Một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu ra đa

Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết, sử dụng trong các hệ thống nhận dạng mục tiêu ra đa kiểu SVM (Support Vector Machine). Bản chất của phương pháp này dựa trên sự khác biệt về phân bố các giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) đối với mục tiêu đã biết và mục tiêu chưa biết. Ngưỡng phát hiện được xác định riêng cho từng lớp mục tiêu theo kết quả ước lượng tham số thống kê của hệ thống nhận dạng. Kết quả mô phỏng cho thấy hiệu quả của phương pháp đề xuất.
Nội dung trích xuất từ tài liệu:
Một phương pháp phân biệt mục tiêu chưa biết trong nhận dạng mục tiêu ra đa Ra đa MéT ph­¬ng ph¸p ph©n biÖt môc tiªu ch­a biÕt trong nhËn d¹ng môc tiªu ra ®a NGUYỄN THANH HÙNG*, PHẠM VĂN HOAN**, NGUYỄN HOÀNG NGUYÊN*** Tóm tắt: Bài báo đề xuất một phương pháp phân biệt mục tiêu chưa biết, sử dụng trong các hệ thống nhận dạng mục tiêu ra đa kiểu SVM (Support Vector Machine). Bản chất của phương pháp này dựa trên sự khác biệt về phân bố các giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) đối với mục tiêu đã biết và mục tiêu chưa biết. Ngưỡng phát hiện được xác định riêng cho từng lớp mục tiêu theo kết quả ước lượng tham số thống kê của hệ thống nhận dạng. Kết quả mô phỏng cho thấy hiệu quả của phương pháp đề xuất. Từ khóa: Nhận dạng mục tiêu ra đa, Phân biệt mục tiêu, Xác suất liên thuộc lớp, Máy véc tơ tựa. 1. MỞ ĐẦU Việc phân lớp trong các hệ thống nhận dạng mục tiêu ra đa được thực hiện trên cơ sở dữ liệu đã có (thông tin tiên nghiệm) về từng lớp (kiểu loại) mục tiêu cần phân biệt. Trong thực tế, việc thu thập thông tin tiên nghiệm của các lớp mục tiêu, đặc biệt là những mục tiêu quân sự (ví dụ như các phương tiện bay) của đối phương là rất khó khăn. Như vậy, sẽ xảy ra khả năng trong vùng quan sát xuất hiện mục tiêu mà hệ thống nhận dạng hoàn toànchưa có thông tin về nó (mục tiêu lạ, mục tiêu chưa biết). Mục tiêu này sẽ được nhận biết thành một trong những lớp mục tiêu mà hệ thống nhận dạng có khả năng phân biệt. Quyết định sai của hệ thống nhận dạng trong những trường hợp như vậy có thể dẫn đến những hậu quả nghiêm trọng. Vấn đề nêu trên có thể khắc phục bằng cách bổ sung vào hệ thống nhận dạng một bộ phân biệt mục tiêu chưa biết (Unknown Target Discriminator). Bộ phân biệt này có chức năng xác định mục tiêu đang quan sát là mục tiêu đã biết hay chưa biết. Nếu là mục tiêu đã biết thì nó sẽ được phân lớp theo thuật toán cùng cơ sở dữ liệu đã có của hệ thống nhận dạng. Trường hợp ngược lại, mục tiêu chưa biết sẽ được chuyển tiếp để phân tích ở thiết bị khác, đồng thời dữ liệu thu thập được về mục tiêu này có thể được cập nhật vào cơ sở dữ liệu của hệ thống nhận dạng dưới dạng thông tin tiên nghiệm của lớp mục tiêu mới. Có hai hướng chính để xây dựng bộ phân biệt mục tiêu chưa biết: hướng thứ nhất là xây dựng mô hình mục tiêu đã biết và phân biệt nó với mục tiêu chưa biết theo ngưỡng [2]; hướng thứ hai là tạo tập dữ liệu huấn luyện của mục tiêu chưa biết dựa trên giả định phân bố xác suất nào đó, sau đó sử dụng bộ phân loại hai lớp để phân biệt [3]. Theo hướng thứ nhất, [2] xây dựng mô hình thống kê của mục tiêu đã biết dựa vào độ chắc chắn phân lớp tính theo khoảng cách Mahalanobis và xác định ngưỡng phân biệt theo phương pháp thống kê tính theo xác suất nhận dạng sai (hay báo động nhầm) được chọn cố định bằng 3. Ngưỡng phân biệt theo phương pháp này chưa đặc trưng cho các trường hợp dữ liệu mục tiêu có nhiễu, nên không đảm bảo khả năng phân biệt các mục tiêu đã biết và chưa biết trong điều kiện có nhiễu. Bài báo này đề xuất một phương pháp phân biệt mục tiêu chưa biết theo hướng thứ nhất. Trong đó, mô hình của mỗi lớp mục tiêu đã biết được thể hiện bằng sự phân bố các giá trị xác suất liên thuộc lớp - CMP (Class Membership Probabilities) ở đầu ra bộ phân lớp SVM (Support Vector Machine) [1] đối với các dữ liệu đã biết tương ứng lớp mục tiêu đó, ngưỡng phân biệt được xác định cho từng lớp mục tiêu đã biết theo kết quả ước lượng tham số thống kê của hệ thống. Kết quả mô phỏng cho thấy phương pháp đạt kết quả khá tốt trong bài toán nhận dạng mục tiêu bay theo chân dung cự ly độ phân giải cao ở các điều kiện tỷ số tín trên tạp khác nhau. Các nội dung được trình bày trong bài báo này như 10 N.T.Hùng, P.V.Hoan, N.H.Nguyên, “Một phương pháp ...nhận dạng mục tiêu ra đa.” Nghiên cứu khoa học công nghệ sau. Phần 2 giới thiệu chung về các bộ phân lớp và các giá trị xác suất liên thuộc lớp của chúng. Phần 3 trình bày mô hình hệ thống nhận dạng với thuật toán phân biệt mục tiêu chưa biết xây dựng trên cơ sở phương pháp đề xuất. Phần 4 trình bày các kết quả mô phỏng. Phần 5 là phần kết luận. 2. BỘ PHÂN LỚP - HÀM LIÊN THUỘC LỚP - XÁC SUẤT LIÊN THUỘC LỚP Gọi = [ ; , … , ] là véc tơ dữ liệu thể hiện chân dung ra đa của mục tiêu cần nhận dạng; ( = 1,2, … , ) là ký hiệu các lớp mục tiêu mà hệ thống có thể nhận dạng (phân lớp). Trên cơ sở thông tin tiên nghiệm đã có về ( = 1,2, … , ) và dữ liệu = [ ; , … , ]nhận được trong thời gian quan sát, tại đầu ra bộ phân lớp sẽ hình thành bộ giá trị các hàm liên thuộc lớp ( )( = 1, 2, … , ). Số lượng và số thứ tự hàm này trùng với số lượng và số thứ tự của các lớp mục tiêu, nó lượng hóa khả năng mục tiêu đang quan sát thuộc vào lớp mục tiêu tương ứng. Tùy theo cách phân lớp và ra quyết định của hệ thống mà hàm liên thuộc lớp được hình thành dưới các dạng khác nhau. Trường hợp việc phân lớp và ra quyết định theo lý thuyết ra quyết định cứng cổ điển (Crisp), mỗi mục tiêu cần nhận dạng sẽ được xác định là thuộc một lớp duy nhất trong số các lớp mục tiêu đã biết. Khi này, ứng với mỗi = [ ; , … , ] chỉ có 1 hàm liên thuộc lớp nhận giá trị “1”, các hàm còn lại nhận giá trị “0”. Quy tắc ra quyết định cuối cùng có dạng: “Với mọi = 1, 2, … , :  nếu ( ) = 1 thì ∗ = ∗ ( thuộc lớp ); ∗ ∗  nếu ( ) = 0 thì ≠ ( không thuộc lớp )”. Trường hợp phân lớp và ra quyết định theo lý thuyết logic mờ (Fuzzy), mỗi mục tiêu cần nhận dạng được xác định là có thể đồng thời thuộc nhiều lớp mục tiêu khác nhau với các hàm liên thuộc lớp tương ứng. Thông thường, giá trị ( ) thể hiện xác suất để mục tiêu với dữ liệu thuộc vào lớp . Khi đó: 0 ≤ ( ) ≤ 1 với mọi = 1, 2, … , và ∑ ( ) = 1. Quy t ...