
- •Введение
- •Формирование алфавитов классов и признаковых пространств радиолокационного распознавания
- •1.1. Общие сведения
- •1.2. Формирование алфавитов классов
- •1.3. Траекторные признаки
- •1.4. Сигнальные признаки однопозиционной активной локации при узкополосном зондировании
- •1.4.1. Эффективные площади (эп) целей
- •Примерные эффективные площади радиолокационных целей
- •1.4.2. Поляризационные признаки
- •1.4.3. Модуляционные признаки
- •1.5. Сигнальные признаки однопозиционной активной локации при широкополосном, многочастотном и многодиапазонном зондировании
- •1.5.1. Признаки при широкополосном зондировании
- •Скалярные признаки подклассов целей
- •Дальностно-поляризационные портреты (дпп)
- •О переходе от согласованного дальностного разрешения к сверхразрешению
- •Дальностно-частотные портреты (дчп)
- •Дальностно-угловые портреты (дул)
- •1.5.2. Признаки при многочастотном зондировании
- •Признаки при когерентном зондировании сигналами малой протяженности
- •Признаки при когерентном зондировании сигналами большой протяженности.
- •Признаки при некогерентном многочастотном зондировании
- •1.3.3. Признаки при многодиапазонном зондировании
- •1.6. Сигнальные признаки однопозиционной пассивной локации
- •1.7. Сигнальные признаки многопозиционной активно-пассивной локации
- •1.8. Признаковые пространства распознавания
- •1.9. Эффективность радиолокационного распознавания
- •2. Алгоритмы распознавания по совокупности признаков
- •2.1. Общие сведения
- •2.2. Байесовские одноэтапные алгоритмы распознавания
- •2.2.1. Исходные структуры алгоритмов
- •При этом отношение
- •2.2.2. Мультипликативные байесовские алгоритмы и их частичная
- •2.2.3 Аддитивные частично параметризованные байесовские алгоритмы
- •2.2.4. Примеры элементов байесовских алгоритмов
- •Элементы алгоритмов, связанные с измерением эффективных площадей целей
- •Элементы алгоритмов связанные с получением дальностных портретов целей
- •2.3. Непараметрические алгоритмы многоальтернативного распознавания
- •2.3.1. Алгоритмы вычисления расстояний
- •2.3.2. Алгоритмы голосования
- •2.4. Нейрокомпьютерные алгоритмы
- •2.4.1. Принципы построения и структуры и ейро компьютерных алгоритмов
- •2.4.2. Варианты алгоритмов функционирования и обучения
- •2.4.3. Нейробайесовские алгоритмы
- •2.4.4. Некоторые данные моделирования
- •3. Принципы реализации высокого разрешения по дальности и по угловой координате в одпопозиционных системах радиолокационного распознавания
- •3.1. Общие сведения
- •3.2. Возможности и примеры получения дальностных портретов
- •3.2.1. Методы когерентной обработки сигналов
- •3.2.2. Примеры когерентной обработки сигналов
- •3.3. Принципы реализации высокого разрешения за счет прямого синтеза апертуры
- •3.4. Пример синтеза апертуры на спутнике "Сисат", сша, 1978 [41]
- •3.5. Обратный (инверсный) синтез апертуры и формирование дальностно-угловых портретов
- •3.6. Варианты адаптации к случайным параметрам сигналов
- •3.7. Адаптация к неравномерному движению цели без угловых рысканий
- •3.8. Принципы адаптации к рысканиям цели
- •3.8.1. Применение методов углового сверхразрешения
- •3.8.2. Сочетание когерентной обработки с некогерентной
- •3.8.3. Компенсация амплитудно-фазовых флюктуаций, обусловленных
- •4. Экспериментальные и расчетные методы определения характеристик вторичного излучения и показателей качества радиолокационного распознавания
- •4.1. Общие сведения
- •4.2. Экспериментальные методы определения характеристик вторичного излучения
- •4.2.1. Методы натурных измерений
- •4.2.2. Методы масштабного электродинамического моделирования
- •4.2.3. Методы гидроакустического моделирования
- •4.3. Расчетные методы определения характеристик вторичного излучения
- •4.3.1. Разновидности расчетных методов
- •4.3.3. Динамические цифровые модели вторичного излучения
- •Варианты построения динамических моделей
- •4.4. Методы определения показателей качества радиолокационного распознавания
- •4.4.1. Натурные методы
- •4.4.2. Методы физического моделирования
- •4.4.3. Методы математического моделирования
- •4.4. Примеры математического моделирования распознавания воздушных целей по совокупности признаков
Элементы алгоритмов, связанные с измерением эффективных площадей целей
Обобщение
гауссовского нормального распределения
(2.16) может использоваться для введения
в (2.13) - (2.14) слагаемых, связанных с
использованием эффективных площадей
целей в качестве признаков распознавания.
