобия качества принятия решения.

Практическая значимость работы заключается в следующем:

1. Разработанный метод формирования достаточной статистики и метод построения искусственных нейронных сетей позволяют создавать устройства распознавания радиолокационных объектов по поляризационным признакам в условиях непараметрической априорной неопределенности, реализующих решающее правило, которое удовлетворяет критерию качества максимального правдоподобия.

2. Устройства распознавания, разрабатываемые на основе предложенного метода построения искусственных нейронных сетей, позволяют повысить селектирующие способности радиолокационных систем.

3. Разработанное программное обеспечение осуществляет формирование нейросетевых моделей устройств распознавания радиолокационных объектов для случаев одно и двухпараметрического многоальтернативного распознавания, и позволяет определять влияние различных поляризационных параметров, а также размеров совокупностей значений этих параметров радиолокационных объектов, на вероятность ошибки принятия решения в условиях непараметрической априорной неопределенности.

На публичную защиту выносится:

1. Предложенная оптимизация численного метода операторной аппроксимации оценки позволяет уменьшить сложность вычислений при получении операторных оценок совместных функций плотности вероятности.

2. Предложенный критерий оптимизации независимых параметров оценки позволяет реализовать численный метод операторной аппроксимации на практике.

3. Оптимизированный численный метод операторной аппроксимации оценки позволяет вычислять несмещенные и состоятельные операторные оценки совместных функций плотности вероятности совокупностей поляризационных параметров радиолокационных объектов.

4. Получаемые операторные оценки функций плотности вероятности позволяют использовать отношения правдоподобия при разработке алгоритмов принятия решения в условиях непараметрической априорной неопределенности.

5. Использование операторных оценок функций плотности вероятности и применение критерия качества принятия решения максимального правдоподобия позволяет разбить пространство значений параметров распознавания на непересекающиеся области, соответствующие различным радиолокационным объектам, а также получить оценку вероятности ошибочных решений при распознавании целей.

6. Представление границ областей целей прямыми при двухпараметрическом и точками при однопараметрическом распознавании позволяет сформировать достаточную статистику в виде наборов логических условий (предикатов), объединяемых операциями конъюнкции и дизъюнкции.

7. Формирование достаточной статистики в виде набора предикатов позволяет построить искусственную нейронную сеть, осуществляющую распознавание радиолокационных объектов по поляризационным признакам.

4. Результаты исследования ненросетевых моделей устройств распознавания радиолокационных объектов.

4.1. Стохастическое поляризационное моделирование радиолокационных объектов.

Будем полагать, что поляризационные параметры радиолокационных объектов представляют собой статистически независимые случайные величины. В этом случае их совместная функция плотности вероятности представляется в виде (1.22), а отсчет поляризационных параметров цели представляет собой вектор значений этих параметров, каждый из которых определяется своим измерительным каналом независимо от всех остальных.

В этом случае моделирование объекта будет сводиться к формированию вектора значений, каждое из которых будет представлять собой отсчет случайной величины, подчиняющиеся тому или иному закону распределения плотности вероятности. При этом возникает проблема формирования этих отсчетов на ЭВМ. В ЭВМ для формирования случайных значений используется датчик случайных чисел, который генерирует последовательность случайных чисел в пределах от 0 до 1, подчиняющихся равномерному закону распределения и имеющих математическое ожидание равное, а дисперсию, равную [184, 185]. Формирование последовательности чисел, подчиняющихся другому закону распределения плотности вероятности, осуществляется в соответствии с методикой, описанной в [98, 184, 185], которая называется методом обратных функций и заключается в следующем.

Пусть wx (х) — функция плотности вероятности случайной величины х, определяемая выражением:

4.1) a wy (y) — функция плотности вероятности случайной величины у, определяемой одним из выражений Таблицы 1.1. Предположим, что случайный процесс х претерпевает некоторое нелинейное безынерционное преобразование, в результате чего формируется случайный процесс у: y = f (x). В силу этого можно утверждать равенство элементарных вероятностей: wy (y)"dy = wx (x)'dx. (4.2).

Если зависимость у = f (х) является монотонной, то интегральные вероятности.

Р (х)= Jwx (a)-da, Q (y)= Jwy (p)-dp, (4.3) со —со также равны:

P (x) = Q (y). (4.4).

Отсюда следует выражение для функции у = f (х): y = f (x) = Q-'{P (x)}, (4.5) где Q" 1 {.} - символ обратной функции.

X X.

Учитывая, что Р (х) = Jwx (a)-da= jl-da = x окончательно получим:

— 00 О у = Q4{x}, 0<х<1. (4.6).

Для некоторых законов Таблицы 1.1 имеется возможность определить аналитическое выражение обратного преобразования. Однако для большинства из этих законов необходимо прибегать к методам численного решения нелинейных уравнений, для нахождения по известному значению х неизвестное значение у. Для этого можно воспользоваться одним из широко известных методов, например методом Ньютона [79] нахождения решения нелинейных уравнений.

Приведем выражения преобразования случайных последовательностей с законом распределения (4.1) к последовательностям, имеющим другой закон распределения. Нормально распределенные случайные числа: k=l my, (4.7) где xk — числа, взятые из датчика случайных чисел, равномерно распределенных на отрезке (0, 1) — сту, шу — требуемое среднеквадратичное отклонение и математическое ожидание величины у.

Как указывалось в [184], па практике в формуле (4.7) достаточно просуммировать 5−7 слагаемых, т. е. взять N = 5.7. Случайные числа, распределенные в соответствии с релеевским законом распределения: y = ay-7−2-ln (x), (4.8) где сту — параметр распределения. Для экспоненциально распределенных чисел: у = ~1п (х), (4.9).

X — параметр распределения.

Если хк — это последовательности независимых нормально распределенных последовательностей с нулевыми математическими ожиданиями и одинаковыми среднеквадратическими отклонениями ст, то случайная последовательность, подчиняющаяся закону Райса определяется выражением: у = ^/(х,+а)2+х*, (4.10) где ст и, а — параметры распределения. Случайная последовательность чисел для распределения по закону cm степенями свободы определяется как: m.

4.2. Исследование численного метода оценки совместных функций плотности вероятности совокупностей поляризационных признаков.

Разработанные методики (формирования достаточной статистики и построения искусственных нейронных сетей) были реализованы в виде программы с рабочим названием ViGaMaK на языке Object Pascal в среде программирования Delphi 6.0. Алгоритм программы представлен в третьей главе настоящей работы. В Приложении 2 приводятся листинги подпрограмм вычисления оценок функций распределения и плотности вероятности.

На рис. П1.1 — П 1.32 представлены в виде графиков априорные функции распределения и плотности вероятности и их оценки для случая одно и двухпараметрического распознавания для разных размеров совокупностей обучающих выборок и разных законов распределения, сформированные программой ViGaMaK.

Вид полученных оценок позволяет утверждать качественное соответствие получаемых оценок априорным законам распределения вероятности.

Для получения количественных показателей соответствия оценок априорным законам распределения вероятности, производилась оценка устойчивости получаемых с помощью этого метода оценок к различным сочетаниям значений случайных величин (к различным наборам обучающих совокупностей), исследовалась зависимость оценок от значения весового коэффициента операторной аппроксимации tj, а также исследовалась зависимость получаемых оценок от значений параметров априорных законов распределения.

На рис. 4.1 и 4.2 представлены графики зависимости отклонений оценок функций распределения вероятностей от априорных функций для различных законов распределения для одно и двухпараметрического распознавания.

Параметры исследуемых законов распределения принимались равными тем же значениям, что и для законов, представленных на рис. Ш .1 — П 1.32.

Анализ графиков рис. 4.1 и 4.2 позволяет сделать вывод о том, что выборочные средние и выборочные среднеквадратичные отклонения оценок функции распределения вероятности от априорных законов действительно убывают с ростом числа обучающих выборок, как для одномерных, так и для двумерных законов распределения вероятности. Это, в свою очередь, позволяет утверждать несмещенность и состоятельность получаемых оценок. Кроме этого, очевидно, что выражение (2.16), описывающее максимальное среднеквадратичное отклонение оценок функций распределения вероятности, действительно задает верхнюю границу выборочного среднею и выборочного среднеквадратичного отклонений, хотя они и зависят от законов распределения случайной величины.

Рис. 4.1. Графики зависимости выборочного среднего (а), выборочного среднеквадратичного (б) и максимального (в) отклонений оценок функций распределения вероятностей от априорных функций для восьми законов распределения вероятности, усредненные по десяти реализациям, для о дно параметр и чес ко го распознавания, в зависимости от размера обучающих выборок. Цифрой 1 помечен график зависимость среднеквадратичного отклонения, определенного в соответствии с выражением (2.16). Цифрой 2 -максимальное отклонение для закона распределения Коши,.

SO 150 350 Э50 4S0 550 650 750 Э50 950 1100 1 250 1400 1550 1 700 1 650 2000 ^.

Рис. 4.2. Графики зависимости выборочного среднего (а), выборочного среднеквадратичного (б) и максимального (в) отклонений оценок функций распределения вероятностей от априорных функций для 20 комбинаций законов распределения вероятности для двухпараметрического распознавания, в зависимости от размера обучающих выборок. Цифрой 1 помечен график зависимость среднеквадратичного отклонения, определенного в соответствии с выражением {2.16).

Это позволяет использовать выражение (2.16) при оптимизации оценок функций плотности вероятности по параметру к — полуразмаху оператор! юной оценки, как для ономерного, так и для двумерного случаев.

На рис. 4.3 и 4.4 представлены графики зависимости среднего, среднеквадратичного и максимального отклонений оценок функций плотности вероятности от априорных законов распределения вероятности, высчитанные по одним и тем же совокупностям обучающих выборок для различных значений весового коэффициента т|.

50 150 250 350 450 550 650 750 В50 950 1100 1150 1400 1 550 17W 1650 JOOO.

50 ISO 250 350 450 ИЮ 650 750 850 9 601 050 1200 1350 1500 1650 16C0 1950.

650 700 750 BOO SSO 900 950 1000 1050 1100 1150 1200 1250.

500 550 600 650 700 750 800 050 900 950 5000 1050 1100 1150 1200 1250 g^j.

Рис. 4.3. Графики зависимости выборочного среднего (а), выборочного среднеквадратичною (б) н максимального (в) отклонений оценок функций плотности вероятности от априорных функций для восьми законов распределения вероятности, усредненные по десяти реализациям, для одно пара метрического распознавания, в зависимости от размера обучающих выборок и для разных значений весового коэффициента р изменяющегося от 0 до 1 с шагом 0,). Цифрами на графике помечены: I — совокупность зависимостей для равномерного закона распределения- 2 — для закона распределения Раиса- 3 — для нормального закона распределения- 4 — для двойного показательного закона- 5 — для закона распределения Хи-квадрат- 6 — для закона распределения Коши: 7 — для экспоненциального закона распределение 8— для закона распределения.

Редея.

Анализ рисунков 4.3 и 4.4 покачал, что параметр операторной аппроксимации т| не оказывает существенного влияния на зависимость как выборочного среднего и выборочного среднеквадратичного отклонений, так и максимального отклонения операторных оценок функций плотности вероятности от априорных законов распределения плотности вероятности. Из рисунков видно, что для всех законов (кроме экспоненциального) линии отклонений для различных значений параметра г| проходят вдоль одних и тех же регрессионных линий и, практически, прямо по ним, как для одномерных, так и для двухмерных законов распределения.

SO 150 250 350 450 550 650 750 650 950 1100 1250 1400 1550 17Ю 1S60 20CO.

700 900 Ш) 1000 1100 1200 1300 1400 1500 1500 1700 1000 1900 2000 а).

6).

Рис. 4.4. Графики зависимости выборочного среднего (а), выборочного среднеквадратичного (б) и максимального (в) отклонений оценок функций плотности вероятности от априорных функций для восьми комбинаций законов распределения вероятности для двух параметрического распознавания, в зависимости от размера обучающих выборок и для разных значений весового коэффициента г. Цифрами на графике помечены- ] - совокупность зависимостей для равномерного закона распределения по обоим параметрам распознавания- 2 — для закона распределения Раиса- 3 — для нормального закона распределения- 4 — для двойного показательного закона- 5 — для закона распределения Хи-квадрат- 6 — для закона распределения Кош и- 7 — для экспоненциального закона распределения- 8 — для закона распределения Релея- 9 — зависимость, вычисленная по формуле (2.53).

Что касается экспоненциального закона, то, несмотря на несколько большую зависимость операторной аппроксимации оценки функции плотности вероятности от параметра ri для этого закона, эти отклонения никак нельзя назвать существенными. Это позволяет предположить возможность отказа от необходимости осуществлять оптимизацию получаемых оценок по параметру ц, что существенно сокращает время получения этих оценок. В дальнейшем при выполнении всех расчетов было принято значение параметра 11= 0,5.

На рис. 4.5 — 4.12 представлены зависимости среднего и максимального отклонений оценок функций плотности вероятности от априорных функций плотности вероятности для.

0 150 ISO 350 ISO 550 6S0 750 S50 3″ 1100 1250 1400 1550 1700 1650 2000 ИО 750 950 950 10SO 1150 1150 1 350 1450 1550 1650 1750 1Э50 1950 восьми законов распределения для случая однопараметрического распознавания при изменении параметров априорных законов распознавания.

Рис. 4.5. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона плотности вероятности для одномерного равномерного закона распределения при фиксированном значении правой ]раницы (равным десяти) и изменяющемся значении левой границы (от 0 до 9 с шагом I), в зависимости от размера обучающей выборки. На графиках обозначено: ] - левая граница равна 9- 2 — левая граница равна 8- 3 — левая граница равна 0- 4 — теоретическая зависимость, рассчитанная по (2.34).

50 250 500 750 1050 1400 1750 7100 2450 2600 3150 3500 3950 4200 455П 44JU.

50 3″ 500 750 1050 1 350 1 650 1950 2300 2600 2900 Э200 3500 3850 4150 4450 4750.

50 250 БОТ 750 10 501 350 1700 200О 1X0 2650 2950 3250 35S0 3900 4200 4500 4850 50 250 500 750 1060 1400 1750 2100 2400 2750 3100 Э45 В 3800 4150 4450 4800.

Рис. 4.6. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона плотности вероятности для одномерного закона распределения Релея при изменении параметра С от 1,1 до 10,1 с шагом 1 в зависимости от размера обучающей выборки. На графиках обозначено: 1— о = 1,1- 2 — ст = 2,1−3 -теоретическая зависимость, рассчитанная по формуле (2.34),.

Рис. 4.7. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона плотности вероятности для одномерного нормального закона распределения при фиксированном значении параметра m — 0 и изменении параметра, а от 1,1 до 10,1 с шагом 1 в зависимости от размера обучающей выборки. На графиках обозначено: 1- (Т — 1Д -2~ <Т = 2,1−3 — теоретическая зависимость, рассчитанная по формуле (2.34).

S0250 500 7SQ 10S0 1400 1TS0.