В соответствии с разд. 1.4 и 1.5 такие
слагаемые могут вводиться при
зондировании целей широкополосными
и узкополосными сигналами (в последнем
случае на одной несущей частоте в
различные моменты времени, на нескольких
несущих частотах, нескольких поляризациях),
в логарифмических и нелогарифмических
единицах, а также в различных диапазонах
частот. За счет выбора параметров
распределений γi
и
μ=μi
в зависимости от i
может учитываться различный характер
законов распределения
для объектов различных классов, в
частности по данным моделировании. Для
децибельных значений
[дБ] можно ограничиться в ряде случаев
использованием нормальных законов
распределения (μ= 1).
Элементы алгоритмов связанные с получением дальностных портретов целей
Рассматриваемые
элементы относятся ко второй группе
слагаемых (2.13) - (2.14). В пренебрежении
флюктуациями формы портретов ожидаемый
сигнал соответствует модели пачки
импульсов с неизвестными их начальными
фазами
с общим неизвестным амплитудным
множителем b.
Считая для упрощения рассмотрения,
что комплексные отсчеты
принимаемого
сигнала снимаются с выхода согласованного
фильтра, получим
.
Здесь
и
-
комплексные отсчеты сигнала и шума
соответственно. Комплексные отсчеты
сигнала нормированы так, что
Составляющие
образуют
i-й
эталонный ДП. При цифровой обработке
сигнала комплексные отсчеты
принимаемого
сигнала характеризуются их квадратурными
составляющими.
Для
гауссовской помехи с дисперсиями
квадратурных составляющих
логарифмы
плотностей вероятности для случаев
отсутствия, и наличия сигнала
,
а также логарифм отношения правдоподобия
имеют вид
;
;
При
асимптотически высоком отношении
сигнал-шум можно оценить случайные
параметры βli
и bi
по максимуму правдоподобия, с тем, чтобы
исключить их из выражений
.
Оценки параметров
в частности, выбираются из условия
при
после замены квадрата модуля входящей
в нею комплексной величины ее произведением
на комплексно-сопряженную. Оценки
имеют вид
.
Аналогично находятся оценки амплитудного множителя
где zi - приводившаяся ухе в разделе 1.4 корреляционная сумма
.
(2.19)
После подстановки оценок начальных фаз и общего амплитудного множителя логарифм оценочного значения отношения правдоподобия, входящий как некий v -6 элемент аддитивного выражения (2.14), принимает вид
.
(2.20)
Входящая в (2.20) корреляционная сумма пропорциональна коэффициенту корреляции принимаемого портрета с ожидаемым (эталонным)
В отсутствие точного совмещения портрета и эталона такое совмещение проводят по максимуму корреляции.
Один из способов учета флюктуаций формы портретов состоит во введении для каждого класса нескольких подклассов с различающимися эталонными портретами. Решение по частному признаку "протяженность цели" принимается тогда в пользу класса, подкласс которого дает наибольшую корреляционную сумму (2.19) при эталонах подклассов, выбранных для установленного заранее сектора ракурсов.