3800 Э150 3500 3850 4200 «550 4900.

SO 2S0 500 750 1050 1Э50 1700 2000 2300 2"0 2Й50 32Я) 3550 3900 4200 4500 4Э50 50 250 WO 750 10ОО 1300 1600 1900 1200 2500 2800 3100 3400 3700 «000 (300 4Б00 tSOO.

Рис. 4.8. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона для одномерного двойного показательного закона распределения при фиксированном значении параметра, а = 1 и изменении параметра С от 1 до 10 с шагом I (сверху) и при фиксированном значении параметра с = 2 и изменении параметра, а от 1 до 10 с шагом I (снизу) в зависимости от размера обучающей выборки. На графиках обозначено: I — теоретическая зависимость, рассчитанная по формуле (2.34).

50 250 500 750 1050 1 400 175И 2100 2450 2ВОО 3150 3500 3050 4200 4550 4Э00 50 250 500 750 1060 1400 1750 2100 2400 2Т50 3100 3450 3800 <150 4450 4800.

Рис. 4.9. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорпого закона плотности вероятности для одномерного закона распределения Коши при фиксированном значении параметра h = 1 и изменении параметра Х0 от I до 10 с шагом 1 (сверху) и при фиксированном значении параметра Ха =1 и изменении параметра Ь от 1 до 10 с шагом 1 (снизу) в зависимости от размера обучающей выборки. На графиках обозначено: I — теоретическая зависимость, рассчитанная по формуле (2.34).

3850 4200 4550 450(1.

50 250 500 750 1050 1400 1750 2100 2400 ЭТ50 3100 3450 3800 4150 4450 4800.

50 250 500 750 10 501 350 1700 ЮОО 2300 2650 2950 3250 3550 3900 4200 4500 <650 SO ISO 500 7S010QO 1300 1600 1900 2200 2SOO 2800 3100 3400 3703 4000 4300 4600 4000.

Рис. 4.10. Среднее (слева) и максимальное (справа) отклонение опенки функции плотности вероятности от априорного закона плотности вероятности для одномерного экспоненциального закона распределения при изменении параметра А, от 1 до 10 с шагом 1 в зависимости от размера обучающей выборки. На графиках обозначено: 1 — теоретическая зависимость, рассчитанная по формуле (2.34).

Рис. 4.11. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона плотности вероятности для одномерного закона распределения Хи-квадрат при изменении параметра п от 2 до 10 с шагом 1 в зависимости от размера обучающей выборки. На графиках обозначено: 1 -зависимость при п = 2- 2 — теоретическая зависимость, рассчитанная по формуле (2.34).

50 250 500 750 1050 1400 1750 2100 1450 2900 3150 Э500 3090 4200 4SS0 4900 50 350 500 750 1000 1300 1 600 1900 220Q 2500 390П 510П 4400 37П0 400С 4ЭОО 4600 4900.

50 250 500 750 1050 1400 1750 2100 2450 28ОТ 3150 3500 3050 4200 4550 4900 50 250 500 750 10″) 1400 t750 2100 2400 2750 3100 3450 3000 4150 4450 <4000.

Рис, 4,12. Среднее (слева) и максимальное (справа) отклонение оценки функции плотности вероятности от априорного закона плотности вероятности для одномерного закона распределения Раиса при фиксированном значении параметра, а = 5 и изменении параметра, а от 1 до 10 с шагом I (сверху) и при фиксированном значении параметра, а = 1 и изменении параметра, а от 1 до 10 с шагом I (снизу) в зависимости от размера обучающей выборки. На графиках обозначено: 1 — теоретическая зависимость, рассчитанная по формуле (2.34).

Анализ рисунков 4.5 — 4.12 позволяет утверждать, что, во-первых, при увеличении размера обучающих совокупностей среднее выборочное отклонение оценки от априорного закона — уменьшается, что говорит о несмещенности получаемых оценок, а во-вторых, что получаемые оценки зависят как от вида закона распределения, так и от значения его параметров. Среднеквадратичные отклонения, представленные на рис. 4.5 — 4.12, рассчитывались по формуле (2.34) для наихудшего сочетания переменных этого выражения по всем зависимостям графиков рис. 4.5 — 4.12. Убывание среднеквадратичных отклонений мри увеличении размера обучающих совокупностей говорит о состоятельности формируемых оценок.

Для двухмерных законов распределения плотности вероятности характер зависимостей отклонений оценок от априорных законов качественно выглядит таким же образом.

43. Исследование численного метода формирования достаточной статистики.

Для исследования предлагаемого метода формирования достаточной статистики отношения правдоподобия в качестве распознаваемых целей были выбраны объекты, поляризационные характеристики которых исследовались в работах [48 — 54,56 — 62].

При этом использовались следующие законы, описывающие статистические свойства параметров распознавания (Таблицы 4.1 и 4.2).

Заключение

.

Подводя итоги проделанной работы, сформулируем достигнутые результаты, а также возможные направления дальнейших исследований.

Первым результатом проделанной работы явился разработанный алгоритм формирования оценок функций распределения вероятности и функций плотности вероятности с привлечением метода операторной оценки. Сам по себе метод операторной оценки, используемый в данной работе, не является новым. Применительно к случаю построения оценок многомерных функций плотности вероятности этот метод требует решения задачи многомерной оптимизации получаемых оценок по большому числу параметров этих оценок, не несущих в себе информацию о вероятностных характеристиках признаков распознавания объектов.

По всей видимости, именно это обстоятельство ограничивало практическое применение метода операторной оценки функций плотности вероятности, поскольку применение метода в том виде, в котором он был предложен, требовало значительных вычислительных затрат системы (электронно-вычислительной машины (ЭВМ)), которая бы осуществляла обработку результатов измерений значений признаков распознавания.

В данной работе был предложен способ снижения общего количества оптимизируемых параметров оценок функций плотности вероятности. Для некоторых из параметров была установлена их зависимость от исходных данных и от других параметров. Для других было установлено, что их влияние на формируемые оценки практически отсутствует, и они могут принимать произвольные значения в пределах диапазона возможных значений. Наконец, для третьих были определены критерии выбора их значений.

На основе выдвинутых предложений был разработан и реализован в виде программы алгоритм построения операторных оценок функций плотности вероятности для одно и двухмерного случаев.

Необходимо отметить, что, несмотря на уменьшение общего числа оптимизируемых параметров оценок функций плотности вероятности, все равно предложенный алгоритм требует достаточно больших вычислительных затрат, особенно тогда, когда размеры обучающих выборок — значительны. Например, при расчете двумерной функции плотности вероятности при размере обучающей выборки, равной 5000 значений по каждому из параметров требуется около 250 МВт оперативной памяти, а сам расчет занимает около 50 часов машинного времени при расчете на двухпроцессорной ЭВМ с установленными процессорами AMD Opteron 1,4 ГГц (OSA240).

Однако зависимость времени расчета от размера выборки не является линейной. Так при размере выборки, раной 2000 расчет на той же самой ЭВМ занимает всего около двух часов. Таким образом, предложенным метод вполне применим при небольших объемах выборок.

Тем не менее, алгоритм, реализующий данный метод, может быть оптимизирован. Например, алгоритм может быть построен таким образом, чтобы вычисления осуществлялись в параллельном режиме, что должно привести к более оптимальной загрузке центральных процессоров ЭВМ, а кроме этого позволит использовать для расчетов многомашинные электронно-вычислительные системы.

По всей видимости, существуют и другие способы оптимизации предложенного алгоритма получения оценок функций плотности вероятности.

Вторым результатом проделанной работы явился разработанный алгоритм разбиения пространства значений поляризационных параметров объектов на области, соответствующие разным объектам в соответствии с критерием максимального правдоподобия качества принятия решения и его практическая реализация в виде программы.

Критерий максимального правдоподобия использовался, поскольку иные критерии качества принятия решения требуют большего количества априорной информации об объектах распознавания, которая (информация) в условиях непараметрической априорной неопределенности отсутствует.

Однако если об объектах распознавания априори будет доступно больше данных, чем просто наборы выборок признаков распознавания, то эти данные, несомненно, должны учитываться при разбиении пространства значений признаков на области, относящиеся к тому или иному объекту. Разработанный метод формирования областей не позволяет учитывать эту информацию. Такая задача не ставилась и не решалась в данной работе, но эта проблема может быть рассмотрена в дальнейших исследованиях.

В плане построения гиперповерхностей, ограничивающих области объектов распознавания, детально метод был разработан и доведен до практической реализации только для случаев одно и двухпараметрического распознавания. При анализе проблемы построения устройств распознавания радиолокационных объектов по поляризационным признакам было установлено, что общее количество признаков распознавания может быть равно от одного до восьми. Это приводит к необходимости в дальнейшем увеличения числа используемых признаков. При этом возникает проблема разработки метода оптимального размещения ограничивающих гиперповерхностей, проходящих через вершины, соответствующие границам областей целей. Кроме этого заслуживает рассмотрения и вопрос выбора формы ограничивающих поверхностей. Можно предположить, что использование гиперплоскостей для этих целей не является лучшим решением проблемы. Вполне возможно, что использование в качестве разделяющих границ областей поверхностей сложной формы позволит упростить структуру нейронной сети, формируемую на основе выполненного разделения пространства признаков.

Разработанный способ разбиения пространства значений признаков на области, соответствующие разным объектам распознавания позволил предложить достаточно простой способ формирования достаточной статистики, которая в данном случае строится в виде набора предикатов. Причем ее общее выражение не зависит от вида априорных функций плотности вероятности, что является несомненным достоинством предлагаемого метода, поскольку отпадает необходимость в сложных способах обработки сигналов, поступающих от датчиков, осуществляющих измерение значений признаков распознавания, что в свою очередь упрощает схему селекции целей радиолокационных систем.

Однако решение данной проблемы было получено в виде словесного описания и только для случаев одно и двухпараметрического распознавания. Формализованное математическое описание способа построения наборов предикатов, представляющих области принятия решений целей, независимо от количества параметров распознавания получено не было, что также является возможным направлением дальнейших исследований.

Третьим результатом проделанной работы явился разработанный алгоритм формирования искусственной нейронной сети, осуществляющей распознавание радиолокационных объектов по поляризационным признакам.

Использование искусственных нейронных сетей в качестве логического базиса устройства распознавания радиолокационных объектов позволило решить проблему практической реализации формируемых достаточных статистик, описывающих области принятия решений целей. Параллельный характер вычислений, присущий искусственным нейронным сетям, позволяет получать решение об объектах распознавания с очень высокой скоростью, практически ограничиваемую только временем срабатывания отдельных нейронов сети. Это является важным преимуществом предлагаемого способа формирования устройств распознавания, поскольку в радиолокационных системах, которые, как правило, работают в режиме реального времени, скорость принятия решения о цели должна быть высокая.

Отличительной особенностью предлагаемого способа формирования искусственных нейронных сетей является решение проблемы определения оптимальной структуры нейронный сети, в соответствии с критерием качества принятия решения максимального правдоподобия, которая (проблема) в известных автору работах не решалась. С другой стороны, можно предположить, что предлагаемая структура сети может быть упрощена еще больше, например, использованием в качестве границ областей поверхностей сложной формы и использованием в качестве функций активации не пороговых, а монотонных функций, о чем уже говорилось выше.

Еще одна проблема, которая была решена в ходе исследований — это проблема определения размеров обучающих выборок, достаточных для построения нейронных сетей, и определения при этом оценки вероятности ошибки при принятии решения. Исследования показали, что оцениваемые вероятности ошибки могут быть меньше реальных, что связанно с ошибками построения оценок функций плотности вероятности. Это выдвигает проблему улучшения методов получения оценок функций плотности вероятности в будущем. Решение данной проблемы видится автору в применении не линейной интерполяции при численном дифференцировании функции распределения вероятности, как в используемом методе операторной оценка, а интерполяции более высокого порядка.

Также необходимо упомянуть и о способе определения весов и смещений формальных нейронов формируемой искусственной нейронной сети. Чаще всего используемые методы обучения нейронных сетей предполагают их непосредственную настройку, в процессе которой осуществляется минимизация некоторого функционала ошибки. В результате этого возможно получения ситуации, при которой минимум функционала ошибки достигается, а верность принятия решения нейронной сеть, при этом, оказывается невысокой (проблемы переобучения или недообучения сети, проблема попадания в локальный минимум функционала ошибки).

В предлагаемом методе формирования сети осуществляется оптимизация размещения вершин ограничивающей поверхности областей целей, а веса и смещения нейронов рассчитываются исходя из используемого способа проведения через эти вершины ограничивающих поверхностей. При этом в качестве критерия оптимальности размещения вершин областей принятия решений целей используется критерий минимизации оценки средней вероятности ошибки, определяемой по оценкам функций плотности вероятности. Это придает весам и смещениям нейронов сети конкретный физический смысл, и позволяет избегать многих проблем, присущих другим способам формирования и обучения искусственных нейронных сетей.

Еще одним результатом проделанной работы явилось создание программного аппарата, позволяющего строить модели формируемых искусственных нейронных сетей, что, в свою очередь, позволяет проводить исследования этих сетей. Разработанная программа предоставляет описание сформированной нейронной сети с применением стандартных методов математического описания, используемых для искусственных нейронных сетей. Это позволяет исследовать сеть не только с помощью методов, заложенных в разработанную программу, но и переносить построенную модель в среду других программных продуктов, для проведения каких-либо иных исследований. Это также позволяет реализовывать сформированную сеть в виде аппаратного нейросетевого устройства, готового к применению в реальных условиях работы радиолокационных систем.

В разработанной программе для исследования нейронной сети предоставляется возможность использования метода статистических испытаний Монте-Карло, для определения доли ошибочных решений, принимаемых сетью, а также предоставляется возможность наглядной проверки верности принимаемых сетью решений по сформированным областям принятия решений целей.

Наконец, в работе были представлены результаты исследований предложенных алгоритмов на моделях реальных радиолокационных объектов, подтверждающих правомочность их (алгоритмов) применения при работе с реальными объектами в составе поляризационных радиолокационных систем.

Показать весь текст

Список литературы

  1. Кук, Ч. Радиолокационные сигналы / Ч. Кук, М. Бернфельд. Пер. с английского под ред. B.C. Кельзона. М.: «Советское радио», 1971. — 568 с.
  2. , Д. Справочник по радиолокационным измерениям / Д. Бартон, Г. Вард. Пер. с англ. под ред. М. М. Вейсбейна. М.: «Сов. Радио», 1976. — 392 с.
  3. Радиолокационные устройства (теория и принципы построения) / В. В. Васин, О. В. Власов, В.В. Григорин-Рябов и др. Под ред. В. В. Григорина-Рябова. М.:ь «Сов. Радио», 1970.-680 с.
  4. , Н.М. Многоканальные радиолокационные измерители / Н. М. Царьков. -М.: Сов. радио, 1980. -192 с.
  5. Радиолокационные характеристики летательных аппаратов / М. Е. Варганов, Ю. С. Зиновьев, Л. Ю. Астанин и др. Под ред. Л. Т. Тучкова. — М.: Радио и связь, 1985. — 236с.
  6. , ДБ. Поляризация радиолокационных сигналов / Д. Б. Канарейкин, Н. Ф. Павлов, В. А. Потехин. М.: Советское радио, 1966. — 440 с.
  7. , Д.Б. Морская поляриметрия / Д. Б. Канарейкин, В. А. Потехин, И. Ф. Шишкин. Л.: Судостроение, 1963. — 328 с.
  8. , В.В. Поляризация рассеянного и собственного радиоизлучения земных покровов / В. В. Богородский, Д. Б. Канарейкин, А. И. Козлов. Л.: Гидрометеоиздат, 1981.-297с.
  9. Селекция и распознавание на основе локационной информации / А. Л. Горелик, Ю. Л. Барабаш, О. В. Кривошеев, С.С. Эпштейн- Под ред. А. Л. Горелика. М.: Радио и связь, 1990.-240с.
  10. И. Димитриенко, Ю. И. Тензорное исчисление: Учеб. пособие для вузов / Ю. И. Димитриенко. М.: Высш. Шк., 2001. — 575 с.
  11. , А.П. Исследование сигналов с динамической поляризационной структурой в одноканальных метеорологических радиолокаторах / А. П. Бацула. Кандидатская диссертация, Томск, ТИАСУР, 1983 г.
  12. , Е.В. Использование динамических поляризационных фильтров в задачах селекции и идентификации радиолокационных объектов / Е. В. Масалов. Кандидатская диссертация, Томск, ТИАСУР, 1984.
  13. Радиолокационные характеристики летательных аппаратов / Л. Ю. Астанин, М. Е. Варганов, Б. Д. Дмитриев и др. Под ред. Л. Т. Тучкова. М.: Радио и связь, 1985. — 236с.
  14. Авторское свидетельство. 1 026 549 СССР, G01S 13/95. Метеорологический радиолокационный поляриметр / Н. Н. Бадулин, А. П. Бацула, Г. Н. Громов и др. заявлено 15.07.81.
  15. Авторское свидетельство. 1 069 535 СССР, G01S 13/95. Радиолокационный поляриметр / Н. Н. Бадулин, А. П. Бацула, Е. В. Масалов и др. заявлено 24.06.82
  16. Авторское свидетельство. 1 143 207 СССР, G01S 13/95. Метеорологический поляриметр / Н. Н. Бадулин, А. П. Бацула, Е. В. Масалов и др. Заявлено 18.10.83.
  17. Авторское свидетельство. 1 199 069 СССР, G01S 13/95. Способ измерения коэффициента анизотропии радиолокационной цели / Н. Н. Бадулин, С. С. Деревянченко, Е. В. Масалов и др. Заявлено 25.05.83.
  18. Авторское свидетельство. 1 232 034 СССР G01S 13/02. Способ измерения поляризационных характеристик радиолокационной цели и устройство для его реализации / Н. Н. Бадулин, Е. В. Масалов. Заявлено 15.10.84.
  19. , С.П. Режекторная гребенчатая фильтрация в задачах обработки поляризационно-манипулированных радиолокационных сигналов / С. П. Лукьянов. — Кандидатская диссертация, Томск, ТИАСУР, 1987.
  20. , С.П. Режекторная гребенчатая фильтрация в задачах обработки поляризационно манипулированных радиолокационных сигналов / В. Н. Татаринов, С. П. Лукьянов, Е. В. Масалов. Радиоэлектроника, 1989, № 5, т.32, с. 3 — 7.
  21. , В. А. Моноимпульсные измерители поляризационных параметров радиолокационных объектов / В. А. Хлусов. Кандидатская диссертация, ТИАСУР, Томск, 1989.
  22. Авторское свидетельство. 1 309 758 СССР, М. кл. G01S. Способ измерения коэффициента анизотропии радиолокационной цели / В. А. Хлусов, В. И. Карньппев, В. Н. Татаринов, Е. В. Масалов, В. А. Потехин, С. С. Деревянченко, Э. А. Рудман. 1987 г.
  23. , Н.Н. Использование поляризационно модулированных сигналов при зондировании метеообразований / Н. Н. Бадулин, В. Л. Гулько, Е. Л. Шошин. 7 Всесоюзное совещание по радиометеорологии. Тезисы докладов. — Москва, 1986, с. 16.
  24. , Н.Н. Анализ влияния частоты поляризационной модуляции на результат поляризационных измерений / Н. Н. Бадулин, В. Л. Гулько, Е. Л. Шошин. — Научно-техническая конференция. Томск, 1987.
  25. , К.Г. Поляризационная модуляция / К. Г. Гусев, А. Д. Филатов, А. П. Сополев. -М.: Сов. радио, 1974. 288 с.
  26. Nathanson, F.E. Adaptive Circular Polarization / F.E. Nathanson. IEEE. Int. Radar Conf., 1975, p. 221 -225.
  27. Peebles, P.Z. Radar Rain Clutter Cancellation Bounds Using Circular Polarization / P.Z. Peebles. Proc. IEEE. Int. Radar Conf. 1975, p. 210 — 214.
  28. Kalabus K.M. Rain Cancellation Deterioration Due to Surface Reflections in Ground-Mapping Radars Using Circular Polarization. IEEE Trans. Antennas, Propagat., 1975, AP. 23, p. 268−271.
  29. B.B. Применение сигналов круговой поляризации для улучшения характеристик систем телевидения, связи, радионавигации и радиолокации. Зарубежная радиоэлектроника, 1979, № 9, с. 68−86.
  30. , Е.В. Одноканальные методы активной поляризационной радиолокации / Масалов, Е. В. Докторская диссертация. Томск, ТИАСУР, 1993.
  31. Дистанционное зондирование микрофизической структуры облаков с использованием поляризационной манипуляции / Н. Н. Бадулин, А. П. Бацула, Е. Б. Кулыненева и др. Изв. вузов СССР, Физика. — 1983, № 6. Деп. ВИНИТИ, № 219.
  32. Stewart, N. A. A Study on Polarization Characteristics of Targets and Clutter / N. A. Stewart. Military Microwaves 80'Conf.Rec. London, 1980, p. 405−409.
  33. , Е.В. Поляризационные измерения в задачах радиолокационной метеорологии / Е. В. Масалов, В. Н. Татаринов. — Зарубежная радиоэлектроника, 1987, 4, с. 44 -52.
  34. Cherardelli, М. Experimental Results on Discrimination of Radar Signals by Polarization / M. Cherardelli, M. Fossi, D. Giuli. Proc. Int. Symp. on Noise and Clutter Rejection in Radars and Imaging Sensors, Tokyo, Japan, 1984.
  35. Cherardelli, M. Experimental Results on a Double Polarization Radar / M.A. Cherardelli, M. Fossi, D. Giuli. Colloq. Int. Radar, Paris, 1984, p. 419 — 424.
  36. Badulin, N.N. Investigation of Polarizaton Characteristics of Radar Signals from the Sea / N.N. Badulin, E.L. Shoshin. Proc. of the JIPR-95, Nantes, France, 1995, p. 194 -198.
  37. Ligthart, L. Polarization Properties of Radar Objects, Having Random Distribution of the Scattering Centers / L. Ligthart, V.N. Tatarinov, S.V. Tatarinov. Proc. of the JIPR-98, Nantes, France, 1998, p. 419−428.
  38. Дистанционная индикация града в облаках по поляризационным характеристикам сигнала / Диневич JI. А., Тычина Р. Н. и др. — «Труды ЦАО», 1975, вып. 121, с. 18 — 27.
  39. , И.А. Теория флуктуаций локационных сигналов, отраженных распределенными целями / И. А. Мандуровский, Ю. И. Фельдман. Под ред. Ю. И. Фельдмана. М.: Радио и связь, 1988. — 272 с.
  40. Поляризационные инварианты в задачах зондирования ледников / Н. Н. Бадулин, С. А. Никитин, В. Н. Татаринов и др. Изв. вузов СССР, Физика, 1983, № 6.
  41. , И. Е. О спектре обратного рассеяния радиоволн морской поверхностью / И. Е. Ушаков, И. Ф. Шишкин. Радиотехника, 1980, т, 35, № 11.
  42. Измерения характеристик морского волнения с использованием судовой PJIC / JI.B. Евтеева, И. Е. Ушаков, С. А. Качинский и др. Радиотехника, 1987, № 1.
  43. Karnychev, V.I. Experimental Investigation of Polarization Contrast of Small Radar Objects / V.I. Karnychev, V.N. Tatarinov, S.V. Tatarinov. Proc. of the EUSAR — 96, Konigswinter, Germany, 1996.
  44. , Н.Н. Спектральные характеристики эхо-сигналов при поляризационной модуляции излучения РЛС / Н. Н. Бадулин, В. Л. Гулько. Изв. ВУЗов СССР. Радиоэлектроника, 1988, № 4, с. 74 — 76.
  45. , Н.Н. Спектральные характеристики рассеянных радиолокационными целями сигналов при поляризационной модуляции излучения РЛС / Н. Н. Бадулин, В. Л. Гулько, Е. В. Масалов. Изв. ВУЗов СССР. Радиоэлектроника. 1991, № 11, с. 65 — 67.
  46. , Е.Л. Одноканальные методы поляриметрии в задачах обнаружения радиолокационных целей по поляризационным признакам на фоне подстилающей поверхности / Е. Л. Шошин. Кандидатская диссертация, Томск, ТИАСУР, 1996.
  47. Разработка и выпуск опытного образца РЛ — измерителя состояния поверхности моря: Отчет (заключит.). Шифр ЧС.0.41.10 / Томский институт АСУ и радиоэлектроники (ТИАСУР) — руководитель Н. Н. Бадулин. Томск, 1992. — 16с.
  48. , Н.Н. Поляризационные характеристики рассеяния радиолокационных сигналов морской поверхностью / Н. Н. Бадулин, В. Л. Гулько. Изв. вузов СССР, Радиоэлектроника, 1991, № 4, с. 26 — 31.
  49. , Н.Н. Исследование поляризационных характеристик радиолокационных сигналов рассеянных морской поверхностью / Н. Н. Бадулин, Д. А. Фролов. Радиотехника, 1991, № 11, с. 77−79.
  50. , Б.Р. Теоретические основы статистической радиотехники / Б. Р. Левин. М.: Сов. радио, 1974 — 1976. кн. 1 — 3. — кн. 1 — 552 е., кн. 2 — 392 е., кн. 3 — 288 с.
  51. Обнаружение искусственных радиолокационных целей по поляризационным признакам на фоне земной поверхности / Бадулин Н. Н., Былина В. В., Гулько B.JI. и др. Изв. вузов СССР, Радиоэлектроника, 1991, № 8, с. 29−32.
  52. , В.И. Поляризационный контраст радиолокационных объектов. Диссертация на соискание ученой степени кандидата технических наук / В. И. Карнышев. -Томск: Томский институт автоматизированных систем управления и радиоэлектроники, 1993.-137 с.
  53. , А.Ю. Методы поляризационной селекции в радиолокационных системах. Диссертация на соискание ученой степени доктора технических наук / А. Ю. Кораблев. —М.: Московский государственный технический университет гражданской авиации — 2003. — 301 с.
  54. , В.Г. Методы и техника радиолокационного распознавания / В. Г. Небабин, В. В. Сергеев. М.: Радио и связь, 1984. — 152 с.
  55. Моделирование радиолокационных систем / А. И. Леонов, В. Н. Васенев, Ю. Н. Гайдунов и др.- Под ред. А. И. Леонова. М.: Сов. радио, 1979. — 264 с.
  56. , В.А. Введение в статистическую поляризацию радиоволн / В. А. Мелнтицкий, С. И. Поздняк. М.: Сов. радио, 1974. — 480 с.
  57. , В.Н. Теория и техника обработки радиолокационной информации на фоне помех / В. Н. Манжос, Я. Д. Ширман. М.: Радио и связь, 1981. — 416 с.
  58. , Я.А. Статистическая теория распознавания образов / Я. А. Фомин, Г. Р. Тарловский. М.: Радио и связь, 1986. — 264 с.
  59. , Н.Д. Разрешение и сжатие сигналов / Н. Д. Ширман. М.: Сов. радио, 1979.-360 с.
  60. Хан, Г. Статистические модели в инженерных задачах / Хан Г., Шапиро С. Пер. с англ. М.: Мир, 1996. — 396 с.
  61. , А.Л. Методы распознавания: Учеб. пособие / А. Л. Горелик, В. А. Скрипкин. М.: Высшая школа, 2004. — 261 с.
  62. , И.Г. Методы принятия решений / И. Г. Черноруцкий. СПб.: БХВ-Петербург, 2005. — 416 с.
  63. , К. Введение в статистическую теорию распознавания образов. — М.: Наука, 1979.-368 с.
  64. Ван Трис, Г. Теория обнаружения, оценок и модуляции. Том 1. Теория обнаружения, оценок и линейной модуляции / Г. Ван Трис. Нью-Йорк, 1968. Пер. с англ., под ред. проф. В. И. Тихонова., М., «Советское радио», 1972. — 744 с.
  65. , В.Н. Теория распознавания образов (статистические проблемы обучения) / В. Н. Вапник, АЛ. Червоненкис. М.: Наука, 1974. — 416 с.
  66. , А.В. Классификация сигналов в условиях неопределенности / А. В. Миленький. М.: Сов. радио, 1975. — 328 с.
  67. Теория обнаружения сигналов / П. С. Акимов, П. А. Бакут, В. А. Богданович и др.- Под ред. П. А. Бакута. М.: Радио и связь, 1984. — 440 с.
  68. , Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах / Ж. Макс. Пер. с франц. М.: Мир, 1983. — Т.1.312 е., Т.2.256 с.
  69. , А.А. Вычислительные методы для инженеров: Учеб. Пособие / А. А. Амосов, Ю. А. Дубинский, Н. В. Копченова. М.: Высш. шк., 1994. — 544 с.
  70. , В.М. Численные методы (математичский анализ и обыкновенные дифференциальные уравнения): Учеб. пособие для вузов / В. М. Вержбицкий. — М.: Высш. шк., 2001.-382 с.
  71. , Ю.Л. Коллективные статистические решения при распознавании / Ю. Л. Барабаш — М.: Радио и связь, 1983. — 220 с.
  72. , Л.А. Метод коллективного распознавания / Л. А. Растригин, Р. Х Эриннггейн. М.: Энергоатомиздат, 1981. — 80 с.
  73. , Ю.Г. Теория последовательных решений и ее применение / Ю. Г. Сосулин, М. М. Фишман. М.: Радио и связь, 1985. — 272 с.
  74. , М. Ранговые корреляции / М. Кендэл. Пер. с англ. — М.: Статистика, 1975. -216 с.
  75. Лапий," В. Ю. Устройства ранговой обработки информации / В. Ю Лапий, А. Я. Калюжный, Л. Г. Красный. Киев: Техника, 1986. — 120 с.
  76. , Б.В. Многоуровневые системы распознавания образов. Диссертация на соискание ученой степени кандидата технических наук / Б. В. Щербаков. Красноярск: Красноярский государственный технический университет, 1996. — 114 с.
  77. , М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стьюарт. Пер. с англ. Под ред. А. Н. Колмогорова, Ю. В. Прохорова. М.: Наука, 1976. -736 с.
  78. , Э. Проверка статистических гипотез / Э. Леман. Пер. англ. Под ред. Ю. В. Прохорова. М.: Наука, 1979. — 408 с.
  79. , Г. Математические методы статистики / Г. Крамер. М.: Издательство «Мир», 1975. — 648 с.
  80. , А.А. Математическая статистика / А. А. Боровков. Новосибирск: Наука- Издательство Института математики, 1997. — 772 с.
  81. Математические методы распознавания образов. Тезисы докладов 8-й Всероссийской конференции / Российская академия наук. Вычислительный центр. — М.: Отдел научно-технической информации Пущинского научного центра РАН, 1997. 236 с.
  82. Сборник материалов 5-й международной конференции «Распознавание 2001» / Под ред. B.C. Титова. — Курск: Курский государственный технический университет, 2001. -188 с.
  83. , Ф.А. Обработка изображений и распознавание образов: Монография / Курск, гос. техн. ун-т. Курск, 2003. 232 с.
  84. , А.И. Распространение радиоволн и работа радиолиний / А. И. Калинин, E.JI. Черенкова. М.: Издательство «Связь», 1971.-440 с.
  85. Руководство по применению радиолокаторов MPJI-4, MPJI-5 и MPJI-6 в системе градозащиты / М. Т. Абшаев, И. И. Бурцев, С. И. Ваксенбург, Г. Ф. Шевела. — Ленинград: Гидрометеоиздат, 1980. 232 с.
  86. Радиотехнические системы: Учеб. для вузов по спец. «Радиотехника» / Ю. П. Гришин, В. П. Ипатов, Ю. М. Казаринов и др.- Под ред. Ю. М. Казаринова. М.: Высш. шк., 1990.-496 с.
  87. Теоретические основы радиолокации. Учебное пособие для вузов / Я. Д. Ширман, В. Н. Голиков, И. Н. Бусыгин и др.- Под ред. Я. Д. Ширмана. М.: изд-во «Советское радио», 1970.-560 с.
  88. , В.Н. Задача обучению распознаванию образов / В. Н. Вапник. — М.: Знание, 1971.-64 с.
  89. , Н.Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко. -Новосибирск: Изд-во Ин-та математики, 1999. — 270 с.
  90. , Н.Г. Методы распознавания и их применение / Н. Г. Загоруйко. — М.: Советское радио, 1972. 208 с.
  91. , В.В. Алгоритмы селекции по площади бинарных изображений и их математические модели / Радиотехника и электроника. 1991. — Вып. 11.-е. 2111 — 2115. (Изд. АН СССР).
  92. , Э.К. Алгоритм отбора эталонных объектов при распознавании по методу ближайшего соседа: Сб. матер-ов 2-й Межд. Конф. «Распознавание 95». — Курск, 1995. — с. 66−68.
  93. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. М.: Наука, 1986. — 312 с.
  94. , У.Дж. Нечеткие множества, нечеткая алгебра, нечеткая статистика / У.Дж. Байат, А. Кандель. ТИИЭР. Т.66. — 1978. -№ 12.
  95. , JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе. Классификация и кластер / JI.A. Заде. Под ред. Дж. Вэн Райзин. М.: Мир, 1980.
  96. Фу, К. Структурные методы в распознавании образов / К Фу. М.: Мир, 1977.319 с.
  97. , Э. Основы теории распознавания образов / Э Патрик, Пер. с англ. под ред. Б. Р. Левина. М.: Сов. радио, 1980. — 408 с.
  98. , Н.В. Избранные труды по теории вероятностей и математической статистики / Н. В. Смирнов. М.: Наука, 1970. — 351 с.
  99. Статистическая классификация, основанная на выборочных распределениях / В. Н. Иголкин, А. Б. Ковригин, А. И. Старшинов и др. Л.: ЛГУ, 1978. — 256 с.
  100. , Н.Н. Статистические решающие правила и оптимальные выводы / Н. Н. Ченцов. М.: Наука, 1972. — 520 с.
  101. , И.А. Асимптотическая теория оценивания / И. А. Ибрагимов, Р. З. Хасьминский. М.: Наука, 1979. — 528 с.
  102. , JI.H. Таблицы математической статистики / JI.H. Большее, Н. В. Смирнов. -М.: Наука, 1983.-416 с.
  103. , В.А. Функциональный анализ: Учебник / В. А. Треногин. М.: ФИЗМАТЛИТ, 2002. — 488 с.
  104. , В.А. Теория операторов. Учеб. для вузов / В. А. Садовничий. М.: Высш. шк., 1999.-368 с.
  105. Авторское свидетельство. 1 398 622 СССР G01S 13/02. Устройство селекции радиолокационных целей / Н. Н. Бадулин, В. А. Бутько, В. Л. Гулько. Заявлено 18.03.86 г.
  106. Авторское свидетельство. 1 128 211 СССР G01S 13/95. Способ измерения интенсивности дождя и устройство для его реализации / Н. Н. Бадулин, Е. Б. Кулыпенева, В. Н. Татаринов. Заявлено 21.02.84 г.
  107. , В.Г. Статистический синтез при априорной неопределенности и адаптация информационных систем / В. Г. Репин, Г. П. Тартаковский. М.: Сов. радио, 1977.
  108. Доклады международной конференции «Современная радиолокация», вып.1, Киев, 1994.
  109. Модели. Алгоритмы. Принятие решений: Сб. статей. — М.: Наука, 1989.
  110. , М.А. Метод потенциальных функций в теории обучения машин / М. А. Айзерман, Э. М. Браверман, Л. И. Розоноэр. М.: Наука, 1970. — 384 с.
  111. , А.Г. Обучение машины классификации объектов / А. Г. Аркадьев, Э. М. Браверман. М.: Наука, 1971. — 192 с.
  112. , В.И. Распознающие системы. Справочник / В. И. Васильев. Киев: Наукова думка, 1983. — 424 с.
  113. , А.И. Синтез многослойных систем распознавания образов / А. И. Галушкин. М.: Энергия, 1974. — 368 с.
  114. , А.Л. Построение систем распознавания / А. Л. Горелик, В. А. Скрипкин. -М.: Сов. радио, 1974. 224 с.
  115. , Ю.С. Когерентный обнаружитель слабого гармонического сигнала со счетчиком нулевых пересечений / Ю. С. Захаров. Изв. вузов. Сер. Радиоэлектроника, 1975, т. 18 № 4, с. 16−19.
  116. , А.Г. Системы эвристической самоорганизации в технической кибернетики / А. Г. Ивахненко. Киев: Техника, 1971. — 372 с.
  117. Распознавание образов. Исследования живых и автоматических распознающих систем: Пер. с англ. / Под ред. И. Ш. Пинскера. М.: Мир, 1970. — 288 с.
  118. , Я.А. Последовательный алгоритм различения случайных процессов по числу пересечений порогового уровня / Я. А. Фомин. Радиотехника и радиоэлектроника, 1980, т. 25. № 5, с. 975−980.
  119. , А.В. Оптимизация временных параметров системы распознавания одномерных нормальных совокупностей / А. В. Савич, Я. А. Фомин. Радиотехника, 1984. т. 39, № 11, с. 28−31.
  120. , А.В. Оптимизация системы распознавания многомерных нормальных совокупностей / А. В. Савич, Я. А. Фомин. Радиотехника, 1985. т. 40, № 12, с. 8 — 11.
  121. , О.П. Характеристики обнаружения гауссовых стационарных процессов при многоканальной обработке / О. П. Черемисин. Радиотехника и электроника, 1974, т. 19, № 4, с. 843−847.
  122. , M. Персептроны: Пер. с англ. / М. Минский, С. Пейперт. Под ред. В. А. Ковалевкого. М.: Мир, 1971.-261 с.
  123. , М.Б. Нейронные сети / М. Б. Беркинблит. М.: МИРОС, 1993.
  124. , Ф. Нейрокомпьютерная техника / Ф. Уоссерман. М.: Мир, 1992.
  125. , С. Нейроуправление и его приложения / С. Омату, М. Халид, Р. Юсоф. -М.: ИПРЖРБ, 2000. 272 с.
  126. , А.И. Нейрокомпьютеры / А. И. Галушкин. М.: ИПРЖР, 2000. — 532 с.
  127. Головко, В: А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов / В. А. Головко. Общая редакция А. И. Галушкина. М.: ИПРЖР, 2001. — 256 с.
  128. , В. Интеллектуальная нейронная система для автономного управления мобильным роботом / В. Головко. Труды X научно-технической конференции. Брест: БПИ, 1998.-с. 15−25.
  129. , И.И. Нейронные сети и комбинаторная оптимизация / И. И. Меламед. — Автоматика и телемеханика, 1994, № 11. — с. 3 40.
  130. , B.C. Нейронные сети. MATLAB 6 / B.C. Медведев, В. Г. Потемкин. Под общ. ред. к.т.н. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. — 496 с.
  131. , А.И. Теория нейронных сетей. Книга 1.: Учебное пособие для вузов / А. И. Галушкин. М.: ИПРЖР, 2000. — 416 с.
  132. , А.Н. Погрешности в нейронных сетях / А. Н. Горбань, М. Ю. Сенашова. -Красноярск: Вычислительный центр СО РАН в г. Красноярске (Рукопись деп. В ВИНИТИ, 25.07.97, № 2509-В97), 1997. 38 с.
  133. , А.В. Нейронные сети и нелинейная обработка сигналов. Диссертация на соискание ученой степени кандидата физико-математических наук / А. В. Грибок. — Обнинск: Физико-Энергетический институт, 1996. 140 с.
  134. , В.В. Оптимальное обнаружение радиолокационных целей по поляризационным признакам с применением искусственных нейронных сетей. Сибирский поляризационный семинар СибПол-2004. 7−9 сентября 2004 г. Сургут. Россия. Доклады /
  135. В.В. Рыжаков. — Томск: Издательство Томского государственного университета систем управления и радиоэлектроники, 2004. стр. 226 — 232.
  136. , М.А. Widrow В. Ргос. IEEE. 1990, v. 78, № 9.
  137. Персептрон система распознавания образов / Под ред. А. Г. Ивахенко. — Киев: Наук. Думка, 1975.
  138. , С.А. Классификаторы на основе нейронных структур / С. А. Шишов. -Зарубежная радиоэлектроника, 1992, № 8.
  139. , Р. Ргос. IEEE, 1990, v. 78, № 10.
  140. Parallel Distributed Processing / Ed. By Rummelhart D., Mc. Clelland J., v. 1. -Cambridge MA: MJT Press, 1988.
  141. Muller, B. and Reinhardt. Neural Network. Berlin, 1990.
  142. Zurada, J. Introduction to artifical Neural Systems. St. Paul, NY. — PWS Publishing Company, 1992. — 785 p.
  143. Jouny, L., Garber E. and Ahalt S. IEEE, 1993, v. AE-29, № 2.
  144. Yang, C. and Bhargava, V. IEEE, 1993, v. AE-29, № 4.
  145. Lipmann, R., An introduction to computing with neural nets / IEEE Acoustic, Speech and Signal Processing Magazine, 1987, № 2, L. 4 22.
  146. , A.H. Нейронные сети: определения, концепции, применение / А. Н. Скурихин. М.: ЦНИИ управления экономики и информатики, 1991.
  147. . Кн. 6: Учеб. пособие для вузов / А. Д. Агеев, А. Н. Балухто, А. В. Бычков и др.- Общая ред. А. И. Галушкина. М.: ИПЖРТ, 2002. — 448 с.
  148. Методы нейроинформатики. Сборник научных трудов / Под общей редакции доктора физико-математических наук А. Н. Горбаня. Отв. за выпуск М. Г. Доррер. КГТУ, Красноярск, 1998. — 205 с.
  149. , Э.Д. Алгоритмы настройки многослойных нейронных сетей / Автоматика и телемеханика. -1995. -№ 4. с. 106 -118.
  150. Нейроматематика / А. Н. Горбань, B.JI. Дунин-Барковский, А. Н. Кирдин и др. -Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
  151. , П.В. Использование псевдообращения в задачах обучения искусственных нейронных сетей / П. В. Сараев. — Электронный журнал «Исследовано в Росии». — 2001. — с.308 — 317.
  152. , С. А. Нейросетевые аппроксимации плотности в задачах информационного моделирования / С. А. Терехов. Снежинск: Снеженский физико-технический институт, 2002. — 23 с.
  153. Hopfield, J.J. Neural Networks and Physical systems with emergent collective computational abilities / J.J. Hopfield. Proc. Nat. Sci. USA. 1982. V.79. P. 2554−2558.
  154. Итоги науки и техники. Сер. «Физические и математические модели нейронных сетей» / Под ред. А. А. Веденова. М.: Изд-во ВИНИТИ, 1990−92, — Т. 1−5.
  155. , И.П. Нейронные модели ассоциативной памяти / И. П. Муравьев, А. А. Фролов. М.: Наука, 1987. — 160 с.
  156. Фор, А. Восприятие и распознавание образов / А. Фор. М.: Машиностроение, 1989.-272 с.
  157. , А.Н., Россиев Д. А. Нейронные сети на персональном компьютере / А. Н. Горбань, Д. А. Россиев. Новосибирск: Наука (Сиб. отделение), 1996. — 276 с.
  158. , С.А. Классификация многомерных наблюдений / С. А. Айвазян, З. И. Бежаева, О. В. Староверов. М.: Статистика, 1974. — 240 с.
  159. , А.Н. Обучение нейронных сетей / А. Н. Горбань. М.: Изд. СССР-США СП «Параграф», 1990. — 160 с.
  160. , В.И. Методы цифрового моделирования радиотехнических систем: Учебное пособие / В. И. Гадзиковский. Екатеринбург: УГТУ, 1995, 182 с.
  161. , В. Имитационное моделирование. Классика CS / Кельтон В., Лоу А. -СПб.: Питер- Киев: Издательская группа BHV, 2004. — 847 с.
  162. , Е.С. Теория вероятности и ее инженерные приложения. Учеб. пособие для втузов / Е. С. Вентцель, Л. А. Овчаров. М.: Высш. шк., 2000. — 480 с.
  163. , В.Т. Примеры и задачи по статистической радиотехнике / В. Т. Горяинов, А. Г. Журавлев, В. И. Тихонов. Изд-во «Советское радио», 1970. — 600 с.
  164. , А.А. Теория разностных схем / А. А. Самарский. М.: Наука, 1983.616 с.
Заполнить форму текущей работой

На отлично!